| Summary: | Les méthodes de Monte Carlo par chaînes de Markov (MCCM) sont des méthodes
servant à échantillonner à partir de distributions de probabilité. Ces techniques
se basent sur le parcours de chaînes de Markov ayant pour lois stationnaires
les distributions à échantillonner. Étant donné leur facilité d’application, elles
constituent une des approches les plus utilisées dans la communauté statistique,
et tout particulièrement en analyse bayésienne. Ce sont des outils très populaires
pour l’échantillonnage de lois de probabilité complexes et/ou en grandes dimensions.
Depuis l’apparition de la première méthode MCCM en 1953 (la méthode de
Metropolis, voir [10]), l’intérêt pour ces méthodes, ainsi que l’éventail d’algorithmes
disponibles ne cessent de s’accroître d’une année à l’autre.
Bien que l’algorithme Metropolis-Hastings (voir [8]) puisse être considéré
comme l’un des algorithmes de Monte Carlo par chaînes de Markov les plus généraux,
il est aussi l’un des plus simples à comprendre et à expliquer, ce qui en fait
un algorithme idéal pour débuter. Il a été sujet de développement par plusieurs
chercheurs. L’algorithme Metropolis à essais multiples (MTM), introduit dans la
littérature statistique par [9], est considéré comme un développement intéressant
dans ce domaine, mais malheureusement son implémentation est très coûteuse
(en termes de temps).
Récemment, un nouvel algorithme a été développé par [1]. Il s’agit de l’algorithme
Metropolis à essais multiples revisité (MTM revisité), qui définit la méthode
MTM standard mentionnée précédemment dans le cadre de l’algorithme
Metropolis-Hastings sur un espace étendu.
L’objectif de ce travail est, en premier lieu, de présenter les méthodes MCCM,
et par la suite d’étudier et d’analyser les algorithmes Metropolis-Hastings ainsi
que le MTM standard afin de permettre aux lecteurs une meilleure compréhension
de l’implémentation de ces méthodes. Un deuxième objectif est d’étudier les
perspectives ainsi que les inconvénients de l’algorithme MTM revisité afin de voir
s’il répond aux attentes de la communauté statistique. Enfin, nous tentons de combattre le problème de sédentarité de l’algorithme MTM revisité, ce qui donne
lieu à un tout nouvel algorithme. Ce nouvel algorithme performe bien lorsque le
nombre de candidats générés à chaque itérations est petit, mais sa performance
se dégrade à mesure que ce nombre de candidats croît. === Markov Chain Monte Carlo (MCMC) algorithms are methods that are used
for sampling from probability distributions. These tools are based on the path
of a Markov chain whose stationary distribution is the distribution to be sampled.
Given their relative ease of application, they are one of the most popular
approaches in the statistical community, especially in Bayesian analysis. These
methods are very popular for sampling from complex and/or high dimensional
probability distributions.
Since the appearance of the first MCMC method in 1953 (the Metropolis algorithm,
see [10]), the interest for these methods, as well as the range of algorithms
available, continue to increase from one year to another.
Although the Metropolis-Hastings algorithm (see [8]) can be considered as
one of the most general Markov chain Monte Carlo algorithms, it is also one of
the easiest to understand and explain, making it an ideal algorithm for beginners.
As such, it has been studied by several researchers. The multiple-try Metropolis
(MTM) algorithm , proposed by [9], is considered as one interesting development
in this field, but unfortunately its implementation is quite expensive (in terms of
time).
Recently, a new algorithm was developed by [1]. This method is named the revisited
multiple-try Metropolis algorithm (MTM revisited), which is obtained by
expressing the MTM method as a Metropolis-Hastings algorithm on an extended
space.
The objective of this work is to first present MCMC methods, and subsequently
study and analyze the Metropolis-Hastings and standard MTM algorithms
to allow readers a better perspective on the implementation of these methods.
A second objective is to explore the opportunities and disadvantages of
the revisited MTM algorithm to see if it meets the expectations of the statistical
community. We finally attempt to fight the sedentarity of the revisited MTM algorithm,
which leads to a new algorithm. The latter performs efficiently when the
number of generated candidates in a given iteration is small, but the performance of this new algorithm then deteriorates as the number of candidates in a given
iteration increases.
|
|---|
