Выбор модели ABC

Было показано, что выбор модели ABC с использованием байесовских факторов не рекомендуется из-за наличия ошибки, связанной с использованием сводной статистики. Заключение в этой статье основано на изучении поведения популярного метода аппроксимации байесовского фактора (алгоритм 2).

Хорошо известно, что байесовские факторы - не единственный способ выбора модели. Существуют и другие функции, такие как прогнозирование производительности модели, которые могут представлять интерес (например, правила оценки ).

Мой вопрос : существует ли метод, аналогичный алгоритму 2, для аппроксимации некоторого правила (ей) оценки или других величин, которые можно использовать для выбора модели с точки зрения прогнозирующих характеристик в условиях со сложной вероятностью?

Хороший вопрос, основанный на нашей работе ! Известно ли вам о последующем документе, в котором мы выводим условия сводной статистики для достижения согласованности в байесовском факторе? Это может показаться слишком теоретическим, но последствия асимптотических результатов довольно просты:

Учитывая сводную статистику ,$T$

1. запустить алгоритм ABC на основе для каждой оцениваемой модели ( ) и оценить параметры этих моделей по оценке ABC ;я = 1 , . , , Я θ я θ я ( Т $T$$i=1,..,I$$\theta_i$$\hat\theta_i(T)$
2. моделировать распределение статистики для каждой модели и каждого оцененного параметра с помощью эксперимента Монте-Карло;$T$
3. проверьте, все ли средства отличаются, используя шаг 2 с достаточно большим числом итераций и, например, t-тест.$\mathbb{E}_{\hat\theta_i(T)}[T(X)]$

Эта процедура отсутствует в первом варианте документа, но вскоре должна появиться в пересмотренном варианте.