A Technique for Estimating Marginal Posterior Densities in Hierarchical Models Using Mixtures of Conditional Densities
利用条件密度混合估计层级模型边际后验密度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：摘要明确包含 Kalman 滤波与状态空间模型中的密度计算应用。
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
利用条件密度混合估计层级模型边际后验密度
- 研究问题
- 如何利用贝叶斯模型的层级表示，高效近似边际后验密度，并简化状态空间模型中的预测与后验密度计算？
- 方法与思路
- 作者提出分位数积分，从混合分布中确定性选取条件变量取值，再以相应条件密度的混合近似边际密度。
- 材料陈述的贡献
- 摘要称，该近似便于实现且计算高效，并为 Kalman 滤波、状态空间模型及位置尺度族创新给出简化表达。
- 阅读关注点
- 应核对确定性取点与混合权重的构造、近似误差和计算成本，并检查状态空间应用及位置尺度族公式的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未提供误差界、维度限制或比较数值，不能据此断言优于其他积分或抽样方法。
原文摘要
A technique called quantile integration is proposed for the estimation of marginal posterior densities arising in Bayesian models having hierarchical representations. The method is based on approximating marginal densities as mixtures of conditional densities, where the conditioning variables are selected deterministically from the mixing distributions. The form of the approximation makes it easy to implement, and the resulting approximations are computationally efficient to obtain. The technique leads to particularly simple approximations for the predictive and posterior densities in Kalman filter or state-space models, and specific formulas are provided for the special case in which innovations belong to location-scale families. Other applications include a hierarchical empirical Bayes model for Poisson rates and a hierarchical linear model with exchangeable regression parameters and unknown variance components.