Yaklaşık Bayesci Hesaplama — Olasılıksız Çıkarım
- Yıl
- 2002
- Tür
- Simulation-based Bayesian inference
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Yaklaşık Bayesci Hesaplama (ABC), analitik olarak çözülebilir bir olabilirlik fonksiyonu gerektirmeden sonsal dağılımları tahmin eden simülasyon tabanlı çıkarım yöntemleri ailesidir.
Nüfus genetiği bağlamında Beaumont, Zhang ve Balding (2002) tarafından tanıtılan ABC, çözülemez olabilirlik yerine tekrarlanan model simülasyonu ve simüle edilmiş ve gözlemlenen veriler arasındaki özet istatistiklerin karşılaştırılmasını kullanmıştır.
Yöntemin mantığı
Klasik Bayesci çıkarım şu soruyu sorar: gözlemlenen verilere göre, model parametreleri ne kadar olasıdır? Bu soruyu yanıtlamak normalde olabilirliğin hesaplanmasını gerektirir — her parametre ayarı altında verinin olasılığı. Biyoloji, ekoloji ve ekonomideki birçok gerçekçi model için bu hesaplama ya analitik olarak imkansızdır ya da hesaplama açısından çok maliyetlidir. ABC bunu tamamen atlar: olabilirlik hesaplamak yerine, modelden veri simüle eder, bunu birkaç özet istatistiğe sıkıştırır ve yalnızca simüle edilen özetler gözlemlenen özetlere yeterince yakın olduğunda bir parametre önerisini kabul eder. Kabul edilen öneriler yaklaşık sonsal dağılımı oluşturmak üzere birikir. Yaklaşım, tolerans eşiği sıfıra yaklaştıkça tam hale gelir ve bu eşik daraldıkça — daha az öneri kabul etme maliyetiyle — istikrarlı bir şekilde iyileşir.
Tarih
Olasılıksız çıkarımın temelleri, nüfus genetiğinde gayri resmi olarak kullanılan reddetme örnekleme fikirlerine kadar uzanır, ancak yöntem, demografik geçmişi çıkarma üzerine 2002 tarihli önemli Genetik makalelerinde Beaumont, Zhang ve Balding tarafından biçimlendirilmiş ve adlandırılmıştır. Marjoram ve ark. (2003), verimliliği artırmak için ABC-MCMC varyantını tanıtmış ve Sisson, Fan ve Beaumont (2007), popülasyonlar boyunca toleransı uyarlanabilir şekilde azaltan sıralı Monte Carlo (SMC-ABC) çerçevesini geliştirmiştir. Sisson, Fan ve Beaumont tarafından düzenlenen 2018 Yaklaşık Bayesci Hesaplama El Kitabı, yirmi yıllık metodolojik gelişmeleri birleştirir. Daha yakın zamanda, sinirsel yoğunluk tahmincileri ve amortismanlı çıkarım, sonsal dağılımı doğrudan simülasyonlardan öğrenmenin yolları olarak önerilmiş, ABC'yi makine öğrenmesi çağına genişletmiştir.
Ne zaman kullanılır?
ABC, modelin ileriye doğru simüle edilebildiği ancak olabilirlik fonksiyonunun analitik olarak değerlendirilemediği durumlarda doğru seçimdir — bu durum nüfus genetiği, epidemiyoloji, ekoloji ve ajan tabanlı ekonomik modellemede sıkça ortaya çıkar. Sürekli, ikili ve sayım sonuç değişkenlerini işler ve veriye normalite şartı koymaz. Sert bir minimum örneklem boyutu yoktur, ancak özet istatistikler parametreler hakkında yeterli bilgi taşımalıdır. Simülasyon bütçesi büyükse ve tolerans düşük ayarlanabilirse, ABC gerçek sonsal dağılıma yakın bir yaklaşım sağlar; simülasyonlar pahalıysa, SMC-ABC veya sinirsel sonsal tahmin varyantları tercih edilir. Olasılık anlaşılırsa, standart MCMC daha verimlidir.
