Nonparametric Priors for Ordinal Bayesian Social Science Models: Specification and Estimation
有序贝叶斯社会科学模型的非参数先验：设定与估计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：摘要明确采用有序 probit 模型分析有序压力水平，直接涉及有序离散应答建模。
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
有序贝叶斯社会科学模型的非参数先验：设定与估计
- 研究问题
- 如何利用有序应答模型估计总统政治任命人员的压力水平，并在随机效应先验中兼顾已有信息与分布形式的不确定性？
- 方法与思路
- 作者采用有序 probit 广义线性混合模型，以狄利克雷过程混合先验描述随机效应，并介绍数据与模型实施方法。
- 材料陈述的贡献
- 摘要称，非参数先验模型比标准方法拟合更好，并揭示更多数据信息；该设定也提供了兼顾信息性与模糊性先验的思路。
- 阅读关注点
- 阅读时应核对压力指标的有序编码、随机效应与先验信息的设定，以及拟合比较指标和压力与任期关系的解释依据。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；摘要未说明比较指标、先验敏感性或因果识别依据，不能据此认定压力导致任期缩短。
原文摘要
A generalized linear mixed model, ordered probit, is used to estimate levels of stress in presidential political appointees as a means of understanding their surprisingly short tenures. A Bayesian approach is developed, where the random effects are modeled with a Dirichlet process mixture prior, allowing for useful incorporation of prior information, but retaining some vagueness in the form of the prior. Applications of Bayesian models in the social sciences are typically done with “uninformative” priors, although some use of informed versions exists. There has been disagreement over this, and our approach may be a step in the direction of satisfying both camps. We give a detailed description of the data, show how to implement the model, and describe some interesting conclusions. The model utilizing a nonparametric prior fits better and reveals more information in the data than standard approaches.