POSTERIOR CONSISTENCY IN CONDITIONAL DENSITY ESTIMATION BY COVARIATE DEPENDENT MIXTURES
协变量依赖混合模型条件密度估计的后验一致性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：摘要讨论一般条件密度的贝叶斯非参数理论，未明确分位数、分布效应或其他给定领域应用。
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
协变量依赖混合模型条件密度估计的后验一致性
- 研究问题
- 用混合概率随协变量变化的位置尺度混合模型估计条件密度时，贝叶斯后验在多大范围内具有弱与强一致性？
- 方法与思路
- 作者研究两种混合概率构造：对成分数设置先验的有限核加权混合，以及采用核折棍过程的混合模型。
- 材料陈述的贡献
- 摘要称两类模型的后验对一大类数据生成过程均具有弱、强一致性，并通过模拟展示所考察小样本中的表现。
- 阅读关注点
- 应核对混合概率和先验的具体构造、弱与强一致性采用的拓扑，以及数据生成过程类别和模拟比较的设定。
- 阅读边界
- 仅依据所给 Crossref 摘要版本，未核验刊本变化；摘要未说明先验支持条件、收敛速度或模拟数值，一致性不保证普遍小样本优势。
原文摘要
This paper considers Bayesian nonparametric estimation of conditional densities by countable mixtures of location-scale densities with covariate dependent mixing probabilities. The mixing probabilities are modeled in two ways. First, we consider finite covariate dependent mixture models, in which the mixing probabilities are proportional to a product of a constant and a kernel and a prior on the number of mixture components is specified. Second, we consider kernel stick-breaking processes for modeling the mixing probabilities. We show that the posterior in these two models is weakly and strongly consistent for a large class of data-generating processes. A simulation study conducted in the paper demonstrates that the models can perform well in small samples.