Eksik Veri ile Yaklaşık Bayesci Hesaplama
Approximate Bayesian Computation with Missing Data · Ayrıca şöyle bilinir: ABC with missing data, likelihood-free inference with missing data, simulation-based inference for incomplete data, ABC-MD
Eksik veri ile Yaklaşık Bayesci Hesaplama (ABC), olasılık-fonksiyonu-içermeyen ABC çerçevesini, gözlemlerin eksik veya kısmen kaydedildiği durumlar için genişletir. Pozitif bir model altında veri simüle ederek ve simüle edilmiş özet istatistikleri gözlemlenenlere yakın olan parametre çekimlerini kabul ederek, olasılık fonksiyonunun hesaplanması gerekliliğini ortadan kaldırır — bazı veri değerleri eksik olsa bile.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Olasılık fonksiyonu analitik olarak çözülemez olduğunda (örneğin, karmaşık genetik, ekolojik veya ajan tabanlı modeller) ve veri kümesinde önemsizce doldurulamayan eksik değerler olduğunda eksik verilerle ABC kullanın. Özellikle eksiklik mekanizmasının kendisi bilimsel ilgi alanındaysa (MNAR modelleri) veya parametrik bir model altında çoklu doldurma güvenilir değilse değerlidir. Olasılık fonksiyonu mevcut ve çözülebilir olduğunda ilk tercih olarak kullanmayın — veri artırımı MCMC ile standart Bayesci çıkarım daha verimli olacaktır. Ayrıca, eksik verilerin oranı çok yüksekse ve gözlemlenen örüntüleri yakalayan bilgilendirici özet istatistikler oluşturmak zorsa kaçının.
Güçlü yönler & sınırlılıklar
- Karmaşık üretici modellerle eksik veriler için çıkarım yapmayı mümkün kılarak, çözülemez bir olasılık fonksiyonu değerlendirmesinden kaçınır.
- Eksiklik mekanizmasını doğrudan simülasyona dahil ederek hem ihmal edilebilir (MAR) hem de ihmal edilemez (MNAR) eksiklikleri ele alır.
- Eksiklik altında bile parametre belirsizliğini ölçerek tam bir yaklaşık sonsal dağılım sağlar.
- Sonsal yaklaştırma kalitesini iyileştirmek için SMC veya regresyon ayarlaması ile kolayca genişletilebilir.
- Esnek: Bir simülatör yazılabildiği sürece herhangi bir veri türüyle (sayımlar, sağkalım süreleri, genetik diziler) çalışır.
- Hesaplama açısından pahalıdır: binlerce ila milyonlarca simülasyon gereklidir ve maliyet veri karmaşıklığı ile ölçeklenir.
- Özet istatistiklerin seçimi kritiktir ve probleme özgüdür; kötü özetler bilgilendirici olmayan veya yanlı bir yaklaşık sonsal dağılım verir.
- Tolerans eşiği epsilon, yanlılığı varyansla takas eder — çok küçük örneklem boyutunu azaltır, çok büyük yaklaştırma hatasını şişirir.
- Eksik verilerin oranı büyük olduğunda, simüle edilmiş gözlemlenen kısım çok az bilgi taşıyabilir, bu da çıkarımı daha da bozar.
SSS
Eksik verilerle ABC, çoklu doldurmadan nasıl farklıdır?
Çoklu doldurma, parametrik bir doldurma modeli altında eksik değerleri doldurur, ardından her tamamlanmış veri kümesini ayrı ayrı analiz eder. Eksik verilerle ABC, simülasyon yoluyla eksik değerler üzerinden örtük olarak entegre olur, çözülebilir bir olasılık fonksiyonunun bulunmadığı karmaşık modeller için çıkarım yapmayı sağlar — parametrik doldurma varsayımlarıyla sınırlı değildir.
Veriler eksik olduğunda hangi özet istatistikleri kullanmalıyım?
Özetler yalnızca gözlemlenen kısım üzerinden hesaplanmalı ve ilgi parametreleri için yaklaşık olarak yeterli olmalıdır. Eksiklik mekanizması MNAR olduğunda eksikliğe özgü özetler (örneğin, kovaryant seviyesine göre eksiklik oranları) dahil edilmelidir. Farklı özet kümelerinin karşılaştırılmasına ilişkin duyarlılık analizi esastır.
Eksik verileri ele almak için ABC'yi sıralı Monte Carlo ile birleştirebilir miyim?
Evet. SMC-ABC (ABC-SMC olarak da adlandırılır), bir dizi hedef dağılım boyunca tolerans eşiğini uyarlanabilir bir şekilde düşürerek daha doğru bir sonsal dağılım üretir. Özellikle yüksek boyutlu eksik veri problemleri için kullanışlıdır çünkü düz reddetme ABC'den daha örnek verimlidir.
Veriler eksik olduğunda ABC sonsal dağılımımın güvenilir olduğunu nasıl kontrol ederim?
Sonsal öngörücü kontrolleri çalıştırın: kabul edilen sonsal çekimlerden tam veri kümeleri simüle edin, eksik girişlerin simüle edilmiş karşılıklarını atın ve simüle edilmiş gözlemlenen özetlerin gerçek gözlemlenen özetlerle eşleştiğini doğrulayın. Ayrıca epsilon'a ve varsayılan eksiklik mekanizmasına duyarlılığı inceleyin.
Eksik veriler için veri artırımı MCMC'ye ne zaman ABC tercih edilir?
Olasılık fonksiyonu kapalı formda mevcut olduğunda, veri artırımı MCMC (eksik değerleri ek parametreler olarak ele alarak) çok daha verimlidir ve kesin bir sonsal dağılım üretir, yaklaşık bir sonsal dağılım değil. ABC'yi yalnızca olasılık fonksiyonu gerçekten çözülemez olduğunda kullanın.
Kaynaklar
- Beaumont, M. A., Zhang, W. & Balding, D. J. (2002). Approximate Bayesian computation in population genetics. Genetics, 162(4), 2025–2035. link ↗
- Rubin, D. B. (1987). Multiple Imputation for Nonresponse in Surveys. John Wiley & Sons. ISBN: 978-0471655749
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Approximate Bayesian Computation with Missing Data. ScholarGate. https://scholargate.app/tr/bayesian/approximate-bayesian-computation-with-missing-data
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Yaklaşık Bayesci HesaplamaSimülasyon↔ karşılaştır
- Eksik Veri ile Bayesci ÇıkarımBayesçi↔ karşılaştır
- Eksik Veri ile MCMCBayesçi↔ karşılaştır
- Çoklu Atamaİstatistik↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır