Semi-parametric Bernstein-von Mises Theorem in a Parabolic PDE Problem
VU Amsterdam(阿姆斯特丹自由大学);TU Delft(代尔夫特理工大学)
本文提出了一种基于贝叶斯方法的半参数伯恩斯坦-冯-米泽定理,用于在抛物型偏微分方程问题中恢复未知的扩散率参数。
2026-01-31 math.ST stat.TH
Semi-parametric Bernstein-von Mises in Linear Inverse Problems
本文在信号加白噪声模型中研究反问题标量参数的贝叶斯恢复,建立其边际后验的 Bernstein-von Mises 定理,并应用于热扩散系数恢复和半盲反卷积位置参数恢复。
2025-03-13 math.ST stat.TH
Early Highlights in the History of the Bernstein-von Mises Theorem
Katholische Universität Eichstätt-Ingolstadt(凯瑟琳大学艾希施泰特-因戈尔施塔特)
本文回顾了伯恩斯坦-冯·米塞定理从1774年到1953年的发展历程,揭示了该定理的起源、关键步骤及其应用。
2025-12-13 math.HO math.ST stat.TH
Semiparametric Bernstein-von Mises theorems for reversible diffusions
University of Turin(都灵大学);Imperial College London(伦敦帝国学院)
针对周期可逆多维扩散模型,建立了基于连续观测的贝叶斯非参数先验的半参数Bernstein-von Mises定理,并应用于高斯和Besov-Laplace先验,验证了其有效性和不确定性量化。
2026-07-03 math.ST stat.TH
Finite sample Bernstein-von Mises theorems for functionals and spectral projectors of the covariance matrix
我们证明了先验对协方差阵的后验分布的影响随着样本量的增长而消失。先验假设是明确和温和的。结果对有限样本有效,并承认维数$p$随样本量$n$而增长。我们利用所描述的事实,推导出有限样本Bernstein-von Mises定理的协方差阵(例如特征值)的泛函,并找到后验分布的Frobenius距离之间的光谱投影仪和经验光谱投影仪。这对于构造函数的真实值或真实光谱投影仪的尖锐置信集是有用的。
2019-06-26 math.ST stat.TH
The Bernstein--von Mises theorem for the proportional hazard model
本文研究了具有中性到右过程先验的比例风险模型在基线风险函数上的贝叶斯分析的大样本性质。我们证明了基线累积风险函数和回归系数的后验分布集中在最大似然估计是联合渐近等价的最大似然估计的抽样分布。
2006-11-08 math.ST stat.TH
A Bernstein-von Mises Theorem for Generalized Fiducial Distributions
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文在局部渐近正态性框架下,建立了广义证物推断的伯恩斯坦-冯·米塞定理,适用于非独立同分布数据,并扩展了现有广义证物理论在自由结样条模型中的应用。
2026-09-11 math.ST stat.TH
The semi-parametric Bernstein-von Mises theorem for regression models with symmetric errors
在光滑半参数模型中,有限维参数的边际后验分布被期望渐近等价于任何有效点估计的抽样分布。该断言导致了所关注参数的可信集和置信集的渐近等价性,被称为半参数伯恩斯坦-冯米塞斯定理。近年来,它受到了广泛的关注,并在许多实例中得到了应用。我们考虑模型中的误差与对称密度发挥作用,更具体地说,它表明,在线性回归和线性混合效应模型的回归系数的边际后验分布满足半参数Bernstein-von Mises断言。因此,这些模型中的贝叶斯估计实现了频率论推断最优性,如通过例如Hajek卷积和渐近极小极大定理所表示的。误差密度空间上先验的条件相对温和,并且众所周知的构造,如Dirichlet过程,正常密度和随机序列先验的混合物构成了有效的选择。特别地,该结果提供了线性混合效应模型中回归系数的有效估计,对于该模型,以前没有其他有效的点估计。
2017-01-12 math.ST stat.TH
