When the likelihood of the model is not explicitly available, standard Markov Chain Monte Carlo techniques may become impractical. This paper has the aim to investigate a combination of Sequential Monte Carlo and Metropolis- Hastings algorithm in the spirit of the pseudo-marginal approach. This produces algorithms known as Particle MCMC which are part of a powerful and flexible class of algorithms called Exact-Approximate MCMC. They establish a new paradigm in parameter estimation in the non-linear and non-Gaussian Hidden Markov Models (HMM). In this paper, the Particle Gibbs sampler is used to recover the parameter of an HMM applied to the time series of worldwide annual earthquakes of magnitude 7 or greater occurred in the 21st century.

Quando la verosimiglianza non ´e trattabile analiticamente, allora le teniche Markov Chain Monte Carlo standard possono risultare inattuabili. Questo articolo ha l’obiettivo di analizzare una combinazione di tecniche Sequential Monte Carlo e dell’algorithmo Metropolis Hastings alla luce dell’approccio pseudomarginale. Tale combinazione produce algoritmi Particle MCMC, parte di una classe molto flessibile nota come Exact-Approximate MCMC, che costituiscono un nuovo paradigma per la stima nell’ambito di Hidden Markov Model non lineari e non Gaussiani. In questo articolo ´e proposto l’utilizzo del Particle Gibbs per la stima di un modello HMM applicato alla serie annuale dei terremoti di magnitudo 7 o superiore avvenuti su scala mondiale durante il XXI secolo.

Hidden Markov Model estimation via Particle Gibbs / ALAIMO DI LORO, Pierfrancesco; Ciminello, Enrico; Tardella, Luca. - (2019), pp. 829-836. (Intervento presentato al convegno SIS2019 - Smart Statistics for Smart Applications tenutosi a Milano).

Hidden Markov Model estimation via Particle Gibbs

Pierfrancesco Alaimo Di Loro;CIMINELLO, ENRICO;Luca Tardella
Supervision
2019

Abstract

When the likelihood of the model is not explicitly available, standard Markov Chain Monte Carlo techniques may become impractical. This paper has the aim to investigate a combination of Sequential Monte Carlo and Metropolis- Hastings algorithm in the spirit of the pseudo-marginal approach. This produces algorithms known as Particle MCMC which are part of a powerful and flexible class of algorithms called Exact-Approximate MCMC. They establish a new paradigm in parameter estimation in the non-linear and non-Gaussian Hidden Markov Models (HMM). In this paper, the Particle Gibbs sampler is used to recover the parameter of an HMM applied to the time series of worldwide annual earthquakes of magnitude 7 or greater occurred in the 21st century.
2019
SIS2019 - Smart Statistics for Smart Applications
Quando la verosimiglianza non ´e trattabile analiticamente, allora le teniche Markov Chain Monte Carlo standard possono risultare inattuabili. Questo articolo ha l’obiettivo di analizzare una combinazione di tecniche Sequential Monte Carlo e dell’algorithmo Metropolis Hastings alla luce dell’approccio pseudomarginale. Tale combinazione produce algoritmi Particle MCMC, parte di una classe molto flessibile nota come Exact-Approximate MCMC, che costituiscono un nuovo paradigma per la stima nell’ambito di Hidden Markov Model non lineari e non Gaussiani. In questo articolo ´e proposto l’utilizzo del Particle Gibbs per la stima di un modello HMM applicato alla serie annuale dei terremoti di magnitudo 7 o superiore avvenuti su scala mondiale durante il XXI secolo.
MCMC; HMM; particle filters; Gibbs sampling
04 Pubblicazione in atti di convegno::04b Atto di convegno in volume
Hidden Markov Model estimation via Particle Gibbs / ALAIMO DI LORO, Pierfrancesco; Ciminello, Enrico; Tardella, Luca. - (2019), pp. 829-836. (Intervento presentato al convegno SIS2019 - Smart Statistics for Smart Applications tenutosi a Milano).
File allegati a questo prodotto
File Dimensione Formato  
AlaimoDiLoro_HiddenMarkovModel_2019.pdf

accesso aperto

Tipologia: Versione editoriale (versione pubblicata con il layout dell'editore)
Licenza: Tutti i diritti riservati (All rights reserved)
Dimensione 1.35 MB
Formato Adobe PDF
1.35 MB Adobe PDF
Imbalordito_Frontespizio_HiddenMarkovModel_2019.pdf

accesso aperto

Tipologia: Altro materiale allegato
Licenza: Tutti i diritti riservati (All rights reserved)
Dimensione 92.75 kB
Formato Adobe PDF
92.75 kB Adobe PDF
AlaimoDiLoro_Quarta_HiddenMarkovModel_2019.pdf

accesso aperto

Tipologia: Altro materiale allegato
Licenza: Tutti i diritti riservati (All rights reserved)
Dimensione 9.07 kB
Formato Adobe PDF
9.07 kB Adobe PDF
AlaimoDiLoro_Indice_HiddenMarkovModel_2019.pdf

accesso aperto

Tipologia: Altro materiale allegato
Licenza: Tutti i diritti riservati (All rights reserved)
Dimensione 2.03 MB
Formato Adobe PDF
2.03 MB Adobe PDF

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11573/1293765
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact