الانتقال إلى المحتوى
العودة إلى نتائج البحث

الحساب التقريبي بايزي — الاستدلال الخالي من الاحتمالية

السنة
2002
النوع
Simulation-based Bayesian inference

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

الحساب التقريبي بايزي (ABC) هو عائلة من طرق الاستدلال القائمة على المحاكاة التي تقدر التوزيعات اللاحقة دون الحاجة إلى دالة احتمالية قابلة للتحليل. تم تقديم ABC بواسطة Beaumont و Zhang و Balding (2002) في سياق علم الوراثة السكانية، واستبدلت الاحتمالية التي يتعذر التعامل معها بمحاكاة متكررة للنموذج ومقارنة إحصائيات موجزة بين البيانات المحاكاة والملاحظة.

الفكرة الحدسية وراء الطريقة

يستفسر الاستدلال البايزي الكلاسيكي: بالنظر إلى البيانات المرصودة، ما مدى احتمالية معلمات النموذج؟ الإجابة على هذا السؤال تتطلب عادةً حساب الاحتمالية — احتمال البيانات تحت كل إعداد للمعلمات. بالنسبة للعديد من النماذج الواقعية في علم الأحياء، وعلم البيئة، والاقتصاد، فإن هذا الحساب إما مستحيل تحليليًا أو باهظ التكلفة حسابيًا. يتجاوز ABC ذلك تمامًا: بدلاً من حساب الاحتمالية، فإنه يحاكي البيانات من النموذج، ويضغطها في عدد قليل من الإحصائيات الموجزة، ويقبل اقتراحًا للمعلمات فقط عندما تكون الملخصات المحاكاة قريبة بما يكفي من الملخصات المرصودة. تتراكم المقترحات المقبولة لتشكيل توزيع لاحق تقريبي. التقريب دقيق في الحد عندما يقترب عتبة التسامح من الصفر، ويتحسن بثبات مع تشديد تلك العتبة — بتكلفة قبول عدد أقل من المقترحات.

التاريخ

تعود أسس الاستدلال الخالي من الاحتمالية إلى أفكار أخذ العينات بالرفض المستخدمة بشكل غير رسمي في علم الوراثة السكانية، ولكن تم تنظيم الطريقة وتسميتها بواسطة Beaumont و Zhang و Balding في ورقتهم الرائدة لعام 2002 في مجلة Genetics حول استنتاج التاريخ الديموغرافي. قدم Marjoram وآخرون (2003) متغير ABC-MCMC لتحسين الكفاءة، وطور Sisson و Fan و Beaumont (2007) إطار العمل Sequential Monte Carlo (SMC-ABC) الذي يقلل بشكل تكيفي التسامح عبر السكان. يدمج دليل الحساب التقريبي بايزي لعام 2018، الذي حرره Sisson و Fan و Beaumont، عقدين من التطوير المنهجي. في الآونة الأخيرة، تم اقتراح مقدرات الكثافة العصبية والاستدلال الممتص كطرق لتعلم التوزيع اللاحق مباشرة من المحاكاة، مما يوسع ABC إلى عصر التعلم الآلي.

متى تُستخدم

ABC هو الخيار الصحيح عندما يمكن محاكاة النموذج للأمام ولكن لا يمكن تقييم دالة الاحتمالية تحليليًا — وهو وضع ينشأ بشكل متكرر في علم الوراثة السكانية، وعلم الأوبئة، وعلم البيئة، ونمذجة الاقتصاد القائمة على الوكلاء. يتعامل مع متغيرات النتائج المستمرة، والثنائية، والعد، ولا يفرض أي متطلبات طبيعية على البيانات. لا يوجد حد أدنى صارم لحجم العينة، ولكن يجب أن تحمل الإحصائيات الموجزة معلومات كافية حول المعلمات. عندما تكون ميزانية المحاكاة كبيرة ويمكن تعيين التسامح بشكل منخفض، يقارب ABC التوزيع اللاحق الحقيقي عن كثب؛ عندما تكون المحاكاة مكلفة، فإن متغيرات SMC-ABC أو تقدير التوزيع اللاحق العصبي تكون مفضلة. إذا كانت الاحتمالية قابلة للتحليل، فإن MCMC القياسي أكثر كفاءة.

