Bayesian computation via empirical likelihood.
Mengersen, Kerrie L | Pudlo, Pierre | Robert, Christian | School of Mathmatical Sciences ; Queensland University of Technology [Brisbane] (QUT) | Centre de Biologie pour la Gestion des Populations (UMR CBGP) ; Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut National de la Recherche Agronomique (INRA)-Centre international d'études supérieures en sciences agronomiques (Montpellier SupAgro)-Université de Montpellier (UM)-Institut de Recherche pour le Développement (IRD [Occitanie])-Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro) | Institut de Mathématiques et de Modélisation de Montpellier (I3M) ; Université Montpellier 2 - Sciences et Techniques (UM2)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS) | Institut de Biologie Computationnelle (IBC) ; Institut National de la Recherche Agronomique (INRA)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS) | CEntre de REcherches en MAthématiques de la DEcision (CEREMADE) ; Université Paris Dauphine-PSL ; Université Paris Sciences et Lettres (PSL)-Université Paris Sciences et Lettres (PSL)-Centre National de la Recherche Scientifique (CNRS) | Centre de Recherche en Economie et en Statistique (CREST-INSEE) ; Ecole Nationale de la Statistique et de l'Analyse de l'Information [Bruz] (ENSAI) ; Groupe des Écoles Nationales d'Économie et Statistique (GENES)-Groupe des Écoles Nationales d'Économie et Statistique (GENES)-École Nationale de la Statistique et de l'Administration Économique (ENSAE Paris) ; Groupe des Écoles Nationales d'Économie et Statistique (GENES)-Institut Polytechnique de Paris (IP Paris)-Institut Polytechnique de Paris (IP Paris)-Institut national de la statistique et des études économiques (INSEE) (INSEE) | Institut universitaire de France (IUF) ; Ministère de l'Education nationale, de l’Enseignement supérieur et de la Recherche (M.E.N.E.S.R.) | Agence Nationale de la Recherche through the Project Emile | ANR-11-BINF-0002,IBC,Institut de biologie Computationnelle(2011)
International audience
Показать больше [+] Меньше [-]Английский. Approximate Bayesian computation has become an essential tool for the analysis of complex stochastic models when the likelihood function is numerically unavailable. However, the well-established statistical method of empirical likelihood provides another route to such settings that bypasses simulations from the model and the choices of the approximate Bayesian computation parameters (summary statistics, distance, tolerance), while being convergent in the number of observations. Furthermore, bypassing model simulations may lead to significant time savings in complex models, for instance those found in population genetics. The Bayesian computation with empirical likelihood algorithm we develop in this paper also provides an evaluation of its own performance through an associated effective sample size. The method is illustrated using several examples, including estimation of standard distributions, time series, and population genetics models.
Показать больше [+] Меньше [-]Ключевые слова АГРОВОК
Библиографическая информация
Эту запись предоставил Institut national de la recherche agronomique