Bayes Factors for Linear and Log‐Linear Models with Vague Prior Information
模糊先验信息下线性与对数线性模型的贝叶斯因子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模型比较，未明确对应所列经济计量领域细分。
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
模糊先验信息下线性与对数线性模型的贝叶斯因子
- 研究问题
- 用不适当先验的极限形式表示模糊信息时，贝叶斯因子中的任意常数如何处理，才能进行有明确含义的模型比较？
- 方法与思路
- 作者提出为未指定常数赋值的方法，在若干标准线性模型问题中说明其使用，再扩展到列联表的对数线性模型。
- 材料陈述的贡献
- 摘要称为模糊先验下贝叶斯因子不明确定义的问题提供处理方法，并展示线性模型与列联表模型中的应用。
- 阅读关注点
- 应核对常数赋值原则、对模型参数化与先验尺度的依赖，以及嵌套模型比较和列联表扩展所需的具体条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；未说明赋值规则及其唯一性或敏感性，不能认为任意不适当先验都能产生有效模型比较。
原文摘要
Summary The Bayes factor, or integrated likelihood ratio, provides a possible Bayesian alternative to the standard F ‐test procedure for comparing two linear models. However, if vague prior information for the model parameters is represented by limiting improper prior forms, it is well known that the resulting Bayes factor involves an arbitrary, unspecified constant, and is thus not well defined. A method of assigning this constant is proposed and illustrated for a number of standard problems. The approach is then extended to the analysis of contingency tables using log‐linear models.