AABC：当模拟大量数据集具有计算上的不可行性时的近似近似贝叶斯计算
摘要：近似贝叶斯计算（ABC）方法在评估似然函数困难的机理驱动参数统计模型的模型特定参数上进行推断。ABC方法的成功关键在于通过参数模型进行计算廉价的模拟数据集。然而，当从模型模拟数据集的计算成本太高，以至于后验分布不能通过ABC充分采样时，推断就不是直接的。我们提出了一种近似的近似贝叶斯计算（AABC）方法，它扩展了通过ABC进行基于模拟的推断，适用于模拟数据昂贵的模型。在AABC中，我们首先从参数模型中模拟一限定数量的数据集，这个数量是从参数模型进行模拟的可行的计算代价。我们将这些数据集用作固定的背景信息，以便为近似于正确参数模型并能通过贝叶斯重采样方法高效模拟大量数据集的非机理统计模型提供指导。我们证明，在温和的假设下，通过AABC获得的后验分布将与通过ABC获得的后验分布收敛，这是因为从参数模型模拟的数据集数量和观察数据集的样本量同时增加。我们以自然选择的群体遗传模型和混合群体的混合历史模型为例，说明了AABC的性能。
作者：Erkan O. Buzbas and Noah A. Rosenberg
论文ID：1301.6282
分类：Computation
分类简称：stat.CO
提交时间：2013-01-29