Tweedie's Formula and Score-Driven Updating
Tweedie 公式与得分驱动更新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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究时变参数的得分驱动递推和动态贝叶斯滤波，直接对应时间序列建模。
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
Tweedie 公式与得分驱动更新
- 研究问题
- 得分驱动模型如何获得贝叶斯解释，逆 Fisher 信息缩放的条件得分更新在何种情形是精确滤波、何种情形只是局部近似？
- 方法与思路
- 作者用 Tweedie 公式连接后验均值修正与边际得分，分析高斯和自然指数族情形，并结合局部精度折扣与高斯近似推导递推。
- 材料陈述的贡献
- 摘要称，期望参数空间的共轭贝叶斯滤波可精确对应缩放得分更新，并说明一般条件密度下条件得分为何只是后验修正的首阶近似。
- 阅读关注点
- 应核对预测边际得分与条件似然得分的区别、局部精度折扣的定义，以及精确恒等式和局部高斯近似各自的适用条件。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；具体推导条件和近似误差未说明，不能将所有得分递推视为精确贝叶斯滤波。
原文摘要
Score-driven models update time-varying parameters using conditional likelihood scores. This paper develops a Bayesian interpretation of such updates through Tweedie's formula, which connects posterior mean corrections with marginal scores. In Gaussian signal extraction, this gives an exact posterior-correction identity. For natural exponential families, related identities characterize posterior means in natural- and expectation-parameter spaces. Building on these identities, we show that conjugate Bayesian filtering in expectation space coincides exactly with an inverse-Fisher-scaled conditional score update under local precision discounting. For general conditional densities, the exact Bayesian correction involves a generally unavailable predictive-marginal score. A local Gaussian approximation shows that the conditional likelihood score provides the leading approximation to this posterior correction; under local precision discounting, the predictive covariance becomes proportional to inverse Fisher information, yielding the familiar inverse-Fisher-scaled score recursion. The results clarify when score-driven updates are exact Bayesian filters and when they should instead be viewed as tractable local approximations.