×
天哪，安德鲁;西奥多·凯普里奥斯

随机动力学模型的有效格式。 （英语） Zbl 1430.62054号

统计计算。 28，第6期，1215-1230（2018）.
摘要：在贝叶斯范式中拟合由马尔可夫跳跃过程表示的随机动力学模型因观测数据的似然性而变得复杂。因此，对于此类模型的伪边缘马尔可夫链蒙特卡罗算法的设计受到了相当大的关注。然而，这些方法通常需要大量计算，通常需要仔细调整，并且必须在收到新的观测结果后从头开始。另一方面，序列蒙特卡罗（SMC）方法旨在有效地重用每个时间点的后验样本。尽管SMC方案很有吸引力，但由于粒子简并的问题，在同时具有动态和静态参数的场景中应用SMC方案变得很困难。克服这个问题的一个原则性方法是通过Metropolis-Hastings内核移动每个参数粒子，使目标保持不变。这一复兴步骤是最近提出的（mathrm{SMC}^2）算法的关键，该算法可视为理想化方案（称为迭代批重要性抽样）的伪边缘模拟。计算\（\mathrm｛SMC｝^2 \）中的参数权重需要在动态状态上运行粒子滤波器，以无偏地估计到当前时间点为止难以处理的观测数据可能性。在本文中，我们建议在（mathrm{SMC}^2）方案中使用辅助粒子滤波器。我们的方法使用了最近提出的两种构造来对条件跳跃过程进行采样，并且我们发现，与使用简单的引导过滤器相比，由此产生的推理方案通常需要更少的状态粒子。通过两个应用程序，我们将该方法与各种竞争方法（包括两个全局MCMC方案）的性能进行了比较。

引用于4文件

MSC公司：

2015年1月62日 贝叶斯推断
60J74型 离散状态空间上的跳跃过程
65二氧化碳 蒙特卡罗方法
62平方米 马尔可夫过程：假设检验

关键词：

辅助颗粒过滤器;贝叶斯推断;马尔可夫跳跃过程（MJP）;序贯蒙特卡罗（SMC）;随机动力学模型

软件：

结尾
PDF格式BibTeX公司 XML格式引用
\textit{A.Golightly}和\textit{T.Kypraios}，统计计算。28，编号61215-1230（2018；兹bl 1430.62054）
全文： DOI程序 arXiv公司
OA许可证

