LARGE SAMPLE JUSTIFICATIONS FOR THE BAYESIAN EMPIRICAL LIKELIHOOD
贝叶斯经验似然的大样本依据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：摘要讨论一般矩限制模型与贝叶斯经验似然的渐近基础，未提供足以对应任何给定应用细分领域的证据。
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
贝叶斯经验似然的大样本依据
- 研究问题
- 以经验似然替代参数似然的贝叶斯推断，能否在大样本下对应正式贝叶斯程序，并获得频率学派的推断依据？
- 方法与思路
- 作者重新表述矩限制模型，利用 Bernstein–von Mises 定理，将贝叶斯经验似然后验与两类贝叶斯后验作渐近比较。
- 材料陈述的贡献
- 摘要称其极限后验分别等同于最不利参数模型和半参数贝叶斯方法的极限后验，并给出频率学派的大样本解释。
- 阅读关注点
- 应核对矩限制的新表述、最不利模型构造、先验及干扰参数条件，以及后验等价所使用的距离和收敛方式。
- 阅读边界
- 仅据所给 Crossref 摘要，不能断言有限样本贝叶斯一致性或区间覆盖率良好；定理条件及其他版本变化均未说明。
原文摘要
This study investigates the asymptotic properties of the Bayesian empirical likelihood (BEL), which uses the empirical likelihood as an alternative to a parametric likelihood for Bayesian inference. We establish two asymptotic equivalence results based on the Bernstein–von Mises (BvM) theorem by introducing a new formulation of the moment restriction model. First, the limiting posterior distribution of the BEL is the same as that of a parametric Bayesian method that uses the likelihood of a least favorable model of the moment restriction model. Second, the limiting posterior distribution is also the same as that of a semiparametric Bayesian method that places priors on both a finite-dimensional parameter of interest and an infinite-dimensional nuisance parameter. Because parametric and semiparametric Bayesian methods are legitimate Bayesian procedures, the equivalence results provide a large sample justification for the BEL as a Bayesian inference method. Moreover, the BvM theorem provides a frequentist justification for BEL posterior inference.