我正在阅读 Geyer 1991 年的会议论文，链接如下。在其中，他似乎逃避了一种可以使用 MCMC 进行 MLE 参数估计的方法
这让我很兴奋，因为我已经编写了 BFGS 算法、GA 和各种这些可怕的手摇幸运倾角方法，这些方法可以找到从 MLE 中提取参数估计所需的全局最小值。
它让我兴奋的原因是，如果我们能够保证 MCMC 收敛到一个固定点（例如，一个充分的标准将满足详细的平衡），那么我们可以在不最小化 MLE 的情况下获得参数。
因此，结论是，这提供了一种通用方法来获得上面和本文中施加的全局最小值、模约束。MCMC 有许多算法，例如 HMC，它们可以很好地映射到高维 MCMC 问题，我认为它们会优于传统的梯度下降方法。
问题
这篇论文为使用 MCMC 从 MLE 获取参数估计提供了理论基础，我是否正确？
如本文所述，是否可以在某些情况下使用 MCMC 算法从 MLE 中提取参数，从而绕过对遗传算法和 BFGS 等方法的需求。
纸
盖尔，CJ (1991)。马尔可夫链蒙特卡罗最大似然。计算科学与统计：PROC。第 23 次症状。接口，156-163。
抽象的
马尔可夫链蒙特卡罗（例如，Metropolis 算法和 Gibbs 采样器）是一种通用工具，用于模拟在许多类型的统计推断中有用的复杂随机过程。回顾了马尔可夫链蒙特卡罗的基础知识，包括算法选择和方差估计，并介绍了一些新方法。解释了使用马尔可夫链蒙特卡罗进行最大似然估计，并将其性能与最大伪似然估计进行了比较。
注意：第 1-6 节很无聊，如果你走到这一步，你可能已经知道它们了。在第 7 节中，他谈到了有趣但他称之为“蒙特卡洛最大似然”的东西
更多资源
control+f 表示“Geyer”