滞后接受粒子MCMC在随机动力学模型中的精确推断
摘要：利用快速近似方法避免昂贵的似然计算的粒子MCMC方法在贝叶斯推断中提供了一种灵活的方式，用于控制作为Markov（跳跃）过程（MJPs）定义的随机动力学模型的参数。该方案的每次迭代需要从序贯蒙特卡罗方案（也称为粒子滤波器）的输出估计边际似然。因此，该方法可能在计算上非常密集。因此，我们的目标是通过使用快速近似方法来避免大多数昂贵的似然计算。我们考虑两种近似方法：化学朗之万方程扩散近似（CLE）和线性噪声近似（LNA）。在CLE下，可以使用边际似然的估计值，而在LNA下可以使用可处理的边际似然来计算第一步接受概率。只有在近似下接受提议时，我们才运行序贯蒙特卡罗方案来计算在真实的MJP下边际似然的估计，并构造一个允许对MJP进行准确（基于模拟）推断的第二阶段接受概率。因此，我们避免了对可能被拒绝的提议进行昂贵的计算。我们通过考虑控制Lotka-Volterra系统的参数推断，基因表达模型以及简单的流行病过程来说明该方法。
作者：Andrew Golightly, Daniel A. Henderson and Chris Sherlock
论文ID：1401.4369
分类：Computation
分类简称：stat.CO
提交时间：2014-05-19