当您可以模拟数据但不能分析评估似然函数时，近似贝叶斯计算 (ABC) 很有用。您似乎假设有必要知道似然函数 来模拟数据。我不确定你是如何得出这个结论的，但是有一些方法可以模拟不涉及可能性的数据。ABC 不会为您“提供”这种模拟数据的方式。你必须自己想出一些合适的模拟方法。 $l(\theta) = P[D|\theta]$

在您的示例中，将从先验分布的值，并从分布中模拟样本我们可以在这里使用均匀分布随机数的分位数变换。这要求我们知道，但不知道似然函数。或者，我们甚至可以做一个已知会产生干扰测量的真实世界实验。$\mu$$p(\theta)$$\tilde D$$N(\mu, \sigma)$$\Phi^{-1}(u)$$u$$\Phi^{-1}$$N(\mu, \sigma)$$P[D|\theta]$$N(\mu,\sigma)$

现在 ABC 的想法是，如果与真实数据相同，那么也是来自后验分布的样本。如果我们获得足够多的此类样本，我们可以使用 then 来近似后验分布本身。由于我们通常几乎不会观察到精确产生的模拟，因此我们允许和之间，这引入了另一个近似值。$\tilde D$$D$$\theta$$p(\theta|D)$$D$$\epsilon$$D$$\tilde D$