A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Importance sampling type estimators based on approximate marginal Markov chain Monte Carlo (2020)


Vihola, Matti; Helske, Jouni; Franks, Jordan (2020). Importance sampling type estimators based on approximate marginal Markov chain Monte Carlo. Scandinavian Journal of Statistics, 47 (4), 1339-1376. DOI: 10.1111/sjos.12492


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Vihola, Matti; Helske, Jouni; Franks, Jordan

Lehti tai sarja: Scandinavian Journal of Statistics

ISSN: 0303-6898

eISSN: 1467-9469

Julkaisuvuosi: 2020

Volyymi: 47

Lehden numero: 4

Artikkelin sivunumerot: 1339-1376

Kustantaja: Wiley-Blackwell

Julkaisumaa: Britannia

Julkaisun kieli: englanti

DOI: http://doi.org/10.1111/sjos.12492

Avoin saatavuus: Julkaisukanava ei ole avoin

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/71682

Julkaisu on rinnakkaistallennettu: https://arxiv.org/abs/1609.02541


Tiivistelmä

We consider importance sampling (IS) type weighted estimators based on Markov chain Monte Carlo (MCMC) targeting an approximate marginal of the target distribution. In the context of Bayesian latent variable models, the MCMC typically operates on the hyperparameters, and the subsequent weighting may be based on IS or sequential Monte Carlo (SMC), but allows for multilevel techniques as well. The IS approach provides a natural alternative to delayed acceptance (DA) pseudo-marginal/particle MCMC, and has many advantages over DA, including a straightforward parallelisation and additional flexibility in MCMC implementation. We detail minimal conditions which ensure strong consistency of the suggested estimators, and provide central limit theorems with expressions for asymptotic variances. We demonstrate how our method can make use of SMC in the state space models context, using Laplace approximations and time-discretised diffusions. Our experimental results are promising and show that the IS type approach can provide substantial gains relative to an analogous DA scheme, and is often competitive even without parallelisation.


YSO-asiasanat: tilastomenetelmät; bayesilainen menetelmä; otanta; estimointi; Markovin ketjut; Monte Carlo -menetelmät

Vapaat asiasanat: Markov chain Monte Carlo (MCMC); Bayesian analysis


Liittyvät organisaatiot


Hankkeet, joissa julkaisu on tehty

Eksaktisti approksimoidut Monte Carlo -m
Vihola, Matti
Suomen Akatemia
01.09.2014-31.08.2017
Skaalautuvat menetelmät luotettavaan Bayes-päättelyyn (SCALEBAYES)
Vihola, Matti
Suomen Akatemia
01.09.2018-31.08.2022


OKM-raportointi: Kyllä

Alustava JUFO-taso: 2


Viimeisin päivitys 2020-30-11 klo 16:05