• français
    • English
  • français 
    • français
    • English
  • Connexion
JavaScript is disabled for your browser. Some features of this site may not work without it.
Accueil

Afficher

Cette collectionPar Date de CréationAuteursTitresSujetsNoms de revueToute la baseCentres de recherche & CollectionsPar Date de CréationAuteursTitresSujetsNoms de revue

Mon compte

Connexion

Statistiques

Afficher les statistiques d'usage

Estimation bayésienne approximative par échantillonnage préférentiel

Thumbnail
Ouvrir
2003-35.pdf (2.907Mb)
Date
2005
Lien vers un document non conservé dans cette base
http://www.numdam.org/item?id=RSA_2005__53_1_79_0
Indexation documentaire
Probabilités et mathématiques appliquées
Subject
Bayesian inference; MCMC approximations; importance sampling; adaptive algorithms; PMC scheme; hidden Markov chains; switching AR models; Statistique bayésienne; méthodes MCMC; fonction d’importance; adaptativité; schéma PMC; chaînes de Markov cachées; modèles auto-régressifs à sauts
Code JEL
C11
Nom de la revue
Revue de Statistique appliquée
Volume
53
Numéro
1
Date de publication
2005
Pages article
79-95
Nom de l'éditeur
Société de statistique de France
URI
https://basepub.dauphine.fr/handle/123456789/6070
Collections
  • CEREMADE : Publications
Métadonnées
Afficher la notice complète
Auteur
Guillin, Arnaud
Marin, Jean-Michel
Robert, Christian P.
Type
Article accepté pour publication ou publié
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.
Résumé en anglais
For numerous models, it is impossible to conduct an exact Bayesian inference. There are many cases where the derivation of the posterior distribution leads to intractable calculations (due to the fact that this generally involves intractable integrations). The Bayesian computational literature has been dominated by the development of simulation approximations based on Markov chains, the famous Markov Chains Monte Carlo (MCMC) methods [Robert and Ca- sella, 1999].However, the more complicated the model, (especially if there are many parameters and/or hyperparameters), the more expensive theMCMC approaches become, in terms of time and storage. Moreover, it is difficult to monitor the convergence of Monte Carlo schemes. As an alternative to the use of the MCMC approximations, Cappé et al. [2004] have shown that the notion of importance sampling [Rubinstein, 1981, Ripley, 1987] can actually be greatly generalized to encompassmuchmore adaptive and local schemes than thought previously. This leads to the Population Monte Carlo (PMC) algorithm. We illustrate here the good properties of this scheme on a switching ARMA model [Hamilton, 1988, 1989] for which the MCMC approximations are less satisfactory.

  • Accueil Bibliothèque
  • Site de l'Université Paris-Dauphine
  • Contact
SCD Paris Dauphine - Place du Maréchal de Lattre de Tassigny 75775 Paris Cedex 16

 Cette création est mise à disposition sous un contrat Creative Commons.