อะไรจะเป็นตัวอย่างของแบบจำลองที่เรียบง่ายและมีโอกาสเป็นไปไม่ได้?


16

ตัวอย่างการคำนวณแบบเบย์เป็นเทคนิคเจ๋งจริงๆสำหรับกระชับพื้นรูปแบบใดสุ่มไว้สำหรับรุ่นที่น่าจะเป็นว่ายาก (พูด, คุณสามารถลิ้มลองจากแบบจำลองถ้าคุณแก้ไขพารามิเตอร์ แต่คุณไม่สามารถตัวเลขอัลกอริทึมหรือการวิเคราะห์คำนวณความเป็นไปได้) เมื่อแนะนำการคำนวณแบบเบย์โดยประมาณ (ABC) ให้กับผู้ชมเป็นเรื่องดีที่จะใช้แบบจำลองตัวอย่างที่เรียบง่าย แต่ก็ยังน่าสนใจอยู่บ้างและมีความเป็นไปได้ยาก

อะไรจะเป็นตัวอย่างที่ดีของแบบจำลองง่ายๆที่ยังมีโอกาสที่ดื้อดึง?


3
ตัวอย่างถุงเท้าของคุณนั้นเรียบง่ายและดื้อดึงที่สุด ...
ซีอาน


ฉันหวังว่าถุงเท้าจะดื้อดึง แต่คุณพิสูจน์ว่ามันไม่ถูกต้องใช่ไหม :)
Rasmus Bååth

4
นี่เป็นคำถามที่ดี! มีตัวอย่างของเล่นต่าง ๆ ในวรรณคดี แต่พวกเขารู้สึกประดิษฐ์มาให้ฉัน มันจะดีถ้ามีโมเดลที่เรียบง่ายซึ่งได้รับแรงบันดาลใจจากแอปพลิเคชันจริงที่มีความเป็นไปได้ยาก ฉันจำได้ว่าเคยเห็น David Cox นำเสนอบางอย่างตามบรรทัดเหล่านี้ แต่ฉันไม่ได้เห็นมันเผยแพร่ ...
Dennis Prangle

คำตอบ:


13

การแจกแจงสองแบบที่ใช้บ่อยในวรรณคดี ได้แก่ :

  • The g-and-k distribution. This is defined by its quantile function (inverse cdf) but has an intractable density. Rayner and MacGillivray (2002) is a good overview of these, and one of many ABC papers which use it as a toy example is Drovandi and Pettitt (2011).
  • Alpha stable distributions. These are defined by their characteristic function but have an intractable density except for a couple of special cases. This has applications in finance and is often used in sequential ABC papers, for example Yildirim et al (2013).

2
The g-and-k distribution is a very good example where the quantile function is simple to express while the likelihood function is not available at all:
Q(u;A,B,g,k)=A+B[1+c1exp{gΦ(u)}1+exp{gΦ(u)}]{1+Φ(u)2}kΦ(u)
The α-stable distributions are less simple to explain to newbies.
Xi'an

2
Could someone add examples of situations one would model with these distributions?
conjectures

8

One example I came through a few weeks ago and quite like for its simplicity is the following one: given an original normal dataset

x1,,xniidN(θ,σ2),
the reported data is (alas!) made of the two-dimensional summary
S(x1,,xn)=(med(x1,,xn),mad(x1,,xn)),
which is not sufficient and which does not have a closed form joint density.

3
Just because the joint density is complicated to write down does not mean it does not have a closed form! "Intractable" is starting to seem like a matter of opinion in this thread. Perhaps you could clear that up by explaining what you mean by "intractable"?
whuber

1
Since I do no of anyone who can compute this density, I call it intractable... Since I have no computer program that can produce the numerical value of this likelihood, I am forced to use an ABC algorithm.
Xi'an

3
ABC does not compute the likelihood but uses simulations from the data to provide a sample of parameters that is an approximation of the true posterior. At the end of the day/computation, I am not the wiser about the likelihood function and I cannot produce a numerical value for L(θ|x1,,xn).
Xi'an

2
@whuber If one could successfully compute the likelihood, the example would not be very suitable for demonstrating an algorithm for approximating posteriors without computing likelihood×prior products.
Juho Kokkala

2
@whuber I think your interpretation (2) in the comment beginning "What I am wondering" is at least essentially the intended one. However, I don't understand your last remark "unless your ABC algorithm is taking a long time to execute" - the point of the question is that the expensive likelihood evaluation will be avoided by using ABC instead.
Juho Kokkala
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.