Semiparametric Bernstein-von Mises Theorem: Second Order Studies
本文主要研究半参数贝叶斯模型中参数分量的边缘后验分布的二阶频率论性质,特别是二阶半参数Bernstein-von Mises(BvM)定理。我们的第一个贡献是发现一个有趣的干扰现象之间的贝叶斯估计和频率论的推断精度:更准确的贝叶斯估计的滋扰功能导致更高的频率论的推断精度的参数组件。作为第二个贡献,我们提出了一类新的依赖先验下,贝叶斯推理过程的参数组件不仅是有效的,而且是自适应的(w.r.t.非参数分量的光滑性)直到二阶频率论有效性。然而,通常使用的独立先验甚至可能无法产生一个理想的根-n收缩率的参数组件在这种自适应的情况下,除非施加一些严格的假设。三个重要的类的半参数模型进行检查,并提供了广泛的模拟。
2015-03-16 math.ST stat.TH
Parametrization, Prior Independence, and the Semiparametric Bernstein-von Mises Theorem for the Partially Linear Model
针对部分线性回归模型证明了半参数 Bernstein-von Mises 定理,通过可行重新参数化反映半参数结构,避免了先验不变性条件,并在小波序列和 Matérn 高斯过程先验下验证。
2025-04-07 econ.EM math.ST stat.TH
The Bernstein-von Mises theorem and nonregular models
我们研究了一类统计模型中“真”解出现在参数空间边界上的后验分布的渐近行为。我们表明,在这种情况下贝叶斯推断是一致的,并且后验分布不仅具有高斯分量,在常规模型的情况下(伯恩斯坦-冯米塞斯定理),但也有Γ分布组件,其形式取决于在边界附近的先验分布的行为,并具有更快的收敛速率。我们还证明了贝叶斯推理的一个显着的属性,即对于某些模型,似乎没有约束的效率估计的未知参数,如果它是在参数空间的边界。我们说明了从发射断层扫描的问题上的结果。
2014-10-01 math.ST stat.TH
The Bernstein-von Mises theorem for Semiparametric Mixtures
该研究针对半参数混合模型,在一般条件下证明其一致性与效率,先提出抽象半参数伯恩斯坦-冯·米塞斯定理并提供假设验证工具,进而应用于脆弱模型和变量误差模型中$θ$的估计效率研究。
2024-11-29 math.ST stat.TH
Finite Sample Bernstein -- von Mises Theorem for Semiparametric Problems
在允许有限样本和模型误设定的非经典设置中重新考虑经典参数和半参数Bernstein - von Mises(BvM)结果。在一个有限维的冗余参数的情况下,我们得到的目标参数的后验分布,这是明确的滋扰和目标参数的尺寸的高斯近似的误差上界。这有助于识别BvM结果适用的完整参数的所谓\emph{critical dimension} $ p $。在重要的身份证里。的情况下,我们证明了条件“$ p^{3} / n $是小的”是足够的BvM结果是有效的,在一般的假设模型。我们还提供了一个例子,一个模型的相变效应:陈述的BVM定理失败时,尺寸$ p $接近$ n^{1/3} $。将所得结果推广到Sobolev类中含有冗余参数的无穷维参数的情形。特别是,我们显示了接近正常的后,如果平滑参数$s$超过3/2。
2014-06-15 math.ST stat.TH
Semiparametric Bernstein-von Mises Phenomenon via Isotonized Posterior in Wicksell's problem
针对Wicksell逆问题,本文直接对可观测分布施加DP先验并构造等张化逆后验IIP,证明其半参数BvM现象与极小极大渐近方差,且可自动量化不确定性。
2025-08-28 math.ST stat.TH
Bernstein-von Mises theorems and uncertainty quantification for linear inverse problems
我们考虑从被加性高斯白噪声破坏的线性测量中恢复未知函数$f$的统计逆问题。我们采用了一个非参数贝叶斯方法与标准高斯先验,基于后验的重建$f$对应的Tikhonov正则化$\bar f$与再生核希尔伯特空间范数惩罚。我们证明了一个半参数Bernstein-von Mises定理的大量收集的线性泛函的$f$,这意味着半参数后验估计和不确定性量化是有效的,从频率论的角度来看是最佳的。将所得结果应用于研究三个具体的例子,涵盖轻度和严重不适定的情况下:具体地说,一个椭圆反问题,一个椭圆边值问题和热方程。对于椭圆型边值问题,我们也得到了一个非参数版本的定理,需要收敛的后验分布的先验独立的无限维高斯概率测度与最小的协方差。因此,它遵循的Tikhonov正则化$\bar f$是一个有效的估计$f$,我们得到频率保证某些可信的球集中在$\bar{f}$。
