×
Indrabati巴塔查里亚;瑞安·马丁

多元分位数的吉布斯后验推断。 （英语） Zbl 1480.62089号

J.统计计划。推断 218, 106-121 (2022).
总结：贝叶斯方法和其他类似的基于hood的方法需要指定统计模型，并且可能无法完全满足对未自然定义为模型参数的数量（如分位数）的推断。本文构造了多元分位数的直接无模型Gibbs后验分布。无模型意味着从吉布斯后验中得出的推论不会受到模型误指定偏差的影响，而直接意味着不需要对妨害参数进行先验或边缘化。我们在这里证明了Gibbs后验分布具有根收敛速度和Bernstein-von Mises性质，即对于较大的（n），Gibbs后验分布可以近似为高斯分布。此外，我们给出了数值结果，表明了由适当缩放的Gibbs后验函数导出的可信集的有效性和效率。

引用于三文件

MSC公司：

62H10型 统计的多元分布

关键词：

伯恩斯坦-冯-米塞斯现象;浓缩速率;可信集;学习率;多元中值
PDF格式BibTeX公司 XML格式引用
\textit{I.Bhattacharya}和textit{R.Martin}，J.Stat.Plann。推论218，106-121（2022；Zbl 1480.62089）
全文： 内政部 arXiv公司