Sınırlar ve dikkat edilmesi gerekenler
- Naif reddetme ABC, düşük bir tolerans eşiği ve anlamlı bir kabul oranı elde etmek için muazzam sayıda simülasyon gerektirir, bu da onu yüksek boyutlu parametre uzayları için hesaplama açısından pahalı hale getirir.
- Sonsal yaklaşımın kalitesi, özet istatistiklerin seçimine kritik derecede bağlıdır; kötü seçilmiş özetler yanlı veya yüksek varyanslı bir sonsal dağılım üretebilir.
- Seçilen özet istatistiklerin yeterli istatistikler olduğuna dair analitik bir garanti yoktur, bu nedenle genel olarak tam olabilirlik ile karşılaştırıldığında bilgi kaybı yaşanır.
- Genellikle güvenilir olmayan bir sonsal yaklaşım elde etmek için yaklaşık 1.000'den az toplam kabul edilmiş öneri gerekir; simülasyon bütçesi sınırlıysa, standart MCMC düşünülmelidir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Kapalı formda bir olabilirlik olmadan çalışır, Bayesci çıkarımı analitik olarak değerlendirmesi zor ancak üretici modelleri simüle etmesi kolay karmaşık modeller için açar.
- Analistin bir simülatör olarak kodlayabileceği herhangi bir yapısal model altında sürekli, ikili ve sayım sonuçlarını işlemek için yeterince esnektir.
- SMC-ABC ve ABC-MCMC gibi varyantlar, naif reddetme örneklemesine kıyasla gereken simülasyon sayısını önemli ölçüde azaltır.
- Sonsal yaklaşım, tolerans eşiği sıfıra yaklaştıkça gerçek sonsal dağılıma yakınsar.
Uygulama alanları
- Nüfus genetiğinde alel frekans verilerinden nüfus büyüklüğü, göç ve ayrılma geçmişini çıkarma.
- Bireysel düzeyde olabilirliğin çözülemez olduğu salgın modellerinde bulaşma oranlarını ve temas parametrelerini tahmin etme.
- Kapalı formda bir denge olabilirlik fonksiyonu olmadan ajan tabanlı ekonomik modelleri gözlemlenen makro düzey istatistiklere kalibre etme.
- Sürekli ekolojik modelleri — av-avcı dinamikleri, tür yayılımı — saha gözlem özetlerine uyarlama.
- Mekanistik ODE'lerin stokastik simülasyonlarla değiştirildiği sistem biyolojisi modellerinde parametre tahmini.
Nasıl çalışır?
Nasıl çalışır?
Analist, veriyi görmeden önce bilinen veya varsayılan model parametreleri üzerindeki bir önsel dağılımı belirtir. Bu önsel, algoritma boyunca aday parametre değerlerinin çekileceği kaynaktır, bu nedenle parametrelerin makul aralığını kapsamalıdır.
Önselden (veya uyarlanabilir varyantlarda, bir önem dağılımından) bir parametre önerisi çekilir. Ardından tam stokastik model, bu öneriyi kullanarak ileriye doğru çalıştırılır ve sentetik bir veri kümesi üretilir. Bu simülasyon adımı, ABC'nin hesaplama çekirdeğidir ve binlerce veya milyonlarca kez çalıştırılabilir.
Hem sentetik veri kümesi hem de gözlemlenen veri kümesi, parametreler hakkında mümkün olduğunca fazla bilgi taşıyacak şekilde seçilmiş nicelikler olan özet istatistikler vektörüne sıkıştırılır. İdeal olarak özet istatistikler yeterli istatistiklerdir, ancak pratikte alan bilgisi ve tanılayıcı kontroller temelinde seçilirler.
Seçilen bir metrik altında simüle edilmiş özet istatistikler ile gözlemlenen özet istatistikler arasındaki mesafe hesaplanır. Bu mesafe önceden belirlenmiş bir tolerans eşiği epsilon dahilindeyse, parametre önerisi kabul edilir; aksi takdirde reddedilir. Daha küçük epsilon değerleri daha doğru bir sonsal yaklaşım sağlar ancak kabul oranını düşürür.
