Eksaktisti approksimoidut Monte Carlo -menetelmät monimutkaiseen Bayes-päättelyyn (tutkimuskulut) (EAMC)
Päärahoittaja
Rahoittajan antama koodi/diaarinumero: 312605
Päärahoittajan myöntämä tuki (€)
- 140 000,00
Rahoitusohjelma
Hankkeen aikataulu
Hankkeen aloituspäivämäärä: 01.09.2017
Hankkeen päättymispäivämäärä: 31.08.2019
Tiivistelmä
Bayes-tilastotiede tarjoaa joustavan ja yhtenäisen viitekehyksen erilaisten ilmiöiden mallinnukseen, joihin liittyy epävarmuutta. Menetelmän soveltuvuutta monimutkaisempiin tilanteisiin rajoittavat usein laskennalliset haasteet, jotka ilmenevät moniulotteisina, vaikeasti laskettavina integraaleina. Tällaisia tilanteita tulee vastaan esimerkiksi aikasarja-analyysissä, käänteisongelmissa ja tilastollisten kokeiden suunnittelussa.
Projektissa tutkitaan uusia tehokkaita laskentamenetelmiä, jotka soveltuvat aiempia menetelmiä paremmin monimutkaisiin tilanteisiin, kuten edellä mainituissa sovelluksissa. Tutkimus sisältää teoreettisia ja metodologisia kysymyksiä sekä sovelluksia. Onnistuessaan hanke johtaa uusien, entistä tehokkaampien laskentamenetelmien löytämiseen ja avaa siten mahdollisuuksia Bayes-tilastotieteen soveltamiselle uusilla, entistä haastavammilla sovellusalueilla.
Projektissa tutkitaan uusia tehokkaita laskentamenetelmiä, jotka soveltuvat aiempia menetelmiä paremmin monimutkaisiin tilanteisiin, kuten edellä mainituissa sovelluksissa. Tutkimus sisältää teoreettisia ja metodologisia kysymyksiä sekä sovelluksia. Onnistuessaan hanke johtaa uusien, entistä tehokkaampien laskentamenetelmien löytämiseen ja avaa siten mahdollisuuksia Bayes-tilastotieteen soveltamiselle uusilla, entistä haastavammilla sovellusalueilla.
Vastuullinen johtaja
Päävastuullinen yksikkö
Liittyvät julkaisut ja muut tuotokset
1/2
- Efficient Bayesian generalized linear models with time-varying coefficients : The walker package in R (2022) Helske, Jouni; A1; OA
- bssm: Bayesian Inference of Non-linear and Non-Gaussian State Space Models in R (2021) Helske, Jouni; et al.; A1; OA
- Unbiased Inference for Discretely Observed Hidden Markov Model Diffusions (2021) Chada, Neil K.; et al.; A1; OA
- A Bayesian Reconstruction of a Historical Population in Finland, 1647–1850 (2020) Voutilainen, Miikka; et al.; A1; OA
- Coupled conditional backward sampling particle filter (2020) Lee, Anthony; et al.; A1; OA
- Ergonomic and Reliable Bayesian Inference with Adaptive Markov Chain Monte Carlo (2020) Vihola, Matti; A3; 978-1-118-44511-2
- Importance sampling correction versus standard averages of reversible MCMCs in terms of the asymptotic variance (2020) Franks, Jordan; et al.; A1; OA
- Importance sampling type estimators based on approximate marginal Markov chain Monte Carlo (2020) Vihola, Matti; et al.; A1; OA
- On the use of approximate Bayesian computation Markov chain Monte Carlo with inflated tolerance and post-correction (2020) Vihola, Matti; et al.; A1; OA
- Mixture Hidden Markov Models for Sequence Data : The seqHMM Package in R (2019) Helske, Satu; et al.; A1; OA
