deBInfer：R中生物系统动态模型的贝叶斯推断
定量方法
2017-04-19 v3 应用统计
摘要
1. 理解生物系统背后的机制，并最终在变化环境中预测其行为，需要克服数学模型与实验或观测数据之间的差距。微分方程（DEs）常用于模拟生物系统的时间演化，但用于比较DE模型与数据以及进行参数推断的统计方法相对欠发达。这在生物系统背景下尤其成问题，因为观测通常含有噪声且可能只有少量时间点可用。 2. 贝叶斯方法提供了一个连贯的参数推断框架，能够考虑多种不确定性来源，同时利用先验信息。它提供了一种严格的参数推断方法，以及建模不可观测模型状态与参数、以及可观测量之间联系的途径。 3. 我们提出deBInfer，一个用于统计计算环境R的包，实现了DE中参数推断的贝叶斯框架。deBInfer为DE模型、观测模型和数据似然以及模型参数及其先验分布提供模板。马尔可夫链蒙特卡罗（MCMC）过程处理这些输入以估计参数及任何派生量（包括模型轨迹）的后验分布。还提供了进一步功能以促进MCMC诊断、模型参数和轨迹后验分布的可视化，以及使用编译的DE模型以改善计算性能。 4. 模板化方法使deBInfer适用于广泛的DE模型。我们展示了其应用于种群生态学的常微分和延迟微分方程模型。
引用
@article{arxiv.1605.00021,
title = {deBInfer: Bayesian inference for dynamical models of biological systems in R},
author = {Philipp H Boersch-Supan and Sadie J Ryan and Leah R Johnson},
journal= {arXiv preprint arXiv:1605.00021},
year = {2017}
}