bounded target support [#2]

In a sort of echo from an earlier post, I received this emailed question from Gabriel:

I am contacting you in connection with my internship and your book «Le choix bayésien» where I cannot find an answer to my question. Given a constrained parameter space and an unconstrained Markov chain, is it correct to subsample the chain in order to keep only those points that satisfy the constraint?

To which I replied that this would induce a bias in the outcome, even though this is a marginally valid argument (if  the Markov chain is in its stationary regime, picking one value at random from those satisfying the constraint is akin to accept-reject). The unbiased approach is to resort to Metropolis-Hastings steps in Gabriel’s Gibbs sampler to check whether or not each proposed move stays within the constrained space. If not, one need to replicate the current value of the chain…

Update: Following comments by Ajay and David, I withdraw the term “bias”. The method works as a low key accept-reject but can be very inefficient, to the extent of having no visit to the constrained set. (However, in the event of a practically/numerically disconnected support with a huge gap between the connected components, it may also be more efficient than a low energy Metropolis-Hastings algorithm. Mileage may vary!)

paintings

Michel Marin is a polymath artist at the frontier between painting and sculpture. (In case you wonder, he also is the father of my coauthor and dear friend Jean-Michel!) He also designed the covers of Bayesian Core and of Le Choix bayésien.

Here are some recent paintings taken from his website that I particularly like…

le logiciel R

For once, here is a book review I wrote in French about the book Le logiciel R, written by Pierre Lafaye de Micheaux (Université de Montréal), Rémy Drouilhet (Université de Grenoble 2) and Benoît Liquet (Université de Bordeaux 2):

Ce livre édité par Springer (dans la même collection que Le Choix Bayesien) propose une couverture exhaustive des principales fonctions du langage R et une illustration de son utilisation dans la résolution des problèmes statistiques les plus classiques. Il est concu pour un public relativement large et peut donc à la fois servir de manuel de cours en second ou troisième cycle des universités et de livre de référence pour des chercheurs et ingénieurs utilisant R. Le livre montre en moins de 500 pages comment développer une plateforme de travail entièrement fondée sur ce logiciel libre qui forme la base de nombreuses expériences statistiques, grâce à la formidable collection de procédures construites par la communauté R.

Le livre est très bien conçu d’un point de vue pédagogique, avec de nombreuses trouvailles typographiques pour distinguer les divers niveaux de discours. Le livre est accompagné d’un logiciel (package) spécifique disponible en ligne et de jeux de données appropriées. La première partie, consacrée au langage proprement dit, est sans doute la plus réussie, avec une couverture vraiment complète des possibilités de R, au point d’inclure les instructions pour créer son propre package R, et une belle section sur la programmation objet. Le système d’exploitation de référence est Windows, qui n’est peut-être pas le plus adéquat  à la fois en terme de maniabilité et d’utilisateurs potentiels, mais le livre contient aussi des détails pour les utilisateurs des systèmes  Mac OS et Linux. Je serais sans doute un peu plus critique sur la partie statistique, au sens où les auteurs ont décidé d’inclure de nombreux rappels de statistique mathématique et même de probabilité, ce qui ne me semble pas l’objet premier du livre. Mais cela ne constitue pas un problème fondamental en ce que les lecteurs ne peuvent que se sentir confortés dans leur apprentissage de R. Le livre comprend pour chaque chapitre des exercices élémentaires mais fort utiles pour s’auto-tester, et des TPs beaucoup plus conséquents. D’une lecture facile grâce à ses choix typographiques, le livre contient même quelques graphiques en couleur. Il s’agit à mon avis du meilleur ouvrage de formation au langage R disponible en langue francaise et je pense l’utiliser dès la rentrée pour mon cours de L3.

The book is currently under translation by Robin Ryder (who also translated part of my book Introducing Monte Carlo Methods with R) and Robin told me today he was very nearly done, so the translation should soon appear in one of Springer’s collections, most likely Use R!.

Typos sorted, at last!

After posting so many entries about typos in my books (making you wonder how there could be any text left!) and postponing their classification for so long, I decided on Saturday afternoon to collect those entries into a comprehensive pdf document that should be more useful for readers. I incidentally noticed that my book web-page had not been updated for the publication of Méthodes de Monte-Carlo avec R two months ago and did update it… I am obviously more than grateful to all those who contacted me, either thru the Og or by email to point out those numerous typos. As the Wheel had started rolling (or weaving), I took the opportunity to clean the original LaTeX files as well, including Introducing Monte Carlo methods with R. Since this is a print-on-demand edition, the changes should be immediate.