Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1705.03831

帮助 | 高级搜索

统计学 > 计算

arXiv:1705.03831 (stat)
[提交于 2017年5月10日 (v1) ,最后修订 2017年5月11日 (此版本, v2)]

标题: 有效样本量的准可靠估计

标题: Quasi-Reliable Estimates of Effective Sample Size

Authors:Youhan Fang, Yudong Cao, Robert D. Skeel
摘要: 马尔可夫链蒙特卡罗算法的效率可以通过生成一个独立样本的成本来衡量,或者等效地,通过总成本除以有效样本大小来衡量,而有效样本大小则根据积分自相关时间来定义。 为了确保此类估计的可靠性,建议对状态空间进行充分采样——在某种程度上这是从可用样本中可以确定的。 一种可能的方法被推导并评估出来。
摘要: The efficiency of a Markov chain Monte Carlo algorithm might be measured by the cost of generating one independent sample, or equivalently, the total cost divided by the effective sample size, defined in terms of the integrated autocorrelation time. To ensure the reliability of such an estimate, it is suggested that there be an adequate sampling of state space--- to the extent that this can be determined from the available samples. A possible method for doing this is derived and evaluated.
主题: 计算 (stat.CO)
引用方式: arXiv:1705.03831 [stat.CO]
  (或者 arXiv:1705.03831v2 [stat.CO] 对于此版本)
  https://doi.org/10.48550/arXiv.1705.03831
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Youhan Fang [查看电子邮件]
[v1] 星期三, 2017 年 5 月 10 日 15:50:41 UTC (166 KB)
[v2] 星期四, 2017 年 5 月 11 日 12:57:17 UTC (157 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
stat.CO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2017-05
切换浏览方式为:
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号