대략적인 베이지안 계산 (ABC)과 마르코프 체인 몬테 카를로 (MCMC)는 비슷한 목표를 가지고 있습니다. 아래에서는 이러한 방법에 대한 이해와 실제 데이터에 대한 응용 프로그램의 차이점을 어떻게 인식하는지 설명합니다.
대략적인 베이지안 계산
ABC는 수치 시뮬레이션을 통해 관측 된 와 비교되는 통계 를 계산하여 이전 의 매개 변수 를 샘플링하는 것으로 구성됩니다 . 거부 알고리즘에 따라 는 유지되거나 거부됩니다. 유지 된 목록은 사후 분포를 만들었습니다.x i x o b s x i x i
마르코프 체인 몬테 카를로
MCMC는 매개 변수의 사전 분포를 샘플링하는 것으로 구성됩니다 . 그것은 첫 번째 샘플 소요 , 연산 다음 새 값으로 점프 (일부 규칙에 따라) 하는 가 다시 계산됩니다. 비 으로 계산 어떤 임계 값에 의존한다, 다음 점프 첫 번째 또는 두 번째 위치에서 발생합니다. 값 의 탐색 은 1과 1로 진행되며 결국 값의 분포는 사후 분포θ 1 P ( x o b s | θ 1 ) P ( θ 1 ) θ 2 P ( x o b s | θ 2 ) P ( θ 2 ) P ( x o b s | θ 2 ) P ( θ 2 ) (아직 나에게 알려지지 않은 이유로).
나는 나의 설명이이 용어들 각각에 존재하는 다양한 방법들 (특히 MCMC)을 대표하는 것을 놓친다는 것을 알고있다.
ABC 대 MCMC (장단점)
ABC는 를 분석적으로 해결할 필요가 없다는 장점이 있습니다 . 따라서 ABC는 MCMC가 만들지 않는 복잡한 모델에 편리합니다.
MCMC를 사용하면 통계 테스트 (우도 비율 테스트, G- 테스트 등)를 수행 할 수 있지만 ABC에서는 이것이 가능하지 않다고 생각합니다.
지금까지 내가 있습니까?
질문
- ABC와 MCMC의 응용 프로그램은 어떻게 다릅니 까? 하나 또는 다른 방법을 어떻게 사용하기로 결정합니까?