การเปรียบเทียบการลู่เข้าของลูกโซ่มาร์คคอฟมอนติคาร์โลสำหรับการอนุมานเชิงเบส์เมื่อการแจกแจงภายหลังเป็นแบบปกติที่ถูกตัดหาง

พงศ์ศักดิ์ สถิตรุ่งพรชัย

DSpace Home
→
Faculty and Institute
→
Faculty of Commerce and Accountancy - Acctn
→
Acctn - Theses
→
View Item

dc.contributor.advisor	เสกสรร เกียรติสุไพบูลย์
dc.contributor.author	พงศ์ศักดิ์ สถิตรุ่งพรชัย
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี
dc.date.accessioned	2013-07-09T09:49:33Z
dc.date.available	2013-07-09T09:49:33Z
dc.date.issued	2553
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/32948
dc.description	วิทยานิพนธ์ (สต.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2553	en_US
dc.description.abstract	การอนุมานเชิงเบส์เมื่อการแจกแจงก่อนเป็นแบบปกติ และ พารามิเตอร์ที่เป็นค่าคาดหวังมีการเรียงอันดับอย่างสมบูรณ์ จะมีการแจกแจงภายหลังเป็นแบบปกติที่ถูกตัดหาง การอนุมานสามารถทำได้โดยใช้วิธีในกลุ่มลูกโซ่มาร์คอฟมอนติคาร์โล การวิจัยนี้จึงทำการเปรียบเทียบประสิทธิภาพของเทคนิคในกลุ่มลูกโซ่มาร์คอฟมอนติคาร์โล 2 วิธี คือ การสุ่มตัวอย่างแบบฮิตแอนด์รัน และ การสุ่มตัวอย่างแบบกิบส์ โดยนำเทคนิคทั้งสองมาแก้ปัญหาการอนุมานเชิงเบส์ที่มีการแจกแจงภายหลังเป็นแบบปกติที่ถูกตัดหาง ประสิทธิภาพนิยามโดยค่าครึ่งช่วงความเชื่อมั่นที่คำนวณจากวิธีค่าเฉลี่ยกลุ่ม และค่า MPSRF ของบรูกซ์-เกลแมน จากการศึกษาพบว่า ในกรณีที่จำนวนมิติของพารามิเตอร์ที่เป็นค่าคาดหวังมีค่าต่ำ การสุ่มตัวอย่างแบบฮิตแอนด์รัน จะมีประสิทธิภาพมากกว่าการสุ่มตัวอย่างแบบกิบส์ แต่ในกรณีที่จำนวนมิติของพารามิเตอร์ที่เป็นค่าคาดหวังมีค่าสูง การสุ่มตัวอย่างแบบกิบส์ จะมีประสิทธิภาพมากกว่าการสุ่มตัวอย่างแบบฮิตแอนด์รัน	en_US
dc.description.abstractalternative	In a Bayesian inference, when the prior distribution is a normal distribution and the expectation parameter is completely ordered, the posterior distribution becomes a truncated normal distribution in high dimension. The inference can be performed by employing methods in the class of Markov chain Monte Carlo. The objective of this study is to compare the performances between the two Markov chain Monte Carlo techniques, the hit-and-run sampler and Gibbs sampler, by applying the two techniques to the Bayesian inference problem with a truncated normal posterior distribution. The performance are defined as the half width of the confidence interval formed by the batch means approach and the Brooks–Gelman MPSRF. From our study, we find that the hit-and-run sampler and the Gibbs sampler perform differently depending on the dimension of the expectation parameter. More specifically, when the dimension of the expectation parameter is low, the hit-and-run sampler works better. On the other hand, the Gibbs sampler performs more effectively when the dimension of the expectation is high.	en_US
dc.language.iso	th	en_US
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.relation.uri	http://doi.org/10.14457/CU.the.2010.332
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.subject	กระบวนการมาร์คอฟ	en_US
dc.subject	วิธีมอนติคาร์โล	en_US
dc.subject	การแจกแจงปกติ	en_US
dc.subject	ทฤษฎีการตัดสินใจทางสถิติของเบส์	en_US
dc.subject	การสุ่มตัวอย่าง (สถิติ)	en_US
dc.subject	Markov processes	en_US
dc.subject	Monte Carlo method	en_US
dc.subject	Gaussian distribution	en_US
dc.subject	Bayesian statistical decision theory	en_US
dc.subject	Sampling (Statistics)	en_US
dc.title	การเปรียบเทียบการลู่เข้าของลูกโซ่มาร์คคอฟมอนติคาร์โลสำหรับการอนุมานเชิงเบส์เมื่อการแจกแจงภายหลังเป็นแบบปกติที่ถูกตัดหาง	en_US
dc.title.alternative	A comparison of Markov Chain Monte Carlo convergence for Bayesian inference with truncated normal posterior distribution	en_US
dc.type	Thesis	en_US
dc.degree.name	สถิติศาสตรมหาบัณฑิต	en_US
dc.degree.level	ปริญญาโท	en_US
dc.degree.discipline	สถิติ	en_US
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.email.advisor	seksan@acc.chula.ac.th
dc.identifier.DOI	10.14457/CU.the.2010.332