Ein doppelter Metropolis–Hastings-Sampler für räumliche Modelle mit nicht lösbaren Normierungskonstanten

Das Problem der Simulation von Verteilungen mit nicht lösbaren Normierungskonstanten hat in der jüngsten Literatur viel Aufmerksamkeit erhalten. In diesem Papier schlagen wir einen asymptotischen Algorithmus, den sogenannten doppelten Metropolis-Hastings (MH) Sampler, zur Lösung dieses Problems vor. Im Gegensatz zu anderen Algorithmen mit Hilfsvariablen beseitigt der doppelte MH-Sampler die Notwendigkeit einer genauen Stichprobennahme, wobei die Hilfsvariablen unter Verwendung von MH-Kernen erzeugt werden, und kann somit auf eine breite Palette von Problemen angewendet werden, für die eine genaue Stichprobennahme nicht verfügbar ist. Während er bei Problemen, für die eine genaue Stichprobennahme verfügbar ist, typischerweise die gleichen genauen Ergebnisse wie der Austauschalgorithmus liefern kann, benötigt er dabei jedoch deutlich weniger CPU-Zeit. Die neue Methode wird anhand verschiedener räumlicher Modelle veranschaulicht.