2020-01-17 math.ST stat.TH
Bernstein - von Mises theorem and misspecified models: a review
本文综述了贝叶斯方法在模型误设定下的一致性及局部高斯性质,并探讨了如何调整推断以实现渐近有效性。
2022-04-28 math.ST stat.TH
High-Dimensional Bernstein Von-Mises Theorems for Covariance and Precision Matrices
Florida State University(佛罗里达州立大学);University of Florida(佛罗里达大学);University of Technology Sydney(悉尼科技大学)
本文研究了高维情况下协方差与精度矩阵后验分布的渐近正态性,提出在特定增长限制下,其极限分布为对称矩阵正态分布,并适用于广泛先验分布。
2026-01-30 math.ST stat.TH
The semiparametric Bernstein-von Mises theorem for models with symmetric error
在光滑半参数模型中,期望有限维参数的边际后验分布渐近等价于频率论有效估计的抽样分布.这就是所谓的Bernstein-von Mises定理的断言,最近,它已经在许多有趣的半参数模型中得到了证明。在这篇论文中,我们考虑了半参数Bernstein-vonMises定理在具有对称误差的模型中的应用。这些模型中最简单的例子是具有1维位置参数和未知对称误差的对称位置模型。此外,只要误差分布是对称的,则包括线性回归和随机效应模型。非参数先验对误差分布的要求是非常温和的,最著名的Dirichlet过程混合法线工作得很好。因此,这些模型中的贝叶斯估计满足频率论的最优性准则,如Hajek-Le Cam卷积定理。主要结果的证明要求期望对数似然比具有一定的二次展开,这是对称密度的一个特殊性质。本文的主要贡献之一是在随机效应模型中,给出了回归系数的一个有效的估计量,这是由于完全似然推断的困难而无法有效估计的。我们的定理表明后验均值或中位数是有效的,数值研究的结果也表明了贝叶斯估计的优越性。为了实际应用,我们的主要结果,有效的吉布斯采样算法的基础上对称Dirichlet过程的混合物。
2015-10-18 math.ST stat.TH
Bernstein--von Mises theorems for Bayesian probabilistic numerics
EPFL(洛桑联邦理工学院);Humboldt University Berlin(柏林洪堡大学)
该研究从贝叶斯非参数视角研究非线性PDE求解的概率数值方法,建立了后验在索伯列夫空间及一致拓扑下的高斯近似,还证明高斯拉普拉斯近似在√N尺度下渐近等价于真实后验。
2026-09-04 cs.NA math.NA math.ST
Valid Credible Ellipsoids for Linear Functionals by a Renormalized Bernstein-von Mises Theorem
本文针对无限维高斯回归模型,提出重整化 Bernstein-von Mises 定理,证明后验可信椭球为渐近置信集,并验证于 Darcy 与 Schrödinger 问题。
2024-11-10 math.ST stat.TH
Semiparametric Bernstein-von Mises theorems from Stein's method
Statistical Laboratory, University of Cambridge(剑桥大学统计实验室)
本文提出基于 Stein 方法与信息几何框架的半参数 Bernstein-von Mises 定理证明新策略,给出非渐近上界,并应用于高斯白噪声与直方图模型中的各类泛函,通过泛函修正消除后验偏差。
2026-09-30 math.ST stat.TH
On Semi-parametric Bernstein-von Mises Theorems for BART
