Wir zeigen nun, dass der in Abschnitt 3.3.2
betrachtete Gibbs-Sampler ein Spezialfall einer größeren Klasse
von MCMC-Algorithmen ist, und zwar der sogenannten Algorithmen vom Metropolis-Hastings-Typ, wobei die
Verallgemeinerung in zweierlei Hinsicht erfolgt:
für die Matrix
der
Übergangswahrscheinlichkeiten
wird
verallgemeinert.
Zusätzlich wird ein Verfahren zur Akzeptanz bzw. Verwerfung
der Updates
in den Algorithmus
integriert, dass auf einer ähnlichen Idee wie die in
Abschnitt 3.2.3 diskutierte Akzeptanz- und
Verwerfungsmethode beruht, vgl. insbesondere
Theorem 3.5.
Sei eine endliche (nichtleere) Index-Menge, und sei
ein diskreter Zufallsvektor,
der mit Wahrscheinlichkeit seine Werte in der endlichen
(Zustands-) Menge
annimmt,
wobei wir sowie bisher für die Wahrscheinlichkeitsfunktion
des Zufallsvektors
voraussetzen, dass
für jedes
.
Die Übergangsmatrix
der
zu konstruierenden Markov-Kette
mit der
ergodischen (Grenz-) Verteilung
sei gegeben durch den
Ansatz
(47)
wobei
eine beliebige
stochastische Matrix ist, die irreduzibel und aperiodisch sei, so
dass
genau dann, wenn
.
die Matrix
gegeben ist
durch
(48)
so dass
(49)
und
eine beliebige
symmetrische Matrix ist mit
(50)
Beachte
Der in (47) betrachtete Strukturansatz für die
Übergangsmatrix
lässt
sich wie folgt interpretieren.
Zunächst wird gemäß
ein
Kandidat
für den Update
erzeugt.
Falls
, dann wird
mit der
Wahrscheinlichkeit
akzeptiert,
d.h., mit der Wahrscheinlichkeit
wird
der Update
verworfen (und der
jeweils aktuelle Zustand
wird somit nicht verändert).
Um den in (47)-(50) definierten
Metropolis-Hastings-Algorithmus anwenden zu können, müssen für
eine gegebene ,,potientielle'' Übergangsmatrix
lediglich die Quotienten
für diejenigen Paare
von Zuständen bekannt sein, für die
gilt.
Der in Abschnitt 3.3.2 betrachtete Spezialfall des
Gibbs-Samplers ergibt sich,
wenn die ,,potentiellen'' Übergangswahrscheinlichkeiten
so wie in (46) gewählt
werden.
Für beliebige
mit
gilt dann
und
somit
Mit der Wahl
ergibt sich nun, dass
für beliebige
mit
.
Theorem 3.14
Die in
-
gegebene
Übergangsmatrix
ist irreduzibel
und aperiodisch, und das Paar
ist reversibel.
Beweis
Weil die in (48)-(50) gegebenen
Akzeptanzwahrscheinlichkeiten
für
beliebige
positiv sind, ergibt sich
die Irreduzibilität und Aperiodizität
aus den entsprechenden
Eigenschaften von
.
Um die die Gültigkeit der Detailed-Balance-Gleichung
(2.85) zu zeigen, d.h., dass
Wenn
, dann gilt auch
, und aus
(47)-(50) ergibt sich, dass
wobei sich die letzte Gleichheit aus der Symmetrie der Matrix
ergibt.
Beispiele
Metropolis-Algorithmus
Der klassische Metropolis-Algorithmus ergibt sich, wenn in
(50) die Gleichheit betrachtet wird, d.h., wenn
Für die Akzeptanzwahrscheinlichkeiten
gilt
dann für beliebige
mit
, dass
d.h.,
(52)
Wenn die Matrix
der
,,potentiellen'' Übergangswahrscheinlichkeiten symmetrisch ist,
dann ergibt sich aus (52), dass
(53)
Die Akzeptanzwahrscheinlichkeiten
sind
also insbesondere dann durch (53) gegeben, wenn die
,,potentiellen'' Updates
,,auf
gut Glück'' gewählt werden, d.h., wenn
Barker-Algorithmus
Der sogenannte Barker-Algorithmus ergibt sich, wenn die Matrix
mit
für beliebige
betrachtet wird.
Für die Akzeptanzwahrscheinlichkeiten
gilt
dann
(54)
Wenn die Matrix
der
,,potentiellen'' Übergangswahrscheinlichkeiten symmetrisch ist,
dann gilt insbesondere
(55)
MCMC-Simulationsalgorithmus
Genauso wie bei dem in Abschnitt 3.3.2 diskutierten
Gibbs-Sampler konstruieren wir eine Markov-Kette
mit dem Zustandsraum und mit der in
(47)-(50) gegebenen (irreduziblen
und aperiodischen) Übergangsmatrix
,
so dass
die ergodische (Grenz-) Verteilung der
Markov-Kette
ist.
Für hinreichend großes stimmt dann die Verteilung
von
näherungsweise mit
überein.
Um Fehlerbetrachtungen für MCMC-Simulationsalgorithmen durchführen
zu können, ist es nützlich,
den Variationsabstand
zwischen den Verteilungen
und
bzw. Abschätzungen hierfür zu kennen, vgl. Abschnitt 3.4.1.