Skip to content
Voltar aos resultados

Computação Bayesiana Aproximada — Inferência Livre de Verossimilhança

Ano
2002
Tipo
Simulation-based Bayesian inference

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Computação Bayesiana Aproximada (ABC) é uma família de métodos de inferência baseados em simulação que estimam distribuições a posteriori sem exigir uma função de verossimilhança analiticamente tratável.

Introduzida por Beaumont, Zhang e Balding (2002) no contexto da genética populacional, a ABC substituiu a verossimilhança intratável por simulação repetida do modelo e comparação de estatísticas resumidas entre dados simulados e observados.

A intuição por trás do método

A inferência Bayesiana clássica pergunta: dados os dados observados, quão prováveis são os parâmetros do modelo? Responder a essa pergunta normalmente requer o cálculo da verossimilhança — a probabilidade dos dados sob cada configuração de parâmetro. Para muitos modelos realistas em biologia, ecologia e economia, esse cálculo é analiticamente impossível ou computacionalmente proibitivo. A ABC o contorna inteiramente: em vez de calcular a verossimilhança, ela simula dados do modelo, os comprime em algumas estatísticas resumidas e aceita uma proposta de parâmetro apenas quando os resumos simulados são suficientemente próximos dos resumos observados. As propostas aceitas se acumulam para formar uma posteriori aproximada. A aproximação é exata no limite em que o limiar de tolerância se aproxima de zero, e melhora continuamente à medida que esse limiar se aperta — ao custo de aceitar menos propostas.

História

As bases da inferência livre de verossimilhança remontam a ideias de amostragem por rejeição usadas informalmente em genética populacional, mas o método foi formalizado e nomeado por Beaumont, Zhang e Balding em seu artigo marco de 2002 na Genetics sobre inferência de história demográfica. Marjoram et al. (2003) introduziram a variante ABC-MCMC para melhorar a eficiência, e Sisson, Fan e Beaumont (2007) desenvolveram a estrutura de Monte Carlo sequencial (SMC-ABC) que reduz adaptativamente a tolerância entre populações. O Handbook of Approximate Bayesian Computation de 2018, editado por Sisson, Fan e Beaumont, consolida duas décadas de desenvolvimento metodológico. Mais recentemente, estimadores de densidade neural e inferência amortizada foram propostos como formas de aprender a posteriori diretamente das simulações, estendendo a ABC para a era do aprendizado de máquina.

Quando usar

A ABC é a escolha certa quando o modelo pode ser simulado, mas sua função de verossimilhança não pode ser avaliada analiticamente — uma situação que surge frequentemente em genética populacional, epidemiologia, ecologia e modelagem econômica baseada em agentes. Ela lida com variáveis de resultado contínuas, binárias e de contagem e não impõe requisitos de normalidade aos dados. Não há um tamanho mínimo de amostra rígido, mas as estatísticas resumidas devem carregar informações adequadas sobre os parâmetros. Quando o orçamento de simulação é grande e a tolerância pode ser definida baixa, a ABC aproxima a posteriori verdadeira de perto; quando as simulações são caras, variantes de estimativa de posteriori neural ou de inferência amortizada são preferíveis. Se a verossimilhança for tratável, MCMC padrão é mais eficiente.

Limitações e considerações

  • A ABC por rejeição ingênua requer um número enorme de simulações para atingir um limiar de tolerância baixo e uma taxa de aceitação significativa, tornando-a computacionalmente cara para espaços de parâmetros de alta dimensionalidade.
  • A qualidade da aproximação a posteriori depende criticamente da escolha das estatísticas resumidas; resumos mal escolhidos podem produzir uma posteriori enviesada ou de alta variância.
  • Não há garantia analítica de que as estatísticas resumidas escolhidas sejam suficientes, portanto, a informação é geralmente perdida em relação à verossimilhança completa.
  • Menos de aproximadamente 1.000 propostas aceitas no total geralmente produzem uma aproximação a posteriori não confiável; quando o orçamento de simulação é limitado, MCMC padrão deve ser considerado.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Opera sem uma verossimilhança de forma fechada, abrindo a inferência Bayesiana para modelos generativos complexos que são fáceis de simular, mas difíceis de avaliar analiticamente.
  • Flexível o suficiente para lidar com resultados contínuos, binários e de contagem sob qualquer modelo estrutural que o analista possa codificar como um simulador.
  • Variantes como SMC-ABC e ABC-MCMC reduzem substancialmente o número de simulações necessárias em comparação com a amostragem por rejeição ingênua.
  • A aproximação a posteriori converge para a posteriori verdadeira à medida que o limiar de tolerância se aproxima de zero.

Aplicações

  • Inferir tamanho populacional, migração e história de divergência em genética populacional a partir de dados de frequência alélica.
  • Estimar taxas de transmissão e parâmetros de contato em modelos epidêmicos onde a verossimilhança em nível individual é intratável.
  • Calibrar modelos econômicos baseados em agentes para estatísticas observadas em nível macro sem uma verossimilhança de equilíbrio de forma fechada.
  • Ajustar modelos ecológicos estocásticos — dinâmica predador-presa, disseminação de espécies — a resumos de observações de campo.
  • Estimação de parâmetros em modelos de biologia de sistemas onde EDOs mecanicistas são substituídos por simulações estocásticas.

