Beregningsorientert statistikk

Høydimensjonal integrasjon utgjør kjernen av mange moderne estimeringsproblemer. Effektive beregningsalgoritmer gjør oss i stand til å anvende mer realistiske og interessante statistiske modeller.

For at statistiske metoder skal være nyttige for brukere må det eksistere computer-algoritmer. Gruppen for beregningsstatistikk utvikler numeriske metoder for problemer av typen

            argmax θ  ∫f(x,θ) dx

hvor x er en høydimensjonal vektor. Dette er kjernen i mange estimeringsproblemer. Stikkord for forskningen er Laplace-approksimasjon, importance-sampling, optimering, automatisk derivasjon og EIS-algoritmen.

Anvendelser

Vi arbeider spesielt med finansielle tidsrekker, ikke-lineær Kalman-filtrering og generaliserte miksede lineære modeller (GLMM).

Interessert? Ta gjerne kontakt med Hans Skaug.