Bayesian Linear Models: A compact general set of results
贝叶斯线性模型：一组紧凑而通用的结果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：摘要主要整理通用贝叶斯线性模型结果，时序用途仅属可能应用，细分领域证据不足。
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
贝叶斯线性模型：一组紧凑而通用的结果
- 研究问题
- 如何用紧凑统一的形式整理共轭正态—伽马先验下的贝叶斯线性模型计算，并覆盖相关观测、预测、模型选择及常见特例？
- 方法与思路
- 作者展示后验分布的计算细节，将相关观测纳入框架，讨论预测、模型选择与高效数值实现，并给出 Python 实现及若干模型特例。
- 材料陈述的贡献
- 摘要将贡献定位于对已有教材结果的简洁整合，覆盖回归、高斯过程和贝叶斯动态模型，并指出其可能用于时序和空间分析。
- 阅读关注点
- 应核对正态—伽马先验的参数化、相关观测协方差的处理，以及预测和模型选择公式的适用范围，并检查代码与公式是否一致。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明协方差是否已知或具体数值误差，不能据此宣称提出新估计理论。
原文摘要
I present all the details in calculating the posterior distribution of the conjugate Normal-Gamma prior in Bayesian Linear Models (BLM), including correlated observations, prediction, model selection and comments on efficient numeric implementations. A Python implementation is also presented. These have been presented and available in many books and texts but, I believe, a general compact and simple presentation is always welcome and not always simple to find. Since correlated observations are also included, these results may also be useful for time series analysis and spacial statistics. Other particular cases presented include regression, Gaussian processes and Bayesian Dynamic Models.