A more time-efficient gibbs sampling algorithm based on SparseLDA for latent dirichlet allocation

2018 ◽  
Vol 22 (6) ◽  
pp. 1227-1257
Author(s):  
Xiaotang Zhou ◽  
Jihong Ouyang ◽  
Ximing Li
Keyword(s):  
Gibbs Sampling ◽  
Latent Dirichlet Allocation ◽  
Sampling Algorithm ◽  
Gibbs Sampling Algorithm ◽  
Dirichlet Allocation

scholarly journals Mecanismos de alinhamento de preferências em governos multipartidários: controle de políticas públicas no presidencialismo brasileiro

2017 ◽  
Vol 23 (2) ◽  
pp. 429-458
Author(s):  
Victor Araújo
Keyword(s):  
Gibbs Sampling ◽  
Latent Dirichlet Allocation ◽  
Dirichlet Allocation

Resumo A formação de governos multipartidários potencializa o risco de assimetria de informação entre principals e agentes, de maneira que os conflitos do gabinete sobre políticas se refletem no comportamento dos partidos no parlamento. Diversos estudos demonstram que o controle mútuo entre os partidos integrantes do gabinete é uma forma de compensar a perda de informação inerente à delegação. Enquanto a literatura costuma focar na fase de formulação das políticas, analisando os governos formados no Brasil entre 1995 e 2014, argumento que existe um conjunto mais diversificado de estratégias que permitem aos partidos escrutinar as políticas implementadas por seus parceiros de gabinete. Fazendo uso de análise de redes e técnicas quantitativas de análise de texto (método Gibbs Sampling, algoritmo bayesiano derivado do Latent Dirichlet allocation – LDA) mostro que, nas situações em que os portfólios ministeriais são distribuídos para atores com distintas preferências sobre políticas, os partidos intensificam o uso dos Requerimentos de Informação (RIC) para monitorar os ministérios e políticas que lhes interessam. A estrutura das redes de controle intragabinete varia em função da saliência dos ministérios: os partidos responsáveis pelos portfólios com maior dotação orçamentária são os atores com maior grau de centralidade nas redes de monitoramento mútuo.

scholarly journals Gibbs Sampling for Bayesian Prediction of SARMA Processes

2019 ◽  
pp. 397-418
Author(s):  
Ayman Amin
Keyword(s):  
Gibbs Sampling ◽  
Likelihood Function ◽  
Nonlinear Least Squares ◽  
Bayesian Prediction ◽  
Model Parameters ◽  
Model Errors ◽  
Multivariate Normal ◽  
Predictive Distributions ◽  
Sampling Algorithm ◽  
Gibbs Sampling Algorithm

In this article we present a Bayesian prediction of multiplicative seasonal autoregressive moving average (SARMA) processes using the Gibbs sampling algorithm. First, we estimate the unobserved errors using the nonlinear least squares (NLS) method to approximate the likelihood function. Second, we employ conjugate priors on the model parameters and initial values and assume the model errors are normally distributed to derive the conditional posterior and predictive distributions. In particular, we show that the conditional posterior distribution of the model parameters and the variance are multivariate normal and inverse gamma respectively, and the conditional predictive distribution of the future observations is a multivariate normal. Finally, we use these closed-form conditional posterior and predictive distributions to apply the Gibbs sampling algorithm to approximate empirically the marginal posterior and predictive distributions, enabling us easily to carry out multiple-step ahead predictions. We evaluate our proposed Bayesian method using simulation study and real-world time series datasets.

scholarly journals Direct Estimation of Diagnostic Classification Model Attribute Mastery Profiles via a Collapsed Gibbs Sampling Algorithm

2020 ◽  
Author(s):  
Kazuhiro Yamaguchi ◽  
Jonathan Templin
Keyword(s):  
Gibbs Sampling ◽  
Estimation Method ◽  
Real Data ◽  
Classification Model ◽  
Diagnostic Classification ◽  
Model Parameters ◽  
Sampling Algorithm ◽  
Diagnostic Classification Models ◽  
Gibbs Sampling Algorithm ◽  
Collapsed Gibbs Sampling

This paper proposes a novel collapsed Gibbs sampling algorithm that marginalizes model parameters and directly samples latent attribute mastery patterns in diagnostic classification models. This estimation method makes it possible to avoid boundary problems in the estimation of model item parameters by eliminating the need to estimate such parameters. A simulation study showed the collapsed Gibbs sampling algorithm can accurately recover the true attribute mastery status in various conditions. In a real data analysis, the collapsed Gibbs sampling algorithm indicated good classification agreement with results from a previous study.

Sign in / Sign up

Export Citation Format

Share Document