机构名称：
¥ 1.0
在许多科学领域中，研究人员面临评估复杂统计模型的挑战，即可能的计算函数在计算上是棘手的，或者非常昂贵的计算。这导致了无似然推理方法的发展和日益普及，这为参数估计和模型比较提供了强大的替代方案。这些方法利用模拟，通过观察到的数据的比较来推断与模型在各种参数设置下产生的模拟结果的比较。在贝叶斯推论中，这些包括近似贝叶斯计算（Rubin，1984; Pritchard et al。，1999; Sisson等。，2018年），贝叶斯合成的可能性（Wood，2010; Price等，2018年），神经可能和后验估计（Rezende and Mohamed，2015年； Papamakarios，Sterratt和Murray，2019年）。在频繁的环境中，在Gourieroux，Monfort and Renault（1993）的基础工作之后，近年来才看到无可能无可能推理的进步（Masserano等人。，2022; Xie and Wang，2022年； Dalmasso等。，2024）。本研究的重点是频繁推断，针对基于模拟的模型和非标准的规律性条件的校准置信区间和区域的构建。建议的方法提供了统一的
框置信深度：基于模拟的推理超矩形
主要关键词
相关文件推荐
