New insights into Approximate Bayesian Computation

Abstract : Approximate Bayesian Computation (ABC for short) is a family of computational techniques which offer an almost automated solution in situations where evaluation of the posterior likelihood is computationally prohibitive, or whenever suitable likelihoods are not available. In the present paper, we analyze the procedure from the point of view of k-nearest neighbor theory and explore the statistical properties of its outputs. We discuss in particular some asymptotic features of the genuine conditional density estimate associated with ABC, which is an interesting hybrid between a k-nearest neighbor and a kernel method.
Type de document :
Article dans une revue
Annales de l'Institut Henri Poincaré (B) Probabilités et Statistiques, Institute Henri Poincaré, 2015, 51 (1), pp.376-403. <10.1214/13-AIHP590>
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-00721164
Contributeur : Gérard Biau <>
Soumis le : lundi 3 juin 2013 - 15:46:52
Dernière modification le : samedi 18 février 2017 - 01:19:20
Document(s) archivé(s) le : mercredi 4 septembre 2013 - 04:14:09

Fichiers

abc11.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Collections

Citation

Gérard Biau, Frédéric Cérou, Arnaud Guyader. New insights into Approximate Bayesian Computation. Annales de l'Institut Henri Poincaré (B) Probabilités et Statistiques, Institute Henri Poincaré, 2015, 51 (1), pp.376-403. <10.1214/13-AIHP590>. <hal-00721164v2>

Partager

Métriques

Consultations de
la notice

682

Téléchargements du document

175