Synthetic Priors
合成先验：基于想象观测的广义线性模型信息先验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：摘要主题为广义线性模型的贝叶斯先验构造与计算方法，属于贝叶斯统计方法论，与所列微观、宏观、金融各领域细分均无直接文本对应，故不选择。
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
合成先验：基于想象观测的广义线性模型信息先验
- 研究问题
- 摘要称，广义线性模型的贝叶斯推断需要系数向量的先验，但实务者习惯对特定协变量取值下的响应概率进行推理，而非对抽象的对数几率参数推理；如何构造与这种直觉一致的、有信息量的先验。
- 方法与思路
- 作者提出合成先验，以 Good 的想象观测装置为基础，将共轭先验视为同一指数族伪数据的似然；沿用 Bedrick（1996）的条件均值先验，在专家选定的设计点上对条件均值响应设定独立 Beta 先验，诱导出的系数先验是合成数据点上二项似然的乘积；结合 Pólya-Gamma 数据增广，将增广数据视为标准逻辑回归，得到精确共轭 Gibbs 抽样器。
- 材料陈述的贡献
- 摘要称，作者指出岭回归与催化先验是 Good 装置的实例，并将预测驱动推断识别为频率派下的结构类比，三者都通过单一信息量参数调节方差—偏差权衡；并在 Challenger O 形环数据与一项 II 期特应性皮炎剂量探索试验（n=300）两个基准问题上作了说明。
- 阅读关注点
- 应核对条件均值先验的具体诱导形式与 Pólya-Gamma 增广下后验共轭性的推导条件；核对岭回归、催化先验与预测驱动推断被归为同一装置的论证是否严格；核对两个案例中先验设定、比较基准与数值结论的可复现性。
- 阅读边界
- 摘要未说明先验超参数的具体选取规则、专家设计点的选择方式、Gibbs 抽样器的收敛诊断，也未给出模拟研究或频率派性质的系统评估；所引案例结论仅为摘要陈述，未经独立验证。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Bayesian inference in generalized linear models requires a prior on the coefficient vector $β$. Practitioners naturally reason about response probabilities at specific covariate values, not about abstract log-odds parameters. We develop synthetic priors: informative Bayesian priors for GLMs grounded in Good's device of imaginary observations -- the principle that every conjugate prior is equivalent to a likelihood on pseudo-data from the same exponential family. The conditional means prior of Bedrick (1996) elicits independent Beta priors on the conditional mean response at $p$ expert-chosen design points; the induced prior on $β$ is a product of binomial likelihoods at synthetic data points. Combined with Pólya-Gamma data augmentation \citep{polson2013}, the posterior admits an exact conjugate Gibbs sampler -- no tuning, no Metropolis step -- by treating the augmented dataset as a standard logistic regression. We show that ridge regression and catalytic priors \citep{huang2020} are instances of Good's device, and identify prediction-powered inference \citep{angelopoulos2023ppi} as a structural analogue in the frequentist setting -- all three mediate a variance-bias tradeoff through a single informativeness parameter. We illustrate the approach on two benchmark problems: the Challenger O-ring data \citep{dalal1989}, where the BCJ prior provides a more moderate posterior predictive at the 31°F launch temperature; and a Phase~II atopic dermatitis dose-finding trial ($n = 300$), where the synthetic prior narrows 95\% credible intervals by 3-6\% and raises decision probabilities by up to 2 percentage points relative to a flat prior.