Résumé en français

En estimation bayésienne, lorsque le calcul explicite de la loi a posteriori du vecteur des paramètres à estimer est impossible, les méthodes de Monte-Carlo par chaînes de Markov (MCMC) [Robert and Casella, 1999] permettent théoriquement de fournir un échantillon approximativement distribué suivant cette loi. Il est alors possible d’utiliser ce dernier afin d’estimer l’espérance mathématique a posteriori de n’importe quelle fonction du vecteur paramétrique. Depuis le début des années 90, ces méthodes sont très utilisées et leurs bonnes performances sont mises en exergue. Cet engouement a peu à peu marginalisé l’utilisation des méthodes d'échantillonnage préférentiel [Rubinstein, 1981, Ripley, 1987] qui leur sont antérieures. Dans cet article, nous montrons qu’il est possible d’améliorer le schéma d’échantillonnage préférentiel classique en lui introduisant une dimension temporelle assurant son adaptativité. Il s’agit de l’algorithme Population Monte Carlo (PMC) proposé par Cappé et al. [2004]. Nous illustrons les bonnes propriétés d’un tel schéma sur un modèle ARMA à changement de régime markovien latent [Hamilton, 1988, 1989] pour lequel les méthodes MCMC génériques ne fournissent pas toujours des approximations satisfaisantes.