在贝叶斯非参数统计/机器学习中,很少有方法像贝叶斯加性回归树(BART)一样受到关注。虽然BART现在经常用于预测任务,但其理论特性直到最近才开始被理解。在这项工作中,我们继续Rockova和van der Pas(2017)发起的BART理论研究。特别是,我们研究了Bernstein-von Mises(BvM)现象(即渐近正态性)的光滑线性泛函的回归表面的框架内的非参数回归固定协变量。与其他适应性先验一样,当功能性和真实性不相容时,BvM现象可能会失败。为了克服诅咒的自适应分层先验下,我们诱导自相似性假设,以确保收敛到一个单一的高斯分布,而不是高斯混合。已知对功能参数的类似定性限制对于自适应推理是必要的。许多机器学习方法缺乏连贯的概率机制来衡量不确定性。BART很容易通过后验可信集提供这种量化。BvM定理意味着可信集也是具有相同渐近覆盖的置信区域。本文给出了BART先验的第一个渐近正态性结果,从频率论的角度证明了BART是一个有效的工具。
2019-05-09 math.ST stat.TH
Bernstein -- von Mises theorems for statistical inverse problems II: Compound Poisson processes
本文研究了$$Y_t = \sum_{k=1}^{N(t)} Z_k,~~~ t \ge 0,$$形式的纯跳过程参数的非参数贝叶斯统计推断,其中$N(t)$是强度为$λ$的标准泊松过程,$Z_k$是独立同分布~从跳跃测量$μ$。设计了Lévy测度$ν= λμ$的高维小波级数先验,其后验分布来自于在固定观测距离$Δ$上观测离散样本$Y_Δ, Y_{2Δ}, \dots, Y_{nΔ}$,从而产生了一个非线性逆推理问题.我们推导出收缩率的均匀范数的后验分布周围的真正的Lévy密度是最佳的对数因子超过Hölder类,作为样本大小$n$增加。我们证明了一个功能Bernstein-von Mises定理的分布函数的$μ$和$ν$,以及为强度$λ$,建立的事实,即后验分布近似的无限维高斯测度的协方差结构,以达到这个逆问题的信息下限。因此,基于后验的推断,如非参数可信集,是渐近有效的,从频率论的观点来看是最优的。
2019-09-05 math.ST stat.TH
Bernstein - von Mises theorems for statistical inverse problems I: Schrödinger equation
University of Cambridge(剑桥大学)
本文研究了确定薛定谔方程中未知势函数的问题,提出非参数贝叶斯先验,并证明了贝塞尔-冯-米塞定理,表明后验分布在小噪声极限下能进行有效的统计推断。
2018-06-15 cs.NA math.AP math.NA
Online Bernstein-von Mises theorem
Pohang University of Science and Technology(浦项科技大学)
本文提出了一种在线学习中的变分近似方法,证明在足够大的mini-batch大小下,逐步更新的后验与完整后验渐近等价。
2026-02-11 math.ST stat.TH
Variable Selection with Rigorous Uncertainty Quantification using Deep Bayesian Neural Networks: Posterior Concentration and Bernstein-von Mises Phenomenon
Google Research(谷歌研究院);Harvard University(哈佛大学)
该工作为深度贝叶斯神经网络(BNN)是一种具有严格不确定性量化的高维变量选择的有效工具这一事实提供了严格的理论基础。我们开发了新的贝叶斯非参数定理,以表明正确配置的深度BNN(1)在高维中有效地学习变量重要性,其学习率有时可以“打破”维数灾难。(2)BNN对变量重要性的不确定性量化是严格的,在这个意义上,它对变量重要性的95%可信区间确实覆盖了95%的时间的真相(即,Bernstein-von Mises(BvM)现象。理论结果提出了一种简单的基于BNN可信区间的变量选择算法。大量的模拟证实了理论研究结果,并表明,该算法优于现有的经典和基于神经网络的变量选择方法,特别是在高维。
2019-12-03 cs.LG stat.ML
The Bernstein-von Mises theorem for the Pitman-Yor process of nonnegative type
