Добірка наукової літератури з теми "Schéma de régression de type Monte-Carlo"

RÉSUMÉ Nous présentons, pour des modèles de séries chronologiques, une méthode d’estimation qui tient compte de la présence d’erreurs de mesure sur les données, lorsque ces erreurs ne sont pas autocorrélées. L’approche suggérée utilise des valeurs décalées des variables indépendantes comme variables instrumentales. Nous employons l’estimateur convergent proposé par Fuller (1987) et comparons analytiquement les erreurs quadratiques moyennes de cet estimateur avec celles d’un estimateur similaire qui ne tiendrait pas compte des erreurs de mesure. Finalement, nous rapportons, à partir d’un échantillon de 150 observations, les résultats d’études de Monte Carlo sur ces deux estimateurs ainsi que sur un estimateur alternatif qui est une somme pondérée des deux premiers. Ces expériences montrent que l’estimateur alternatif semble relativement mieux se comporter. On constate également que l’inconvénient de la présence d’erreurs sur les variables n’est pas seulement de biaiser les estimateurs des coefficients ou d’accroître les erreurs quadratiques moyennes, mais également de sous-estimer considérablement le niveau des erreurs de type I des tests de signification.

L’impact de la technique de superovulation et du transfert d’embryons (MOET) sur la performance de la race Somba a été évalué à l’aide de simulations du type Monte-Carlo. Des schémas MOET adultes en noyaux fermés ont été simulés et soumis à 20 générations consécutives de sélection en supposant une capacité fixe de testage de 512 femelles connues pour leurs performances laitières, un taux de succès de 70 p. 100 pour le transfert, un taux de survie de 70 p. 100 chez les embryons et des tailles variables de familles (nD = 4, 8, 16). Les valeurs additives génétiques des candidats ont été estimées par la méthode BLUP utilisant le modèle animal réduit (RAM). Pour différents scénarios déterminés par le nombre de donneurs (D = 64, 128, 256) et le nombre de géniteurs (S = 4, 8, 16) à sélectionner, la réponse à la sélection a varié de 0,088 à 0,127 unités standard phénotypiques par an. Ces valeurs correspondaient à un progrès génétique annuel de 2,2 à 3,2 p. 100 par rapport à la moyenne de la population par an (le coefficient de variation de la performance laitière de la race Somba étant de 25 p. 100). Pour toutes les alternatives du point de vue de la structure de la population, le taux de consanguinité obtenu par simulation a varié de 1,32 à 2,93 p. 100 par an, contre une valeur estimée allant de 0,83 à 3,32 p. 100. Comparé au taux annuel de consanguinité de 0,1 à 0,2 p. 100 généralement admis pour le schéma conventionnel de testage sur descendance, les taux de consanguinité prédictibles pour les schémas MOET adultes ont été remarquablement élevés. Pour pallier ce handicap, des stratégies de réduction à court et à moyen terme du taux de consanguinité ont été examinées.

Cette thèse s'intéresse aux équations différentielles stochastiques de type McKean(EDS) et à leur utilisation pour représenter des équations aux dérivées partielles (EDP) non linéaires. Ces équations ne dépendent pas seulement du temps et de la position d'une certaine particule mais également de sa loi. En particulier nous traitons le cas inhabituel de la représentation d'EDP de type Fokker-Planck avec condition terminale fixée. Nous discutons existence et unicité pour ces EDP et de leur représentation sous la forme d'une EDS de type McKean, dont l'unique solutioncorrespond à la dynamique du retourné dans le temps d'un processus de diffusion.Nous introduisons la notion de représentation complètement non-linéaire d'une EDP semilinéaire. Celle-ci consiste dans le couplage d'une EDS rétrograde et d'un processus solution d'une EDS évoluant de manière rétrograde dans le temps. Nous discutons également une application à la représentation d'une équation d'Hamilton-Jacobi-Bellman (HJB) en contrôle stochastique. Sur cette base, nous proposonsun algorithme de Monte-Carlo pour résoudre des problèmes de contrôle. Celui ciest avantageux en termes d'efficience calculatoire et de mémoire, en comparaisonavec les approches traditionnelles progressive rétrograde. Nous appliquons cette méthode dans le contexte de la gestion de la demande dans les réseaux électriques. Pour finir, nous faisons le point sur l'utilisation d'EDS de type McKean généralisées pour représenter des EDP non-linéaires et non-conservatives plus générales que Fokker-Planck
This thesis concerns McKean Stochastic Differential Equations (SDEs) to representpossibly non-linear Partial Differential Equations (PDEs). Those depend not onlyon the time and position of a given particle, but also on its probability law. In particular, we treat the unusual case of Fokker-Planck type PDEs with prescribed final data. We discuss existence and uniqueness for those equations and provide a probabilistic representation in the form of McKean type equation, whose unique solution corresponds to the time-reversal dynamics of a diffusion process.We introduce the notion of fully backward representation of a semilinear PDE: thatconsists in fact in the coupling of a classical Backward SDE with an underlying processevolving backwardly in time. We also discuss an application to the representationof Hamilton-Jacobi-Bellman Equation (HJB) in stochastic control. Based on this, we propose a Monte-Carlo algorithm to solve some control problems which has advantages in terms of computational efficiency and memory whencompared to traditional forward-backward approaches. We apply this method in the context of demand side management problems occurring in power systems. Finally, we survey the use of generalized McKean SDEs to represent non-linear and non-conservative extensions of Fokker-Planck type PDEs

