×
塞缪尔·威奎斯特;天哪，安德鲁;阿什利·麦克林。;翁贝托·皮奇尼

使用相关粒子伪边缘算法对随机微分方程混合效应模型进行有效推理。 （英语） Zbl 1510.62079号

计算。统计数据分析。 157，文章ID 107151，26 p.（2021）.
摘要：随机微分方程混合效应模型（SDEMEM）是一种灵活的层次模型，能够解释基础时间动力学固有的随机可变性，以及实验单元之间的可变性，也可以解释测量误差。使用离散时间的数据，对状态空间SDEMEM进行完全贝叶斯推断，这些数据可能不完整，并且可能存在测量误差。然而，由于观测数据似然的典型难处理性，推理问题变得复杂，这促使了基于抽样的方法（如马尔可夫链蒙特卡罗）的使用。建议使用吉布斯采样器以所有感兴趣参数值的边际后验值为目标。通过仔细使用Gibbs方案中的阻塞策略和相关的伪边缘Metropolis-Hastings步骤，该算法的计算效率得到了提高。由此产生的方法是灵活的，能够处理大量SDEMEM。该方法在三个案例研究中得到了验证，包括肿瘤生长动力学和神经元数据。计算效率提高方面的收益取决于模型和数据，但除非对给定模型可以使用需要分析推导的定制采样策略，否则当使用相关粒子方法和我们的blocked-Gibbs策略时，我们通常会观察到效率提高一个数量级。

引用于4文件

MSC公司：

2008年6月62日 统计问题的计算方法
2015年1月62日 贝叶斯推断
65二氧化碳 蒙特卡罗方法

关键词：

贝叶斯推断;随机效应;序贯蒙特卡罗;状态空间模型

软件：

电位计;github
PDF格式BibTeX公司 XML格式引用
\textit{S.Wiqvist}等人，《计算》。统计数据分析。157，文章ID 107151，26 p.（2021；Zbl 1510.62079）
全文： 内政部 arXiv公司
OA许可证