Pitman-Yor过程是一种随机概率分布,可用作非参数贝叶斯分析中的先验分布。该过程是物种抽样类型,并生成离散分布,如果类型$σ$为正,则在大小为$n$的随机样本中生成$n^σ$阶不同值(“物种”)。因此,这种类型的参数可以设置为目标的各种离散水平的真实分布,使Pitman-Yor过程在这种情况下是一个有趣的先验。先前已经证明,当且仅当数据的真实分布是离散的时,得到的后验分布是一致的。在本文中,我们得到的分布极限的后验分布,在一个(纠正)伯恩斯坦-冯米塞斯定理的形式,这是以前只知道在连续的,不一致的情况下。事实证明,Pitman-Yor后验分布具有良好的行为,如果数据的真实分布是离散的,原子减少不太慢。在这种情况下,从后验分布导出的可信集提供了有效的频率论置信集。对于一般离散分布,后验分布虽然一致,但可能包含在$\sqrt{n}$速率下不收敛于零的偏倚,并使后验推断无效。我们提出了一个偏差校正,解决了这个问题。我们还考虑了从数据中估计类型参数的效果,无论是经验贝叶斯方法还是全贝叶斯方法。在一个小的模拟研究中,我们说明,没有偏差校正的覆盖率的可信集可以任意低,也为一些离散分布。
2021-12-09 math.ST stat.TH
Bernstein-von Mises theorems for time evolution equations
University of Cambridge(剑桥大学)
研究基于非线性抛物型偏微分方程的动力学系统,探讨后验分布在 Wasserstein 距离下的近似特性,并应用于周期非线性反应扩散方程。
2026-04-17 cs.NA math.AP math.NA
Bernstein-von Mises for Adaptively Collected Data
Harvard University(哈佛大学);Stanford University(斯坦福大学)
本文首次将 Bernstein-von Mises 定理推广到自适应收集数据,证明贝叶斯 UQ 与 Wald 型频率学派 UQ 渐近等价,并揭示稳定性条件不满足时贝叶斯 UQ 并非渐近频率学派有效。
2025-11-10 math.ST stat.ML stat.TH
A Bernstein-Von Mises Theorem for discrete probability distributions
当模型维数随样本量增加时,我们研究了离散环境下后验分布的渐近正态性。本文考虑$\mathbbm{N}\setminus \{0\}$上的概率质量函数$θ_0$和满足$k_n^3\leq n\inf_{i\leq k_n}θ_0(i).$的截尾水平序列$(k_n)_n$。令$\hatθ$表示$(θ_0(i))_{i\leq k_n}$的极大似然估计,令$Δ_n(θ_0)$表示$k_n$维向量,其第$i$坐标由\sqrt{n}定义(\hat θ_n(i)-θ_0(i))对于$1\leq i\leq k_n.$我们检验了在$θ_0$上的温和条件下和在$k_n$ -维单形上的先验概率序列上,经过中心化和重新缩放后,以$\hatθ_n$为中心并由$\sqrt{n}$重新缩放的后验分布与$k_n$维高斯分布之间的变化距离$\mathcal{N}(Δ_n(θ_0),I^{-1}(θ_0))$以概率收敛于$0.$该定理可用于证明Shannon和Rényi熵的贝叶斯估计量的渐进正态性。证明是基于中心和非中心卡方(皮尔逊)统计量的浓度不等式。后者允许相对于Fisher距离而不是相对于Hellinger距离建立后验浓度率,因为它在非参数贝叶斯统计中很常见。
2009-01-29 math.ST stat.TH
Large sample asymptotic analysis for normalized random measures with independent increments
具有独立增量的归一化随机测度代表了一大类贝叶斯非参数先验,并在贝叶斯非参数框架中得到广泛应用。本文通过构造独立增量归一化随机测度(NRMIs)中完全随机测度的Levy强度,给出了NRMIs的后验一致性分析.引入假设的Levy强度分析NRMI的后验一致性,并验证了多个有趣的例子。本文的一个重点是Bernstein-vonMises定理的归一化广义伽玛过程(NGGP)时的真实分布的样本是离散的或连续的。当应用Bernstein-von Mises定理来构造可信集时,除了通常的形式外,在左端点处会有一个额外的偏置项,该偏置项与离散时真实分布的原子数密切相关。我们还讨论了在Bernstein-vonMises收敛下NGGP模型参数估计的影响。最后,为了进一步说明在构造可信集时加入偏差修正的必要性,我们用数值方法说明了当真值分布为离散分布时,偏差修正对可信集覆盖真值的影响。
2023-03-22 math.ST stat.TH
Semiparametric posterior limits
