Hierarchical Approximate Bayesian Computation
Hierarchical ABC เป็นวิธีการอนุมานแบบเบย์ (Bayesian inference) แบบไม่ต้องใช้ฟังก์ชันภาวะน่าจะเป็น (likelihood-free) ซึ่งออกแบบมาสำหรับโครงสร้างข้อมูลแบบหลายระดับ (multilevel data structures) ที่พารามิเตอร์ระดับปัจเจกบุคคลถูกสุ่มมาจากการแจกแจงระดับประชากร (population-level distribution) โดยการรวมการสุ่มตัวอย่างแบบปฏิเสธ (rejection sampling) ที่อาศัยการจำลอง (simulation-based) เข้ากับการรวมกลุ่มแบบลำดับชั้น (hierarchical pooling) วิธีนี้จะคืนค่าการแจกแจงภายหลัง (posterior distributions) ทั้งภายในกลุ่มและระหว่างกลุ่ม โดยไม่จำเป็นต้องมีฟังก์ชันภาวะน่าจะเป็นที่สามารถจัดการได้ (tractable likelihood function).
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- Toni, T. & Stumpf, M. P. H. (2010). Simulation-based model selection for dynamical systems in systems and population biology. Bioinformatics, 26(1), 104–110. DOI: 10.1093/bioinformatics/btp619 ↗
- Wilkinson, R. D. (2013). Approximate Bayesian computation (ABC) gives exact results under the assumption of model error. Statistical Applications in Genetics and Molecular Biology, 12(2), 129–141. DOI: 10.1515/sagmb-2013-0010 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Hierarchical Approximate Bayesian Computation. ScholarGate. https://scholargate.app/th/bayesian/hierarchical-approximate-bayesian-computation
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การคำนวณแบบเบย์เชิงประมาณการจำลอง↔ เปรียบเทียบ
- การอนุมานแบบเบย์ตามลำดับชั้นเบย์↔ เปรียบเทียบ
- Hierarchical Markov Chain Monte Carloเบย์↔ เปรียบเทียบ
- Sequential Monte Carloเบย์↔ เปรียบเทียบ