HAL : hal-00515648, version 2

arXiv : 1009.1370

Fiche détaillée

Récupérer au format BibTeX - EndNote - TEI - RefWorks -

Versions disponibles :

v1 (07-09-2010)

v2 (06-07-2011)

Bernstein von Mises Theorems for Gaussian Regression with increasing number of regressors

Dominique Bontemps 1

(07/09/2010)

This paper brings a contribution to the Bayesian theory of nonparametric and semiparametric estimation. We are interested in the asymptotic normality of the posterior distribution in Gaussian linear regression models when the number of regressors increases with the sample size. Two kinds of Bernstein-von Mises Theorems are obtained in this framework: nonparametric theorems for the parameter itself, and semiparametric theorems for functionals of the parameter. We apply them to the Gaussian sequence model and to the regression of functions in Sobolev and $C^{\alpha}$ classes, in which we get the minimax convergence rates. Adaptivity is reached for the Bayesian estimators of functionals in our applications.

1 :	Laboratoire de Mathématiques d'Orsay (LM-Orsay)
	CNRS : UMR8628 – Université Paris XI - Paris Sud

Domaine

:

Mathématiques/Statistiques Statistiques/Théorie

Mots Clés : Bayesian Statistics – Bernstein-von Mises Theorem – posterior asymptotic normality – nonparametric – semiparametric – adaptive estimation

hal-00515648, version 2

http://hal.archives-ouvertes.fr/hal-00515648

oai:hal.archives-ouvertes.fr:hal-00515648

Contributeur : Dominique Bontemps <>

Soumis le : Mercredi 6 Juillet 2011, 13:59:32

Dernière modification le : Mercredi 6 Juillet 2011, 15:51:48