A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
bssm: Bayesian Inference of Non-linear and Non-Gaussian State Space Models in R (2021)

Helske, J., & Vihola, M. (2021). bssm: Bayesian Inference of Non-linear and Non-Gaussian State Space Models in R. The R Journal, 13(2), 578-589. https://doi.org/10.32614/RJ-2021-103

JYU-tekijät tai -toimittajat

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Helske, Jouni; Vihola, Matti

Lehti tai sarja: The R Journal

eISSN: 2073-4859

Julkaisuvuosi: 2021

Volyymi: 13

Lehden numero: 2

Artikkelin sivunumerot: 578-589

Kustantaja: R Foundation for Statistical Computing

Julkaisumaa: Itävalta

Julkaisun kieli: englanti

DOI: https://doi.org/10.32614/RJ-2021-103

Pysyvä verkko-osoite: https://journal.r-project.org/archive/2021/RJ-2021-103/index.html

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/79809

Julkaisu on rinnakkaistallennettu: https://arxiv.org/abs/2101.08492

Tiivistelmä

We present an R package bssm for Bayesian non-linear/non-Gaussian state space modelling. Unlike the existing packages, bssm allows for easy-to-use approximate inference based on Gaussian approximations such as the Laplace approximation and the extended Kalman filter. The package accommodates also discretely observed latent diffusion processes. The inference is based on fully automatic, adaptive Markov chain Monte Carlo (MCMC) on the hyperparameters, with optional importance sampling post-correction to eliminate any approximation bias. The package implements also a direct pseudo-marginal MCMC and a delayed acceptance pseudo-marginal MCMC using intermediate approximations. The package offers an easy-to-use interface to define models with linear-Gaussian state dynamics with non-Gaussian observation models, and has an Rcpp interface for specifying custom non-linear and diffusion models.

YSO-asiasanat: matematiikka; mallintaminen; matemaattiset mallit; Markovin ketjut; Monte Carlo -menetelmät; bayesilainen menetelmä

Vapaat asiasanat: tila-avaruusmallit

Liittyvät organisaatiot

Hankkeet, joissa julkaisu on tehty

OKM-raportointi: Kyllä

Raportointivuosi: 2021

JUFO-taso: 1