我们回顾了Bickel and Kleijn(2012)和Kleijn and Knapik(2013)之后的贝叶斯半参数推断理论。在概述了参数和半参数估计问题的效率之后,我们考虑Bernstein-von Mises定理(参见,例如,Le Cam和Yang(1990)),并将其推广到(LAN)正则和(LAE)非正则半参数估计问题。我们提出了一个不依赖于最不利子模型的半参数Bernstein-von Mises定理,从而绕过了Bickel和Kleijn(2012)中最严格的条件。结果被施加到(定期)估计的线性系数在部分线性回归(高斯滋扰先验)和正常的位置混合物(狄利克雷滋扰先验)的模型中的内核带宽,以及(不规则)估计的边界的支持的单调的密度家族(高斯滋扰先验)。
2013-05-21 math.ST stat.TH
Asymptotics for power posterior mean estimation
本文研究幂后验的渐近矩性质,证明其矩收敛于 Bernstein-von Mises 极限正态分布,并据此说明幂后验均值与最大似然估计量渐近等价。
2024-01-18 math.ST stat.TH
Bernstein-von Mises Theorems for Functionals of Covariance Matrix
我们提供了一个一般的理论框架,推导出Bernstein-von Mises定理的矩阵泛函。泛函和先验的条件是明确的,易于检查。结果得到各种泛函,包括条目的协方差阵,条目的精度矩阵,二次型,对数行列式,特征值的贝叶斯高斯协方差/精度矩阵估计设置,以及贝叶斯线性和二次判别分析。
2014-12-01 math.ST stat.TH
Bernstein von-Mises Theorem for g-prior and nonlocal prior
该研究针对线性回归模型,在分层g先验下推导了误差方差已知和未知(配逆伽马先验)情形的Bernstein von Mises定理,并揭示全变差与α-散度测度的关联。
2024-01-26 math.ST stat.TH
Bernstein - von Mises Theorem for growing parameter dimension
本文从不同的角度重新审视了著名的Fisher、Wilks和Bernstein-von Mises(BvM)结果。特别要解决的问题是:只有一个有限样本的非渐近框架,可能的模型错误,和一个大的参数尺寸。特别地,在i.i.d.样本,上述结果可以为任何光滑的参数族提供的参数空间的维数\(p \)满足条件“\(p^{2}/n \)是小的”的Fisher展开,而Wilks和BvM的结果要求“\(p^{3}/n \)是小的”。
2014-04-25 math.ST stat.TH
On the Bernstein-von Mises phenomenon for nonparametric Bayes procedures
我们继续调查伯恩斯坦冯米塞斯定理的非参数贝叶斯程序[安。41(2013)1999-2028]。我们引入多尺度空间,自然定义的非参数先验和后验,并证明Bernstein-von Mises定理的各种先验设置的高斯非参数回归和独立同分布。抽样模型从这些结果中,我们推导出几个应用程序,后验推理符合有效的频率程序,包括Donsker和Kolmogorov-Smirnov定理的随机后验累积分布函数。我们还表明,多尺度后验可信带的回归或密度函数是最佳的频率置信带。
2014-10-02 math.ST stat.TH
Bernstein von Mises Theorems for Gaussian Regression with increasing number of regressors
本文对贝叶斯非参数和半参数估计理论作出了贡献。研究了当回归变量个数随样本量增加时,高斯线性回归模型的后验分布的渐近正态性。在此框架下得到了两类Bernstein-von Mises定理:参数本身的非参数定理和参数泛函的半参数定理。我们将它们应用于高斯序列模型和Sobolev类和$C^α$类中的函数回归,得到了极小极大收敛速度。在我们的应用中,泛函的贝叶斯估计达到了自适应性。
2012-03-01 math.ST stat.TH
High-dimensional properties for empirical priors in linear regression with unknown error variance
我们研究了高维线性回归的全贝叶斯过程。我们采用[1]中介绍的数据依赖的经验先验。在他们的论文中,这些先验具有很好的后验收缩特性,并且易于计算。本文将他们的理论结果推广到误差方差未知的情况。在适当的稀疏性假设下,通过分析多元t分布,我们得到了模型选择的一致性、后验收缩率以及Bernstein von-Mises定理。
2022-02-11 math.ST stat.TH
