Uma introdução ao Monte Carlo Sequencial para inferência Bayesiana e comparação de modelos -- com exemplos para psicologia e ciência do comportamento

A inferência Bayesiana está se tornando uma estrutura cada vez mais popular para estatísticas nas ciências comportamentais. No entanto, sua aplicação é dificultada por sua complexidade computacional -- quase todas as análises Bayesiana requerem uma forma de aproximação. Embora alguns desses algoritmos de inferência aproximada, como o Monte Carlo via Cadeia de Markov (MCMC), tenham se tornado bem conhecidos na literatura, existem outras abordagens que não são tão difundidas. Aqui, fornecemos uma introdução a outra família de técnicas de inferência aproximada conhecidas como Monte Carlo Sequencial (SMC). Mostramos que o SMC traz uma série de benefícios, os quais ilustramos em três exemplos diferentes: regressão linear e seleção de variáveis para depressão, modelagem de mistura de curvas de crescimento de médias ponderadas e na modelagem computacional da Tarefa do Jogo de Iowa. Esses casos de uso demonstram que o SMC é eficiente na exploração de distribuições posteriores, alcançando desempenho preditivo semelhante ao das abordagens MCMC de ponta, em menos tempo de execução. Além disso, eles mostram que o SMC é eficaz no tratamento de distribuições multimodais, e que o SMC não apenas aproxima a distribuição posterior, mas também fornece simultaneamente uma estimativa útil da verossimilhança marginal, que é a quantidade essencial na comparação de modelos Bayesianos. Tudo isso vem sem esforço adicional do usuário final.