Nonparametric Bayesian Analysis for Assessing Homogeneity in k × l Contingency Tables with Fixed Right Margin Totals
固定行边际总数的 k×l 列联表同质性非参数贝叶斯分析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：列联表类别概率的同质性检验属于一般统计建模，摘要未涉及离散选择行为或其他所列细分方向。
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…
关注这篇论文的作者
固定行边际总数的 k×l 列联表同质性非参数贝叶斯分析
- 研究问题
- 当列联表各组总数固定时，如何判断不同组的类别概率是否同质，并在贝叶斯分析中控制组间概率的聚类结构。
- 方法与思路
- 作者对组内计数设定条件多项分布，对类别概率的分布使用 Dirichlet 过程先验，并为其权重设先验，构造同质性贝叶斯因子。
- 材料陈述的贡献
- 摘要称，文章推导相关量的精确表达式；组数较少时可直接计算，组数较大时可用序贯重要性抽样，并提供多个示例。
- 阅读关注点
- 应核对同质性假设与贝叶斯因子的具体定义、先验权重如何影响聚类，以及序贯重要性抽样的精度与计算成本。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；先验敏感性、判别规则与计算误差未说明，不能推断其他版本变化。
原文摘要
In this work I postulate a nonparametric Bayesian model for data that can be accommodated in a contingency table with fixed right margin totals. This data structure usually arises when comparing different groups regarding classification probabilities for a number of categories. I assume that cell count vectors for each group are conditionally independent, with multinomial distribution given vectors of classification probabilities. In turn, these vectors of probabilities are assumed to be a sample from a distribution F, and the prior distribution of F is assumed to be a Dirichlet process, centered on a probability measure α and with weight c. I also assume a prior distribution for c, as a way of obtaining a better control on the clustering structure induced by the Dirichlet process. I use this setting to assess homogeneity of classification probabilities, and propose a “Bayes factor.” I derive exact expressions for the relevant quantities. These can be directly computed when the number of rows k is small, and through the sequential importance sampling algorithm proposed by MacEachern, Clyde, and Liu when k is moderate or large. The methods are illustrated with several examples.