Conditional Inferential Models: Combining Information for Prior-Free Probabilistic Inference
条件推断模型：汇集信息以进行无先验概率推断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：摘要讨论通用概率推断框架、辅助变量降维和条件化，未提供所列经济计量细分领域的直接研究内容。
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
条件推断模型：汇集信息以进行无先验概率推断
- 研究问题
- 在推断模型中，当辅助变量维度高于参数维度时，如何利用其已观测特征进行条件化，同时降低维度并汇集信息？
- 方法与思路
- 作者通过条件化辅助变量实现降维，用微分方程选择条件关联，并以局部化构造更灵活的条件推断模型。
- 材料陈述的贡献
- 摘要称条件化策略可提高推断效率，在一定条件下证明有效性，并给出二元正态与正态方差分量模型的局部化示例。
- 阅读关注点
- 应核对辅助变量哪些特征可被完全观测、有效性的概率定义、微分方程选择规则，以及局部化如何影响推断保证。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未列出有效性条件和效率指标，不能据此认定所有模型都存在标准条件化形式或统一效率保证。
原文摘要
Summary The inferential model (IM) framework provides valid prior-free probabilistic inference by focusing on predicting unobserved auxiliary variables. But, efficient IM-based inference can be challenging when the auxiliary variable is of higher dimension than the parameter. Here we show that features of the auxiliary variable are often fully observed and, in such cases, a simultaneous dimension reduction and information aggregation can be achieved by conditioning. This proposed conditioning strategy leads to efficient IM inference and casts new light on Fisher's notions of sufficiency, conditioning and also Bayesian inference. A differential-equation-driven selection of a conditional association is developed, and validity of the conditional IM is proved under some conditions. For problems that do not admit a conditional IM of the standard form, we propose a more flexible class of conditional IMs based on localization. Examples of local conditional IMs in a bivariate normal model and a normal variance components model are also given.