Importance-Weighted Marginal Bayesian Posterior Density Estimation
重要性加权的贝叶斯边际后验密度估计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：摘要研究通用贝叶斯计算与边际密度估计，所给应用不足以确定经济计量细分方向。
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
重要性加权的贝叶斯边际后验密度估计
- 研究问题
- 从联合后验分布的马尔可夫链相关样本出发，如何估计感兴趣的边际后验密度，并选择合适的加权条件密度？
- 方法与思路
- 作者提出重要性加权边际密度估计，通过平均含联合后验密度比与条件权重的相关观测构造估计，并讨论渐近性质。
- 材料陈述的贡献
- 摘要提出新的边际后验密度估计方法及权重选择指引，并用二元正态模型和受约束多元线性回归展示推导。
- 阅读关注点
- 应核对密度比和权重的准确表达、马尔可夫链条件、渐近误差与权重选择原则，以及约束回归示例的实施步骤。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。后验记号存在排版缺损，准确公式需查原文；摘要未说明误差界或相对效率。
原文摘要
Markov chain sampling schemes generate dependent observations {Θi, 0 ≤ i ≤ n} from a full joint posterior distribution π(θdata). Frequently, only certain marginals of this full posterior density are of interest; thus an interesting problem is how to estimate the marginal posterior densities based on the dependent observations {Θi, 0 ≤ i ≤ n} from π(θ data). We propose a new importance-weighted marginal density estimation (IWMDE) method. An IWMDE is obtained by averaging many dependent observations of the ratio of the full joint posterior densities multiplied by a weighting conditional density w. The asymptotic properties for the IWMDE and the guidelines for choosing a weighting conditional density w are also considered. A bivariate normal model and a constrained linear multiple regression model are used to illustrate how to derive the IWMDE's for the marginal posterior densities.