A Sequential Monte Carlo inference for longitudinal data with luespotted mud hopper data

국문 초록 (Abstract)

비선형이고 정규분포에 따르지 않는 state-space모형분석에서 순차적 몬테 칼로(SMC)는 유용한 도구 중의 하나이다. 모수와 시그럴을 동시에 추정하기 위해 Monte Carlo particle filters를 사용할 수가 있다. 그러나 SMC는 여러단계의 반복을 요구하는 특별한 particle filtering 기법을 필요로 하게 된다. 본 논문은 particle filtering과 순차적 hybrid Monte Carlo(SHMC)을 결합하는 방법을 제시하고자 한다. 실험을 위해 짱뚱어 자료를 사용하였다.

다국어 초록 (Multilingual Abstract)

Sequential Monte Carlo techniques are a set of powerful and versatile simulation-based methods to perform optimal state estimation in nonlinear non-Gaussian state-space models. We can use Monte Carlo particle filters adaptively, i.e. so that they simultaneously estimate the parameters and the signal. However, Sequential Monte Carlo techniques require the use of special panicle filtering techniques which suffer from several drawbacks. We consider here an alternative approach combining particle filtering and Sequential Hybrid Monte Carlo. We give some examples of applications in fisheries(luespotted mud hopper data).