Show simple item record

Contributions aux méthodes bayésiennes approchées pour modèles complexes

Contributions to Bayesian Computing for Complex Models

dc.contributor.advisorLiseo, Brunero
dc.contributor.advisorRobert, Christian
hal.structure.identifier
dc.contributor.authorGrazian, Clara*
dc.date.accessioned2016-10-03T13:28:28Z
dc.date.available2016-10-03T13:28:28Z
dc.date.issued2016-04
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/15863
dc.description.abstractfrRécemment, la grande complexité des applications modernes, par exemple dans la génétique, l’informatique, la finance, les sciences du climat, etc. a conduit à la proposition des nouveaux modèles qui peuvent décrire la réalité. Dans ces cas,méthodes MCMC classiques ne parviennent pas à rapprocher la distribution a posteriori, parce qu’ils sont trop lents pour étudier le space complet du paramètre. Nouveaux algorithmes ont été proposés pour gérer ces situations, où la fonction de vraisemblance est indisponible. Nous allons étudier nombreuses caractéristiques des modèles complexes: comment éliminer les paramètres de nuisance de l’analyse et faire inférence sur les quantités d’intérêt,dans un cadre bayésienne et non bayésienne et comment construire une distribution a priori de référenceen
dc.language.isoenen
dc.subjectModèles copulaen
dc.subjectVraisemblance integréeen
dc.subjectLoi a priori de Jeffreysen
dc.subjectModèles de mélangeen
dc.subjectAbcen
dc.subject.ddc519en
dc.subject.classificationjelC15en
dc.subject.classificationjelC13en
dc.subject.classificationjelC11en
dc.titleContributions aux méthodes bayésiennes approchées pour modèles complexesen
dc.titleContributions to Bayesian Computing for Complex Modelsen
dc.typeThèseen
dc.contributor.editoruniversityUniversité Paris Dauphine
dc.contributor.editoruniversityotherUniversità degli studi La Sapienza (Roma);Italy
dc.description.abstractenRecently, the great complexity of modern applications, for instance in genetics,computer science, finance, climatic science etc., has led to the proposal of newmodels which may realistically describe the reality. In these cases, classical MCMCmethods fail to approximate the posterior distribution, because they are too slow toinvestigate the full parameter space. New algorithms have been proposed to handlethese situations, where the likelihood function is unavailable. We will investigatemany features of complex models: how to eliminate the nuisance parameters fromthe analysis and make inference on key quantities of interest, both in a Bayesianand not Bayesian setting, and how to build a reference prioren
dc.identifier.citationpages160en
dc.identifier.theseid2016PSLED001en
dc.subject.ddclabelProbabilités et mathématiques appliquéesen
dc.rights.intranetnonen
hal.author.functionaut


Files in this item

Thumbnail
Name:
2016PSLED001.pdf
Size:
5.937Mb
Format:
PDF
View/Open

This item appears in the following Collection(s)

Show simple item record