顶部
  1. 首页
  2. 图书产品
  3. 序贯蒙特卡罗方法引论
收藏

序贯蒙特卡罗方法引论

样章
作者：
Nicolas Chopin, Omiros Papaspiliopoulos 著 汪时嘉，葛淑菲 译
定价：
119.00元
版面字数：
390.00千字
开本：
16开
装帧形式：
平装
版次：
1
最新版次
印刷时间：
2026-01-29
ISBN：
978-7-04-065900-9
物料号：
65900-00
出版时间：
2026-02-06
读者对象：
学术著作
一级分类：
自然科学
二级分类：
统计学
三级分类：
应用统计学
暂无
  • 前辅文
  • 第1章 前言
    • 1.1 与其他书籍的关系
    • 1.2 本书的结构
    • 1.3 给授课教师的说明
    • 1.4 致谢
    • 1.5 Python角
      • 1.5.1 语法
      • 1.5.2 Python中的科学计算
      • 1.5.3 随机数生成
      • 1.5.4 性能
      • 1.5.5 安装Python
      • 1.5.6 安装particles
      • 1.5.7 其他软件
    • 参考文献
  • 第2章 状态空间模型简介
    • 2.1 第一种定义
    • 2.2 第二种定义
    • 2.3 状态空间模型的序贯分析
    • 2.4 一些状态空间模型的应用
      • 2.4.1 信号处理：跟踪、定位、导航
      • 2.4.2 神经科学、天体统计学和遗传学中的计数时间序列
      • 2.4.3 金融学中的随机游走模型
      • 2.4.4 面板数据的分层状态空间模型
      • 2.4.5 生态学、流行病学和其他领域的非线性动力系统
      • 2.4.6 具有难处理或退化观测过程的状态空间模型
      • 2.4.7 线性高斯状态空间模型
      • 2.4.8 隐马尔可夫模型、变点模型和狄利克雷过程的混合
    • 练习
    • 文献注记
    • 参考文献
  • 第3章 超越状态空间模型
    • 3.1 马尔可夫过程的罕见事件模拟
    • 3.2 贝叶斯序贯学习
    • 3.3 通过退火的方法从给定分布进行模拟
    • 3.4 从退火到优化
    • 3.5 重回罕见事件的模拟
    • 3.6 无似然推断，ABC算法
    • 3.7 概率图模型
    • 练习
    • 文献注记
    • 参考文献
  • 第4章 马尔可夫过程简介
    • 4.1 概率核
    • 4.2 测度变换和基本引理
    • 4.3 后向核
    • 4.4 马尔可夫过程和递归
    • 4.5 部分可观测马尔可夫过程的状态空间模型
    • 4.6 马尔可夫性质：图
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第5章 费曼–卡茨模型：定义、性质和递归
    • 5.1 费曼–卡茨形式化
      • 5.1.1 费曼–卡茨模型
      • 5.1.2 状态空间模型的费曼–卡茨形式
      • 5.1.3 费曼–卡茨形式的优点
    • 5.2 前向递归
      • 5.2.1 状态空间模型的启示：滤波器、预测和似然函数的前向递归
    • 5.3 作为马尔可夫测度的费曼–卡茨模型
      • 5.3.1 状态空间模型的启示：条件马尔可夫过程
    • 5.4 费曼–卡茨模型中的前向–后向递归
      • 5.4.1 基于代价函数的前向–后向递归
      • 5.4.2 对状态空间模型的启示：双滤波器的平滑
      • 5.4.3 基于后向核的前向–后向递归
      • 5.4.4 状态空间模型的启发：FFBS算法
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第6章 有限状态空间和隐马尔可夫模型
    • 6.1 简介：有限状态空间的递归
    • 6.2 隐马尔可夫模型、递归和模拟
    • 6.3 数值复杂度
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第7章 线性高斯状态空间模型
    • 7.1 线性高斯状态空间模型
    • 7.2 卡尔曼前向和后向递归
    • 7.3 数值复杂度和稳定性
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第8章 重要性抽样
    • 8.1 蒙特卡罗
    • 8.2 随机变量生成的基础
    • 8.3 重要性抽样
      • 8.3.1 标准化重要性抽样
      • 8.3.2 自标准化重要性抽样
      • 8.3.3 如何选择提议密度
    • 8.4 重要性抽样的较为正式的视角
    • 8.5 重要性抽样估计量的均方误差
      • 8.5.1 渐近结果
