JdS2012


 English   -  Français  

Résumé de communication



Résumé 70 :

Parallel Tempering sans vraisemblance
Baragatti, Meïli ; Grimaud, Agnès ; Pommeret, Denys
Montpellier SupAgro

Les méthodes sans vraisemblance, ou encore appelées ABC (Approximated Bayesian Computational) se sont beaucoup développées ces quinze dernières années. Dans un cadre bayésien, elle permettent d'analyser des données lorsque la vraisemblance de celles-ci n'est pas disponible sous forme explicite, mais qu'il est possible d'effectuer des simulations suivant le modèle statistique utilisé. De nombreuses méthodes de ce type ont été proposées: des méthodes Markov chain Monte Carlo (MCMC) ont été développées par Marjoram et al. (2003) et par Bortot et al. (2007) par exemple, et des méthodes séquentielles ont été proposées par Sisson et al. (2007), Beaumont et al. (2009) et Del Moral et al. (2012) parmi d'autres. Les méthodes ABC-MCMC ont longtemps été les références des méthodes ABC, mais récemment les méthodes séquentielles sont apparues plus performantes (voir par exemple McKinley et al. (2009) ou Sisson et al. (2007)). Nous proposons un nouvel algorithme combinant le principe de l'ABC avec une approche MCMC basée sur une population de chaînes, en utilisant une analogie avec l'algorithme Parallel tempering (Geyer, 1991). Les performances de ce nouvel algorithme sont comparées avec celles des algorithmes ABC existants (voir Baragatti et al., 2012).