Nonstationary Nearest Neighbor Gaussian Process: hierarchical model architecture and MCMC sampling

Ce travail explore une formulation non-stationaire les modèles Bayésiens hiérarchiques spatiaux utilisant les Processus Gaussiens des Plus Proches voisins. Dans le but de rendre le modèle facile à utiliser, une paramétrisation intuitive (autant que faire se peut) est proposée. Cela permet notemment d’intégrer les modèles non-stationaires dans une famille façon poupées Russes, où les modèles simples sont des états des modèles compliqués mais pas de modèles radicalement différents. Ces modèles hiérarchiques avec un grand nombre de paramètres à haut niveau posent des problèmes d’ordre computationnel, et des stratégies Monte-Carlo basées sur les méthodes hamiltoniennes et les décorrélations par entrelacement de paramétrisations sont proposées. Enfin, une étude de la pollution au plomb aux Etats-Unis d’Amérique est proposée, où une formulation non-stationaire apporte des améliorations des performances prédictives du modèle et permet une interprétation plus riche.

[présentiel]