      • 8.5.2 非渐近结果
    • 8.6 有效样本量
    • 8.7 维度诅咒
    • 8.8 随机权重重要性抽样
      • 8.8.1 一般方法
      • 8.8.2 相对于标准重要性抽样的方差增加
      • 8.8.3 与拒绝抽样的联系
      • 8.8.4 非负权重和辅助变量
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第9章 重要性重抽样
    • 9.1 动机
    • 9.2 一个展示重抽样优越性的简单例
    • 9.3 重抽样作为随机权重的重要性抽样
    • 9.4 多项式重抽样
    • 9.5 残差重抽样
    • 9.6 分层和系统重抽样
    • 9.7 在实践中使用哪种重抽样方案
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第10章 粒子滤波
    • 10.1 给定费曼–卡茨模型的通用粒子滤波器
    • 10.2 自适应重抽样
    • 10.3 在状态空间模型中的应用：滤波算法
      • 10.3.1 自助滤波器
      • 10.3.2 引导粒子滤波器
      • 10.3.3 辅助粒子滤波器
    • 10.4 Rao-Blackwell化粒子滤波器
    • 10.5 数值实验
      • 10.5.1 基本线性高斯例
      • 10.5.2 随机波动率
      • 10.5.3 神经解码
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第11章 粒子滤波器的收敛性和稳定性
    • 11.1 预备知识
    • 11.2 粒子估计的收敛性
      • 11.2.1 设置
      • 11.2.2 MSE收敛
      • 11.2.3 几乎处处收敛
      • 11.2.4 讨论
    • 11.3 中心极限定理
      • 11.3.1 目标
      • 11.3.2 正式陈述和证明
      • 11.3.3 讨论
    • 11.4 粒子算法的稳定性
      • 11.4.1 强混合马尔可夫核
      • 11.4.2 渐近方差的稳定性
      • 11.4.3 讨论
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第12章 粒子平滑
    • 12.1 通过谱系追踪进行的在线平滑
      • 12.1.1 固定滞后平滑
      • 12.1.2 完全平滑
    • 12.2 可加函数的在线平滑
      • 12.2.1 后向核及其粒子近似
      • 12.2.2 可加函数的在线平滑原理
    • 12.3 后向平滑：完整轨迹
      • 12.3.1 原理：平滑框架
      • 12.3.2 从平滑框架抽样：前向滤波后向平滑（FFBS）
      • 12.3.3 使用拒绝抽样加速FFBS
    • 12.4 后向平滑：边际分布
      • 12.4.1 计算框架的边际分布
      • 12.4.2 可加函数的平滑框架和前向平滑之间的联系
      • 12.4.3 后向算法的讨论
    • 12.5 双滤波器边际平滑器
      • 12.5.1 大致的想法
      • 12.5.2 信息滤波器：原理
      • 12.5.3 信息滤波器：γt和←Mt的选择
      • 12.5.4 双滤波器平滑器：标准O（N2）版本
      • 12.5.5 双滤波器平滑的O（N）变体
      • 12.5.6 没有转移密度的模型的三分块变体
    • 12.6 数值实验：离线平滑算法的比较
    • 12.7 结论
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第13章 序贯拟蒙特卡罗
    • 13.1 拟蒙特卡罗的基本介绍
      • 13.1.1 设置
      • 13.1.2 低差异点集和序列
      • 13.1.3 随机拟蒙特卡罗
      • 13.1.4 关键信息
    • 13.2 SQMC
      • 13.2.1 预备知识
      • 13.2.2 单变量状态空间（dx=1）
      • 13.2.3 多元状态空间（dx≥2）
      • 13.2.4 进一步的注意事项
    • 13.3 粒子平滑和SQMC
    • 13.4 数值实验
      • 13.4.1 简单例中的滤波和似然评估
      • 13.4.2 状态空间维度的影响
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第14章 状态空间模型的最大似然估计
    • 14.1 最大似然估计的一般性
      • 14.1.1 渐近性
      • 14.1.2 计算