Cette thèse porte sur les méthodes numériques pour les équations aux dérivées partielles (EDP) non-linéaires dégénérées, ainsi que pour des problèmes de contrôle d'EDP non-linéaires résultants d'un nouveau problème de transport optimal. Toutes ces questions sont motivées par des applications en mathématiques financières. La thèse est divisée en quatre parties. Dans une première partie, nous nous intéressons à la condition nécessaire et suffisante de la monotonie du $\theta$-schéma de différences finies pour l'équation de diffusion en dimension un. Nous donnons la formule explicite dans le cas de l'équation de la chaleur, qui est plus faible que la condition classique de Courant-Friedrichs-Lewy (CFL). Dans une seconde partie, nous considérons une EDP parabolique non-linéaire dégénérée et proposons un schéma de type ''splitting'' pour la résoudre. Ce schéma réunit un schéma probabiliste et un schéma semi-lagrangien. Au final, il peut être considéré comme un schéma Monte-Carlo. Nous donnons un résultat de convergence et également un taux de convergence du schéma. Dans une troisième partie, nous étudions un problème de transport optimal, où la masse est transportée par un processus d'état type ''drift-diffusion'' controllé. Le coût associé est dépendant des trajectoires de processus d'état, de son drift et de son coefficient de diffusion. Le problème de transport consiste à minimiser le coût parmi toutes les dynamiques vérifiant les contraintes initiales et terminales sur les distributions marginales. Nous prouvons une formule de dualité pour ce problème de transport, étendant ainsi la dualité de Kantorovich à notre contexte. La formulation duale maximise une fonction valeur sur l'espace des fonctions continues bornées, et la fonction valeur correspondante à chaque fonction continue bornée est la solution d'un problème de contrôle stochastique optimal. Dans le cas markovien, nous prouvons un principe de programmation dynamique pour ces problèmes de contrôle optimal, proposons un algorithme de gradient projeté pour la résolution numérique du problème dual, et en démontrons la convergence. Enfin dans une quatrième partie, nous continuons à développer l'approche duale pour le problème de transport optimal avec une application à la recherche de bornes de prix sans arbitrage des options sur variance étant donnés les prix des options européennes. Après une première approximation analytique, nous proposons un algorithme de gradient projeté pour approcher la borne et la stratégie statique correspondante en options vanilles.

