用近似连续极限描述预处理加速随机模型的贝叶斯推理

生态和生物科学依赖于相互作用个体的种群特征。随机行走是模拟个体运动、成长和死亡的随机性的标准。由于随机模拟的计算繁重，通常采用平均场假设来推导此类随机模型的近似连续极限描述。贝叶斯参数推断对于随机行走来说尤其禁止，因为需要昂贵的无需类似hood的方法。相反，近似连续极限描述产生了闭合形式的可能性。然而，对于平均场近似不准确的参数区域，统计推断是有偏差的。我们建议，尽管存在这种偏差，仍然可以利用近似连续极限来加速昂贵随机行走模型的贝叶斯推断。具体来说，我们扩展了序列蒙特卡罗抽样算法用于近似贝叶斯计算。我们的方法使用来自连续极限后验的样本作为预差，以告知随机行走模型从目标后验的有效采样。结果表明，所得到的方法能够有效地减少昂贵的随机模拟次数，同时保持参数和不确定性估计的准确性。