<div dir="ltr"><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small">Prezados(as),</div><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small"><br></div><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small">Continuando com os seminários em <AD,AD> teremos esta semana.</div><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small"><br></div><div class="gmail_default" style="font-family:verdana,sans-serif;font-size:small"><div class="gmail_default">Seminários em High Dimensional Data Analysis.</div><div class="gmail_default">Data: 8/05/2019</div><div class="gmail_default">Local: sala 221, IMECC</div><div class="gmail_default"><br></div><div class="gmail_default"><div dir="auto" style="font-family:Arial,Helvetica,sans-serif">Title: INLA, a Computationally Efficient Method for Gaussian Latent Models.</div><div style="font-family:Arial,Helvetica,sans-serif">Leonardo U. Pedreira, IMECC-Unicamp</div><div dir="auto" style="font-family:Arial,Helvetica,sans-serif"><br></div><div dir="auto" style="font-family:Arial,Helvetica,sans-serif">Abstract:</div><div dir="auto" style="font-family:Arial,Helvetica,sans-serif">Latent Gaussian Models is a broad class of widely used statistical models which includes GLM(M), GAM(M), State-space Models, spatial/spatial-temporal models and more. However, the high dimensional aspect of modern problems imposes some computational constraints to the classic MCMC paradigm for parameter estimation. In this brief talk the aim is to introduce the INLA (Integrated Nested Laplace Approximation) Method as an alternative way to estimate the latent field. </div><div dir="auto" style="font-family:Arial,Helvetica,sans-serif"><br></div><div dir="auto" style="font-family:Arial,Helvetica,sans-serif">Paper: </div><div dir="auto" style="font-family:Arial,Helvetica,sans-serif"><br></div><div dir="auto" style="font-family:Arial,Helvetica,sans-serif"><div dir="auto" style="font-family:sans-serif">Håvard Rue, Sara Martino and Nicolas Chopin. (2009) Approximate Bayesian Inference for Latent Gaussian Models by using the Integrated Nested Laplace Approximations; JRSS.</div></div></div></div><br clear="all"><div><br></div>-- <br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><div dir="ltr"><div><div>Ronaldo Dias, Ph.D.</div>Professor<div>Dept. of Statistics-IMECC, UNICAMP</div><div><a href="http://www.ime.unicamp.br/~dias" target="_blank">www.ime.unicamp.br/~dias</a></div><div><br></div></div></div></div></div></div></div>