• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Importance sampling for partially observed temporal epidemic models
【24h】

Importance sampling for partially observed temporal epidemic models

机译：对部分观察到的时间流行病模型的重要性抽样

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

We present an importance sampling algorithm that can produce realisations of Markovian epidemic models that exactly match observations, taken to be the number of a single event type over a period of time. The importance sampling can be used to construct an efficient particle filter that targets the states of a system and hence estimate the likelihood to perform Bayesian inference. When used in a particle marginal Metropolis Hastings scheme, the importance sampling provides a large speed-up in terms of the effective sample size per unit of computational time, compared to simple bootstrap sampling. The algorithm is general, with minimal restrictions, and we show how it can be applied to any continuous-time Markov chain where we wish to exactly match the number of a single event type over a period of time.
机译：我们提出了一种重要的采样算法，该算法可以产生与观测值完全匹配的马尔可夫流行病模型的实现，这些观测值被视为一段时间内单个事件类型的数量。重要性采样可用于构建以系统状态为目标的有效粒子滤波器，从而估计执行贝叶斯推理的可能性。与简单的自举采样相比，当在粒子边缘的Metropolis Hastings方案中使用时，就每单位计算时间的有效样本量而言，重要性采样可以大大提高速度。该算法是通用的，具有最小的限制，我们将展示如何将其应用于希望在一段时间内完全匹配单个事件类型的数量的任何连续时间马尔可夫链。

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