الحدود والاعتبارات

  • يتطلب ABC الرفض الساذج عددًا هائلاً من المحاكاة لتحقيق عتبة تسامح منخفضة ومعدل قبول ذي مغزى، مما يجعله مكلفًا حسابيًا لمساحات المعلمات عالية الأبعاد.
  • تعتمد جودة التقريب اللاحق بشكل حاسم على اختيار الإحصائيات الموجزة؛ يمكن أن تؤدي الملخصات المختارة بشكل سيء إلى تقريب لاحق متحيز أو ذي تباين عالٍ.
  • لا يوجد ضمان تحليلي بأن الإحصائيات الموجزة المختارة كافية، لذلك يتم فقدان المعلومات بشكل عام مقارنة بالاحتمالية الكاملة.
  • عادةً ما ينتج عن أقل من حوالي 1000 مقترح مقبول إجمالي تقريب لاحق غير موثوق به؛ عندما تكون ميزانية المحاكاة محدودة، يجب النظر في MCMC القياسي.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يعمل بدون احتمالية مغلقة الشكل، مما يفتح الاستدلال البايزي للنماذج التوليدية المعقدة التي يسهل محاكاتها ولكن يصعب تقييمها تحليليًا.
  • مرن بما يكفي للتعامل مع النتائج المستمرة والثنائية والعد تحت أي نموذج هيكلي يمكن للمحلل ترميزه كمحاكي.
  • تقلل المتغيرات مثل SMC-ABC و ABC-MCMC بشكل كبير من عدد المحاكاة المطلوبة مقارنة بأخذ العينات بالرفض الساذج.
  • يقترب التقريب اللاحق من التوزيع اللاحق الحقيقي عندما يقترب عتبة التسامح من الصفر.

التطبيقات

  • استنتاج حجم السكان، والهجرة، وتاريخ التباعد في علم الوراثة السكانية من بيانات تردد الأليلات.
  • تقدير معدلات الانتقال ومعلمات الاتصال في نماذج الأوبئة حيث تكون احتمالية المستوى الفردي غير قابلة للتحليل.
  • معايرة نماذج الاقتصاد القائمة على الوكلاء إلى إحصائيات المستوى الكلي المرصودة دون احتمالية توازن مغلقة الشكل.
  • ملاءمة نماذج البيئة العشوائية — ديناميكيات المفترس والفريسة، انتشار الأنواع — لملخصات الملاحظات الميدانية.
  • تقدير المعلمات في نماذج بيولوجيا الأنظمة حيث يتم استبدال المعادلات التفاضلية العادية الميكانيكية بمحاكاة عشوائية.

كيف يعمل

كيف يعمل

1

يحدد المحلل توزيعًا مسبقًا على معلمات النموذج، مشفرًا ما هو معروف أو مفترض قبل رؤية البيانات. هذا التوزيع المسبق هو المصدر الذي سيتم منه سحب قيم المعلمات المرشحة طوال الخوارزمية، لذلك يجب أن يغطي النطاق المعقول للمعلمات.

2

يتم سحب اقتراح معلمة من التوزيع المسبق (أو، في المتغيرات التكيفية، من توزيع أهمية). ثم يتم تشغيل النموذج العشوائي الكامل للأمام باستخدام هذا الاقتراح لتوليد مجموعة بيانات اصطناعية. هذه الخطوة المحاكاة هي جوهر الحساب لـ ABC وقد يتم تشغيلها آلاف أو ملايين المرات.

3

يتم ضغط كل من مجموعة البيانات الاصطناعية ومجموعة البيانات المرصودة في متجه من الإحصائيات الموجزة — كميات مختارة لحمل أكبر قدر ممكن من المعلومات حول المعلمات. من الناحية المثالية، تكون الإحصائيات الموجزة كافية، ولكن في الممارسة العملية يتم اختيارها بناءً على المعرفة بالمجال والفحوصات التشخيصية.

4

يتم حساب المسافة بين الإحصائيات الموجزة المحاكاة والإحصائيات الموجزة المرصودة تحت مقياس مختار. إذا وقعت هذه المسافة ضمن عتبة تسامح محددة مسبقًا (epsilon)، يتم قبول اقتراح المعلمة؛ وإلا يتم رفضه. قيم epsilon الأصغر تعطي تقريبًا لاحقًا أكثر دقة ولكن معدل قبول أقل.