Kabul edilen parametre önerileri koleksiyonu, yaklaşık sonsal dağılımdan bir örnek oluşturur. Bu örnek, standart bir Bayesci sonsal örneğiyle aynı şekilde sonsal ortalamaları, güven aralıklarını ve öngörücü dağılımları hesaplamak için kullanılabilir. SMC-ABC'de, verimliliği artırmak için tolerans bir dizi popülasyon boyunca azaltılır.
Sık yapılan hatalar
- Tolerans epsilon'u çok gevşek ayarlamak, gerçek sonsal dağılımdan önemli ölçüde farklılaşabilen bir yaklaşım üretir — epsilon'u daraltmanın sonsal dağılımı stabilize ettiğini her zaman doğrulayın.
- Parametreler hakkında yeterli bilgi taşımayan özet istatistikler, sonsal dağılımı önsele doğru yanlı hale getirir; istatistikleri gerçek parametre değiştiğinde değişip değişmediğini kontrol ederek doğrulayın.
- 1.000'den az simülasyon çalıştırmak, güvenilir olamayacak kadar ince bir sonsal örneklem üretir; simülasyon maliyeti bu eşiğe ulaşmayı engelliyorsa, MCMC veya SMC-ABC'ye geçin.
- Önsel, makul parametre uzayını yeterince kapsamalıdır; çok dar bir önsel, sonsalın bölgelerini dışlayacaktır, oysa çok geniş bir önsel makul olmayan bölgelerde simülasyon bütçesini boşa harcayacaktır.
Sık sorulan sorular
ABC standart MCMC'den nasıl farklıdır?
Her iki yöntem de bir sonsal dağılımdan örnekler üretir, ancak MCMC her önerilen parametre değerinde olabilirlik fonksiyonunu değerlendirirken, ABC bu değerlendirmeyi bir ileri simülasyon ve bir özet istatistik karşılaştırması ile değiştirir. Olasılık fonksiyonu çözülemez olduğunda ABC'yi kullanın; hesaplanabilir olduğunda MCMC'yi kullanın.
Özet istatistikleri nasıl seçerim?
Özet istatistikler, ilgilenilen parametreler hakkında mümkün olduğunca fazla bilgi yakalamalıdır. Yaygın uygulama, alan bilgisini kullanmak (örneğin, ortalama, varyans, alel frekansları) ve istatistiklerin gerçek parametre değiştiğinde değişip değişmediğini kontrol ederek seçimleri doğrulamaktır. Yeterli istatistikler yalnızca üstel aile modelleri için mevcuttur; diğer modeller için bir miktar bilgi kaybı kaçınılmazdır.
Tolerans epsilon ne kadar küçük olmalıdır?
Evrensel bir kural yoktur. Pratik bir yaklaşım, epsilon'u artımlı olarak daraltmak ve sonsalın şeklinin stabilize olup olmadığını kontrol etmektir. Sonsal yaklaşımı, epsilon azaldıkça iyileşir, ancak kabul oranı buna göre düşer ve daha fazla simülasyon gerekir. SMC-ABC, popülasyonlar boyunca epsilon'u uyarlanabilir şekilde azaltarak bu ödünleşmeyi otomatikleştirir.
Ne zaman reddetme ABC yerine SMC-ABC kullanmalıyım?
Simülasyon pahalı olduğunda, naif reddetme ABC, dar bir toleransta kabul oranının son derece düşük olabilmesi nedeniyle simülasyonların çoğunu boşa harcar. SMC-ABC, simülasyonları sonsalın yakınına yoğunlaştırmak için bir dizi ara tolerans eşiği ve önem ağırlıklı popülasyonlar kullanır, bu da aynı son epsilon için çok daha verimli olmasını sağlar.
İlgili yöntemler
Kaynaklar
Beaumont, M.A., Zhang, W. & Balding, D.J. (2002). Approximate Bayesian Computation in Population Genetics. Genetics, 162(4), 2025-2035.
DOI kaynağını açKopyalandı.Sisson, S.A., Fan, Y. & Beaumont, M.A. (Eds.) (2018). Handbook of Approximate Bayesian Computation. Chapman & Hall/CRC.
DOI kaynağını açKopyalandı.