参考文献：

[1] Ait-Sahalia，Y.，多元扩散的闭式似然展开，Ann.Statist。，36, 2, 906-937 (2008) ·兹比尔1246.62180
[2] Andrieu，C。；Doucet，A。；Holenstein，R.，《粒子马尔可夫链蒙特卡罗方法》（带讨论），J.R.Stat.Soc.Ser。B统计方法。，72, 3, 1-269 (2010) ·Zbl 1411.65020号
[3] Andrieu，C。；Roberts，G.O.，《有效计算的伪边缘方法》，Ann.Statist。，37, 697-725 (2009) ·Zbl 1185.60083号
[4] Andrieu，C。；Thoms，J.，自适应MCMC教程，Statist。计算。，1834-373（2008年）
[5] 博萨，I。；科恩，R。；Drovandi，C.，随机微分方程混合效应模型的粒子方法，贝叶斯分析。(2020)
[6] 肖帕拉，P。；Gunawan，D。；陈，J。；Tran，M.-N。；Kohn，R.，使用块和相关伪边际方法对状态空间模型进行贝叶斯推断（2016），可从http://arxiv.org/abs/1311.3606
[7] Dahlin，J。；Lindsten，F。；Kronander，J。；Schon，T.B.，《通过关联辅助变量加速伪边缘大都市——黑斯廷斯》（2015年），摘自https://arxiv.1511.05483v1
[8] Del Moral，P.，Feynman-Kac公式：谱系和相互作用粒子系统及其应用（2004），Springer:Springer纽约·Zbl 1130.60003号
[9] 特拉特，M。；Lavielle，M.，将SAEM算法和扩展卡尔曼滤波器耦合用于混合效应扩散模型中的最大似然估计，Stat.Interface，6，4，519-532（2013）·Zbl 1326.93121号
[10] Deligiannidis，G。；Doucet，A。；Pitt，M.K.，《相关伪边缘法》，J.R.Stat.Soc.Ser。B统计方法。，80, 839-870 (2018) ·Zbl 1407.62074号
[11] Devroye，L.，非均匀随机变量生成（1986），Springer-Verlag:Springer-Verlag纽约·Zbl 0593.65005号
[12] 迪特列夫森，S。；Lansky，P.，Ornstein-Uhlenbeck神经元模型中输入参数的估计，Phys。E版，71，1，第011907条，pp.（2005）
[13] 唐纳，S。；Foulley，J.-L。；Samson，A.，使用随机微分方程定义的混合模型对增长曲线进行贝叶斯分析，生物计量学，66，3，733-741（2010）·Zbl 1203.62187号
[14] 唐纳，S。；Samson，A.，《药代动力学/药效学模型随机微分方程估计综述》，Adv.Drug Deliv。版本：65、7、929-939（2013）
[15] 唐奈，S。；Samson，A.，《在随机混合模型的EM算法中使用PMCMC：理论和实践问题》，J.Soc.Fr.Stat.，155，1，49-72（2013）·Zbl 1316.60115号
[16] Doucet，A。；皮特，M.K。；Kohn，R.，《使用无偏似然估计量时马尔可夫链蒙特卡罗的有效实现》，《生物统计学》，102295-313（2015）·Zbl 1452.62055号
[17] 费恩黑德，P。；贾戈斯，V。；Sherlock，C.，使用线性噪声近似的反应网络推断，生物计量学，70，2，457-466（2014）·Zbl 1419.62346号
[18] 火焰，R。；Courty，N.，POT Python优化传输库（2017），URLhttps://github.com/rflamary/POT
[19] Fuchs，C.，《生命科学中应用的扩散过程推断》（2013），Springer·Zbl 1276.62051号
[20] Golightly，A。；布拉德利，E。；Lowe，T。；Gillespie，C.S.，时间离散随机动力学模型的相关伪边缘格式，计算统计与数据分析，136，92-107（2019）·Zbl 1507.62064号
[21] Golightly，A。；Wilkinson，D.J.，使用粒子马尔可夫链蒙特卡罗对随机生化网络模型进行贝叶斯参数推断，界面焦点，1，6，807-820（2011）
[22] 新泽西州戈登。；Salmond，D.J。；Smith，A.F.M.，非线性/非高斯贝叶斯状态估计的新方法，IEE Proc。F、 140、107-113（1993）
[23] Höpfner，R.，关于神经元膜电位的一组数据，数学。生物科学。，207, 2, 275-301 (2007) ·Zbl 1255.60132号
[24] 克劳登，体育。；Platen，E.，随机微分方程的数值解（1992），Springer·Zbl 0925.65261号
[25] Künsch，H.R.，《颗粒过滤器》，伯努利，第19期，1391-1403页（2013年）·兹比尔1275.93058
[26] Lanski，P.，关于Stein神经元模型的近似，J.Theoret。《生物学》，107,4631-647（1984）
