JRSSB — Vol 87 Issue 4 · 2026-05-26¶
- 共 1 篇 · Journal of the Royal Statistical Society Series B
本期导览¶
自动生成：归纳本期主要主题与脉络，不打分、不排名。
这一期仅收录一篇论文，主题集中于计算统计学中的贝叶斯推断方法。该文将经典嵌套抽样（NS）重新表述为序贯蒙特卡洛（SMC）框架，核心贡献在于为边际似然（归一化常数）的估计提供了无偏性理论，并解释了原始NS在违反独立性假设时仍表现稳健的机制。
论文提出两个算法：NS-SMC在MCMC生成新样本的设定下建立了收敛性理论，而ANS-SMC通过自适应机制恢复原始NS。关键理论结果是NS-SMC的边际似然估计量具有无偏性，且分析不再依赖NS原始的独立假设。这为贝叶斯模型比较和证据计算提供了更可靠的统计基础。
对于从事贝叶斯计算或模型选择的研究者，这篇论文直接相关，尤其适合关注无偏估计量构造和SMC方法在归一化常数估计中应用的人。
统计计算 / 算法 (stat_computing, 1 篇)¶
1. 10.1093/jrsssb/qkaf015 — Unbiased and consistent nested sampling via sequential Monte Carlo¶
- 作者: Robert Salomone, Leah F South, Christopher Drovandi, Dirk P Kroese, Adam M Johansen
- 期刊/来源: Journal of the Royal Statistical Society Series B
- 分类: vol 87 · issue 4 · pp 1221-1238
- 相关性 5/10 · novelty:
new_method - 摘要: 本文在 nested sampling (NS) 框架下，将 Skilling 的经典 NS 重新表述为 sequential Monte Carlo (SMC) 方法，目标是获得 marginal likelihood (normalizing constant) 的无偏估计。核心提出两个算法：NS-SMC 与 ANS-SMC，前者在 MCMC 生成新样本的设定下建立了收敛性理论，后者通过自适应机制恢复原始 NS，揭示了 NS 在违反独立性假设下仍能给出准确估计的原因。关键理论结果是 NS-SMC 的 marginal likelihood 估计量具有无偏性，且分析不再依赖 NS 原始的独立样本假设。数值实验在 challenging problems 上比较了 NS-SMC、ANS-SMC 与 temperature-annealed SMC 的表现。对您而言，本文的 SMC 收敛性与无偏性分析是统计计算与数值方法方向的直接参考。
- 关键技术:
sequential Monte Carlo,nested sampling,unbiased marginal likelihood estimation,MCMC convergence analysis,adaptive SMC - 为什么对您有用: 本文直接连接到统计计算与数值方法方向，特别是 SMC 与 NS 的算法收敛性分析。您的 technical_arsenal 中 software development 与 high-dimensional asymptotics 可用于复现与扩展 NS-SMC 的实验，但 SMC 收敛性理论需要先在 moderately_familiar 的 M-estimation theory 上长肌肉。中期可做：用 SMC 框架分析高维 marginal likelihood 估计的计算-统计权衡。
Maintained by 陈星宇 · Homepage · Source on GitHub