About: Contributions aux méthodes bayésiennes approchées pour modèles complexes   Goto Sponge  NotDistinct  Permalink

An Entity of Type : rdac:C10001, within Data Space : data.idref.fr associated with source document(s)

AttributesValues
type
Thesis advisor
Praeses
Author
alternative label
  • Contributions to Bayesian Computing for Complex Models
dc:subject
  • Thèses et écrits académiques
  • Variables aléatoires
  • Probabilités
  • Statistique bayésienne
  • Processus gaussiens
  • Estimation, Théorie de l'
  • Monte-Carlo, Méthode de
  • Modèles de mélange
  • Maximum de pseudo-vraisemblance (statistique)
  • Maximum de quasi-vraisemblance (statistique)
  • Abc
  • Loi a priori de Jeffreys
  • Modèles copula
  • Vraisemblance integrée
preferred label
  • Contributions aux méthodes bayésiennes approchées pour modèles complexes
Language
Subject
dc:title
  • Contributions aux méthodes bayésiennes approchées pour modèles complexes
Degree granting institution
Opponent
note
  • Recently, 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 prior.
  • Récemment, 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 référence.
dc:type
  • Text
http://iflastandar...bd/elements/P1001
rdaw:P10219
  • 2016
has content type
is primary topic of
is rdam:P30135 of
Faceted Search & Find service v1.13.91 as of Aug 16 2018


Alternative Linked Data Documents: ODE     Content Formats:       RDF       ODATA       Microdata      About   
This material is Open Knowledge   W3C Semantic Web Technology [RDF Data]
OpenLink Virtuoso version 07.20.3229 as of May 14 2019, on Linux (x86_64-pc-linux-gnu), Single-Server Edition (70 GB total memory)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2025 OpenLink Software