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