仿真有效的最短概率区间
Simulation-efficient shortest probability intervals
摘要：
贝叶斯最高后验密度（HPD）区间可以直接从模拟中通过经验最短区间估计。不幸的是，这些可能是嘈杂的（即，具有高蒙特卡罗误差）。我们推导出一个最佳的加权策略，使用自举和二次规划，以获得一个更计算稳定的HPD，或在一般情况下，最短的概率区间（自旋）。我们证明了我们的方法的一致性。对一系列理论和实际数据实例的模拟研究表明，与经验最短区间相比，使用Spin构造的区间具有更好的覆盖率（相对于后验分布）和更低的蒙特卡罗误差。我们在R包（SPIn）中实现了新方法，因此它可以常规地用于贝叶斯模拟的后处理。
英文摘要：
Bayesian highest posterior density (HPD) intervals can be estimated directly from simulations via empirical shortest intervals. Unfortunately, these can be noisy (that is, have a high Monte Carlo error). We derive an optimal weighting strategy using bootstrap and quadratic programming to obtain a more compu- tationally stable HPD, or in general, shortest probability interval (Spin). We prove the consistency of our method. Simulation studies on a range of theoret- ical and real-data examples, some with symmetric and some with asymmetric posterior densities, show that intervals constructed using Spin have better cov- erage (relative to the posterior distribution) and lower Monte Carlo error than empirical shortest intervals. We implement the new method in an R package (SPIn) so it can be routinely used in post-processing of Bayesian simulations.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
