Un consiglio: basta calcolare il PSRF separatamente per ciascun componente scalare
L'articolo originale di Gelman & Rubin [1], così come la Bayesian Data Analysis libro di testo di Gelman et al. [2], raccomanda di calcolare il fattore di riduzione della scala potenziale (PSRF) separatamente per ciascun parametro scalare di interesse. Per dedurre la convergenza, è quindi necessario che tutti i PSRF siano vicini a 1. Non importa che i parametri siano interpretati come vettori casuali, i loro componenti sono scalari per i quali è possibile calcolare i PSRF.
Brooks & Gelman [3] hanno proposto un'estensione multivariata del PSRF, che esaminerò nella prossima sezione di questa risposta. Tuttavia, per citare Gelman & Shirley [4]:
[...] questi metodi possono talvolta rappresentare un eccesso di capacità: i singoli parametri possono essere ben stimati anche se la convergenza approssimativa delle simulazioni di una distribuzione multivariata può richiedere molto tempo.
Alternativa: estensione multivariata di Brooks & Gelman
Brooks & Gelman [3] propongono un'estensione multivariata del PSRF, dove in effetti si calcola la matrice di covarianza stimata (fase 4) come somma ponderata delle matrici di covarianza all'interno della catena ( ) e tra le catene ( B ) fase
3): V = n - 1WB
dovenè la lunghezza della catena. Quindi, si ha la necessità di definire alcuni scalari metrica per la distanza tra la covarianza matrici V ,W. Gli autori propongono
R =maxaunaT V un
V^=n−1nW+1nB,
nV^,W
dove
mè il numero di catene, l'uguaglianza è mostrato nell'articolo con
λ1è il più grande autovalore positivo
W-1 V /n. Poi, gli autori affermano che sotto convergenza delle catene,
À1→0e quindi con grande
nquesta multivariata
R deve convergere vicino 1.
R^=maxaaTV^aaTWa=n−1n+(m+1m)λ1,
mλ1W−1V^/nλ1→0nR^
Riferimenti
[1] Gelman, Andrew e Donald B. Rubin. "Inferenza dalla simulazione iterativa usando sequenze multiple." Statistical Science (1992): 457-472.
[2] Gelman, Andrew, et al. Analisi dei dati bayesiani. CRC press, 2013.
[3] Brooks, Stephen P. e Andrew Gelman. "Metodi generali per il monitoraggio della convergenza di simulazioni iterative." Journal of Computational and Graphical Statistics 7.4 (1998): 434-455.
[4] Gelman, Andrew e Kenneth Shirley. "Inferenza da simulazioni e monitoraggio della convergenza". (Capitolo 6 in Brooks, Steve, et al., Eds. Manuale di Markov Chain Monte Carlo. CRC Press, 2011.)
Tutti gli articoli tranne il libro di testo [2] sono disponibili sul sito Web di Andrew Gelman Sito Web di Andrew Gelman .