×
瑞安·马丁；宁、波

稀疏正态平均模型中后验可信集的经验先验和覆盖率。 （英语） Zbl 1451.62017年

Sankhyá，Ser。A类 82，编号2477-498（2020）.
摘要：贝叶斯方法为不确定性量化提供了一种自然的方法，即可以很容易地从后验分布中获得可信集。但是，在后验可信集达到标称频率覆盖概率的意义上，这种不确定性量化有效吗？本文基于稀疏正态平均模型中的一类经验先验知识，研究了后验不确定性量化的频率有效性。特别是，我们表明，在略弱于选择一致性所需条件和全后验的Bernstein-von Mises定理的条件下，我们的边际后验可信区间实现了标称频率覆盖概率，数值研究表明，与其他完全贝叶斯方法相比，我们的经验贝叶斯算法具有更好的频率覆盖概率特性。

引用于三文件

MSC公司：

62C12号机组 经验决策程序；经验贝叶斯程序
2012年12月62日 参数估计量的渐近性质
62E20型 统计学中的渐近分布理论

关键词：

贝叶斯推断；伯恩斯坦-冯-米塞斯定理；浓缩速率；高维模型；不确定性量化

软件：

EBayesThresh公司；马蹄铁
PDF格式BibTeX公司 XML格式引用
\textit{R.Martin}和\textit{B.Ning}，Sankhyá，Ser。A 82，编号2477-498（2020；兹bl 1451.62017）
全文： 内政部 arXiv公司

