• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Lazy ABC
【24h】

Lazy ABC

机译：懒人ABC

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Approximate Bayesian computation (ABC) performs statistical inference for otherwise intractable probability models by accepting parameter proposals when corresponding simulated datasets are sufficiently close to the observations. Producing the large quantity of simulations needed requires considerable computing time. However, it is often clear before a simulation ends that it is unpromising: it is likely to produce a poor match or require excessive time. This paper proposes lazy ABC, an ABC importance sampling algorithm which saves time by sometimes abandoning such simulations. This makes ABC more scalable to applications where simulation is expensive. By using a random stopping rule and appropriate reweighting step, the target distribution is unchanged from that of standard ABC. Theory and practical methods to tune lazy ABC are presented and illustrated on a simple epidemic model example. They are also demonstrated on the computationally demanding spatial extremes application of Erhardt and Smith (Comput Stat Data Anal 56: 1468-1481, 2012), producing efficiency gains, in terms of effective sample size per unit CPU time, of roughly 3 times for a 20 location dataset, and 8 times for 35 locations.
机译：当相应的模拟数据集与观测值足够接近时，近似贝叶斯计算（ABC）通过接受参数建议对其他难处理的概率模型执行统计推断。产生所需的大量仿真需要大量的计算时间。但是，通常在仿真结束之前就很清楚它是没有希望的：它很可能产生较差的匹配或需要过多的时间。本文提出了一种惰性ABC，这是一种ABC重要度采样算法，通过有时放弃这种模拟来节省时间。这使ABC更具可扩展性，可用于仿真成本很高的应用。通过使用随机停止规则和适当的加权步骤，目标分布与标准ABC保持不变。在一个简单的流行病模型实例上介绍并说明了调整懒惰ABC的理论和实用方法。它们还在Erhardt和Smith的计算要求极高的空间极限应用中得到了证明（Comput Stat Data Anal 56：1468-1481，2012），以每单位CPU时间的有效样本大小为单位，效率提高了大约3倍。 20个位置数据集，对35个位置进行8次。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号