Marginal Likelihood Estimation via Power Posteriors
通过幂后验估计边际似然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：摘要提供通用贝叶斯计算方法，没有明确的因子模型、预测或其他指定领域应用依据。
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
通过幂后验估计边际似然
- 研究问题
- 贝叶斯模型比较需要对全部模型参数积分，如何计算通常难以直接求得的边际似然，进而得到贝叶斯因子和后验模型概率？
- 方法与思路
- 作者采用热力学积分或路径抽样思路，通过针对各模型修改后的后验分布运行马尔可夫链蒙特卡洛，计算边际似然。
- 材料陈述的贡献
- 摘要称该方法调节需求较少、实现直接，并在多种具有挑战性的统计情境中展示其用于贝叶斯模型比较的可行性。
- 阅读关注点
- 应核对幂后验路径、积分离散化及蒙特卡洛误差处理，并检查先验选择、链收敛和温度配置如何影响计算结果。
- 阅读边界
- 仅据Crossref摘要，无法判断数值误差控制、计算成本及具体适用条件；少量调节的描述不能替代各模型中的收敛检查。
原文摘要
Summary Model choice plays an increasingly important role in statistics. From a Bayesian perspective a crucial goal is to compute the marginal likelihood of the data for a given model. However, this is typically a difficult task since it amounts to integrating over all model parameters. The aim of the paper is to illustrate how this may be achieved by using ideas from thermodynamic integration or path sampling. We show how the marginal likelihood can be computed via Markov chain Monte Carlo methods on modified posterior distributions for each model. This then allows Bayes factors or posterior model probabilities to be calculated. We show that this approach requires very little tuning and is straightforward to implement. The new method is illustrated in a variety of challenging statistical settings.