Likelihood inference for continuous-time state-space models

In questo lavoro consideriamo un processo di Poisson doppiamente stocastico, che può essere interpretato come un modello stato-spazio non lineare a tempo continuo. Abbiamo sviluppato un algoritmo sequenziale Monte Carlo che rende possibile il filtraggio del processo latente e il calcolo puntuale della verosimiglianza. L'errore dell'approssimazione Monte Carlo e il tempo di calcolo sono stati ridotti applicando il teorema di Rao-Blackwell. Lo stesso algoritmo è stato utilizzato per la stima dei parametri del modello. Illustriamo una applicazione a dati sismologici.