434 articles – 313 Notices  [english version]
Voir la fiche concise
Importance Sampling combiné avec les algorithmes MCMC dans le cas d'estimations répétées
Gajda D., Guihenneuc-Jouyaux C., Rousseau J., Mengersen K., Nur D.
41èmes Journées de Statistique, SFdS, Bordeaux, Bordeaux, France : France (2009) - http://hal.inria.fr/inria-00386585
Mathématiques/Statistiques
Statistiques/Théorie
Importance Sampling combiné avec les algorithmes MCMC dans le cas d'estimations répétées
Dorota Gajda1, 2, Chantal Guihenneuc-Jouyaux2, 3, Judith Rousseau4, Kerrie Mengersen5, Darfiana Nur6
1 :  Recherche en épidémiologie et biostatistique
INSERM : IFR69 – Université Paris XI - Paris Sud
16, Avenue Paul Vaillant-Couturier 94807 VILLEJUIF CEDEX
France
2 :  Epidémiologie environnementale des cancers
http://ifr69.vjf.inserm.fr/u754/
INSERM : IFR69 – Université Paris XI - Paris Sud
16, Avenue Paul Vaillant-Couturier 94807 VILLEJUIF CEDEX
France
3 :  MAP5 - Mathématiques appliquées Paris 5
http://www.math-info.univ-paris5.fr/map5/
CNRS : UMR8145 – Université Paris V - Paris Descartes
UFR de Maths et informatique 45 rue des Saints Pères 75270 PARIS CEDEX 06
France
4 :  UP9 - Université Paris 9, Dauphine
http://www.dauphine.fr/
Université Paris IX - Paris Dauphine
Place du Maréchal de Lattre de Tassigny - 75775 Paris cedex 16
France
5 :  QUT - Queensland University ot Technolgy
Queensland University ot Technolgy
Brisbanne 4001 Queensland Australia
Australie
6 :  School of Mathematical and physical Sciences
University of Newcastle
Callaghan, NSW 2308
Australie
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.
Français

2009
internationale
41èmes Journées de Statistique, SFdS, Bordeaux
Bordeaux, France
France
2009
Communications avec actes

Liste des fichiers attachés à ce document :
PDF
p31.pdf(88.9 KB)