Simuleringsdriven inferens av stokastiska dynamiska system

Sammanfattning: Stokastiska modeller, som ger tillförlitlig och användbar information om ett systems beteende, består ofta av stokastiska differentialekvationer (SDE) vars likelihoodfunktion inte är analytiskt tillgänglig. Mer traditionella Markov Chain Monte Carlo-metoder (MCMC) samt relativt nyligen utvecklade likelihood-fria Approximate Bayesian Computation-metoder (ABC) utgör populära angrepssätt för att utföra inferens på dessa typer av problem. För att bidra till utvecklingen av och förståelsen för ABC-metoder ger denna studie en överblick av två olika ABC baserade algoritmer, Rejection sampling (ABC-R) och Sequential Monte Carlo (ABC-SMC), och jämför dessa med Metropolis-Hastings Euler-Maruyama-metoden (MH-EM). Metodiken innefattar numerisk diskretisering, simulering och inferens av Ornstein-Uhlenbeckmodellen vars analytiska lösning är tillgänglig och används som referens för jämförelse av metodernas noggrannhet. Resultaten visar att ABC-metoderna kan användas för att utföra inferens med god noggrannhet, även på data med stora tidssteg för vilken MH-EM fallerade. De visar också fördelar med ABC-SMC jämfört med ABC-R då mått som noggrannhet och effektivitet sammanvägs.