Variational Bernstein-von Mises theorem with increasing parameter dimension
本文针对含潜变量的参数模型,建立了变分贝叶斯在参数维度递增情形下的有限样本理论,证明了非渐近变分Bernstein-von Mises定理及估计量的一致性和渐近正态性,并以多元高斯混合模型为例验证。
2025-08-04 math.ST stat.TH
On the Bernstein-von Mises theorem for the Dirichlet process
证明了后狄利克雷过程的拉普拉斯变换在零附近一致收敛于极限布朗桥过程的拉普拉斯变换.对于实值随机变量和有界变差函数,我们加强了这一结果,使其对所有实数都成立。最后一个结果是通过一个显式强逼近耦合不等式证明。
2021-03-25 math.PR math.ST stat.TH
Misspecified Bernstein-Von Mises theorem for hierarchical models
本文在误设定非独立同分布分层模型中建立 Bernstein von-Mises 定理,并将其应用于含平方积分算子及 PDE 约束反问题,通过 Schrödinger 方程等数值实验验证理论结果。
2025-06-04 math.ST stat.TH
Large-sample theory for inferential models: a possibilistic Bernstein--von Mises theorem
本文提出可能性 Bernstein–von Mises 定理,证明推断模型在保持不精确性与严格有效性的同时可达到渐近统计效率。
2024-04-24 math.ST stat.ME stat.TH
A Bernstein-von Mises theorem for smooth functionals in semiparametric models
对一般的半参数泛函导出了Bernstein-vonMises定理。结果被应用到各种半参数问题的独立同分布。和非I.I.D. situations.特别是,开发了新的工具来处理半参数偏差,特别是对于非线性泛函和正则性可能较低的情况。例子包括高斯白噪声中的平方$L^2$范数、密度估计中的非线性泛函以及自回归模型中的泛函。对于密度估计,系统地研究了两类重要先验的BvM结果,即随机直方图和高斯过程先验。
2015-11-17 math.ST stat.TH
Nonparametric Bernstein-von Mises theorems in Gaussian white noise
证明了高斯白噪声模型中非参数贝叶斯先验的Bernstein-vonMises定理。它演示了如何证明这些结果证明贝叶斯方法作为有效的频率推理程序在各种具体的非参数问题。特别是贝叶斯可信集的构造,具有渐近精确的$1-α$频率覆盖水平和其$L^2$直径收缩在极小极大收敛速率(对数因子内)在Hölder球。其他应用包括一般类的线性和非线性泛函和可靠的频带的自动卷积。这些假设覆盖了定义在$L^2$的一般规范正交基上的非共轭乘积先验,满足弱条件。
2013-10-31 math.ST stat.TH
The Bernstein-von Mises theorem and efficiency for semiparametric inference in multivariate Hawkes processes
University Paris Dauphine - PSL(巴黎第九大学-PSL大学)
本文研究了线性多变量海克斯过程的半参数推断,通过建立卷积定理和半参数伯恩斯坦-冯·米塞定理,证明了在贝叶斯设置下非参数随机级数先验的最优行为。
2026-10-30 math.ST stat.TH
Bernstein-von Mises theorem for sparse generalized linear models
Department of Mathematics and Statistics, University of Calgary(卡尔加里大学数学与统计系)
研究广义线性模型中的 spike-and-slab 先验,通过分数后验的 oracle Bernstein-von Mises 定理,在支撑似然假设下实现收缩、支撑恢复和高斯混合近似。
2026-09-14 math.ST stat.ME stat.TH
Asymptotic efficiency of inferential models and a possibilistic Bernstein--von Mises theorem
本文针对推理模型(IM)能否同时具备有限样本有效性和渐近效率的问题,通过提出一个新的可能性Bernstein--von Mises定理给出了肯定回答,并证明了IM解的渐近高效性及在冗余参数消除问题中的适用性。
