据我了解,近似贝叶斯计算(ABC)和马尔可夫链蒙特卡洛(MCMC)具有非常相似的目标。下面,我将描述我对这些方法的理解,以及如何理解它们在实际数据中的应用差异。
近似贝叶斯计算
ABC包括先验取样一个参数,然后通过数值模拟计算出统计量,并将其与一些观测到的。基于拒绝算法,被保留或拒绝。保留列表所做出的后验分布。
马尔可夫链蒙特卡洛
MCMC包括对参数的先验分布进行采样。它需要一个第一样本θ 1,计算P (X ö b 小号 | θ 1)P (θ 1),然后跳转(根据某些规则)到一个新的值θ 2为其中P (X ö b 小号 | θ 2)P (θ 2)被再次计算。比率P (x o b s进行计算,并根据一些阈值时,将来自所述第一或第二位置发生的下一个跳跃。探索θ值的过程是一而终,最后,保留的θ值的分布是后验分布P(θ|x)(出于我尚不知道的原因)。
我意识到我的解释未能代表这些术语(尤其是MCMC)下每个术语下存在的各种方法。
ABC vs MCMC(利弊)
ABC的优点是不需要解析地求解。这样,ABC对于MCMC无法做到的复杂模型很方便。
MCMC允许进行统计检验(似然比检验,G检验……),而我认为这对于ABC来说是不可行的。
我到目前为止正确吗?
题
- ABC和MCMC在应用方面有何不同?如何决定使用一种或另一种方法?