Các thuật toán MCMC cốt lõi Core MCMC algorithms Giới thiệu Ở bài học trước, chúng ta đã xác định được mục tiêu cao cả của mình: rút mẫu từ một phân phối hậu nghiệm phức tạp. Chúng ta cũng đã biết rằng công cụ để thực hiện nhiệm vụ này là một chuỗi Markov được thiết kế đặc biệt. Câu hỏi tự nhiên tiếp theo là: “Làm thế nào để xây dựng một chuỗi Markov như vậy?”. Giống như một chiếc xe cần có động cơ để di chuyển, chuỗi Markov của chúng ta cũng cần một “động cơ” – một quy tắc chuyển đổi – để dịch chuyển từ mẫu này sang mẫu tiếp theo trong không gian tham số. Bài học này sẽ giới thiệu chi tiết hai “động cơ” mạnh mẽ và phổ biến nhất trong thế giới MCMC: thuật toán Metropolis-Hastings (MH) và Gibbs Sampler. Hãy hình dung Metropolis-Hastings như một con dao đa năng của quân đội Thụy Sĩ: nó cực kỳ linh hoạt và có thể áp dụng cho gần như mọi loại …