Nonparametric Predictive Inference for Discrete Data via Metropolis-Adjusted Dirichlet Sequences
基于 Metropolis 调整狄利克雷序列的离散数据非参数预测推断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：摘要研究通用离散分布与计数数据的预测推断，提及二元扩展并不等于建立经济学离散选择模型。
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…
基于 Metropolis 调整狄利克雷序列的离散数据非参数预测推断
- 研究问题
- 面对未知离散分布、尤其计数分布时，如何构造计算简便的贝叶斯预测推断，并避免传统混合模型的计算负担？
- 方法与思路
- 作者提出 mad 序列模型，将预测测度写为基准测度与以既往数据点为中心的 Metropolis–Hastings 核的混合，并采用鞅后验结构。
- 材料陈述的贡献
- 摘要称序列具有渐近交换性，可形成直接的计数分布推断算法并扩展到多元、回归和二元数据，同时给出渐近高斯近似及应用。
- 阅读关注点
- 应核对预测递推与核构造、渐近交换性的条件、鞅后验的定义与解释，以及高斯近似和多元回归扩展的适用范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，未核对全文或刊本变化；摘要未说明有限样本交换性、后验校准或收敛条件，不能直接等同传统贝叶斯后验。
原文摘要
This article is motivated by challenges in conducting Bayesian inferences on unknown discrete distributions, with a particular focus on count data. To avoid the computational disadvantages of traditional mixture models, we develop a novel Bayesian predictive approach. In particular, our Metropolis-adjusted Dirichlet (mad) sequence model characterizes the predictive measure as a mixture of a base measure and Metropolis-Hastings kernels centered on previous data points. The resulting mad sequence is asymptotically exchangeable and the posterior on the data generator takes the form of a martingale posterior. This structure leads to straightforward algorithms for inference on count distributions, with easy extensions to multivariate, regression, and binary data cases. We obtain a useful asymptotic Gaussian approximation and illustrate the methodology on a variety of applications.