เพื่อความเข้าใจของฉันการคำนวณแบบเบย์โดยประมาณ (ABC) และมาร์คอฟเชนมอนติคาร์โล (MCMC) มีจุดมุ่งหมายที่คล้ายกันมาก ด้านล่างฉันอธิบายความเข้าใจของฉันเกี่ยวกับวิธีการเหล่านี้และฉันเข้าใจความแตกต่างในการนำไปใช้กับข้อมูลในชีวิตจริงได้อย่างไร
การคำนวณแบบเบย์โดยประมาณ
เอบีซีประกอบด้วยที่สุ่มตัวอย่างพารามิเตอร์จากก่อนผ่านตัวเลขการจำลองการคำนวณสถิติx ฉันซึ่งเป็นเมื่อเทียบกับบางสังเกตx o ข s จากอัลกอริธึมการปฏิเสธx iถูกเก็บไว้หรือปฏิเสธ รายการสะสมx ฉัน s ทำให้การกระจายหลัง
มาร์คอฟเชนมอนติคาร์โล
MCMC ประกอบด้วยที่สุ่มตัวอย่างกระจายก่อนของพารามิเตอร์θใช้ตัวอย่างแรกθ 1คำนวณP ( x o b s | θ 1 ) P ( θ 1 )แล้วข้าม (ตามกฎบางอย่าง) ไปยังค่าใหม่θ 2ซึ่งP ( x o b s | θ 2 )คำนวณP ( θ 2 )อีกครั้ง อัตราส่วนP ( x o b sถูกคำนวณและขึ้นอยู่กับค่าเกณฑ์บางอย่างการกระโดดครั้งต่อไปจะเกิดขึ้นจากตำแหน่งแรกหรือตำแหน่งที่สอง การสำรวจθค่าไปอีกหนึ่งและเป็นหนึ่งและในตอนท้ายของการกระจายของสะสมθค่าคือการกระจายหลังP(θ|x)(สำหรับเหตุผลที่ว่ายังไม่ทราบค่ะ)
ฉันรู้ว่าคำอธิบายของฉันพลาดที่จะแสดงความหลากหลายของวิธีการที่มีอยู่ภายใต้ข้อกำหนดเหล่านี้แต่ละข้อ (โดยเฉพาะอย่างยิ่งสำหรับ MCMC)
ABC กับ MCMC (ข้อดีและข้อเสีย)
ABC มีข้อได้เปรียบที่ไม่จำเป็นต้องสามารถวิเคราะห์ได้ ด้วยเหตุนี้ ABC จึงสะดวกสำหรับรุ่นที่ซับซ้อนที่ MCMC ไม่สามารถทำได้
MCMC อนุญาตให้ทำการทดสอบทางสถิติ (การทดสอบอัตราส่วนความน่าจะเป็น, การทดสอบ G, ... ) ในขณะที่ฉันไม่คิดว่านี่เป็นไปได้ด้วย ABC
ตอนนี้ฉันถูกไหม?
คำถาม
- ABC และ MCMC ต่างกันอย่างไรในแอปพลิเคชันของพวกเขา เราตัดสินใจใช้ประโยชน์จากวิธีใดวิธีหนึ่งได้อย่างไร