GLMMのためのMCMC【JST・京大機械翻訳】

Roy Vivekananda

プレプリント

J-GLOBAL ID：202202200048137176 整理番号：22P0325363

GLMMのためのMCMC【JST・京大機械翻訳】

MCMC for GLMMs

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2022年04月04日プレプリントサーバーでの情報更新日： 2022年06月24日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

一般化線形混合モデル(GLMM)は,相関非Gaussデータを解析するためにしばしば用いられる。GLMMにおける尤度関数は,高次元積分としてのみ利用可能であり,従って閉形式推論と予測はGLMMに対して不可能である。尤度は閉形式で利用できないので,Bayes GLMMにおける関連する事後密度も難治性である。一般に,Markov連鎖モンテカルロ(MCMC)アルゴリズムをGLMMの条件付きシミュレーションに用い,これらの事後密度を探索する。本論文では,GLMMをフィッティングするための最先端のMCMCアルゴリズムの異なる状態を示した。これらのMCMCアルゴリズムは,拡散ベースおよびハミルトニアン動力学ベースの方法と同様に,効率的なデータ増強戦略を含む。ここで示したLangevinおよびハミルトニアンモンテカルロ法は任意のGLMMに適用でき,三つの最も一般的なGLMM,すなわち二項データに対するロジスティックおよびプロビットGLMMおよび計数データに対するPoisson-logGLMMを用いて例証した。また,プロビットとロジスティックGLMMのための効率的なデータ増強アルゴリズムも提示する。これらのアルゴリズムのいくつかを数値例を用いて比較した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

情報工学基礎理論一般 , システム・制御理論一般 , 確率論 , 音声処理 , 医用画像処理

前のページに戻る