Stratégies computationnelles pour des modèles Bayésiens complexes
Auteur / Autrice : | Marco Banterle |
Direction : | Christian P. Robert |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences |
Date : | Soutenance le 21/07/2016 |
Etablissement(s) : | Paris Sciences et Lettres (ComUE) |
Ecole(s) doctorale(s) : | Ecole doctorale SDOSE (Paris) |
Partenaire(s) de recherche : | Etablissement de préparation de la thèse : Université Paris Dauphine-PSL (1968-....) |
Laboratoire : Centre de recherche en mathématiques de la décision (Paris) | |
Jury : | Président / Présidente : Jean-Michel Marin |
Examinateurs / Examinatrices : Jean-Michel Marin, Robin Ryder, Sophie Donnet | |
Rapporteurs / Rapporteuses : Jean-Michel Marin |
Mots clés
Mots clés contrôlés
Résumé
Cette thèse présente des contributions à la littérature des méthodes de Monte Carlo utilisé dans l'analyse des modèles complexes en statistique Bayésienne; l'accent est mis à la fois sur la complexité des modèles et sur les difficultés de calcul.Le premier chapitre élargit Delayed Acceptance, une variante computationellement efficace du Metropolis--Hastings, et agrandit son cadre théorique fournissant une justification adéquate pour la méthode, des limits pour sa variance asymptotique par rapport au Metropolis--Hastings et des idées pour le réglage optimal de sa distribution instrumentale.Nous allons ensuite développer une méthode Bayésienne pour analyser les processus environnementaux non stationnaires, appelées Expansion Dimension, qui considère le processus observé comme une projection depuis une dimension supérieure, où l'hypothèse de stationnarité pourrait etre acceptée. Le dernier chapitre sera finalement consacrée à l'étude des structures de dépendances conditionnelles par une formulation entièrement Bayésienne du modèle de Copule Gaussien graphique.