A framework for Bayesian and likelihood approximations in statistics
统计中的贝叶斯与似然近似统一框架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：摘要提供通用高阶推断框架，提及依赖数据不足以确定具体时间序列或其他细分方向。
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
统计中的贝叶斯与似然近似统一框架
- 研究问题
- 贝叶斯与频率学的高阶近似之间如何联系，能否通过统一框架解释似然近似，并理解这些近似与实际观测数据的相关性？
- 方法与思路
- 作者以单个实参数展开分析，使用对数密度比的带符号平方根，通过去平滑论证从贝叶斯近似得到部分高阶似然近似。
- 材料陈述的贡献
- 摘要称，统一框架澄清两类推断的关系，并为评价近似与已观测数据的相关性提供解释，也提出研究非正则等问题的路径。
- 阅读关注点
- 应核对去平滑步骤的含义、正则性与近似误差条件，以及依赖数据、非正则问题和近似条件推断涉及哪些实际结果。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；论述主要围绕单实参数，不能据此认定所有多参数、非正则或依赖数据问题均已解决。
原文摘要
Regular Bayesian and frequentist approximations in statistics are studied within a unified framework. In particular it is shown how some higher-order likelihood-based approximations arise from their Bayesian counterparts via an unsmoothing argument. This approach serves to shed new light on these formulae and to clarify relationships between Bayesian and frequentist inferences. For example, Bayesian interpretations of higher-order approximations can give insights into the acceptability, or otherwise, of these approximations from the point of view of ‘relevance’ to the actual data observed. Furthermore, this approach is a very natural one for the study of more general ‘nonregular’ problems, models for dependent data, and approximate conditional inference. For ease of exposition the development is in terms of a single real parameter. The main analytic development proceeds in terms of signed roots of log-density ratios.