حساب عوامل بايز من خلال دمج المحاكاة والتقريبات التقاربية

الملخص عامل بايز هو نسبة ثوابت تطبيع لاحقة، والتي قد يكون من الصعب حسابها. نقارن عدة طرق لتقدير عوامل بايز عندما يكون من الممكن محاكاة الملاحظات من التوزيعات اللاحقة، عبر سلسلة ماركوف مونت كارلو أو تقنيات أخرى. الطرق التي ندرسها جميعها سهلة التطبيق دون النظر في خصائص خاصة للمشكلة، شريطة أن يكون لكل توزيع لاحق سلوك جيد بمعنى وجود نمط مهيمن واحد. نأخذ في الاعتبار نسخة محاكاة لطريقة لابلاس، ونسخة محاكاة لتصحيح بارتليت، وأهمية العينة، وتقنية العينة ذات الأهمية العكسية. كما نقدم تصحيحات للحجم المحلي لكل منها. بالإضافة لذلك، نطبق طريقة الجسر للعينة الخاصة بـMeng وWong. نجد أن نسخة محاكاة لطريقة لابلاس مع تصحيح الحجم المحلي توفر تقريباً دقيقاً مفيداً خصوصاً حين تكون تقييمات دالة الاحتمالية مكلفة. تقنية جسر بسيطة مع طريقة لابلاس غالباً ما تحقق تحسناً في الدقة بمقدار رتبة واحدة.