ABC型号选择

已经表明，不建议使用贝叶斯因数选择ABC模型，因为存在使用汇总统计数据产生的错误。本文的结论依赖于一种流行的方法的行为的近似贝叶斯因子（算法2）的研究。

众所周知，贝叶斯因素并不是进行模型选择的唯一方法。还有其他一些功能，例如模型的预测性能，可能会引起关注（例如评分规则）。

我的问题是：是否有一种类似于算法2的方法，可以根据复杂情况下的预测性能，近似一些计分规则或其他可用于进行模型选择的数量？

在我们的工作上建立一个很好的问题！您是否了解后续文件，我们在该后续文件中得出汇总统计信息的条件以实现贝叶斯因子的一致性？这听起来似乎太理论化了，但是渐近结果的结果却非常简单：

给定摘要统计量， $T$

对每个评估中的模型运行基于的ABC算法（）并通过ABC估计估计那些模型的参数； $T$ $i=1,..,I$ $\theta_i$ $\hat\theta_i(T)$
通过蒙特卡洛实验模拟每个模型和每个估计参数的统计量的分布； $T$
通过使用具有足够大量迭代次数的第2步（例如t检验来检查均值是否全部不同。 $\mathbb{E}_{\hat\theta_i(T)}[T(X)]$

此过程不在本文的第一版中，但应尽快出现在修订版中

— 西安
source

感谢您的回答。我不知道第二篇论文。这是一个有趣的结果。我想到的一个问题是，假设t检验具有正态性（我知道它很健壮，但也可能会失败），以及为达到良好近似所需的显着性水平。您是否知道ABC的其他模型比较技术？我记得关于arxiv的DIC论文。（我将在几天之内分配赏金，看看是否有人对这个问题感兴趣，我不是故意的:)）

鉴于这是关于我自己的论文/研究的，我真的不应该得到赏金，对吗？

— 西安

这是一个很好的答案。我只是感觉到，您跳过了关于是否存在使用ABC来测量模型的预测性能的其他技术的两倍的问题。即使是“是的，也存在”或“否，至少据我所知”都可以完成任务。

关于其他的方法，我建议考虑看看由Ratmann等。（2009年），该模型仅考虑该模型内每个模型的性能，将观察到的误差与模拟误差的分布进行比较。并不完全完美，但仍然很吸引人。

{ABC}_{μ}

$\text{ABC}_\mu$

— 西安