Markov Chain Monte Carlo Models, Gibbs Sampling, & Metropolis Algorithm for High-Dimensionality Complex Stochastic Problems

2014 ◽  
Author(s):  
Yogesh Malhotra
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Gibbs Sampling ◽  
Metropolis Algorithm ◽  
High Dimensionality ◽  
Stochastic Problems

scholarly journals PENDUGAAN ANGKA KEMISKINAN DI KABUPATEN PADANG PARIAMAN MENGGUNAKAN SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYESIAN (HB) LOGLOGISTIK

2019 ◽  
Vol 8 (2) ◽  
pp. 76
Author(s):  
Jusri Repi Basri Yuliani ◽  
Maiyastri Maiyastri ◽  
Rita Diana
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Gibbs Sampling ◽  
Standard Error ◽  
Small Area ◽  
Small Area Estimation ◽  
Hierarchical Bayesian ◽  
Area Estimation ◽  
Level Model

Penelitian ini mengkaji tentang pendekatan Hierarchical Bayesian (HB) Loglogistik yang diaplikasikan pada Small Area Estimation (SAE) dengan tujuan mengestimasi tingkat kemiskinan di Kabupaten Padang Pariaman. Metode pendugaan area kecil yang digunakan pada penelitian ini adalah model level area dasar (basic area level model ) dengan bantuan variabel penyerta yang tersedia pada level kecamatan. Variabel penyerta yang digunakan pada penelitian ini yaitu rasio SLTA/Sederajat (X1), persentase keluarga pertanian (X2), rasio industri mikro kecil (X3), persentase buruh tani dalam setiap anggota keluarga (X4), kepadatan penduduk (X5), dan persentase penduduk pelanggan listrik PLN (X6). Bentuk integrasi yang kompleks dari sebaran peluang bersyarat pada model diselesaikan menggunakan Markov Chain Monte Carlo (MCMC) dengan menerapkan algortima Gibbs Sampling dan bantuan software WinBugs 1.4.3. Hasil estimasi menggunkan model HB yang diperoleh dibandingkan dengan hasil estimasi pendugaan langsung dengan memperhatikan nilai standard error sebagai tolok ukurnya. Hasil pendugaan tingkat kemiskinan untuk level kecamatan di Kabupaten Padang Pariaman dengan model HB menunjukkan nilai standard error yang kecil.Kata Kunci: Tingkat kemiskinan, Small Area Estimation, Hierarchical Bayesian

scholarly journals Ensuring Rapid Mixing and Low Bias for Asynchronous Gibbs Sampling

2017 ◽  
Author(s):  
Christopher De Sa ◽  
Kunle Olukotun ◽  
Christopher Ré
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Gibbs Sampling ◽  
Mixing Time ◽  
Markov Chain Analysis ◽  
Empirical Results ◽  
Chain Analysis ◽  
Speed Up ◽  
Theoretical Results

Gibbs sampling is a Markov chain Monte Carlo technique commonly used for estimating marginal distributions. To speed up Gibbs sampling, there has recently been interest in parallelizing it by executing asynchronously. While empirical results suggest that many models can be efficiently sampled asynchronously, traditional Markov chain analysis does not apply to the asynchronous case, and thus asynchronous Gibbs sampling is poorly understood. In this paper, we derive a better understanding of the two main challenges of asynchronous Gibbs: bias and mixing time. We show experimentally that our theoretical results match practical outcomes.

Sign in / Sign up

Export Citation Format

Share Document