Articles scientifiques

Absorbing games with compact action spaces

J. Mertens, D. ROSENBERG, A. Neyman

Mathematics of Operations Research

mai 2009, vol. 34, n°2, pp.257-262

Départements : Economie et Sciences de la décision, GREGHEC (CNRS)


pas sous affiliation HEC

Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations

H. Rue, S. Martino, N. CHOPIN

Journal of the Royal Statistical Society: Series B - Statistical Methodology

mars 2009, vol. 71, n°2, pp.319-392

Départements : Economie et Sciences de la décision

Mots clés : Approximate Bayesian inference, Gaussian Markov random fields, Generalized additive mixed models, Laplace approximation, Parallel computing, Sparse matrices, Structured additive regression models


Structured additive regression models are perhaps the most commonly used class of models in statistical applications. It includes, among others, (generalized) linear models, (generalized) additive models, smoothing spline models, state space models, semiparametric regression, spatial and spatiotemporal models, log-Gaussian Cox processes and geostatistical and geoadditive models. We consider approximate Bayesian inference in a popular subset of structured additive regression models, latent Gaussian models, where the latent field is Gaussian, controlled by a few hyperparameters and with non-Gaussian response variables. The posterior marginals are not available in closed form owing to the non-Gaussian response variables. For such models, Markov chain Monte Carlo methods can be implemented, but they are not without problems, in terms of both convergence and computational time. In some practical applications, the extent of these problems is such that Markov chain Monte Carlo sampling is simply not an appropriate tool for routine analysis. We show that, by using an integrated nested Laplace approximation and its simplified version, we can directly compute very accurate approximations to the posterior marginals. The main benefit of these approximations is computational: where Markov chain Monte Carlo algorithms need hours or days to run, our approximations provide more precise estimates in seconds or minutes. Another advantage with our approach is its generality, which makes it possible to perform Bayesian analysis in an automatic, streamlined way, and to compute model comparison criteria and various predictive measures so that models can be compared and the model under study can be challenged Approximate Bayesian inference Gaussian Markov random fields Generalized additive mixed models Laplace approximation Parallel computing Sparse matrices Structured additive regression models

Choix individuel et décision fondée sur l'expérience : une étude expérimentale

O. L'HARIDON, C. PARASCHIV

Revue Economique

2009, vol. 60, n°4

Départements : GREGHEC (CNRS), Economie et Sciences de la décision


La plupart des résultats expérimentaux en théorie de la décision ont été obtenus dans un cadre où les options offertes aux individus sont parfaitement décrites en termes de conséquences mais également en termes de vraisemblance des événements. Ce type de décision peut être qualifié de décision fondée sur la description. Dans cet article, nous envisageons un contexte d'incertitude où la seule information disponible provient des réalisations observées de certains événements. Ce type de décision peut être qualifié de décision fondée sur l'expérience. Les études récentes sur la décision fondée sur l'expérience suggèrent que, dans ce cadre, les événements rares sont sous-pondérés par les individus et non surpondérés comme le suppose la grande majorité de la littérature. L'objectif de cet article expérimental est d'envisager dans quelle mesure les décisions fondées sur l'expérience diffèrent des décisions fondées sur la description.

Évolution de prix de référence du vendeur : une étude expérimentale sur le marché immobilier

R. Chenavaz, C. PARASCHIV

Revue Française du Marketing

mars 2009, n°221, pp.31-45

Départements : Economie et Sciences de la décision, GREGHEC (CNRS)


La prise de décision des consommateurs est souvent modélisée en intégrant un point de référence pour le prix. En étudiant le marché immobilier, nous nous interrogeront sur l'évolution du point de référence des vendeurs de biens immobiliers en fonction de l'évolution, favorable ou défavorable, du marché. Notre étude montre que le point de référence s'adapte plus rapidement sur un marché immobilier en hausse que sur un marché immobilier en baisse, que les vendeurs acceptent des prix inférieurs au prix de marché sur un marché en hausse alors qu'ils demandent des prix supérieurs au prix du marché sur un marché en baisse et que le prix d'achat a un rôle plus important sur un marché en baisse que sur un marché en hausse. Loss aversionProspect theoryReal estateReference pointAversion aux pertesImmobilierPoint de référenceProspect theory

Hessian orders and multinormal distributions

M. SCARSINI, A. Arlotto

Journal of Multivariate Analysis

novembre 2009, vol. 100, n°10, pp.2324-2330

Départements : Economie et Sciences de la décision

Mots clés : Hessian orders, Multivariate normal distribution, Convex cones, Dual space, Completely positive order


Several well known integral stochastic orders (like the convex order, the supermodular order, etc.) can be defined in terms of the Hessian matrix of a class of functions. Here we consider a generic Hessian order, i.e., an integral stochastic order defined through a convex cone HH of Hessian matrices, and we prove that if two random vectors are ordered by the Hessian order, then their means are equal and the difference of their covariance matrices belongs to the dual of HH. Then we show that the same conditions are also sufficient for multinormal random vectors. We study several particular cases of this general result

Contacts  

Département Economie et Sciences de la Décision

Campus HEC Paris
1, rue de la Libération
78351 Jouy-en-Josas cedex
France

Faculté  

Ai Ting GOH

Economie - Sciences de la Décision

Voir le CV

JavaScriptSettings