Optimización Basada en Partículas Ponderadas para la Calibración Posterior Generalizada Eficiente

En el ámbito del aprendizaje estadístico, el aumento del volumen de datos accesibles y la creciente complejidad de los modelos requieren metodologías robustas. Este artículo explora dos ramas de métodos bayesianos robustos en respuesta a esta tendencia. La primera es la inferencia bayesiana generalizada, que introduce un parámetro de tasa de aprendizaje para mejorar la robustez contra especificaciones incorrectas del modelo. La segunda es la inferencia posterior de Gibbs, que formula problemas inferenciales utilizando funciones de pérdida genéricas en lugar de modelos probabilísticos. En tales enfoques, es necesario calibrar la dispersión de la distribución posterior seleccionando un parámetro de tasa de aprendizaje. El estudio tiene como objetivo mejorar el algoritmo de calibración posterior generalizada (GPC) propuesto por Syring y Martin (2019) Biometrika, Volumen 106, Número 2, pp. 479-486. Su algoritmo elige la tasa de aprendizaje para alcanzar la probabilidad de cobertura frecuentista nominal, pero es computacionalmente intensivo porque requiere simulaciones posteriores repetidas para muestras bootstrap. Proponemos una versión más eficiente del GPC inspirada en muestreadores de Monte Carlo secuenciales (SMC). Se evalúa una distribución objetivo con una tasa de aprendizaje diferente sin simulación posterior como en el paso de reponderación en el muestreo SMC. Así, el algoritmo propuesto puede alcanzar el valor deseado en unas pocas iteraciones. Esta mejora reduce sustancialmente el costo computacional del GPC. Su eficacia se demuestra a través de aplicaciones de datos sintéticos y reales.