Estimación bayesiana de modelos de simulación a gran escala con surrogados de regresión de procesos gaussianos

Los modelos de simulación a gran escala y computacionalmente costosos presentan un desafío particular a la hora de estimar sus parámetros a partir de datos empíricos. La mayoría de los modelos de simulación no poseen expresiones en forma cerrada para su función de verosimilitud, lo que requiere el uso de inferencia basada en simulación, como el método de momentos simulado, inferencia indirecta, inferencia libre de verosimilitud o computación bayesiana aproximada. Sin embargo, dadas las altas exigencias computacionales de los modelos a gran escala, a menudo es difícil ejecutar estos métodos de estimación, ya que requieren más ejecuciones simuladas de las que se pueden llevar a cabo. El objetivo es abordar el problema proporcionando un marco completo de estimación bayesiana donde la verdadera función de verosimilitud, pero intratable, del modelo de simulación es reemplazada por una generada por un modelo surrogate entrenado con los datos simulados limitados. Esto se proporciona a través de un Modelo de Coregionalización Linear, donde cada variable latente es un proceso gaussiano variacional escaso, elegido por sus propiedades deseables de convergencia y consistencia. La efectividad del enfoque se prueba utilizando tanto un análisis de computación bayesiana simulado sobre un proceso generador de datos conocido, como una aplicación empírica en la que se estiman los parámetros libres de un modelo basado en agentes computacionalmente exigente con datos macroeconómicos de EE. UU.