OPTIMAL AUXILIARY PRIORS AND REVERSIBLE JUMP PROPOSALS FOR A CLASS OF VARIABLE DIMENSION MODELS
变维模型的最优辅助先验与可逆跳跃提议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：摘要明确以贝叶斯非参数条件密度模型为主要动机并应用于 Engel 曲线，故归入分布方向，未据此推定结构识别。
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
变维模型的最优辅助先验与可逆跳跃提议
- 研究问题
- 在混合成分数量可变的密度混合及专家混合模型中，如何设计跨维度 MCMC 移动，以提高接受概率并改善样本均值估计效率？
- 方法与思路
- 作者构造可表示为回溯抽样或可逆跳跃的 MCMC 算法，分别选择辅助先验和提议分布，并用于专家混合条件密度模型。
- 材料陈述的贡献
- 摘要称算法在一定限制下最大化预期接受概率并最小化渐近方差，使模型估计可行；Engel 曲线应用报告较好的样本外表现。
- 阅读关注点
- 应核对最优性所需限制、跨维度移动和回溯抽样的具体实现，以及 Engel 曲线比较中的损失指标、候选模型与计算成本。
- 阅读边界
- 仅依据所给 Crossref 摘要；最优性限制和样本外比较数值未说明，不能将单一应用的表现推广，也不能推断刊本变化。
原文摘要
This article develops a Markov chain Monte Carlo (MCMC) method for a class of models that encompasses finite and countable mixtures of densities and mixtures of experts with a variable number of mixture components. The method is shown to maximize the expected probability of acceptance for cross-dimensional moves and to minimize the asymptotic variance of sample average estimators under certain restrictions. The method can be represented as a retrospective sampling algorithm with an optimal choice of auxiliary priors and as a reversible jump algorithm with optimal proposal distributions. The method is primarily motivated by and applied to a Bayesian nonparametric model for conditional densities based on mixtures of a variable number of experts. The mixture of experts model outperforms standard parametric and nonparametric alternatives in out of sample performance comparisons in an application to Engel curve estimation. The proposed MCMC algorithm makes estimation of this model practical.