Un exemple d`estimation bayésienne adaptative
Transcription
Un exemple d`estimation bayésienne adaptative
Un exemple d’estimation bayésienne adaptative Ismael Castillo 20 Février 2004 Résumé L’objectif est d’estimer d’un point de vue bayésien une densité de probabilité p sur [0, 1] à partir d’observations X1 , . . . , Xn . On suppose que p appartient à la classe de Hölder C β [0, 1] avec β inconnu dans {1, 2, . . . , αm }. On commence par rappeler le théorème de vitesse de convergence de Ghosal, Ghosh et Van der Vaart [2] dans un cadre bayésien non paramétrique. Les hypothèses sont essentiellement le contrôle de l’entropie du modèle et le fait que l’a priori doit charger suffisamment certains voisinages de la densité à estimer. On construit ensuite une suite de modèles log-splines Pn,α approchant C α [0, 1] (cf [1]); on munit chaque Pn,α d’une mesure Pαampriori Πn,α . On obtient alors un a priori sur ∪α Pn,α en posant : Πn = α=1 √ λα Πn,α . La mesure a posteriori associée à Πn converge alors, à un facteur log n près, à la vitesse β optimale classique n 2β+1 [3]. On explique enfin comment étendre ce resultat lorsque l’ensemble des exposants α est discret mais infini. Références [1] de Boor. A Practical Guide to Splines. Springer, 1978. [2] Ghosal, Ghosh, and van der Vaart. Convergence rates of posterior distributions. Annals of Statistics, 2000. [3] Ghosal, Lember, and van der Vaart. On bayesian adaptation. 8th Vilnius Prob. Conf., 2002. 1