Default Priors for Bayesian and Frequentist Inference
用于贝叶斯与频率学派推断的默认先验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：摘要属于默认先验与干扰参数处理的一般推断理论，未明确落入所列专门方向。
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…
用于贝叶斯与频率学派推断的默认先验
- 研究问题
- 如何选择对似然加权的默认先验，在消除干扰参数后评估目标参数，并处理针对不同目标参数推断时的边缘化问题？
- 方法与思路
- 作者在独立连续响应模型中构造全参数先验，再构造面向目标分量的修正先验，并结合两者研究向量目标与向量干扰参数。
- 材料陈述的贡献
- 摘要称全参数构造推广右不变测度，定向修正可避免所述边缘化悖论，并扩展相关先验与匹配推断思路，给出计算示例。
- 阅读关注点
- 应核对默认先验的构造依据、对目标参数与参数化的依赖，以及避免边缘化悖论和频率性质所需的具体条件。
- 阅读边界
- 仅据 Crossref 摘要；先验公式、正则条件及误差阶未提供，不能认定该先验对所有模型和推断目标均适用或优于其他先验。
原文摘要
Summary We investigate the choice of default priors for use with likelihood for Bayesian and frequentist inference. Such a prior is a density or relative density that weights an observed likelihood function, leading to the elimination of parameters that are not of interest and then a density-type assessment for a parameter of interest. For independent responses from a continuous model, we develop a prior for the full parameter that is closely linked to the original Bayes approach and provides an extension of the right invariant measure to general contexts. We then develop a modified prior that is targeted on a component parameter of interest and by targeting avoids the marginalization paradoxes of Dawid and co-workers. This modifies Jeffreys’s prior and provides extensions to the development of Welch and Peers. These two approaches are combined to explore priors for a vector parameter of interest in the presence of a vector nuisance parameter. Examples are given to illustrate the computation of the priors.