A hierarchical prior for generalized linear models based on predictions for the mean response
基于均值响应预测的广义线性模型层级先验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：摘要核心是通用广义线性模型的贝叶斯先验构造，缺乏对应细分领域的直接证据。
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…
基于均值响应预测的广义线性模型层级先验
- 研究问题
- 如何将对均值响应的先验预测作为随机量纳入广义线性模型，并在预测与当前数据冲突时调整先验信息的影响？
- 方法与思路
- 作者扩展既有共轭先验构造层级预测先验，研究部分共轭情形及历史汇总统计扩展，并开发 MCMC 算法。
- 材料陈述的贡献
- 摘要称该先验可按个体预测质量折扣信息，可能改善均方误差；应用中相较选定非层级先验更能应对先验与数据冲突。
- 阅读关注点
- 核对先验预测与超先验的设定、共轭结果适用情形、历史统计的使用方式，以及冲突下效率和稳健性的评价标准。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出先验细节和比较数值，潜在效率收益并非普遍保证。
原文摘要
There has been increased interest in using prior information in statistical analyses. For example, in rare diseases, it can be difficult to establish treatment efficacy based solely on data from a prospective study due to low sample sizes. To overcome this issue, an informative prior for the treatment effect may be elicited. We develop a novel extension of the conjugate prior of Chen and Ibrahim (2003) that enables practitioners to elicit a prior prediction for the mean response for generalized linear models, treating the prediction as random. We refer to the hierarchical prior as the hierarchical prediction prior. For i.i.d. settings and the normal linear model, we derive cases for which the hyperprior is a conjugate prior. We also develop an extension of the HPP in situations where summary statistics from a previous study are available, drawing comparisons with the power prior. The HPP allows for discounting based on the quality of individual level predictions, having the potential to provide efficiency gains (e.g., lower MSE) where predictions are incompatible with the data. An efficient Markov chain Monte Carlo algorithm is developed. Applications illustrate that inferences under the HPP are more robust to prior-data conflict compared to selected non-hierarchical priors.