PUB IRMA LILLE Vol No IV

icon

22

pages

icon

English

icon

Documents

Écrit par

Publié par

Lire un extrait
Lire un extrait

Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus

Découvre YouScribe en t'inscrivant gratuitement

Je m'inscris

Découvre YouScribe en t'inscrivant gratuitement

Je m'inscris
icon

22

pages

icon

English

icon

Ebook

Lire un extrait
Lire un extrait

Obtenez un accès à la bibliothèque pour le consulter en ligne En savoir plus

PUB. IRMA, LILLE 2007 Vol. 67, No IV A versatile MCMC strategy for sampling posterior distributions of analytically intractable models R. S. Stoica? Universite Lille 1 Laboratoire Paul Painleve 59655 Villeneuve d'Ascq Cedex France P. Gregori†and J. Mateu‡ Universitat Jaume I Campus Riu Sec, E-12071 Castellon, Spain Abstract This paper proposes a new versatile strategy for sampling posterior distributions for analytically intractable models. Building such samplers using Markov Chain Monte Carlo methodology usually leads to algorithms which are rather expensive from a computational point of view, hence hav- ing very few chances to be used for practical applications. The strategy we propose overcomes this drawback and is easy to use. A direct applica- tion of the proposed method is shown and discussed: maximum likelihood estimation of the parameters of a spatial point process. Resume Cet article propose une methodologie souple pour la simulation des lois a posteriori des modeles ayant des constantes de normalisation qui ne sont pas calculables analytiquement. Utiliser naıvement la philosophie Monte Carlo pour ce type de probleme, amene a des algorithmes couteux du point de vue du temps de calcul, donc peu utilisables en pratique. La strategie que nous proposons elimine cette difficulte et de plus elle est facile a utiliser. Nous montrons et discutons une application pratique : estimation des parametres d'un processus ponctuel par la methode du maximum de vraisemblance.

  • method computationally heavy

  • philosophie monte

  • density over

  • variable method

  • maximum likelihood

  • processus ponctuel par la methode du maximum de vraisemblance

  • models cannot

  • carlo


Voir icon arrow

Publié par

Nombre de lectures

66

Langue

English

Poids de l'ouvrage

3 Mo

PUB.IRMoA,LILLE2007Vol.67,NIVAversatileMCMCstrategyforsamplingposteriordistributionsofanalyticallyintractablemodelsR.S.StoicaUniversite´Lille1LaboratoirePaulPainleve´59655Villeneuved’AscqCedexFranceP.GregoriandJ.MateuUniversitatJaumeICampusRiuSec,E-12071Castellon,SpainAbstractThispaperproposesanewversatilestrategyforsamplingposteriordistributionsforanalyticallyintractablemodels.BuildingsuchsamplersusingMarkovChainMonteCarlomethodologyusuallyleadstoalgorithmswhichareratherexpensivefromacomputationalpointofview,hencehav-ingveryfewchancestobeusedforpracticalapplications.Thestrategyweproposeovercomesthisdrawbackandiseasytouse.Adirectapplica-tionoftheproposedmethodisshownanddiscussed:maximumlikelihoodestimationoftheparametersofaspatialpointprocess.R´esume´Cetarticleproposeuneme´thodologiesouplepourlasimulationdesloisaposterioridesmode`lesayantdesconstantesdenormalisationquinesontpascalculablesanalytiquement.Utilisernaı¨vementlaphilosophieMonteCarlopourcetypedeproble`me,ame`nea`desalgorithmescouˆteuxdupointdevuedutempsdecalcul,doncpeuutilisablesenpratique.Lastrate´giequenousproposonse´liminecettedifficulte´etdepluselleestfacilea`utiliser.Nousmontronsetdiscutonsuneapplicationpratique:estimationdesparame`tresd’unprocessusponctuelparlame´thodedumaximumdevraisemblance.MathematicsSubjectClassifications(2000):60J22,60G55Keywords:computationalmethodsinMarkovchains,maximumlikelihoodestimation,pointprocesses.Note:partoftheworkofthefirstauthorwasdoneduringhisstaysatUniversityJaumeIandINRAAvignon.
I3V1Generalcontextandpresentationoftheprob-melThemodernprobabilitytheorytogetherwiththeincreasingperformancesofthecomputersallownowadaystheuseofcomplexstochasticmodelsinnumerousapplicationdomainssuchasenvironmentalsciences,astronomyorimageanaly-sis.Thedynamicsofadisappearingspecies,thedistributionofgalaxiesinouruniverse,orbrainactivityimagescanbeseenastherealisationofstochasticprocessescontrolledbysomeparameters.Scientistswishtoanswertwomajorquestions.Thefirstoneishowthemodelbehavesknowingthatitisgovernedbysomegivenparameters.Thesecondoneisthereverseofthefirstquestion.Thatis,whataretheparametersofthemodelthatcanmimicanobservedphenomenon.Inprobabilisticterms,answerstothesecondquestioncanbeformulatedifonecansamplefromtheposteriorlaw,i.e.thelawofthemodelparameters,conditionedtotheobservationofthephenomenonofinterest.Thereisalwaysabalancebetweenthemodelcapacityto“catch”realityanditsmathematicalproperties.Usually,realisticmodelsarerather“complicated”,hencetheirmathematicalpropertiesmaylook“notsoappealing”.Oneofthemostcommondrawbackexhibitedbysuchmodelsisthattheyareoftenana-lyticallyintractable.Therefore,computationsrelatedtosuchmodelscannotbedoneusingexactmathematicalformulae.Thesolutiontothatproblemistoperformthesecomputationsbymeansofcomputersimulations.Thesearereasonswhytodaythereexistsachallengeindevelopingstatisticalmethodologyallowinginferenceforsuchcomplexmodels.Theproposedsolu-tionshavetomeetseveralrequirementssuchas:mathematicalrigour,simplicityandcomputationalefficiency.Thisisthecontextwithinourpaperissituated.Inthefollowing,theproblemweaddressisintroduced:buildingaversatilesamplerforposteriordistributionsofanalyticallyintractablemodels.LetνbetheLebesguemeasureinRd,ΘacompactsubsetofRdofpositivemeasure,and(Θ,TΘ)thenaturalrestrictionofthemeasurespace(Rd,T).LetusconsiderastochasticprocessY,thatisdefinedonaprobabilityspace,F,)andcharacterisedbytheprobabilitydensityp(y|θ)withrespecttothereferencemeasure.θΘrepresentsthemodelparametervector.Fortheprobabilitydensitywewritep(y|θ)=f(y;θ))θ(cwithf(y;θ):Ω×ΘR+andc(θ)thenormalisingconstantgivenbyZc(θ)=f(y;θ)d(y).ΩThemodelp(y|θ)issaidtobeanalyticallyintractableifananalyticalexpres-sionisavailableforf(y;θ)butnotforc(θ).Theusualconditionsthatf(y;θ)has
Voir icon more
Alternate Text