Workshop sobre INLA

[Victor Hugo <hlachos@ime.unicamp.br>]

Prezados,

Na próxima Terça Feira 29/11 teremos um workshop sobre INLA ?Integrated
Nested Laplace Approximation? que será ministrada por Marcos O. Prates
(IMECC-UNICAMP). O evento terá duração de aproximadamente 3 horas dividida
entre aulas de teoria e prática. A Pós-Graduação está providenciando um
Coffe break para o intervalo.

Os interessados, favor enviar um email confirmando sua participação para
hlachos@ime.unicamp.br

Local: IMECC-UNICAMP
Sala: 150 IMECC
Dia e Hora: Terça 29/11/2011 das 14:00 às 17:00

--
Resumo:


Os "modelos Gaussianos latentes" (LGM) é talvez a classe de modelos mais
comuns em aplicações estatísticas. LGM's incluem, entre outras, grande
parte dos modelos lineares (generalizados), modelos aditivos
(generalizados), modelos de suavização de splines, modelos de estado de
espaço, regressão semi-paramétrica, modelos espaciais, modelos
espaço-temporais, processos log-Gaussianos de Cox, entre outros.

"Integrated nested Laplace approximations" (INLA) é um método proposto por
Rue et al. (2009) para inferência Baeysiana em LGMs. O conceito de LGM é
de modelagem por estágio o que permite que essa família de modelos seja
modelada de forma unificada utilizando uma mesma classe de "algoritmos".
Resumidamente, o INLA oferece aproximações das marginais a posterioris dos
parâmetros de forma rápida e precisa através da utilização de recursos
algorítmicos e aproximações de distribuições. O benefício dessas
aproximações é computacional no qual, enquanto, algoritmos de Markov chain
Monte Carlo podem demorar horas ou até dias para rodar, o INLA fornece
aproximações precisas em segundos ou minutos. Outra vantagem do método é
sua generalidade, que permite fazer analises Bayesianas de forma
automática oferecendo critérios de comparação de modelos e outras medidas
de predição para que modelos em estudos possam ser comparados.

Nesse workshop apresentarei a base teórica para entender INLA, incluindo
detalhes dos Campos Gaussianos de Markov Aleatórios e sua computação
rápida utilizando algoritmos de matrizes esparsas. Além disso, vamos
testar o método INLA com uma sessão "hands on" através do pacote R-INLA
(www.r-inla.org), estudando exemplos fornecidos.





-- 
"In order to be an immaculate member of a flock of sheep, one must above
all be a sheep oneself"(Einstein)
#################################################
   Víctor Hugo Lachos Dávila
     Associate Professor MS-5
    Department of Statistics
   Campinas State University

Cidade Universitária - Barão Geraldo
Campinas, SP, Brazil, CEP: 13083-859
web: www.ime.unicamp.br/~hlachos
#################################################