面向序列抽样决策模型的多目标贝叶斯优化式似然-free 推断

统计模型常以生成式过程来定义，通过模拟产生合成数据，但这会导致似然函数难以求解。似然-free 推断 (LFI) 方法可在此类情形下进行贝叶斯推断。为扩展适用于单源数据的高效 LFI 方法，我们提出多目标贝叶斯优化式似然-free 推断 (MOBOLFI)，以处理多源数据。MOBOLFI 通过为每个数据源分别建模差异，来建模观测数据与模拟数据之间的多维差异。运用多变量差异，可对单个数据源的似然进行近似，除了联合似然，从而检测信息冲突并更深入地理解不同数据源在估计各参数时的重要性。通过多目标贝叶斯优化自适应选择仿真参数，确保所有数据源的似然分量均得到高效近似。我们以序列抽样模型 (SSM) 为例，这类模型在心理学和消费者行为建模中广泛应用。SSM 常使用多源数据拟合，例如选择数据和响应时间。我们通过对新加坡出租电动车租赁偏好的数据进行实验，展示了本方法的优势，与单一差异方法进行比较。