5

تشكل مجموعة مقترحات المعلمات المقبولة عينة من التوزيع اللاحق التقريبي. يمكن استخدام هذه العينة لحساب المتوسطات اللاحقة، وفترات المصداقية، والتوزيعات التنبؤية بنفس الطريقة تمامًا مثل عينة لاحقة بايزية قياسية. في SMC-ABC، يتم تقليل التسامح عبر سلسلة من السكان لتحسين الكفاءة.

الأخطاء الشائعة

  • إن تعيين عتبة التسامح epsilon بشكل فضفاض جدًا ينتج تقريبًا يمكن أن يختلف اختلافًا كبيرًا عن التوزيع اللاحق الحقيقي — تحقق دائمًا من أن تشديد epsilon يؤدي إلى استقرار التوزيع اللاحق.
  • الإحصائيات الموجزة التي لا تحمل معلومات كافية حول المعلمات ذات الأهمية تحيز التوزيع اللاحق نحو التوزيع المسبق؛ تحقق من صحة الملخصات عن طريق التحقق مما إذا كانت تتغير عندما تتغير المعلمة الحقيقية.
  • تشغيل أقل من 1000 محاكاة ينتج عينة لاحقة رقيقة جدًا بحيث لا يمكن الاعتماد عليها؛ إذا كانت تكلفة المحاكاة تمنع الوصول إلى هذه العتبة، فقم بالتبديل إلى MCMC أو SMC-ABC.
  • يجب أن يغطي التوزيع المسبق مساحة المعلمات المعقولة بشكل كافٍ؛ التوزيع المسبق الضيق جدًا سيستبعد مناطق من التوزيع اللاحق، بينما سيضيع التوزيع الواسع جدًا ميزانية المحاكاة على مناطق غير معقولة.

الأسئلة الشائعة

كيف يختلف ABC عن MCMC القياسي؟

كلا الطريقتين تنتجان عينات من توزيع لاحق، ولكن MCMC يقيم الاحتمالية عند كل قيمة معلمة مقترحة، بينما يستبدل ABC هذا التقييم بمحاكاة أمامية ومقارنة إحصائيات موجزة. استخدم ABC عندما تكون الاحتمالية غير قابلة للتحليل؛ استخدم MCMC عندما يمكن حسابها.

كيف أختار الإحصائيات الموجزة؟

يجب أن تلتقط الإحصائيات الموجزة أكبر قدر ممكن من المعلومات حول المعلمات ذات الأهمية. الممارسة الشائعة هي استخدام المعرفة بالمجال (على سبيل المثال، المتوسط، التباين، ترددات الأليلات) والتحقق من صحة الخيارات عن طريق التحقق مما إذا كانت الإحصائيات تتغير عندما تتغير المعلمة الحقيقية. الإحصائيات الكافية موجودة فقط لنماذج العائلة الأسية؛ بالنسبة للنماذج الأخرى، فإن بعض فقدان المعلومات لا مفر منه.

ما مدى صغر عتبة التسامح epsilon المطلوبة؟

لا توجد قاعدة عالمية. نهج عملي هو تشديد epsilon تدريجيًا والتحقق مما إذا كان شكل التوزيع اللاحق يستقر. يتحسن التقريب اللاحق مع انخفاض epsilon، ولكن معدل القبول ينخفض وفقًا لذلك وتكون هناك حاجة إلى المزيد من المحاكاة. يقوم SMC-ABC بأتمتة هذه المقايضة عن طريق تقليل epsilon بشكل تكيفي عبر السكان.

متى يجب أن أستخدم SMC-ABC بدلاً من ABC بالرفض؟

عندما تكون المحاكاة مكلفة، يهدر ABC الرفض الساذج معظم المحاكاة لأن معدل القبول يمكن أن يكون منخفضًا للغاية عند تسامح ضيق. يستخدم SMC-ABC سلسلة من عتبات التسامح الوسيطة والسكان الموزونين بالأهمية لتركيز المحاكاة بالقرب من التوزيع اللاحق، مما يجعله أكثر كفاءة بكثير لنفس epsilon النهائي.

طرق ذات صلة

المصادر

  1. Beaumont, M.A., Zhang, W. & Balding, D.J. (2002). Approximate Bayesian Computation in Population Genetics. Genetics, 162(4), 2025-2035.

    افتح مرجع DOI
    تم النسخ.
  2. Sisson, S.A., Fan, Y. & Beaumont, M.A. (Eds.) (2018). Handbook of Approximate Bayesian Computation. Chapman & Hall/CRC.

    افتح مرجع DOI
    تم النسخ.