Online data processing: comparison of Bayesian regularized particle filters

Roberto Casarin 1 Jean-Michel Marin 2, 3
2 SELECT - Model selection in statistical learning
Inria Saclay - Ile de France, LMO - Laboratoire de Mathématiques d'Orsay, CNRS - Centre National de la Recherche Scientifique : UMR
Abstract : The aim of this paper is to compare three regularized particle filters in an online data processing context. We carry out the comparison in terms of hidden states filtering and parameters estimation, considering a Bayesian paradigm and a univariate stochastic volatility model. We discuss the use of an improper prior distribution in the initialization of the filtering procedure and show that the Regularized Auxiliary Particle Filter (R-APF) outperforms the Regularized Sequential Importance Sampling (R-SIS) and the Regularized Sampling Importance Resampling (R-SIR).
Type de document :
Article dans une revue
Electronic journal of statistics , Shaker Heights, OH : Institute of Mathematical Statistics, 2009, 3, pp.239-258. 〈10.1214/08-EJS256〉
Liste complète des métadonnées

Littérature citée [33 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00138007
Contributeur : Jean-Michel Marin <>
Soumis le : mardi 4 mars 2008 - 23:52:18
Dernière modification le : jeudi 11 janvier 2018 - 06:22:14
Document(s) archivé(s) le : jeudi 23 septembre 2010 - 17:17:07

Fichier

RR-6153.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Citation

Roberto Casarin, Jean-Michel Marin. Online data processing: comparison of Bayesian regularized particle filters. Electronic journal of statistics , Shaker Heights, OH : Institute of Mathematical Statistics, 2009, 3, pp.239-258. 〈10.1214/08-EJS256〉. 〈inria-00138007v3〉

Partager

Métriques

Consultations de la notice

267

Téléchargements de fichiers

161