Nonparametric Bayes local partition models for random effects
随机效应的非参数贝叶斯局部分割模型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：摘要主要讨论随机效应先验与局部聚类，单一轨迹数据应用不足以确定所列领域细分。
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
随机效应的非参数贝叶斯局部分割模型
- 研究问题
- 贝叶斯层级模型中，如何为未知随机效应分布选择先验，使不同个体既能整体共享信息，也能仅在部分参数上共享信息？
- 方法与思路
- 作者提出诱导相关局部聚类的局部分割过程先验，并开发切片采样器，避免在后验计算中近似可数无限随机测度。
- 材料陈述的贡献
- 摘要称，该先验支持按参数子集聚类，给出边际与条件聚类概率的简单双参数表达，并以模拟和激素轨迹数据展示。
- 阅读关注点
- 应核对局部与整体信息共享如何结合、参数加入顺序的作用，以及先验性质、切片采样步骤和后验计算的诊断。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出先验表达、后验理论或应用结果，轨迹数据示例不构成通用性能保证。
原文摘要
This paper focuses on the problem of choosing a prior for an unknown random effects distribution within a Bayesian hierarchical model. The goal is to obtain a sparse representation by allowing a combination of global and local borrowing of information. A local partition process prior is proposed, which induces dependent local clustering. Subjects can be clustered together for a subset of their parameters, and one learns about similarities between subjects increasingly as parameters are added. Some basic properties are described, including simple two-parameter expressions for marginal and conditional clustering probabilities. A slice sampler is developed which bypasses the need to approximate the countably infinite random measure in performing posterior computation. The methods are illustrated using simulation examples, and an application to hormone trajectory data.