Dados do Trabalho

Título

ADVANCES IN BAYESIAN COMPUTATION

Resumo Geral da Sessão Temática

Abstract

In most practical applications of Bayesian inference it is necessary to use computer intensive and efficient methods as they involve
complex models. Markov chain Monte Carlo (MCMC) methods are now routinely employed but in many situations we need to improve
efficiency of such methods in terms of sampling parameter values close to the target distribution at an acceptable computational cost.

In this session, recent developments in computational methods, methodology for data analysis and applications in Bayesian statistics
will be presented.

Nome do Palestrante 1 e Moderador / Instituição / Currículo / Título da Fala / Resumo da fala

Ricardo Ehlers - ICMC/USP

CV Lattes: http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4792808U6

Title: Hamiltonian Monte Carlo Methods in Bayesian Computation

Abstract:
I will talk about novel Markov chain Monte Carlo (MCMC) methods to estimate parameters and compare models in a Bayesian framework.The main focus is when the posterior distributions are approximated using Hamiltonian Monte Carlo (HMC), an optimized version of the Metropolis-Hasting algorithm. The zero variance principle is also exploited to find unbiased estimators with smaller variances. If time permits I will talk about possible extensions to doubly intractable problems and trans-dimensional MCMC. The ideas presented will be assessed using both simulated and real data.

Nome do Palestrante 2 / Instituição / Currículo / Título da Fala / Resumo da fala

Ramsés Mena - Universidad Nacional Autónoma de México

CV: http://www.dpye.iimas.unam.mx/ramses/CVweb.pdf

Title: On the Construction of Stationary Process and their Applications

Abstract:
I will review a simple idea to construct strictly stationary Markov processes with given marginal distributions. The proposed methodology is appealing in that it keeps track of the underlying transition probabilities, hence being of interest in estimation, simulation
and applied problems. Various classes of time series models and diffusion processes will be revised. If time allows we will also revise nonparametric time-dependent cases and some applications.

Nome do Palestrante 3 / Instituição / Currículo / Título da Fala / Resumo da fala

Hedibert Lopes - Insper

CV Lattes: http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723626P2

Title: Efficient Sampling for Gaussian Linear Regression with Arbitrary Priors

Abstract:
This paper develops a slice sampler for Bayesian linear regression models with arbitrary priors. The new sampler has two advantages over current approaches. One, it is faster than many custom implementations that rely on auxiliary latent variables, if the number of regressors is large. Two, it can be used with any prior with a density function that can be evaluated up to a normalizing constant, making it ideal for investigating the properties of new shrinkage priors without having to develop custom sampling algorithms. The new sampler takes advantage of the special structure of the linear regression likelihood, allowing it to produce better effective sample size per second than common alternative approaches.

Keywords: Bayesian computation, linear regression, shrinkage priors, slice sampling

Palavras-Chave

Hamiltonian Monte Carlo, Langevin algorithms, shrinkage priors, slice sampling, diffusion processes.

Público alvo

Pesquisadores e estudantes de pósgraduação.

Justificativa

Em problemas práticos de inferência Bayesiana, devido à complexidade dos modelos adotados torna-se necessário o uso de métodos computacionalmente intensivos e eficientes. Nos últimos anos, os métodos de Monte Carlo via cadeias de Markov (MCMC) tem sido aplicados com sucesso mas em muitas situações há necessidade de torná-los mais eficientes no sentido de conseguir gerar valores próximos da distribuição de equilíbrio a um custo computacional menor.

Os palestrantes desta sessão proposta tem trabalhado recentemente nesta linha de pesquisa, particularmente em "Bayesian nonparametrics", Monte Carlo sequencial, Monte Carlo Hamiltoniano, algoritmos de Langevin e métodos de redução de variância. Estes métodos merecem uma maior disceminação na comunidade estatística.

O SINAPE tradicionalmente atrai muitos alunos dos programas de pósgraduação em Estatística e áreas afins e este é o principal público alvo desta sessão temática. No entanto, pesquisadores com alguma experiência em aplicações com métodos MCMC também serão benefiados pelo conhecimento de técnicas mais inovadoras para tratar de problemas complexos.

Recursos

O coordenador e um dos palestrantes são pesquisadores do estado de São Paulo e solicitarão auxilio à FAPESP. Outro palestrante (Ramsés Mena) é um dos conferencistas convidados no evento.