.png){kind=icon}
返回
An enhanced approximate Bayesian computation method for stage-structured development models
.png){kind=icon}
PRE
AI
DOI：10.1515/ijb-2025-0065.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多阶段模型在群组数据中被广泛应用于各个领域，包括疾病进展、动植物生物学发育以及生命周期发育的实验室研究。然而，这些模型的似然函数通常难以处理且复杂。似然函数中的这些复杂性在利用当前贝叶斯方法进行参数估计时，常常导致显著的偏差和高计算成本。本文旨在通过应用增强的序贯蒙特卡罗近似贝叶斯计算（ABC-SMC）方法来解决这些挑战，该方法不依赖明确的似然函数，适用于具有非风险率和阶段恒定风险率的阶段结构发育模型。该方法不使用似然函数，而是基于匹配向量总结统计量来确定参数估计值。它包含阶段参数估计，并保留跨阶段的接受参数。尽管似然函数的计算不可行，但这种方法不仅减少了模型偏差，还提高了参数估计的计算效率。所提出的ABC-SMC方法通过阶段结构发育模型的模拟研究进行验证，并应用于新西兰学龄女孩乳房发育的案例研究。结果表明，与当前方法相比，所提出的方法有效减少了阶段结构模型中后期估计值的偏差，增强了计算效率，并在参数估计中保持了准确性和可靠性。
Keyword:
multi-stage models
stage duration data
stage frequency data
approximate Bayesian computation
ABC
ABC-SMC