Bessere Konfidenzintervalle bei simulationsbasierten Inferenzverfahren

Wir beschreiben und bewerten eine Methode der statistischen Inferenz von Modellparametern, die die Idee, eine Likelihood-Oberfläche mittels Simulation abzuleiten, neu aufgreift, wenn die Likelihood-Funktion nicht ausgewertet werden kann. Diese Methode zielt insbesondere darauf ab, Konfidenzintervalle mit kontrollierter Abdeckung bereitzustellen, und ihre Leistung wird entsprechend bewertet. Sie basiert auf der Kombination der Random-Forest-Maschinenlernmethoden und multivariater Gaussian-Mischmodelle (MGM) in einem effektiven Inferenzworkflow, der hier verwendet wird, um Modelle mit bis zu 15 variablen Parametern anzupassen. Maskierte autoregressive Flüsse, eine Technik des tiefen Lernens, werden ebenfalls als Alternative zu MGM-Modellen getestet. Die Methode wird mit derjenigen der approximativen Bayesianischen Berechnung (ABC) mit Random Forests verglichen, mit der sie einige technische Merkmale teilt, in Szenarien der Inferenz historischer Demografie aus populationsgenetischen Daten. Diese Vergleiche heben die Bedeutung eines iterativen Workflows zur effizienten Erforschung des Parameterraums hervor. Bei gleichwertigem Simulationsaufwand des datengenerierenden Prozesses bietet die neue Zusammenfassungs-Likelihood-Methode eine bessere Kontrolle der Abdeckung als ABC mit Random Forests und als allgemein für ABC-Methoden berichtete Ergebnisse.