参考文献：

[1] Andersson，Hk，Britton，T.：《随机流行病模型及其统计分析》，《统计学讲义》第151卷。施普林格，纽约（2000年）·Zbl 0951.92021号
[2] Andrieu，C.，Doucet，A.，Holenstein，R.：粒子马尔可夫链蒙特卡罗方法（含讨论）。J.R.Stat.Soc.B 72（3），1-269（2010）·Zbl 1411.65020号 ·文件编号：10.1111/j.1467-9868.2009.00736.x
[3] Arkin，A.，Ross，J.，McAdams，H.H.：噬菌体λ感染大肠杆菌细胞发育途径分叉的随机动力学分析。遗传学1491633-1648（1998）
[4] 新墨西哥州贝利。J.：传染病数学理论及其应用，第2版。哈夫纳出版社[麦克米伦出版公司]，纽约（1975）·Zbl 0334.92024号
[5] Boys，R.J.，Giles，P.R.：具有时间非均匀去除率的随机流行病模型的贝叶斯推断。数学杂志。生物学55，223-247（2007）·Zbl 1127.62107号 ·doi:10.1007/s00285-007-0081-y
[6] Boys，R.J.，Wilkinson，D.J.，Kirkwood，T.B.L.：离散观测随机动力学模型的贝叶斯推断。统计师。计算。18, 125-135 (2008)
[7] Carvalho，C.M.，Johannes，M.S.，Lopes，H.F.，Polson，N.G.：粒子学习和平滑。统计科学。25, 88-106 (2010) ·Zbl 1328.62541号 ·doi:10.1214/10-STS325
[8] 肖邦，N.：静态模型的顺序粒子过滤器。生物特征89，539-552（2002）·Zbl 1036.62062号 ·doi:10.1093/biomet/89.3.539
[9] 肖邦，N.，亚科布奇，A.，马林，J.-M.，蒙格森，K.，罗伯特，C.P.，Ryder，R.，Schäfer，C.：《粒子学习》。可从arxiv:1006.0554（2010）获得
[10] 肖邦，N.，雅各布，P.E.，帕帕斯皮利奥普洛斯，O.：SMC \[^22\]：状态空间模型序列分析的有效算法。J.R.Stat.Soc.B 75，397-426（2013）·兹比尔1411.62242 ·文件编号：10.1111/j.1467-9868.2012.01046.x
[11] Dahlin，J.、Lindsten，F.、Kronander，J.和Schon，T.B.：通过关联辅助变量加速伪边缘大都市黑斯廷斯。可从arxiv:1511.05483v1（2015）获得
[12] Del Moral，P.：Feynman-Kac公式：谱系和相互作用粒子系统及其应用。施普林格，纽约（2004）·Zbl 1130.60003号 ·doi:10.1007/978-1-4684-9393-1
[13] Del Moral，P.，Jasra，A.，Lee，A.，Yau，C.，Zhang，X.：活性粒子过滤器及其在粒子马尔可夫链蒙特卡罗中的应用。斯托克。分析。申请。33, 943-974 (2015) ·Zbl 1337.82019年 ·doi:10.1080/07362994.2015.1060892
[14] Deligiannidis，G.，Doucet，A.，Pitt，M.K.：相关伪边缘法。可从arxiv:1511.04992v3（2016）获得·Zbl 1407.62074号
[15] Doucet，A.，de Freitas，N.，Gordon，N.：实践中的序贯蒙特卡罗方法。工程与信息科学统计学。施普林格，纽约（2001）·Zbl 0967.00022号
[16] Drovandi，C.C.，McCutchan，R.A.：Alive SMC \[^22\]：具有难以处理的可能性的低计数时间序列模型的贝叶斯模型选择。生物统计学72，344-353（2016）·Zbl 1419.62228号 ·doi:10.1111/biom.12449
[17] Fearnhead，P.：马尔可夫链蒙特卡罗，充分统计和粒子过滤器。J.计算。图表。统计11，848-862（2002）·doi:10.1198/106186002835
[18] Fearnhead，P.：复杂随机系统的计算方法：MCMC的一些替代方法综述。统计师。计算。18, 151-171 (2008) ·doi:10.1007/s11222-007-9045-8
[19] Fearnhead，P.，Meligkotsidou，L.：部分观测连续时间模型的精确滤波。J.R.统计。Soc.B 66（3），771-789（2004）·Zbl 1046.62100号 ·doi:10.1111/j.1467-9868.2004.05561.x
[20] Ferm，L.，Lötstedt，P.，Hellander，A.：由尺寸参数缩放的主方程近似层次。科学杂志。计算。34(2), 127-151 (2008) ·Zbl 1136.65007号 ·doi:10.1007/s10915-007-9179-z
[21] Fulop，A.，Li，J.：通过模拟实现高效学习：一种边缘化的重采样移动方法。《经济学杂志》。176, 146-161 (2013) ·Zbl 1284.62516号 ·doi:10.1016/j.jeconom.2013.05.002
[22] Gibson，G.J.，Renshaw，E.：使用马尔可夫链方法估计随机分段模型中的参数。IMA数学杂志。申请。医学生物学。15, 19-40 (1998) ·Zbl 0916.92024号 ·doi:10.1093/immmb/115.1.19
[23] Gilks，W.R.，Berzuini，C.：遵循动态贝叶斯模型的移动目标蒙特卡罗推断。J.R.统计。Soc.A 63，127-146（2001年）·Zbl 0976.62021号 ·doi:10.1111/1467-9868.00280
