Etantdonne un modele parametrique d'observationxf(xj), ou 2, un es-pace de dimension fnie, l'analyse statistique bayesienne vise a exploiter le plus ecace-ment possible l'information apportee parxsur le parametre, pour ensuite construire desprocedures d'inferencesur.
Dans un contexte de selection bayesienne de variables, le danger est de favoriser demaniere involontaire un ou des modeles a cause de lois a priori mal calibrees les unes parrapport aux autres.
Dans l'approche bayesienne, le fac-teur de Bayes compare les deux probabilites, P(M1jx) etP(M2jx), et ne conclut que si ellesdierent susamment. Dans cette partie, nous nous interessons a la selection bayesienne de variables en regres-sion lineaire gausienne.
La premiere approche suppose que l'inference statistiquedoit prendre en compte cette complexite autant que possible et elle cherche donc a estimer ladistribution sous-jacente du phenomene sous des hypotheses minimales, en ayant recours engeneral a l'estimation fonctionnelle (densite, fonction de regression, etc.).