参考文献：

[1] 阿里亚斯·卡斯特罗，E。；Lounici，K.，《指数权重的估计和变量选择》，电子。J.Stat.，8，1，328-354（2014）·Zbl 1294.62164号
[2] 巴比里，MM；JO Berger，最优预测模型选择，Ann.Statist。，32, 3, 870-897 (2004) ·Zbl 1092.62033号
[3] Belitser，E.，《关于可信集的覆盖率和局部径向率》，Ann.Statist。，45, 3, 1124-1151 (2017) ·Zbl 1371.62044号
[4] Belitser，E.和Ghosal，S.（2019年）。经验贝叶斯预言不确定性量化。安.统计师。，出现。http://www4.stat.ncsu.edu/ghoshal/papers/oracle_regression.pdf。
[5] Belitser，E.和Nurushev，N.（2017年）。大海捞针：可能稀疏序列的可靠置信度。未发表的手稿。arXiv:1511.01803·Zbl 1441.62110号
[6] 博格丹，M。；查克拉巴蒂，A。；Frommlet，F。；Ghosh，JK，一些多重测试程序稀疏性下的渐近贝叶斯最优性，Ann.Statist。，39, 3, 1551-1579 (2011) ·Zbl 1221.62012年
[7] Bogdan，M.、Ghosh，J.K.和Tokdar，S.T.（2008年）。比较Benjamini-Hochberg程序与一些贝叶斯规则的多重测试。IMS，Beachwood，Balakrishnan，N.，Peña，E.和Silvapulle，M.（编辑），。
[8] 卡瓦略，CM；Polson，NG；Scott，JG，稀疏信号的马蹄形估计器，Biometrika，97，2，465-480（2010）·Zbl 1406.62021号
[9] 卡斯蒂略，I。；施密特·希伯（Schmidt-Hieber），J。；van der Vaart，A.，具有稀疏先验的贝叶斯线性回归，Ann.Statist。，43, 5, 1986-2018 (2015) ·Zbl 1486.62197号
[10] Castillo，I.和Szabó，B.（2019年）。尖峰和平板经验贝叶斯稀疏可信集。未发表的手稿。arXiv：1808.07721·Zbl 1441.62077号
[11] 卡斯蒂略，I。；van der Vaart，A.，《干草堆中的针头和稻草：可能稀疏序列的后向集中》，Ann.Statist。，40, 4, 2069-2101 (2012) ·Zbl 1257.62025号
[12] Datta，J。；Ghosh，JK，马蹄形先验贝叶斯风险的渐近性质，贝叶斯分析。，8, 1, 111-131 (2013) ·Zbl 1329.62122号
[13] 多诺霍，DL；Johnstone，IM，Minimax针对lq-error的lp-ball风险，Probab。理论相关领域，99，2，277-303（1994）·Zbl 0802.62006
[14] Ghosh，JK；德兰帕迪，M。；Samanta，T.，《贝叶斯分析简介》（2006），纽约：Springer，纽约·Zbl 1135.6202号
[15] Ghosh，P.和Chakrabarti，A.（2015）。一类近似黑向量收缩估计的后验集中性质。未发表的手稿。arXiv:1412.8161。
[16] Grünwald，P.和Mehta，N.（2017年）。一般无界损失函数的更快速率：从ERM到广义贝叶斯。未发表的手稿。arXiv:1605.00252。
[17] Grünwald，P。；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] 福尔摩斯，CC；Walker，SG，在一般贝叶斯模型中为幂似然赋值，Biometrika，104，2，497-503（2017）·兹比尔1506.62264
[19] 蒋伟（Jiang，W.）。；张，C-H，正态均值的广义极大似然经验Bayes估计，Ann.Statist。，37, 4, 1647-1684 (2009) ·Zbl 1168.62005号
[20] 约翰斯通，IM；Silverman，BW，《干草堆中的针和稻草：可能稀疏序列的经验贝叶斯估计》，Ann.Statist。，32, 4, 1594-1649 (2004) ·Zbl 1047.62008年
[21] Li，K-C，非参数回归的诚实置信区，Ann.Statist。，1001-1008年3月17日（1989年）·Zbl 0681.62047号
[22] Liu，C.，Yang，Y.，Bondell，H.和Martin，R.（2018）。使用经验相关自适应先验在高维线性模型中进行贝叶斯推理。未发表的手稿。arXiv:1810.00739。
[23] Martin，R.，受邀对van der Pas，Szabó和van der Vaart的文章发表评论，Bayesian Anal。，1254-1258年12月4日（2017年）
[24] Martin，R.（2018）。单调密度的经验先验和后验浓度率。Sankhya A，出现。arXiv:1706.08567。
[25] 马丁·R。；Mess，R.公司。；Walker，SG，稀疏高维线性模型中的经验贝叶斯后验浓度，Bernoulli，23，3，1822-1847（2017）·Zbl 1450.62085号
[26] Martin，R.和Tang，Y.（2019年）。稀疏高维线性回归预测的经验先验。arXiv:1903.00961。
[27] 马丁·R。；Walker，SG，稀疏正态平均向量的渐近极小极大经验Bayes估计，Electron。J.Stat.，8，2，2188-2206（2014）·Zbl 1302.62015年
[28] 马丁·R。；Walker，SG，数据依赖性先验及其后验浓度率，Electron。J.Stat.，13，2，3049-3081（2019）·Zbl 1429.62148号
[29] Ning，B.和Ghosal，S.（2018年）。群体稀疏下多元反应的贝叶斯线性回归。未发表的手稿。arXiv:1807.03439·Zbl 1437.62262号
[30] Nurushev，N.和Belitser，E.（2019）。投影结构的一般框架。未发表的手稿。arXiv:1904.01003·Zbl 1364.62060号
[31] 所罗门，J-B，单调约束下选定先验值后验分布的浓度率和一致性，电子。J.Stat.，8，1，1380-1404（2014）·兹比尔1298.62064
[32] 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
[33] Szabó，B。；范德法特，AW；van Zanten，JH，自适应非参数贝叶斯可信集的频繁覆盖，Ann.Statist。，43, 4, 1391-1428 (2015) ·兹比尔1317.62040
[34] van der Pas，S.、Scott，J.、Chakraborty，A.和Bhattacharya，A.（2016）。马蹄铁：马蹄铁优先权的实施。R包版本0.1.0。
[35] 范德帕斯，S。；Szabó，B。；van der Vaart，A.，马蹄铁的自适应后收缩率，电子。J.Stat.，11，2，3196-3225（2017）·Zbl 1373.62140号
[36] 范德帕斯，S。；Szabó，B。；van der Vaart，A.，马蹄铁的不确定性量化（讨论），贝叶斯分析。，12, 4, 1221-1274 (2017) ·Zbl 1384.62155号
[37] 范德帕斯，SL；BJK Kleijn；van der Vaart，AW，马蹄形估计器：近黑色向量周围的后向浓度，电子。J.Stat.，8，2，2585-2618（2014）·Zbl 1309.62060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。