On predictive inference for intractable models via approximate Bayesian computation
利用近似贝叶斯计算对难处理模型进行预测推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要贡献集中于通用 ABC 预测推断，时间序列仅用于示例，缺少将其限定为所列经济计量方向的充分依据。
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
利用近似贝叶斯计算对难处理模型进行预测推断
- 研究问题
- 当模拟模型的似然无法计算时，能否利用近似贝叶斯计算获得未来观测或缺失数据的后验预测分布，所需模拟能力有何区别？
- 方法与思路
- 作者按可采样预测密度的不同设定研究三种互补方法，重点分析联合模拟情形的摘要统计量，并讨论潜变量表示和采样算法。
- 材料陈述的贡献
- 摘要称联合模拟情形的理想摘要应具备最小预测充分性，而非仅有通常的最小充分性，并说明常用 ABC 采样算法的应用方式。
- 阅读关注点
- 应核对三类方法各自需要何种模拟器、预测充分性的定义，以及摘要统计量、近似容差和潜变量表示如何影响预测分布。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列近似误差界与具体条件，时间序列示例不能证明一般预测精度。
原文摘要
Approximate Bayesian computation (ABC) is commonly used for parameter estimation and model comparison for intractable simulator-based models whose likelihood function cannot be evaluated. In this paper we instead investigate the feasibility of ABC as a generic approximate method for predictive inference, in particular, for computing the posterior predictive distribution of future observations or missing data of interest. We consider three complementary ABC approaches for this goal, each based on different assumptions regarding which predictive density of the intractable model can be sampled from. The case where only simulation from the joint density of the observed and future data given the model parameters can be used for inference is given particular attention and it is shown that the ideal summary statistic in this setting is minimal predictive sufficient instead of merely minimal sufficient (in the ordinary sense). An ABC prediction approach that takes advantage of a certain latent variable representation is also investigated. We additionally show how common ABC sampling algorithms can be used in the predictive settings considered. Our main results are first illustrated by using simple time-series models that facilitate analytical treatment, and later by using two common intractable dynamic models.