Inference on Markov chains parameters via Large Deviations ABC
Fabio Corradi, Cecilia Viscardi, Michele Boreale, Antonietta Mira · Florence Research (University of Florence) · 2021
Proponiamo un metodo di inferenza Bayesiana per l’apprendimento dei parametri che governano le probabilit`a di transizione in catene di Markov a stati finiti qualora la funzione di verosimiglianza non e` derivabile analiticamente ed una sua valutazione e` computazionalmente costosa. We propose a method for Bayesian inference on the parameters governing the transition probabilities of finite state Markov chains. We address the difficulty of deriving the parameters’ posterior distribution when the likelihood function is unavailable or computationally demanding to evaluate.