参考文献：

[1] Abdous，B。；Theodorescu，R.，关于随机向量的空间分位数的注释，Statist。普罗巴伯。莱特。，13, 4, 333-336 (1992) ·Zbl 0743.62040号
[2] Alquier，P.，随机经验风险最小化者的PAC贝叶斯界，数学。方法统计。，17, 4, 279-304 (2008) ·Zbl 1260.62038号
[3] 巴布，G.J。；Rao，C.R.，《多元总体样本中边缘分位数和分位数函数的联合渐近分布》，《多元分析杂志》。，27, 1, 15-23 (1989) ·Zbl 0649.62050号
[4] 巴塔查里亚，I。；Ghosal，S.，多元中值和分位数的贝叶斯推断，统计学。Sinica（2022），（出版中）http://www3.stat.sinica.edu.tw/ss_newpaper/ss-2020-0108_na.pdf
[5] Bissiri，P.G。；C.C.福尔摩斯。；Walker，S.G.，更新信念分布的一般框架，J.R.Stat.Soc.Ser。B、 78、5、1103-1130（2016）·Zbl 1414.62039号
[6] Bose，A。；Chaudhuri，P.，《关于多元中值的离散性》，《Ann.Inst.Statist》。数学。，45, 3, 541-550 (1993) ·Zbl 0799.62061号
[7] Brown，B.，《空间中值的统计应用》，J.R.Stat.Soc.，45，1，25-30（1983）·Zbl 0508.62046号
[8] 卡斯蒂略，I。；van der Vaart，A.，《大海捞针：可能稀疏序列的后验集中》，Ann.Statist。，40, 4, 2069-2101 (2012) ·Zbl 1257.62025号
[9] Chakraborty，B.，《关于多元中值回归》，Bernoulli，5，4，683-703（1999）·Zbl 0943.62048号
[10] Chakraborty，B.，《关于多元分位数回归》，J.Statist。计划。推理，110，1-2，109-132（2003）·Zbl 1030.62046号
[11] Chaudhuri，P.，《关于多元数据分位数的几何概念》，J.Amer。统计师。协会，91，434，862-872（1996）·Zbl 0869.62040号
[12] 切尔诺朱科夫，V。；Hong，H.，《经典估计的MCMC方法》，J.Econom。，115, 2, 293-346 (2003) ·兹比尔1043.62022
[13] Ferguson，T.S.，《一些非参数问题的贝叶斯分析》，Ann.Statist。，1, 209-230 (1973) ·Zbl 0255.62037号
[14] 弗雷泽，D.A.S.，贝叶斯后验只是快速而肮脏的自信吗？，统计师。科学。，26, 3, 299-316 (2011) ·Zbl 1246.62040号
[15] Ghosal，S。；van der Vaart，A.，《非参数贝叶斯推断基础》，第44卷（2017），剑桥大学出版社·Zbl 1376.62004号
[16] Grünwald，P.，《安全贝叶斯：通过可混合间隙学习学习率》，（《算法学习理论》，《计算科学讲义》，第7568卷（2012年），施普林格：施普林格-海德堡），169-183·Zbl 1255.68086号
[17] Grünwald，宾夕法尼亚州。；van Ommen，T.，错误指定线性模型的贝叶斯推理不一致性及其修复建议，贝叶斯分析。，12, 4, 1069-1103 (2017) ·Zbl 1384.62088号
[18] Hallin，M。；Paindaveine，D。；西蒙，M。；魏毅。；Serfling，R。；Zuo，Y。；Kong，L。；Mizera，I.，《多元分位数和多输出回归分位数：从（ell_1）优化到半空间深度（带讨论和反驳）》，Ann.Statist。，38, 635-703 (2010) ·Zbl 1183.62088号
[19] Hand，D.J。；Daly，F。；伦恩，A.D。；McConway，K.J。；Ostrowski，E.，《小数据集手册》（1994），查普曼和霍尔/CRC：查普曼与霍尔/CRC伦敦·Zbl 0949.62500号
[20] Hjort，N.L.，Pollard，D.，1993年。凸过程极小值的渐近性，未发表的手稿，http://www.stat.yale.edu网站/pollard/Papers/convex.pdf。
[21] C.C.福尔摩斯。；Walker，S.G.，在一般贝叶斯模型中为幂似然赋值，Biometrika，104，2，497-503（2017）·Zbl 1506.62264号
[22] Huber，P.J.，《稳健统计》，ix+308（1981），John Wiley&Sons Inc.：纽约John Willey&Sons Inc·Zbl 0536.62025号
[23] 蒋伟（Jiang，W.）。；Tanner，M.A.，Gibbs posterinal for variable selection in high dimension classification and data mining，Ann.Statist.，高维分类和数据挖掘中变量选择的后验。，36, 5, 2207-2231 (2008) ·Zbl 1274.62227号
[24] 克莱恩，B.J.K。；van der Vaart，A.W.，错误指定下的Bernstein-Von-Mises定理，电子。《J Stat.》，第6卷，第354-381页（2012年）·Zbl 1274.62203号
[25] Lyddon，S.P。；C.C.福尔摩斯。；Walker，S.G.，General Bayesian updated and the loss-likelihood bootstrap，生物统计学，106，2，465-478（2019）·Zbl 1454.62098号
[26] Martin，R.，《虚假信心、非加性信念和有效统计推断》，国际。J.近似原因。，113, 39-73 (2019) ·Zbl 1471.62236号
[27] 马丁·R。；Ning，B.，稀疏正态平均模型中后验可信集的经验先验和覆盖率，Sankhya a，82，477-498（2020）·Zbl 1451.62017年
[28] McAllester，D.A.，PAC贝叶斯模型平均，（第十二届计算学习理论年会论文集。第十二届计算学习理论年会论文集，加利福尼亚州圣克鲁斯，1999（1999），ACM:ACM纽约），164-170
[29] Möttönen，J。；诺德豪森，K。；Oja，H.，空间中值的渐近理论，（现代统计推断和时间序列分析中的非参数和稳健性：纪念Jana Jurečková教授的节日（2010），数理统计研究所），182-193
[30] 罗宾斯，H。；Monro，S.，《随机近似方法》，《数学年鉴》。统计人员。，22, 400-407 (1951) ·Zbl 0054.05901号
[31] Small，C.G.，《多维中位数调查》，《国际统计评论》，58，3，263-277（1990）
[32] 糖浆，N。；洪，L。；Martin，R.，Gibbs关于价值-风险的后验推断，Scand。演员。J.，1-10（2019）·Zbl 1422.91376号
[33] 糖浆，N。；Martin，R.，Gibbs关于最小临床重要差异的后验推断，J.Statist。计划。推理，18767-77（2017）·Zbl 1391.62251号
[34] 糖浆，N。；Martin，R.，校准一般后部可信区域，Biometrika，106，2，479-486（2019）·Zbl 1454.62105号
[35] 糖浆，N。；Martin，R.，Gibbs亚指数型损失下的后验浓度率（2020年），arXiv:2012.04505
[36] 糖浆，N。；Martin，R.，噪声图像边界上的鲁棒和速率最优Gibbs后验推断，Ann.Statist。，48, 3, 1498-1513 (2020) ·Zbl 1454.62209号
[37] 托克达尔，S.T。；Martin，R.，BayesIan正态性检验与Dirichlet工艺混合物替代品，Sankhya B，83，1，66-96（2021）·Zbl 1469.62278号
[38] 范德帕斯，S。；Szabó，B。；van der Vaart，A.，马蹄铁的不确定性量化（含讨论和反驳），贝叶斯分析。，12, 4, 1221-1274 (2017) ·Zbl 1384.62155号
[39] van der Vaart，A.W.，渐进统计学（2000），剑桥大学出版社·Zbl 0910.62001号
[40] 王，Z。；Martin，R.，《接收器工作特性曲线下面积的无模型后验推断》，J.Statist。计划。推断，209174-186（2020）·兹比尔1441.62176
[41] 吴，P.-S。；Martin，R.，《广义贝叶斯推断中学习率选择方法的比较》（2020），arXiv:2012.1349
[42] 宋学坤，P.，高斯copula生成的多元离散模型，Scand。《统计杂志》，27，2，305-320（2000）·Zbl 0955.62054号
[43] Yang，Y。；王海杰。；He，X.，《不对称拉普拉斯似然贝叶斯分位数回归的后验推断》，《国际统计评论》，84，3，327-344（2016）·Zbl 07763523号
[44] Zhang，T.，从（varepsilon）-熵到KL熵：最小信息复杂度密度估计分析，Ann.Statist。，34, 5, 2180-2210 (2006) ·Zbl 1106.62005年
[45] Zhang，T.，统计估计的信息理论上限和下限，IEEE Trans。通知。理论，52，4，1307-1321（2006）·Zbl 1320.94033号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。