[24] Gillespie，D.T.：耦合化学反应的精确随机模拟。《物理学杂志》。化学。81, 2340-2361 (1977) ·doi:10.1021/j100540a008
[25] Golightly，A.，Wilkinson，D.J.：使用扩散近似对随机动力学模型进行贝叶斯推断。生物统计学61（3），781-788（2005）·Zbl 1079.62110号 ·doi:10.1111/j.1541-0420.2005.00345.x
[26] 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）·doi:10.1098/rsfs.2011.047文件
[27] Golightly，A.，Wilkinson，D.J.：具有信息观测的马尔可夫跳跃过程的贝叶斯推理。SAGMB 14（2），169-188（2015）·Zbl 1311.92089号 ·doi:10.1515/sagmb-2014-0070
[28] Gordon，N.J.、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程序。F 140107-113（1993）
[29] Guarniero，P.，Johansen，A.M.，Lee，A.：迭代辅助粒子过滤器。可从arxiv:1511.06286v2（2016）获得
[30] Jacob，P.：隐式隐马尔可夫模型的序贯贝叶斯推断和当前限制。ESAIM程序。Surv公司。51, 24-48 (2015) ·Zbl 1348.60106号 ·doi:10.1051/proc/201551002
[31] Kypraios，T.：部分观测随机流行病的有效贝叶斯推断和一类新的半参数时间序列模型。兰卡斯特大学数学系博士论文（2007年）
[32] Lin，J.，Ludkovski，M.：隐马尔可夫随机动力学模型中的序贯贝叶斯推断，用于检测和应对季节性流行病。统计师。计算。24, 1047-1062 (2013) ·兹比尔1332.62272 ·数字对象标识代码：10.1007/s11222-013-9419-z
[33] Lindsten，F.、Jordan，M.I.、Schön，T.B.：具有祖先采样的粒子吉布斯。J.马赫。学习。第15号决议，2145-2184（2014年）·Zbl 1319.60151号
[34] 刘杰。；韦斯特，M。；Doucet，A.（编辑）；Freitas，N.（编辑）；Gordon，N.（编辑），基于仿真的滤波中的参数和状态组合估计（2001），纽约
[35] McKinley，T.J.、Ross，J.V.、Deardon，R.、Cook，A.R.：流行病模型的基于模拟的贝叶斯推断。计算。统计数据分析。71, 434-447 (2014) ·Zbl 1471.62137号 ·doi:10.1016/j.csda.2012.12.012
[36] Murray，L.M.、Lee，A.、Jacob，P.E.：粒子过滤器中的并行重采样。J.计算。图表。Stat.25（3），789-805（2016）
[37] O'Neill，P.D.，Roberts，G.O.：部分观测随机流行病的贝叶斯推断。J.R.统计。Soc.A 162121-129（1999）·doi:10.1111/1467-985X.00125
[38] 皮特，M。；北谢泼德。；Doucet，A.（编辑）；Freitas，N.（编辑）；Gordon，N.（编辑），《基于辅助变量的粒子过滤器》（2001），纽约
[39] Pitt，M.K.，dos Santos Silva，R.，Giordani，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特性。《经济学杂志》。171(2), 134-151 (2012) ·Zbl 1443.62499号 ·doi:10.1016/j.jeconom.2012.06.004
[40] Pitt，M.K.，Shephard，N.：通过模拟过滤：辅助粒子过滤器。《美国法律总汇》第446、590-599页（1999年）·Zbl 1072.62639号 ·doi:10.1080/016214519999.10474153
[41] Plummer，M.，Best，N.，Cowles，K.，Vines，K.：CODA：MCMC的收敛诊断和输出分析。R新闻6（1），7-11（2006）
[42] Sherlock，C.，Thiery，A.，Roberts，G.O.，Rosenthal，J.S.：关于伪边缘随机行走Metropolis算法的效率。Ann.Stat.43（1），238-275（2015）·Zbl 1326.65015号 ·doi:10.1214/14-AOS1278
[43] Stockdale，J.E.，Kypraios，T.，O'Neill，P.D.：Abakaliki天花数据的建模和贝叶斯分析。流行病（即将出现）（2017年）
[44] Storvik，G.：存在未知静态参数的状态空间模型中的粒子过滤器。IEEE传输。信号处理。50, 281-289 (2002) ·doi:10.1109/78.978383
[45] Whiteley，N.，Lee，A.：扭曲粒子过滤器。Ann.Stat.42（1），115-141（2014）·Zbl 1302.60139号 ·doi:10.1214/13-AOS1167
[46] 威尔金森，D。J.：《系统生物学随机建模》，第2版。查普曼和霍尔/CRC出版社，佛罗里达州博卡拉顿（2012）·Zbl 1300.92004号
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。