在模型误差假设下近似贝叶斯计算（ABC）给出精确结果
统计计算
2015-09-08 v2 统计方法学
摘要
近似贝叶斯计算（ABC）或无似然推断算法用于寻找后验分布的近似，而不显式使用似然函数，而是依赖于从模型中模拟样本数据集。在本文中，我们证明了在存在均匀加性模型误差项的假设下，当使用充分统计量时，ABC 算法能给出精确结果。这种解释使得许多先前应用论文中所做的近似能够被理解，并应指导未来工作中度量和容差的选择。通过将 0-1 截断替换为随模拟数据与观测数据距离变化的接受概率，可以对 ABC 算法进行推广。接受密度给出了误差项的分布，使得通常使用的均匀误差能被一般分布所替代。这种推广也可应用于近似马尔可夫链蒙特卡洛算法。鉴于这项工作，ABC 算法可被视为隐式随机模型的校准技术，结合计算机模型、数据、对参数值的先验信念以及任何测量或模型误差来推断参数值。
引用
@article{arxiv.0811.3355,
title = {Approximate Bayesian computation (ABC) gives exact results under the assumption of model error},
author = {Richard D. Wilkinson},
journal= {arXiv preprint arXiv:0811.3355},
year = {2015}
}
备注
33 pages, 1 figure, to appear in Statistical Applications in Genetics and Molecular Biology 2013