Computing Bounds on Expectations
期望界限的计算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：摘要聚焦通用稳健贝叶斯计算与期望界限，未提供因果、分布效应或其他所列经济计量细分方向的具体依据。
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
期望界限的计算
- 研究问题
- 将一个先验嵌入先验分布类以评估贝叶斯分析敏感性时，如何计算先验与后验目标量的界限，尤其在高维参数空间中？
- 方法与思路
- 作者提出计算期望界限的 Monte Carlo 方法，并研究若干先验分布类的理论性质，以支持稳健贝叶斯分析。
- 材料陈述的贡献
- 摘要称，该方法处理稳健贝叶斯推断中的困难计算，也可用于其他需要期望界限的场景，并讨论特定先验类的性质。
- 阅读关注点
- 应核对先验类的具体定义、界限计算与优化的关系、Monte Carlo 误差控制，以及高维情况下的可行性和适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明算法步骤、先验类限制或计算精度，不能判断所得界限是否精确可达。
原文摘要
One method for evaluating the sensitivity of a Bayesian analysis is to embed the prior into a class of priors. Then bounds on prior and posterior quantities of interest must be computed. This approach to inference, often called robust Bayesian inference, has received much attention lately. Implementing robust Bayesian methods entails difficult computations, especially if the parameter space is high dimensional. In this article we develop a Monte Carlo approach to computing these bounds and also explore some interesting theoretical properties of certain classes of priors. The methods can be useful in other situations in which bounds on expectations are required.