Buchumschlag

Large-sample theory for inferential models: a possibilistic Bernstein--von Mises theorem

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Martin, Ryan, Williams, Jonathan P.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Statistics Theory Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Asymptotic efficiency of inferential models and a possibilistic Bernstein--von Mises theorem
von: Martin, Ryan, et al.
Veröffentlicht: (2024)

Decision-making with possibilistic inferential models
von: Martin, Ryan, et al.
Veröffentlicht: (2021)

Valid and efficient possibilistic structure learning in Gaussian linear regression
von: Martin, Ryan, et al.
Veröffentlicht: (2025)

Skewed Bernstein-von Mises theorem and skew-modal approximations
von: Durante, Daniele, et al.
Veröffentlicht: (2023)

Possibilistic inferential models: a review
von: Martin, Ryan
Veröffentlicht: (2025)

No-prior Bayes reIMagined: probabilistic approximations of inferential models
von: Martin, Ryan
Veröffentlicht: (2025)

Computationally efficient variational-like approximations of possibilistic inferential models
von: Cella, Leonardo, et al.
Veröffentlicht: (2024)

The Bernstein-von Mises theorem for Semiparametric Mixtures
von: Franssen, Stefan, et al.
Veröffentlicht: (2024)

Semiparametric Bernstein-von Mises theorems for reversible diffusions
von: Giordano, Matteo, et al.
Veröffentlicht: (2025)

Bernstein-von Mises theorem for log-concave posteriors
von: Brunel, Victor-Emmanuel
Veröffentlicht: (2026)

Divergence-based Robust Generalised Bayesian Inference for Directional Data via von Mises-Fisher models
von: Nakagawa, Tomoyuki, et al.
Veröffentlicht: (2025)

Variational Bernstein-von Mises theorem with increasing parameter dimension
von: Yan, Jiawei, et al.
Veröffentlicht: (2025)

Bernstein-von Mises Theorem for Sparse Generalized Linear Model
von: Li, Hanqing, et al.
Veröffentlicht: (2026)

Bernstein-type Inequalities and Nonparametric Estimation under Near-Epoch Dependence
von: Yuan, Zihao, et al.
Veröffentlicht: (2022)

Bernstein-von Mises theorems for time evolution equations
von: Nickl, Richard
Veröffentlicht: (2024)

Misspecified Bernstein-Von Mises theorem for hierarchical models
von: Koers, Geerten, et al.
Veröffentlicht: (2023)

Empirical Bayes inference in sparse high-dimensional generalized linear models
von: Tang, Yiqi, et al.
Veröffentlicht: (2023)

Valid model-free spatial prediction
von: Mao, Huiying, et al.
Veröffentlicht: (2020)

A possibility-theoretic solution to Basu's Bayesian--frequentist via media
von: Martin, Ryan
Veröffentlicht: (2023)

Bernstein Polynomial Processes for Continuous Time Change Detection
von: Cunha, Dan, et al.
Veröffentlicht: (2025)

Online Bernstein-von Mises theorem
von: Lee, Jeyong, et al.
Veröffentlicht: (2025)

Closed-form empirical Bernstein confidence sequences for scalars and matrices
von: Chugg, Ben, et al.
Veröffentlicht: (2025)

Bernstein-von Mises for Adaptively Collected Data
von: Du, Kevin, et al.
Veröffentlicht: (2025)

The Spatial Cram'{e}r--von Mises Test of Independence under $β$-Mixing: Asymptotic Theory and Python Implementation
von: Mandap, Marco
Veröffentlicht: (2026)

Unifying design-based and model-based sampling theory -- some suggestions to clear the cobwebs
von: O'Neill, Ben
Veröffentlicht: (2024)

Bernstein von-Mises Theorem for g-prior and nonlocal prior
von: Fang, Xiao, et al.
Veröffentlicht: (2024)

A Bernstein-von Mises Theorem for Generalized Fiducial Distributions
von: Borgert, J. E., et al.
Veröffentlicht: (2024)

Possibility-theoretic statistical inference offers performance and probativeness assurances
von: Cella, Leonardo, et al.
Veröffentlicht: (2023)

Anytime valid and asymptotically optimal inference driven by predictive recursion
von: Dixit, Vaidehi, et al.
Veröffentlicht: (2023)

Regularized e-processes: anytime valid inference with knowledge-based efficiency gains
von: Martin, Ryan
Veröffentlicht: (2024)

Turning the information-sharing dial: efficient inference from different data sources
von: Hector, Emily C., et al.
Veröffentlicht: (2022)

Empirical Bayes estimation: When does $g$-modeling beat $f$-modeling in theory (and in practice)?
von: Shen, Yandi, et al.
Veröffentlicht: (2022)

Semi-parametric Bernstein-von Mises Theorem in a Parabolic PDE Problem
von: Magra, Adel, et al.
Veröffentlicht: (2026)

Policy learning "without" overlap: Pessimism and generalized empirical Bernstein's inequality
von: Jin, Ying, et al.
Veröffentlicht: (2022)

The EAS approach to variable selection for multivariate response data in high-dimensional settings
von: Koner, Salil, et al.
Veröffentlicht: (2021)

On a theory of martingales for censoring
von: Baer, Benjamin R., et al.
Veröffentlicht: (2024)

The typicality principle and its implications for statistics and data science
von: Jiang, Yiran, et al.
Veröffentlicht: (2025)

Valid Credible Ellipsoids for Linear Functionals by a Renormalized Bernstein-von Mises Theorem
von: Rømer, Gustav
Veröffentlicht: (2024)

Inference for function-on-function regression: central limit theorem and residual bootstrap
von: Yeon, Hyemin
Veröffentlicht: (2026)

Optimal information deletion and Bayes' theorem
von: Montcho, Hans, et al.
Veröffentlicht: (2026)