On the use of approximate Bayesian computation Markov chain Monte Carlo with inflated tolerance and post-correction
放宽容差并作事后校正的近似贝叶斯计算马尔可夫链蒙特卡洛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：摘要研究通用近似贝叶斯计算与采样调节，未明确对应所列经济学领域细分。
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…
关注这篇论文的作者
放宽容差并作事后校正的近似贝叶斯计算马尔可夫链蒙特卡洛
- 研究问题
- 近似贝叶斯计算中，小容差导致混合不良、大容差增加偏差；如何通过较宽容差采样和事后处理取得较细容差下的推断？
- 方法与思路
- 作者以较大容差运行采样器，再对输出作事后校正，构造较细容差的估计量和近似置信区间，并按接受率优化容差。
- 材料陈述的贡献
- 摘要称实验中校正估计可优于直接针对细容差的采样，区间表现可靠，且自适应算法减少了用户指定参数的需求。
- 阅读关注点
- 应核对事后校正的具体规则、置信区间如何处理链相关性，以及接受率优化准则与偏差和混合之间的关系。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断校正估计的理论条件、区间覆盖保证或实验范围，不能将经验表现推广到所有复杂模型。
原文摘要
Summary Approximate Bayesian computation enables inference for complicated probabilistic models with intractable likelihoods using model simulations. The Markov chain Monte Carlo implementation of approximate Bayesian computation is often sensitive to the tolerance parameter: low tolerance leads to poor mixing and large tolerance entails excess bias. We propose an approach that involves using a relatively large tolerance for the Markov chain Monte Carlo sampler to ensure sufficient mixing and post-processing the output, leading to estimators for a range of finer tolerances. We introduce an approximate confidence interval for the related post-corrected estimators and propose an adaptive approximate Bayesian computation Markov chain Monte Carlo algorithm, which finds a balanced tolerance level automatically based on acceptance rate optimization. Our experiments show that post-processing-based estimators can perform better than direct Markov chain Monte Carlo targeting a fine tolerance, that our confidence intervals are reliable, and that our adaptive algorithm leads to reliable inference with little user specification.