Bayesian Analysis of Error Components Regression Models
误差分量回归模型的贝叶斯分析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：摘要明确结合截面与时间序列数据，并使用双向随机效应和误差分量回归模型。
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
误差分量回归模型的贝叶斯分析
- 研究问题
- 在结合截面与时间序列的双向随机效应回归中，如何处理相关误差及不可估计的干扰参数，并对目标斜率系数作出推断？
- 方法与思路
- 作者从贝叶斯角度分析含额外解释变量与相关误差的双向随机效应模型，利用样本和先验信息计算斜率系数后验分布。
- 材料陈述的贡献
- 摘要称，方法可在存在不可估计干扰参数时，对关注的斜率系数形成合理推断，并简要讨论相对抽样理论方法的优势。
- 阅读关注点
- 应核对双向效应和误差相关结构、干扰参数为何不可估计、先验如何影响斜率后验，以及优势比较的具体依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；先验、模型条件和优势证据未说明，不能据此认定后验推断对先验选择不敏感。
原文摘要
This article examines the use of a two-way, random-effects, model with correlated errors and additional explanatory variables in combining cross-section with time series data. This model has been analyzed from a Bayesian viewpoint. Methods are developed for computing posterior distributions of slope coefficients. The advantage of our approach over sampling theory approaches is briefly discussed. It has been shown how one can obtain reasonable inferences about slope coefficients which are the parameters of interest, in the presence of nonestimable nuisance parameters by judicious use of sample and prior information.