Marginal Likelihood From the Metropolis–Hastings Output
利用 Metropolis–Hastings 输出估计边际似然AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：核心是通用贝叶斯模型比较方法，二元响应等模型仅为示例，不足以限定到所列经济计量细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用 Metropolis–Hastings 输出估计边际似然
- 研究问题
- 如何利用 Metropolis–Hastings 抽样结果估计贝叶斯模型比较所需的边际似然，并处理完整条件密度难以求解的问题？
- 方法与思路
- 作者扩展 Chib 的方法，利用 Metropolis–Hastings 算法的组成部分同时进行抽样与边际似然估计，并以多种模型演示实现。
- 材料陈述的贡献
- 摘要称，该框架解决完整条件密度难以处理造成的障碍，并通过复用抽样机制减少预运行调参与编程工作；示例展示其可实施性。
- 阅读关注点
- 阅读时应核对边际似然估计的具体构造、所需密度与接受概率的可计算性，以及蒙特卡洛误差、链的收敛和示例比较设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断误差保证、计算成本或相对方法的优势；示例不能确立普遍适用性，刊本差异未提供。
原文摘要
This article provides a framework for estimating the marginal likelihood for the purpose of Bayesian model comparisons. The approach extends and completes the method presented in Chib (1995) by overcoming the problems associated with the presence of intractable full conditional densities. The proposed method is developed in the context of MCMC chains produced by the Metropolis–Hastings algorithm, whose building blocks are used both for sampling and marginal likelihood estimation, thus economizing on prerun tuning effort and programming. Experiments involving the logit model for binary data, hierarchical random effects model for clustered Gaussian data, Poisson regression model for clustered count data, and the multivariate probit model for correlated binary data, are used to illustrate the performance and implementation of the method. These examples demonstrate that the method is practical and widely applicable.