Process / pipelineSimulation / optimization

Bayesilainen agenttipohjainen mallinnus – monimutkaisten simulaatioiden kalibrointi Bayesilaisella päättelyllä

Bayesilainen agenttipohjainen mallinnus (Bayesian Agent-Based Modeling, Bayesian ABM) yhdistää Bayesilaisen tilastollisen päättelyn agenttipohjaiseen simulaatioon malliparametrien kalibroimiseksi ja epävarmuuden kvantifioimiseksi. Sen sijaan, että agenttisäännöt ja parametrit kiinnitettäisiin oletusten perusteella, tämä lähestymistapa käsittelee tuntemattomia parametreja todennäköisyysjakaumina ja päivittää niitä järjestelmällisesti havaittujen tietojen perusteella, tuottaen täyden posteriorijakauman uskottavista mallikonfiguraatioista.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

The neighbourhood of related methods — select a node to explore.

Lähteet

  1. Sunnaker, M., Busetto, A. G., Numminen, E., Corander, J., Foll, M., Dessimoz, C. (2013). Approximate Bayesian Computation. PLOS Computational Biology, 9(1), e1002803. DOI: 10.1371/journal.pcbi.1002803
  2. Grazzini, J., Richiardi, M. (2015). Estimation of agent-based models by simulated minimum distance. Journal of Economic Dynamics and Control, 51, 148-165. DOI: 10.1016/j.jedc.2014.10.006

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Bayesian Agent-Based Modeling — Parameter Estimation and Uncertainty Quantification for Agent-Based Models. ScholarGate. https://scholargate.app/fi/simulation/bayesian-agent-based-modeling

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Tähän viittaavat

ScholarGateBayesian Agent-Based Modeling (Bayesian Agent-Based Modeling — Parameter Estimation and Uncertainty Quantification for Agent-Based Models). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/simulation/bayesian-agent-based-modeling · Aineisto: https://doi.org/10.5281/zenodo.20539026