Como funciona

Como funciona

1

O analista especifica uma distribuição a priori sobre os parâmetros do modelo, codificando o que é conhecido ou assumido antes de ver os dados. Essa a priori é a fonte da qual os valores de parâmetros candidatos serão extraídos durante o algoritmo, portanto, deve cobrir o intervalo plausível dos parâmetros.

2

Uma proposta de parâmetro é extraída da a priori (ou, em variantes adaptativas, de uma distribuição de importância). O modelo estocástico completo é então executado usando essa proposta para gerar um conjunto de dados sintético. Esta etapa de simulação é o núcleo computacional da ABC e pode ser executada milhares ou milhões de vezes.

3

Tanto o conjunto de dados sintético quanto o conjunto de dados observado são comprimidos em um vetor de estatísticas resumidas — quantidades escolhidas para carregar o máximo de informação possível sobre os parâmetros. Idealmente, as estatísticas resumidas são estatísticas suficientes, mas na prática elas são escolhidas com base no conhecimento do domínio e em verificações diagnósticas.

4

A distância entre as estatísticas resumidas simuladas e as estatísticas resumidas observadas é calculada sob uma métrica escolhida. Se essa distância cair dentro de um limiar de tolerância pré-especificado epsilon, a proposta de parâmetro é aceita; caso contrário, é rejeitada. Valores menores de epsilon produzem uma aproximação a posteriori mais precisa, mas uma taxa de aceitação menor.

5

A coleção de propostas de parâmetros aceitas forma uma amostra da distribuição a posteriori aproximada. Essa amostra pode ser usada para calcular médias a posteriori, intervalos de credibilidade e distribuições preditivas exatamente da mesma forma que uma amostra a posteriori Bayesiana padrão. Em SMC-ABC, a tolerância é reduzida em uma sequência de populações para melhorar a eficiência.

Erros comuns

  • Definir a tolerância epsilon muito frouxa produz uma aproximação que pode diferir substancialmente da posteriori verdadeira — sempre verifique se o aperto de epsilon estabiliza a posteriori.
  • Estatísticas resumidas que não carregam informações suficientes sobre os parâmetros de interesse enviesam a posteriori em direção à a priori; valide as estatísticas verificando se elas mudam quando o parâmetro verdadeiro muda.
  • Executar menos de 1.000 simulações produz uma amostra a posteriori muito esparsa para ser confiável; se o custo da simulação impedir o atingimento desse limiar, mude para MCMC ou SMC-ABC.
  • A a priori deve cobrir adequadamente o espaço de parâmetros plausível; uma a priori muito estreita excluirá regiões da posteriori, enquanto uma muito ampla desperdiça o orçamento de simulação em regiões implausíveis.

Perguntas frequentes

Como a ABC difere do MCMC padrão?

Ambos os métodos produzem amostras de uma distribuição a posteriori, mas o MCMC avalia a verossimilhança em cada valor de parâmetro proposto, enquanto a ABC substitui essa avaliação por uma simulação direta e uma comparação de estatísticas resumidas. Use ABC quando a verossimilhança for intratável; use MCMC quando ela puder ser calculada.

Como escolho as estatísticas resumidas?

As estatísticas resumidas devem capturar o máximo de informação possível sobre os parâmetros de interesse. A prática comum é usar conhecimento do domínio (por exemplo, média, variância, frequências alélicas) e validar as escolhas verificando se as estatísticas mudam quando o parâmetro verdadeiro muda. Estatísticas suficientes existem apenas para modelos da família exponencial; para outros modelos, alguma perda de informação é inevitável.

Quão pequeno o epsilon de tolerância precisa ser?

Não há regra universal. Uma abordagem prática é apertar epsilon incrementalmente e verificar se a forma da posteriori se estabiliza. A aproximação a posteriori melhora à medida que epsilon diminui, mas a taxa de aceitação cai correspondentemente e mais simulações são necessárias. SMC-ABC automatiza esse trade-off reduzindo adaptativamente epsilon entre populações.

Quando devo usar SMC-ABC em vez de ABC por rejeição?

Quando a simulação é cara, a ABC por rejeição ingênua desperdiça a maioria das simulações porque a taxa de aceitação pode ser extremamente baixa com uma tolerância apertada. SMC-ABC usa uma sequência de limiares de tolerância intermediários e populações com pesos de importância para concentrar simulações perto da posteriori, tornando-a muito mais eficiente para o mesmo epsilon final.

Métodos relacionados

Fontes

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

    Abrir referência DOI
    Copiado.
  2. Sisson, S.A., Fan, Y. & Beaumont, M.A. (Eds.) (2018). Handbook of Approximate Bayesian Computation. Chapman & Hall/CRC.

    Abrir referência DOI
    Copiado.