用于贝叶斯参数推断的 ABC 随机森林
统计方法学
2018-11-05 v5 统计计算
机器学习
摘要
本预印本已由 Peer Community In Evolutionary Biology 评审并推荐 (http://dx.doi.org/10.24072/pci.evolbiol.100036)。近似贝叶斯计算 (ABC) 已成为一种标准方法，用于处理与难解似然函数相关的模型的贝叶斯推断。大多数 ABC 实现要求预先选择总结原始数据的有信息量的统计量向量。此外，在几乎所有现有实现中，区分模拟参数值接受与拒绝的容差水平需要被校准。我们提出在无需事先选择总结统计量的相关分量且绕过相关容差水平推导的情况下，进行关于参数的无似然贝叶斯推断。该方法依赖于 Breiman (2001) 的随机森林方法，应用于（非参数）回归设定。我们主张针对感兴趣的参数向量的每个分量推导一个新的随机森林。与早期的 ABC 解法相比，该方法在对总结统计量选择的鲁棒性方面具有显著收益，不依赖于任何类型的容差水平，并且在给定计算时间内在点估计精度与可信区间估计的质量之间取得了良好折衷。我们在一个正态玩具示例和一个涉及人类种群进化的群体遗传学示例上说明了我们的方法提议的性能，并与早期 ABC 方法进行比较。此处设计的所有方法已纳入 CRAN 上可用的 R 包 abcrf（版本 1.7）中。
引用
@article{arxiv.1605.05537,
title = {ABC random forests for Bayesian parameter inference},
author = {Louis Raynal and Jean-Michel Marin and Pierre Pudlo and Mathieu Ribatet and Christian P. Robert and Arnaud Estoup},
journal= {arXiv preprint arXiv:1605.05537},
year = {2018}
}
备注
Main text: 24 pages, 6 figures Supplementary Information: 14 pages, 5 figures