Nächste Seite: Kopplungsalgorithmen; perfekte MCMC-Simulation
Aufwärts: Fehleranalyse bei MCMC-Simulation
Vorherige Seite: MCMC-Schätzer; Bias und Fundamentalmatrix
  Inhalt
Asymptotische Schätzvarianz; mittlerer quadratischer Fehler
Für das in Abschnitt 3.4.2 eingeführte statistische
Modell untersuchen wir nun das asymptotische Verhalten der Varianz
, wenn
.
Theorem 3.19

Es gilt
 |
(78) |
wobei

und

die in

definierte Fundamentalmatrix von

ist.
- Beweis
-
- Offenbar gilt
 |
(79) |
und somit
- Wir nutzen nun diese Darstellungsformel, um die Gültigkeit von
(78) zunächst für den Fall
zu
zeigen.
- In diesem Fall gilt nämlich, dass

und
- Außerdem ergibt sich dann aus der Stationarität der Markov-Kette
, dass
wobei
und
die Matrix der
-stufigen Übergangswahrscheinlichkeiten bezeichnet.
- Hieraus folgt nun insgesamt, dass
- wobei in der zweiten Gleichheit die folgende Identität genutzt
wurde:
- Hieraus ergibt sich (78), wenn dabei die
Darstellungsformel (76) für
berücksichtigt wird.
- Wir zeigen nun noch, dass (78) auch für jede
beliebige Anfangsverteilung
gilt.
- Dabei präzisieren wir die Bezeichnungsweise wie folgt: Wir
schreiben
anstelle von
bzw.
anstelle von
.
- Es genügt zu zeigen, dass
 |
(80) |
- Hierfür führen wir noch die folgenden Bezeichnungen ein: Für
sei

und
- Dann ergibt sich aus (79), dass
wobei wir die drei Summanden des letzten Ausdruckes mit
,
bzw.
bezeichnen.
- Der Summand
hängt nicht von
ab, weshalb
.
- Weil der Zustandsraum
endlich ist, gilt für die Konstante
, dass
- Hieraus folgt, dass
für jedes
, weil mit Wahrscheinlichkeit
für jedes
und
- Außerdem gilt für
die Abschätzung
wobei man sich leicht überlegen kann, dass das Supremum endlich
ist.
- Weil die letzte Summe wegen der Ergodizität der Markov-Kette
beliebig
klein wird, falls
hinreichend groß ist, ist damit die
Gültigkeit von (80) bewiesen.
- Beachte
-
- Zur Erinnerung
- Die beiden Summanden auf der rechten Seite von
(81) konvergieren unterschiedlich schnell gegen
0, wenn
.
- In Theorem 3.19 haben wir gezeigt, dass
gilt.
- Andererseits ergibt sich aus Theorem 3.18, dass
.
- Hieraus folgt, dass
- nicht der Bias
, sondern die
asymptotische Varianz
des Schätzers
- die entscheidende Rolle bei der asymptotischen Analyse des
MQ-Fehlers
des in
(70) definierten MCMC-Schätzers
spielt, wenn
.
- Mit anderen Worten: Es kann sinnvoll sein, die Simulationsmatrix
so zu wählen,
- dass die asymptotische Schätzvarianz
möglichst klein ist,
- gegebenenfalls bei einer gewissen Vergrößerung des asymptotischen
Bias
.
Um diese Problematik näher zu untersuchen, führen wir die folgende
Bezeichnung ein: Sei
wobei
eine beliebige Funktion und
ein beliebiges reversibles Paar ist.
- Beweis
-
- Sei
eine Übergangsmatrix, so dass das Paar
reversibel ist. Es genügt zu zeigen, dass
 |
(83) |
- Aus Theorem 3.19 ergibt sich, dass
 |
(84) |
wobei
die in (74) eingeführte
Fundamentalmatrix von
ist.
- Andererseits folgt aus
, dass
und somit
- Hieraus und aus (84) ergibt sich, dass
 |
(85) |
- Weil das Paar
reversibel ist, ergibt sich aus der
in Lemma 3.3 hergeleiteten Darstellungsformel
(75) für die Fundamentalmatrix
, dass
für beliebige
- Hieraus folgt, dass
- Somit ergibt sich aus (85), dass
 |
(86) |
wobei in der letzten Gleichheit die Identität
genutzt wurde, die sich unmittelbar aus der Definitionsgleichung
(74) von
ergibt.
- Weil
eine stochastische Matrix ist und weil das
Paar
reversibel ist,
- Damit ist die Gültigkeit von (83) bewiesen.
- Beachte
Aus Theorem 3.20 folgt insbesondere,
- dass durch die Simulationsmatrix
des
Metropolis-Algorithmus (d.h, wenn in (50) die
Gleichheit betrachtet wird) die asymptotische Varianz
minimiert wird,
- und zwar in der Klasse aller Metropolis-Hastings-Algorithmen mit
einer beliebigen, jedoch fest vorgegebenen ,,potentiellen
Übergangsmatrix''
.
Nächste Seite: Kopplungsalgorithmen; perfekte MCMC-Simulation
Aufwärts: Fehleranalyse bei MCMC-Simulation
Vorherige Seite: MCMC-Schätzer; Bias und Fundamentalmatrix
  Inhalt
Ursa Pantle
2003-09-29