이번 글에서는 MCMC$Markov Chain Monte Carlo$의 알고리즘의 수렴 진단에 대해 알아보겠습니다. [관련 글] MCMC$Estimation of Posterior - Markov Chain Monte Carlo$ - 깁스 샘플러$Gibbs Sampler$, MCMC$Estimation of Posterior - Markov Chain Monte Carlo$ - 메트로폴리스-헤스팅스 알고리즘$Metropolis-Hastings Algorithm$ 깁스 샘플링 또는 메트로폴리스-헤스팅스 알고리즘을 사용한 통계량의 추정이 정당성을 가지기 위해선 관심 모수 $\theta$의 수렴성을 진단해야 합니다. MCMC방법의 수렴을 진단하는 방법 중 겔만-루빈$Gelman-Rubin$ 방법에 대해 알아보..

이번 글에서는 사후 분포를 계산할 수 없는 경우 이를 계산할 수 있는 방법인 MCMC$Markov Chain Monte Carlo$ 방법 중 깁스 샘플러보다 더 일반적인 경우 사용되는 메트로폴리스-헤스팅스 알고리즘$Metropolis-Hastings Algorithm$에 대해 알아보겠습니다. [관련 글] [Stochastic Process] 1. 확률 과정$Stochastic Process$,[Stochastic Process] 2. 마르코프 체인$Markov Chain$ 메트로폴리스-헤스팅스 알고리즘$Matropolis-Hastings Algorithm$ 난수를 발생하고자 하는 목표 확률분포가 $f(y) \propto \pi(y)$ 혹은 $f(y) = c\pi(y)$와 같이 주어지고, 이때 정규화 상수..

이번 글에서는 사후 분포를 계산할 수 없는 경우 이를 계산할 수 있는 방법인 MCMC$Markov Chain Monte Carlo$ 방법 중 널리 쓰이는 깁스 샘플러$Gibbs sampler$에 대해 알아보겠습니다. [관련 글] [Stochastic Process] 1. 확률 과정$Stochastic Process$,[Stochastic Process] 2. 마르코프 체인$Markov Chain$ 깁스 샘플러$Gibbs sampler$ 깁스 샘플러는 다차원의 결합 확률분포가 복잡하여 직접 랜덤 표본을 생성하기 어려운 경우, 각 변수의 조건부 확률분포로부터 랜덤 표본을 반복적으로 생성하면 적절한 조건 하에서 이들의 극한 분포가 결합 확률 밀도 함수가 된다는 사실에 근거하여 난수를 샘플링하는 방법입니다. 관..

이번 글에서는 사후 분포를 계산할 수 없는 경우 이를 계산할 수 있는 방법인 MCMC$Markov Chain Monte Carlo$방법의 구성요소인 몬테카를로방법$Monte carlo method$에 대해 알아보겠습니다. 관측치 $y=(y_1,\dots, y_n)$, $\theta$에 대해 사후 분포는 다음과 같습니다. $p(\theta|y)=\frac {p(y|\theta)\pi(\theta)}{\int {p(y|\theta)\pi(\theta) d\theta}}$ 베이지안 추론의 장점은 새로운 관측치에 대한 추론을 수행할 때, 이전의 데이터$사후 분포$를 이용하여 추론을 갱신할 수 있다는 것입니다. 예를 들어서, 미래 관측값 $\tilde {y}$에 대한 추론을 다음과 같이 수행할 수 있습니다. $p..