Tengo una aplicación de la Griddy muestreador de Gibbs, pero mis observaciones en el que estoy acondicionado parámetros del modelo son muchos en número, por lo tanto la probabilidad de underflows rápidamente, incluso con una transformación logarítmica. Secuencial actualización vale si uno está utilizando la conjugada de los priores, ya que la parte posterior se puede encontrar analíticamente, pero sería el mismo con MCMC, y en particular de mi sampler? Lo que no estoy seguro acerca de la pérdida que proviene de la candidata de la distribución, o próximo a la condicional, que es mi caso. Cada pedazo de observación está obligado a tener algún error, y no estoy seguro de si el encadenamiento de bloques de observaciones puede ser de confianza.
En general, ¿cómo se puede implementar un algoritmo MCMC de este tipo (no conjugada completa las oraciones condicionales de Gibbs) para decir, decenas de millones de observaciones a partir de un modelo?
