Focused Bayesian prediction
聚焦预测目标的贝叶斯预测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：摘要提出通用贝叶斯预测方法，未明确宏观预测或金融收益预测场景。
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…
聚焦预测目标的贝叶斯预测
- 研究问题
- 在候选模型未正确指定真实数据生成过程时，如何使贝叶斯更新直接服务于用户指定的预测准确性目标？
- 方法与思路
- 作者在合理预测模型类上设置先验，并用体现指定预测准确性指标的准则更新后验，替代常规似然更新。
- 材料陈述的贡献
- 摘要称，在正则条件下后验集中于模型类中期望准确性最优的成员，并在模拟和实例中报告预测改善。
- 阅读关注点
- 应核对准确性指标、更新规则及其尺度设定、后验集中条件，以及与常规似然预测比较的公平性。
- 阅读边界
- 仅据 Crossref 摘要；正则条件和应用对象未说明，模型类内最优不保证真实模型恢复或所有预测指标均改善。
原文摘要
Summary We propose a new method for conducting Bayesian prediction that delivers accurate predictions without correctly specifying the unknown true data generating process. A prior is defined over a class of plausible predictive models. After observing data, we update the prior to a posterior over these models, via a criterion that captures a user‐specified measure of predictive accuracy. Under regularity, this update yields posterior concentration onto the element of the predictive class that maximizes the expectation of the accuracy measure. In a series of simulation experiments and empirical examples, we find notable gains in predictive accuracy relative to conventional likelihood‐based prediction.