CE-718: Métodos Computacionalmente Intensivos

<note> Arquivos/páginas serão atualizados durante o curso. </note>

1. Período: segundo trimestre de 2011, no programa PGMNE (Pós Graduação em Métodos Numéricos em Engenharia)
2. Matrículas e informações: com Maristela, na secretaria do PGMNE
3. Professor Responsável: Paulo Justiniano Ribeiro Jr, (LEG: Laboratório de Estatística e Geoinformação)
4. Horários e Locais:
   • As aulas serão no LEG (Laboratório de Estatística e Geoinformação)
   • Horário: Terças, 9:00 - 12:00
   • Atenção: A primeira aula do curso na terça, 31/05/2011.
5. Avaliação: a ser definida

O material básico para o curso serão as seguinte notas.

• Notas para o curso

Entretanto vários materiais adicionais serão utilizados e/ou montados ao longo do curso. (ver na pagina do LEG a sessão de MCI)

• Pacote com códigos e dados das notas de aula
• Coleção de Exemplos de Métodos Computacionalmente Intensivos (estes materiais foram produzidos em anos/estudos anteriores e deverão ser estudados, corrigidos se necessário, expandidos, discutidos, etc)

• Os materiais sobre verossimilhança e inferência podem ser úteis para consultas. De certa forma este curso de MCI via atacar problemas nos quais os métodos analíticos ou numéricos de inferência não são suficientes.

• Programa básico do curso
  1. The R project for Statistical Computing: página do programa R
  2. Um material sobre o uso do R
• Recursos auxiliares
  1. Editor de texto <latex>\LaTeX</latex>: O MiKTeX disponibiliza arquivos de instalação para ambiente Windows
  2. O Tinn-R é um GUI/Editor para o ambiente R sob Windows que facilita muito o uso do R neste ambiente operacional
  3. O Xemacs é uma outra opção de editor que facilita a edição de arquivos do <latex>\LaTeX</latex> e R
  4. O TeXniccenter é um editor para ambiente windows que facilita a edição de documentos do <latex>\LaTeX</latex>

Veja aqui o histórico das aulas do curso.

Atividades dos participantes

Página aberta para edição pelos participantes do curso.

• Laplace's Method of Integration - Steen Lauritzen;
• Using a Laplace Approximation to Estimate the Random Coefficients Logit Model by Non-linear Least Squares;
• USING A LAPLACE APPROXIMATION TO ESTIMATE THE RANDOM COEFFICIENTS LOGIT MODEL BY NON-LINEAR LEAST SQUARES;
• Laplace approximation review;
• Laplace's Method;
• Laplace Approximation;
• Laplace approximation of high dimensional integrals;
• Maximum Likelihood Estimation Based on Laplace Approximation;
• Fitting Multidimensional Latent Variable Models using an Efficient Laplace Approximation;
• LAPLACE APPROXIMATION IN MEASUREMENT ERROR MODELS;
• Asymptotic inference for Spatial GLMM using high order Laplace approximation;
• 1390617;
• FULLY EXPONENTIAL LAPLACE APPROXIMATION EM ALGORITHM FOR NONLINEAR MIXED EFFECTS MODELS;
• Applications of Laplace approximation for hierarchical generalized linear models in educational research;
• Computation of the likelihood function for GLMMs;
• Computing: Generalized, Linear, and Mixed Models;
• Approximate Marginals in Latent Gaussian Models;
• Modeling Spatial Survival Data Using Semiparametric Frailty Models;
• Markov Chain Monte Carlo Methods;
• Even faster linear model fits with R using RcppEigen;
• MCMC and faster Gibbs Sampling using Rcpp;
• Gibbs sampler in various languages (revisited);

• Understanding the Metropolis-Hastings Algorithm;
• Metropolis-Hasting Algorithm - Jesús Fernández-Villaverde;
• MCMC - Marina;
• Monte Carlo Methods: Lecture 1: Introduction - Nick Whiteley;
• Monte Carlo Methods: Lecture 2: Transformation and Rejection - Nick Whiteley;
• Monte Carlo Methods: Lecture 3: Importance Sampling - Nick Whiteley;
• Monte Carlo Methods: Lectures 5 & 6: The Gibbs Sampler - Nick Whiteley;
• Monte Carlo Methods: Lecture 7: The Metropolis-Hastings Algorithm - Nick Whiteley;
• Monte Carlo Methods:: Lectures 9 & 10: Combining Kernels, Convergence Diagnostics - Nick Whiteley;
• Monte Carlo Methods: Reversible Jump MCMC - Nick Whiteley;
• Monte Carlo Methods - Lecture Notes - Edited by Nick Whiteley;
• Algoritmo de Metropolis-Hastings;
• MCMC Methods: Gibbs Sampling and the Metropolis-Hastings Algorithm - Patrick Lam;
• Computationally Intensive Statistics 2010/2011;
• Statistical Computing 2010/2011;
• Bayesian Methods for Regression in R - Nels Johnson;

• Link para diversos artigos e materiais sobre EM
• Outros em modelos não lineares:
  • Walker: An EM Algorithm for Nonlinear Random Effects Models
  • Wang et al.: Nonlinear random effects mixture models: Maximum likelihood estimation via the EM algorithm
  • Wang: EM algorithms for nonlinear mixed effects models
  • material online