Cette thèse se décompose en deux parties. Dans un premier temps nous nous intéressons à la sélection bayésienne de variables dans un modèle probit mixte.L'objectif est de développer une méthode pour sélectionner quelques variables pertinentes parmi plusieurs dizaines de milliers tout en prenant en compte le design d'une étude, et en particulier le fait que plusieurs jeux de données soient fusionnés. Le modèle de régression probit mixte utilisé fait partie d'un modèle bayésien hiérarchique plus large et le jeu de données est considéré comme un effet aléatoire. Cette méthode est une extension de la méthode de Lee et al. (2003). La première étape consiste à spécifier le modèle ainsi que les distributions a priori, avec notamment l'utilisation de l'a priori conventionnel de Zellner (g-prior) pour le vecteur des coefficients associé aux effets fixes (Zellner, 1986). Dans une seconde étape, nous utilisons un algorithme Metropolis-within-Gibbs couplé à la grouping (ou blocking) technique de Liu (1994) afin de surmonter certaines difficultés d'échantillonnage. Ce choix a des avantages théoriques et computationnels. La méthode développée est appliquée à des jeux de données microarray sur le cancer du sein. Cependant elle a une limite : la matrice de covariance utilisée dans le g-prior doit nécessairement être inversible. Or il y a deux cas pour lesquels cette matrice est singulière : lorsque le nombre de variables sélectionnées dépasse le nombre d'observations, ou lorsque des variables sont combinaisons linéaires d'autres variables. Nous proposons donc une modification de l'a priori de Zellner en y introduisant un paramètre de type ridge, ainsi qu'une manière de choisir les hyper-paramètres associés. L'a priori obtenu est un compromis entre le g-prior classique et l'a priori supposant l'indépendance des coefficients de régression, et se rapproche d'un a priori précédemment proposé par Gupta et Ibrahim (2007).Dans une seconde partie nous développons deux nouvelles méthodes MCMC basées sur des populations de chaînes. Dans le cas de modèles complexes ayant de nombreux paramètres, mais où la vraisemblance des données peut se calculer, l'algorithme Equi-Energy Sampler (EES) introduit par Kou et al. (2006) est apparemment plus efficace que l'algorithme classique du Parallel Tempering (PT) introduit par Geyer (1991). Cependant, il est difficile d'utilisation lorsqu'il est couplé avec un échantillonneur de Gibbs, et nécessite un stockage important de valeurs. Nous proposons un algorithme combinant le PT avec le principe d'échanges entre chaînes ayant des niveaux d'énergie similaires dans le même esprit que l'EES. Cette adaptation appelée Parallel Tempering with Equi-Energy Moves (PTEEM) conserve l'idée originale qui fait la force de l'algorithme EES tout en assurant de bonnes propriétés théoriques et une utilisation facile avec un échantillonneur de Gibbs.Enfin, dans certains cas complexes l'inférence peut être difficile car le calcul de la vraisemblance des données s'avère trop coûteux, voire impossible. De nombreuses méthodes sans vraisemblance ont été développées. Par analogie avec le Parallel Tempering, nous proposons une méthode appelée ABC-Parallel Tempering, basée sur la théorie des MCMC, utilisant une population de chaînes et permettant des échanges entre elles
This thesis is divided into two main parts. In the first part, we propose a Bayesian variable selection method for probit mixed models. The objective is to select few relevant variables among tens of thousands while taking into account the design of a study, and in particular the fact that several datasets are merged together. The probit mixed model used is considered as part of a larger hierarchical Bayesian model, and the dataset is introduced as a random effect. The proposed method extends a work of Lee et al. (2003). The first step is to specify the model and prior distributions. In particular, we use the g-prior of Zellner (1986) for the fixed regression coefficients. In a second step, we use a Metropolis-within-Gibbs algorithm combined with the grouping (or blocking) technique of Liu (1994). This choice has both theoritical and practical advantages. The method developed is applied to merged microarray datasets of patients with breast cancer. However, this method has a limit: the covariance matrix involved in the g-prior should not be singular. But there are two standard cases in which it is singular: if the number of observations is lower than the number of variables, or if some variables are linear combinations of others. In such situations we propose to modify the g-prior by introducing a ridge parameter, and a simple way to choose the associated hyper-parameters. The prior obtained is a compromise between the conditional independent case of the coefficient regressors and the automatic scaling advantage offered by the g-prior, and can be linked to the work of Gupta and Ibrahim (2007).In the second part, we develop two new population-based MCMC methods. In cases of complex models with several parameters, but whose likelihood can be computed, the Equi-Energy Sampler (EES) of Kou et al. (2006) seems to be more efficient than the Parallel Tempering (PT) algorithm introduced by Geyer (1991). However it is difficult to use in combination with a Gibbs sampler, and it necessitates increased storage. We propose an algorithm combining the PT with the principle of exchange moves between chains with same levels of energy, in the spirit of the EES. This adaptation which we are calling Parallel Tempering with Equi-Energy Move (PTEEM) keeps the original idea of the EES method while ensuring good theoretical properties and a practical use in combination with a Gibbs sampler.Then, in some complex models whose likelihood is analytically or computationally intractable, the inference can be difficult. Several likelihood-free methods (or Approximate Bayesian Computational Methods) have been developed. We propose a new algorithm, the Likelihood Free-Parallel Tempering, based on the MCMC theory and on a population of chains, by using an analogy with the Parallel Tempering algorithm