我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
当似然计算非常昂贵,但可以从模型中采样时,我们考虑参数统计推断问题。已经开发了几种所谓的无似然方法,用于在没有似然函数的情况下进行推理。流行的合成似然法通过高斯概率分布对数据的汇总统计建模来推断参数。在另一种称为近似贝叶斯计算的流行方法中,推理是通过识别参数值来进行的,对于这些参数值,模拟数据的汇总统计数据与观测数据的统计数据接近。合成可能性更容易使用,因为不需要测量“接近度”,但高斯假设通常是有限的。此外,这两种方法都需要精心选择的汇总统计数据。我们在此提出了一种替代推理方法,该方法与合成似然法一样易于使用,但不受其假设的限制,并且能够以自然的方式从大量候选数据中自动选择相关的汇总统计数据。其基本思想是将后验估计问题框定为估计数据生成分布和边际分布之间的比率的问题。这个问题可以通过逻辑回归来解决,包括规则化的惩罚条款可以自动选择与推理任务相关的汇总统计信息。我们阐述了典型示例的一般理论,并将其用于对具有挑战性的随机非线性动力系统和高维汇总统计进行推理。
欧文·托马斯。 里塔布拉塔·杜塔(Ritabrata Dutta)。 朱卡·科兰德(Jukka Corander)。 塞缪尔·卡斯基。 迈克尔·古特曼(Michael U.Gutmann)。 “通过比率估计进行无似然推断。” 贝叶斯分析。 17 (1) 1至31, 2022年3月。 https://doi.org/10.1214/20-BA1238