Estimation des variables latentes par des récursivités de Kalman généralisées

Cet article étudie des modèles à espace d’état pour des observations longitudinales multicatégorielles et des états (latents) caractérisés par les modèles dits CHARN (Conditional Heteroskedastic AutoRegressive Nonlinear). Ces des derniers sont estimés via des récursivités de Kalman généralisées, basées sur des filtres particulaires et l’algorithme EM. Nos résultats généralisent les travaux existants. Ils sont illustrés par des simulations numériques et sont appliqués aux données de patientes opérées d’un cancer du sein.

This paper discusses state-space models with multi-categorical longitudinal observations and states characterized by the so-called Conditional Heteroskedastic AutoRegressive Nonlinear (CHARN) models. The latter are estimated via generalized Kalman recursions based on particle filters and EM algorithm. Our findings generalize the literature. They are illustrated by numerical simulations and applied to data from patients surged for breast cancer.

Récursivités de Kalman généralisées Modèles à espace d’état non-linéaires Données multicatégorielles longitudinales Variables latentes Filtre particulaires Algorithme EM

Generalized Kalman recursions Generalized state space models Multicategorical longitudinal data Latent variables Particle filters EM algorthim