Likelihood Subgradient Densities
似然次梯度密度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：摘要研究通用贝叶斯包络与抽样方法，提及 logit 示例不足以归入离散选择研究。
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
似然次梯度密度
- 研究问题
- 如何利用似然次梯度密度构造贝叶斯计算中的紧包络函数，并将这一构造用于接受—拒绝抽样？
- 方法与思路
- 作者引入似然次梯度密度及其混合，先讨论正态先验与正态数据，再扩展至多维模型和近正态数据情形。
- 材料陈述的贡献
- 摘要称研究了基本性质并给出正态情形的包络面积上界，还对两个模型进行了接受—拒绝模拟；所给上界表达式缺失。
- 阅读关注点
- 应查阅原 PDF 核对缺失的面积上界、次梯度密度定义、包络构造，以及向广义线性模型推广的具体依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；两个上界公式缺失，不能重构或推导。推广表述带有预期性，需查原 PDF 核实。
原文摘要
We introduce likelihood subgradient densities and explore their basic properties. Using mixtures of likelihood subgradient densities, we propose an approach for constructing tight enveloping functions in the Bayesian context. In the case of normal priors with normal data, the area underneath the resulting enveloping function is bounded above by . The approach is extended to k-dimensional models where the corresponding bound is . More generally, our approach should also yield tight enveloping functions for other models in which the data are close to normal. Such models include generalized linear models (e.g., Bayesian Poisson regression and the Bayesian logit model). Simulations based on the approach are performed for two separate models using accept–reject methods.