      • 14.1.3 EM算法
    • 14.2 状态空间模型最大似然估计的问题
      • 14.2.1 确保MLE具有标准渐近性的条件
      • 14.2.2 状态空间模型产生“病态的” 似然函数
      • 14.2.3 嘈杂性估计
    • 14.3 在状态空间模型中计算MLE的无梯度方法
    • 14.4 应用于状态空间模型的梯度上升
    • 14.5 状态空间模型的EM算法
    • 14.6 数值实验
    • 14.7 最后建议
    • 14.8 获取置信区间
    • 14.9 状态空间模型的实时最大似然估计
    • 练习
    • 文献注记
    • 参考文献
  • 第15章 马尔可夫链蒙特卡罗
    • 15.1 马尔可夫链模拟
    • 15.2 不变概率核
    • 15.3 Metropolis-Hastings核
    • 15.4 吉布斯抽样器
    • 15.5 数值实验：随机波动率模型中的平滑
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第16章 状态空间模型和粒子MCMC的贝叶斯估计
    • 16.1 预备知识
      • 16.1.1 后验分布
      • 16.1.2 先验的选取
      • 16.1.3 使用吉布斯抽样器对状态和参数进行MCMC抽样
    • 16.2 伪边际抽样器
    • 16.3 分组独立Metropolis-Hastings
    • 16.4 粒子马尔可夫链蒙特卡罗
      • 16.4.1 来自SMC的无偏估计
      • 16.4.2 粒子边际Metropolis-Hastings
      • 16.4.3 粒子吉布斯抽样器
      • 16.4.4 后向抽样步骤
    • 16.5 数值实验
      • 16.5.1 在简单例上校准PMMH
      • 16.5.2 生态学中的theta-logistic模型
    • 16.6 实用建议
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第17章 SMC抽样器
    • 17.1 一种基于不变核的通用SMC抽样器
    • 17.2 使SMC算法实现自适应的实用指南
      • 17.2.1 不变核
      • 17.2.2 迭代批量重要性抽样
      • 17.2.3 退火
      • 17.2.4 罕见事件
      • 17.2.5 SMC-ABC和无似然推断
      • 17.2.6 关于归一化常数估计的说明
      • 17.2.7 关于初始分布的说明
    • 17.3 数值实验
      • 17.3.1 设置
      • 17.3.2 一个高数据集
      • 17.3.3 一个宽数据集
      • 17.3.4 讨论
    • 17.4 更多基于后向核的通用SMC抽样器
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第18章 SMC2，状态空间模型的序贯推断
    • 18.1 伪边际SMC抽样器
    • 18.2 用于状态空间模型中的序贯推断的SMC2
      • 18.2.1 一般结构
      • 18.2.2 PMCMC核的选择
      • 18.2.3 Nx的选择
    • 18.3 数值实验
    • 练习
    • Python角
    • 文献注记
    • 参考文献
  • 第19章 高级主题和公开问题
    • 19.1 高维中的SMC
    • 19.2 并行计算
    • 19.3 方差估计、粒子谱系
    • 19.4 连续时间的状态空间模型
    • 参考文献

相关图书

递归划分方法及其应用

Heping Zhang, Burton H.Singer 著，王学钦 译

￥69.00 收藏

缺失数据统计分析（第三版）

Roderick J. A. Little, Donald B. Rubin 著，周晓华、邓宇昊 译

￥89.00 收藏

基于INLA的贝叶斯回归建模

Xiaofeng Wang, Yu Ryan Yue, Julian J. Faraway 著, 汤银才，周世荣 译

￥89.00 收藏

量化交易：算法、分析、数据、模型和优化

Xin Guo，Tze Leung Lai，Howard Shek，Samuel Po-Shing Wong 著，冯玉林 刘庆富 译

￥89.00 收藏

蒙特卡罗方法与随机过程：从线性到非线性

Emmanuel Gobet 著，许明宇 译

￥89.00 收藏

社会科学的空间回归模型

Guangqing Chi, Jun Zhu 著，王平平 译

￥79.00 收藏

观察性研究的设计(第二版)

Paul R. Rosenbaum 著 杨伟 周晓华 韩开山 邓宇昊 译

￥119.00 收藏