2025-07-11 math.ST stat.TH
Debiased Bayesian Inference for High-dimensional Regression Models
CUHK-Shenzhen(香港中文大学(深圳));Emory University(埃默里大学);Chinese University of Hong Kong(香港中文大学)
本文提出了一种去偏贝叶斯推断方法,用于修正高维回归模型中后验分布的偏倚,确保频范有效性,并通过模拟和实证应用验证了其性能。
2025-12-10 econ.EM math.ST stat.CO
The semiparametric Bernstein-von Mises theorem
在光滑半参数估计问题中,如果模型被赋予适当的先验,则期望感兴趣的参数的边际后验是渐近正态的并且满足频率论最优性准则。它表明,在某些直接和可解释的条件下,断言乐凸轮的好评,但严格参数,伯恩斯坦-冯米塞斯定理[加州大学出版。1(1953)277-329]在半参数情况下也成立。因此,贝叶斯点估计实现了效率,例如,在哈耶克卷积定理的意义上[Z。华什弗鲁Gebiete 14(1970)323-330]。该模型需要满足可微性和度量熵条件,而滋扰先验必须将非零质量分配给某些Kullback-Leibler邻域[Ghosal,Ghosh和van der Vaart Ann. Statist. 28(2000)500-531]。此外,边缘后验被要求以参数速率收敛,这似乎是最严格的条件的例子。结果被应用到估计的线性系数的部分线性回归,与高斯先验的平滑类的滋扰。
2012-05-29 math.ST stat.TH
Efficient Bayesian estimation and use of cut posterior in semiparametric hidden Markov models
本文研究了具有有限状态空间和非参数发射分布的隐马尔可夫模型的估计问题。给出了转移阵的有效估计,并推导出半参数Bernstein-von Mises结果.在此基础上,我们提出了一个模块化的方法,使用切割后联合估计的转移阵和发射密度。我们推导出这种方法的收缩率的一般定理。然后,我们将展示如何将这一结果可以应用于获得收缩率的结果,在我们的设置中的发射密度,一个关键的中间步骤是一个反演不等式有关$L^1$之间的距离的边缘密度之间的$L^1$距离的排放量。最后给出了平滑概率的压缩结果,避免了常用的样本分裂方法。仿真证明了理论和易于实现。
2023-03-08 math.ST stat.ME stat.TH
Bayesian High-dimensional Semi-parametric Inference beyond sub-Gaussian Errors
在高维情形下,考虑了具有未知对称误差的稀疏线性回归模型。假设真实误差分布属于局部$β$ -Hölder类,尾部呈指数下降,不需要是亚高斯分布。我们得到的回归系数和误差密度的后验收敛速度,这是近最优的和自适应的未知稀疏水平。此外,我们推导了半参数Bernstein-von Mises(BvM)定理来描述回归系数的边缘后验的渐近形状。在真得分函数为亚高斯分布的假设下,得到了回归系数的强模型选择相合性,从而证明了频率论可信集的有效性.
2020-08-30 math.ST stat.TH
Stochastic Optimal Control with Side Information and Bayesian Learning
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种基于参数密度模型和后验预测动力学的贝叶斯方法,用于解决具有未知上下文条件随机分布的无限时间 horizon 随机最优控制问题,并证明了后验一致性和渐近正态性。
2026-07-22 math.OC math.ST stat.TH
On some information-theoretic aspects of non-linear statistical inverse problems
在无限维非线性高斯回归中,回顾了van der Vaart(1991)关于非零Fisher信息存在性的半参数统计结果。当且仅当回归映射的线性化的伴随满足一定的范围条件时,关于未知参数的信息理论上的最优推断是可能的。结果表明,这种范围条件可能会失败,在一个共同研究的椭圆型反问题的散度型方程,并在这种情况下,一个大类的光滑线性泛函的电导率参数不能有效地估计。特别是,高斯'伯恩斯坦冯米塞斯'型近似贝叶斯后验分布不持有在此设置。
2021-07-20 math.ST stat.TH