Inference in Molecular Population Genetics
分子群体遗传学中的统计推断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：摘要研究群体遗传似然的计算与抽样诊断，未提供结构估计或所列经济金融方向的直接应用依据。
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
分子群体遗传学中的统计推断
- 研究问题
- 面对群体遗传数据的完整似然推断，如何构造可实施的重要性抽样方案，并理解其与 MCMC 的相对计算表现？
- 方法与思路
- 作者刻画最优提议分布，利用谱系过程的详细分析构造可实施近似，并在多种遗传实例中比较重要性抽样和 MCMC。
- 材料陈述的贡献
- 摘要称新方法相较既有重要性抽样显著提高效率，与 MCMC 的比较则随问题而异，并讨论相对优势及抽样诊断。
- 阅读关注点
- 应核对最优提议分布的评价目标、谱系近似与权重计算，以及效率比较的成本口径和识别权重退化的诊断方法。
- 阅读边界
- 依据所给 Crossref 摘要版本；摘要未列出比较实例和效率指标，对 MCMC 并非一致占优，不能外推至任意遗传模型或抽样任务。
原文摘要
Summary Full likelihood-based inference for modern population genetics data presents methodological and computational challenges. The problem is of considerable practical importance and has attracted recent attention, with the development of algorithms based on importance sampling (IS) and Markov chain Monte Carlo (MCMC) sampling. Here we introduce a new IS algorithm. The optimal proposal distribution for these problems can be characterized, and we exploit a detailed analysis of genealogical processes to develop a practicable approximation to it. We compare the new method with existing algorithms on a variety of genetic examples. Our approach substantially outperforms existing IS algorithms, with efficiency typically improved by several orders of magnitude. The new method also compares favourably with existing MCMC methods in some problems, and less favourably in others, suggesting that both IS and MCMC methods have a continuing role to play in this area. We offer insights into the relative advantages of each approach, and we discuss diagnostics in the IS framework.