Yaklaşık Bayesci Hesaplama — Olasılıksız Çıkarım
Approximate Bayesian Computation (ABC) · Ayrıca şöyle bilinir: ABC, likelihood-free inference, simulation-based inference, Yaklaşık Bayesçi Hesaplama (ABC)
Yaklaşık Bayesci Hesaplama (ABC), analitik olarak çözülebilir bir olabilirlik fonksiyonu gerektirmeden sonsal dağılımları tahmin eden simülasyon tabanlı çıkarım yöntemleri ailesidir. Nüfus genetiği bağlamında Beaumont, Zhang ve Balding (2002) tarafından tanıtılan ABC, çözülemez olabilirlik yerine tekrarlanan model simülasyonu ve simüle edilmiş ve gözlemlenen veriler arasındaki özet istatistiklerin karşılaştırılmasını kullanmıştır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+4 tane daha
Ne zaman kullanılır
ABC, modelin ileriye doğru simüle edilebildiği ancak olabilirlik fonksiyonunun analitik olarak değerlendirilemediği durumlarda doğru seçimdir — bu durum nüfus genetiği, epidemiyoloji, ekoloji ve ajan tabanlı ekonomik modellemede sıkça ortaya çıkar. Sürekli, ikili ve sayım sonuç değişkenlerini işler ve veriye normalite şartı koymaz. Sert bir minimum örneklem boyutu yoktur, ancak özet istatistikler parametreler hakkında yeterli bilgi taşımalıdır. Simülasyon bütçesi büyükse ve tolerans düşük ayarlanabilirse, ABC gerçek sonsal dağılıma yakın bir yaklaşım sağlar; simülasyonlar pahalıysa, SMC-ABC veya sinirsel sonsal tahmin varyantları tercih edilir. Olasılık anlaşılırsa, standart MCMC daha verimlidir.
Güçlü yönler & sınırlılıklar
- Kapalı formda bir olabilirlik olmadan çalışır, Bayesci çıkarımı analitik olarak değerlendirmesi zor ancak üretici modelleri simüle etmesi kolay karmaşık modeller için açar.
- Analistin bir simülatör olarak kodlayabileceği herhangi bir yapısal model altında sürekli, ikili ve sayım sonuçlarını işlemek için yeterince esnektir.
- SMC-ABC ve ABC-MCMC gibi varyantlar, naif reddetme örneklemesine kıyasla gereken simülasyon sayısını önemli ölçüde azaltır.
- Sonsal yaklaşım, tolerans eşiği sıfıra yaklaştıkça gerçek sonsal dağılıma yakınsar.
- Naif reddetme ABC, düşük bir tolerans eşiği ve anlamlı bir kabul oranı elde etmek için muazzam sayıda simülasyon gerektirir, bu da onu yüksek boyutlu parametre uzayları için hesaplama açısından pahalı hale getirir.
- Sonsal yaklaşımın kalitesi, özet istatistiklerin seçimine kritik derecede bağlıdır; kötü seçilmiş özetler yanlı veya yüksek varyanslı bir sonsal dağılım üretebilir.
- Seçilen özet istatistiklerin yeterli istatistikler olduğuna dair analitik bir garanti yoktur, bu nedenle genel olarak tam olabilirlik ile karşılaştırıldığında bilgi kaybı yaşanır.
- Genellikle güvenilir olmayan bir sonsal yaklaşım elde etmek için yaklaşık 1.000'den az toplam kabul edilmiş öneri gerekir; simülasyon bütçesi sınırlıysa, standart MCMC düşünülmelidir.
SSS
ABC standart MCMC'den nasıl farklıdır?
Her iki yöntem de bir sonsal dağılımdan örnekler üretir, ancak MCMC her önerilen parametre değerinde olabilirlik fonksiyonunu değerlendirirken, ABC bu değerlendirmeyi bir ileri simülasyon ve bir özet istatistik karşılaştırması ile değiştirir. Olasılık fonksiyonu çözülemez olduğunda ABC'yi kullanın; hesaplanabilir olduğunda MCMC'yi kullanın.
Özet istatistikleri nasıl seçerim?
Özet istatistikler, ilgilenilen parametreler hakkında mümkün olduğunca fazla bilgi yakalamalıdır. Yaygın uygulama, alan bilgisini kullanmak (örneğin, ortalama, varyans, alel frekansları) ve istatistiklerin gerçek parametre değiştiğinde değişip değişmediğini kontrol ederek seçimleri doğrulamaktır. Yeterli istatistikler yalnızca üstel aile modelleri için mevcuttur; diğer modeller için bir miktar bilgi kaybı kaçınılmazdır.
Tolerans epsilon ne kadar küçük olmalıdır?
Evrensel bir kural yoktur. Pratik bir yaklaşım, epsilon'u artımlı olarak daraltmak ve sonsalın şeklinin stabilize olup olmadığını kontrol etmektir. Sonsal yaklaşımı, epsilon azaldıkça iyileşir, ancak kabul oranı buna göre düşer ve daha fazla simülasyon gerekir. SMC-ABC, popülasyonlar boyunca epsilon'u uyarlanabilir şekilde azaltarak bu ödünleşmeyi otomatikleştirir.
Ne zaman reddetme ABC yerine SMC-ABC kullanmalıyım?
Simülasyon pahalı olduğunda, naif reddetme ABC, dar bir toleransta kabul oranının son derece düşük olabilmesi nedeniyle simülasyonların çoğunu boşa harcar. SMC-ABC, simülasyonları sonsalın yakınına yoğunlaştırmak için bir dizi ara tolerans eşiği ve önem ağırlıklı popülasyonlar kullanır, bu da aynı son epsilon için çok daha verimli olmasını sağlar.
Kaynaklar
- Beaumont, M.A., Zhang, W. & Balding, D.J. (2002). Approximate Bayesian Computation in Population Genetics. Genetics, 162(4), 2025-2035. DOI: 10.1093/genetics/162.4.2025 ↗
- Sisson, S.A., Fan, Y. & Beaumont, M.A. (Eds.) (2018). Handbook of Approximate Bayesian Computation. Chapman & Hall/CRC. DOI: 10.1201/9781315117195 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Approximate Bayesian Computation (ABC). ScholarGate. https://scholargate.app/tr/simulation/approximate-bayesian-computation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Yaklaşık Bayesci HesaplamaSimülasyon↔ karşılaştır
- Bayesci Çıkarımİstatistik↔ karşılaştır
- Markov Zinciri Monte Carlo (MCMC)Simülasyon↔ karşılaştır
- Monte Carlo SimülasyonuKarar verme↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır