Fully Bayes factors with a generalized g-prior
采用广义g先验的完全贝叶斯因子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：摘要讨论通用正态线性模型的贝叶斯变量选择，未指定所列经济或金融细分方向。
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
采用广义g先验的完全贝叶斯因子
- 研究问题
- 在正态线性模型的变量选择中，如何构造允许变量数超过样本量的贝叶斯选择准则，并便利模型比较计算？
- 方法与思路
- 作者推广Zellner的g先验并采用完全贝叶斯表述，在该先验设定的一个特殊情形下推导可处理的闭式表达。
- 材料陈述的贡献
- 摘要称，该特殊情形可得到边际密度与贝叶斯因子的闭式形式，并揭示可能值得关注的模型评价性质。
- 阅读关注点
- 核对广义先验在变量数超过样本量时如何定义、闭式结果对应哪些特殊条件，以及新增评价性质的含义。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；先验形式与模型评价性质未展开，不能推断所有设定均有闭式解或选择一致性。
原文摘要
For the normal linear model variable selection problem, we propose selection criteria based on a fully Bayes formulation with a generalization of Zellner’s g-prior which allows for p > n. A special case of the prior formulation is seen to yield tractable closed forms for marginal densities and Bayes factors which reveal new model evaluation characteristics of potential interest.