
Importance Sampling combiné avec les algorithmes MCMC dans le cas d'estimations répétées
Gajda, Dorota; Guihenneuc-Jouyaux, Chantal; Rousseau, Judith; Mengersen, Kerrie; Nur, Darfiana (2009), Importance Sampling combiné avec les algorithmes MCMC dans le cas d'estimations répétées, 41èmes Journées de Statistique, SFdS, 2009-05, Bordeaux, France
View/ Open
Type
Communication / ConférenceDate
2009Conference title
41èmes Journées de Statistique, SFdSConference date
2009-05Conference city
BordeauxConference country
FrancePages
4
Metadata
Show full item recordAuthor(s)
Gajda, DorotaEpidémiologie environnementale des cancers
Recherche en épidémiologie et biostatistique
Guihenneuc-Jouyaux, Chantal
Mathématiques Appliquées Paris 5 [MAP5 - UMR 8145]
Epidémiologie environnementale des cancers
Rousseau, Judith
CEntre de REcherches en MAthématiques de la DEcision [CEREMADE]
Mengersen, Kerrie
Nur, Darfiana
School of Mathematical and physical Sciences
Abstract (EN)
L'Importance Sampling combiné avec les algorithmes MCMC est proposée ici dans le cas d'estimations Bayésiennes répétées. Dans le cas particulier de nombreux jeux de données simulés sous le même modèle, l'algorithme MCMC doit être utilisé pour chaque jeu de données ce qui peut devenir coûteux en temps calcul. Puisque l'IS nécessite le choix d'une fonction d'importance, nous proposons d'utiliser l'algorithme MCMC pour des jeux de données présélectionnés et ainsi d'obtenir des réalisations de chacune des lois a posteriori correspondantes. Les estimations des paramètres sous les autres jeux de données seront alors faites via IS en ayant préalablement choisi une des lois a posteriori présélectionnées. La fonction d'importance est donc ici la loi a posteriori choisie. Une amélioration de cette procédure consiste à choisir pour chaque jeu de données une fonction d'importance différente parmi des lois a posteriori présélectionnées. Deux critères sont proposés pour ce choix. Le premier critère est basé sur la minimisation de la norme L1 de la différence entre deux densités a posteriori et le deuxième minimise la variance de l'estimation MCMC. Pour éviter le choix arbitraire de l'ensemble de lois a posteriori présélectionnées, une procédure supplémentaire de sélection automatique a été établie. Les approches évoquées ici ont été étudiées via l'étude de simulations sur trois types de modèles Poissonniens : le modèle de Poisson et deux régressions de Poisson avec ou sans extravariabilité.Subjects / Keywords
MCMC; Importance Sampling; Modèle de PoissonRelated items
Showing items related by title and author.
-
Gajda, Dorota; Guihenneuc-Jouyaux, Chantal; Rousseau, Judith; Mengersen, Kerrie; Nur, Darfiana (2010) Article accepté pour publication ou publié
-
Albert, Isabelle; Donnet, Sophie; Guihenneuc-Jouyaux, Chantal; Low-Choy, Samantha; Mengersen, Kerrie; Rousseau, Judith (2012) Article accepté pour publication ou publié
-
Low-Choy, Samantha; Mengersen, Kerrie; Murray, Justine; Rousseau, Judith (2010) Communication / Conférence
-
Hussein, Tareq; Rousseau, Judith; Alston, Clair; Mengersen, Kerrie; Wraith, Darren (2014) Article accepté pour publication ou publié
-
Kamary, Kaniav; Mengersen, Kerrie; Robert, Christian P.; Rousseau, Judith (2014) Document de travail / Working paper