[27] 兰斯基，P。；Sanda，P。；He，J.，《随机泄漏积分-核神经元模型的参数》，J.Compute。神经科学。，21, 2, 211-223 (2006) ·2013年9月9日Zbl
[28] Lavielle，M.，《人口方法的混合效应模型：模型、任务、方法和工具》（2014），查普曼和霍尔/CRC
[29] 莱安德，J。；Almquist，J。；阿尔斯特罗姆，C。；Gabrielsson，J。；Jirstrand，M.，《使用随机微分方程的混合效应建模：用肥胖Zucker大鼠的烟酸药代动力学数据说明》，AAPS J.，17，3，586-596（2015）
[30] Murphy，K.P.，高斯分布的共轭贝叶斯分析（2007）
[31] 默里，L。；A.李。；Jacob，P.E.，《粒子滤波器中的并行重采样》，J.Compute。图表。统计学。，25, 3, 789-805 (2016)
[32] Overgaard，R.V。；Jonsson，N。；托纳，C.W。；Madsen，H.，《带有随机微分方程的非线性混合效应模型：估计算法的实现》，J.Pharmacokinet。药物动力学。，32, 1, 85-107 (2005)
[33] 皮奇尼，美国。；De Gaetano，A。；Ditlevsen，S.，《随机微分混合效应模型》，Scand。J.Stat.，37，1，67-90（2010）·Zbl 1224.62041号
[34] 皮奇尼，美国。；Ditlevsen，S.，高维随机微分混合效应模型的实用估计，计算。统计师。数据分析。，55, 3, 1426-1444 (2011) ·Zbl 1328.65014号
[35] 皮奇尼，美国。；迪特列夫森，S。；De Gaetano，A。；Lansky，P.，《缓慢波动信号的扩散泄漏积分和fire神经元模型参数》，神经计算。，20, 11, 2696-2714 (2008) ·兹比尔1169.68580
[36] 皮奇尼，美国。；Forman，J.L.，肿瘤异种研究随机微分方程混合效应模型的贝叶斯推断，J.R.Stat.Soc.Ser。C.申请。Stat.，68，4，887-913（2019年）
[37] 皮特，M.K。；多斯桑托斯·席尔瓦，R。；佐丹尼，P。；Kohn，R.，《基于粒子滤波的马尔可夫链蒙特卡罗模拟方法的一些性质》，《计量经济学杂志》，171，2，134-151（2012）·Zbl 1443.62499号
[38] 价格，L.F。；Drovandi，C.C。；A.李。；诺特，D.J.，贝叶斯综合似然，J.计算。图表。统计学。，27, 1, 1-11 (2018) ·Zbl 07498962号
[39] Ruse，M.G。；萨姆森，A。；Ditlevsen，S.，《利用具有协变量和混合效应的扩散模型推断生物医学数据》，J.R.Stat.Soc.Ser。C.申请。统计（2019年）
[40] 夏洛克，C。；Thiery，A。；Roberts，G.O。；罗森塔尔，J.S.，《伪边缘随机游走都市算法的效率》，《统计年鉴》。，43, 1, 238-275 (2015) ·Zbl 1326.65015号
[41] Sörensen，H.，离散时间点观测到的扩散过程的参数推断，国际。统计师。修订版，72、3、337-354（2004年）
[42] Steele，J.M.，《随机微积分与金融应用》，第45卷（2012年），Springer科学与商业媒体
[43] Stewart，L.，McCarty，P.，Jr.，1992年。使用贝叶斯信念网络融合连续和离散信息，用于目标识别、跟踪和态势评估。In：程序。SPIE信号处理，传感器融合和目标识别，第1699卷，第177-185页。
[44] 托纳，C.W。；Overgaard，R.V。；阿杰瑟·H。；尼尔森，H.A。；Madsen，H。；Jonsson，E.N.，《NONMEM®中的随机微分方程：实现、应用以及与普通微分方程的比较》，《药学研究》，22，8，1247-1258（2005）
[45] Tran，M.-N。；科恩，R。；基罗兹，M。；Villani，M.，区块伪边缘采样器（2016）
[46] Tran，M.-N。；科恩，R。；Quiroz先生。；Villani，M.，《街区式伪边缘都市——黑斯廷斯》（2016）
[47] Whitaker，G.A.，《随机微分混合效应模型的贝叶斯推断》（2016），纽卡斯尔大学（博士论文）
[48] 惠特克，G.A。；Golightly，A。；男孩，R.J。；Sherlock，C.，扩散驱动混合效应模型的贝叶斯推断，贝叶斯分析。，12, 435-463 (2017) ·Zbl 1384.62109号
[49] 威尔金森，D.J.，《系统生物学随机建模》（2018），查普曼和霍尔/CRC出版社：查普曼和霍尔/CRC出版社，佛罗里达州博卡拉顿
[50] Wood，S.N.，《噪声非线性生态动力系统的统计推断》，《自然》，46673101102-1104（2010）
[51] 于义清。；熊，Y。；Chan，Y.-S。；He，J.，《丘脑听觉信息的皮层功能门控：体内细胞内记录研究》，J.Neurosci。，24, 12, 3060-3069 (2004)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。