Hierarchical approximate Bayesian computation.
Hierarchical approximate Bayesian computation.
复制标题
DOI：
10.1007/s11336-013-9381-x
复制
发表时间：
2014-04
期刊：
影响因子：
3
通讯作者：
Van Zandt T
中科院分区：
文献类型：
--
作者：
Turner BM;Van Zandt T
近似贝叶斯计算（ABC）是一种用于估计模型参数后验分布的强大技术。当要拟合的模型没有显式似然函数时，这一点尤其重要，这发生在计算（或基于模拟）的模型中，例如那些在认知神经科学和心理学其他领域流行的模型。然而，ABC通常只适用于参数较少的模型。将ABC扩展到分层模型是困难的，因为高维分层模型增加了传统ABC无法适应的计算复杂性。在本文中，我们总结了目前的一些方法进行层次ABC和介绍一种新的算法称为吉布斯ABC。这种新的算法结合了著名的贝叶斯技术，以提高精度和效率的ABC方法估计的层次模型。然后，我们使用吉布斯ABC算法估计两个模型的信号检测，一个和一个没有一个听话的似然函数的参数。
Approximate Bayesian computation (ABC) is a powerful technique for estimating the posterior distribution of a model’s parameters. It is especially important when the model to be fit has no explicit likelihood function, which happens for computational (or simulation-based) models such as those that are popular in cognitive neuroscience and other areas in psychology. However, ABC is usually applied only to models with few parameters. Extending ABC to hierarchical models has been difficult because high-dimensional hierarchical models add computational complexity that conventional ABC cannot accommodate. In this paper we summarize some current approaches for performing hierarchical ABC and introduce a new algorithm called Gibbs ABC. This new algorithm incorporates well-known Bayesian techniques to improve the accuracy and efficiency of the ABC approach for estimation of hierarchical models. We then use the Gibbs ABC algorithm to estimate the parameters of two models of signal detection, one with and one without a tractable likelihood function.
登录
查看更多内容
影响因子：
4.1
作者：
KUBOVY, M;HEALY, AF
通讯作者：
HEALY, AF
影响因子：
1.8
作者：
DORFMAN, DD;ALF, E
通讯作者：
ALF, E
影响因子：
5.4
作者：
Brown, S;Heathcote, A
通讯作者：
Heathcote, A
影响因子：
5.4
作者：
Benjamin, Aaron S.;Diaz, Michael;Wee, Serena
通讯作者：
Wee, Serena
影响因子：
3.4
作者：
Hickerson, Michael J.;Meyer, Christopher P.
通讯作者：
Meyer, Christopher P.