Synthetic Likelihood in Misspecified Models
模型误设下的合成似然AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用贝叶斯计算与模型误设理论，没有所列经济或金融细分的明确研究对象。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
模型误设下的合成似然
- 研究问题
- 当可以模拟但无法计算似然的假定模型偏离真实数据生成过程时，贝叶斯合成似然后验会出现哪些非标准行为？
- 方法与思路
- 作者分析不同误设程度下合成似然后验的表现，考察似然温度调节和稳健合成似然方法，并用贯穿全文的简单例子展示。
- 材料陈述的贡献
- 摘要称误设可能导致后验多峰及渐近非高斯；似然温度调节未能解决该问题，而已有稳健合成似然方法可缓解异常表现。
- 阅读关注点
- 应核对误设程度如何定义、非标准后验行为对应的条件，以及稳健方法改善推断的具体机制、适用范围和剩余限制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体渐近条件和稳健性边界未说明，不能推广为所有模型下的结论或推断刊本变化。
原文摘要
Bayesian synthetic likelihood is a widely used approach for conducting Bayesian analysis in complex models where evaluation of the likelihood is infeasible but simulation from the assumed model is tractable. We analyze the behavior of the Bayesian synthetic likelihood posterior when the assumed model differs from the actual data generating process. We demonstrate that the Bayesian synthetic likelihood posterior can display a wide range of nonstandard behaviors depending on the level of model misspecification, including multimodality and asymptotic non-Gaussianity. Our results suggest that likelihood tempering, a common approach for robust Bayesian inference, fails for synthetic likelihood whilst recently proposed robust synthetic likelihood approaches can ameliorate this behavior and deliver reliable posterior inference under model misspecification. All results are illustrated using a simple running example. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.