Properties of nested sampling
嵌套采样的统计性质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：内容是通用边际似然模拟算法及误差理论，没有所列经济学领域细分的直接依据。
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
嵌套采样的统计性质
- 研究问题
- 用嵌套采样近似边际似然时，近似误差具有怎样的收敛速度和极限分布，其方差又如何随参数维度增长？
- 方法与思路
- 作者分析嵌套采样误差与渐近方差，讨论实际问题中的适用性和效率，与另外两种边际似然计算方法进行比较。
- 材料陈述的贡献
- 摘要称误差按标准蒙特卡洛速率消失且渐近高斯，方差通常随维度线性增长，并提出无需用 MCMC 获取模拟点的扩展。
- 阅读关注点
- 应核对误差结论所依赖的采样条件、维度增长结论的适用范围，以及免用 MCMC 的扩展如何生成所需模拟点。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明采样实现、理论条件或比较数值，不能据此认定普遍计算优势。
原文摘要
Nested sampling is a simulation method for approximating marginal likelihoods. We establish that nested sampling has an approximation error that vanishes at the standard Monte Carlo rate and that this error is asymptotically Gaussian. It is shown that the asymptotic variance of the nested sampling approximation typically grows linearly with the dimension of the parameter. We discuss the applicability and efficiency of nested sampling in realistic problems, and compare it with two current methods for computing marginal likelihood. Finally, we propose an extension that avoids resorting to Markov chain Monte Carlo simulation to obtain the simulated points.