A recursive algorithm for nonparametric analysis with missing data
缺失数据非参数分析的递归算法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：摘要聚焦通用缺失数据计算和非参数贝叶斯递归，未明确涉及所列经济计量方向。
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
缺失数据非参数分析的递归算法
- 研究问题
- 对于缺失数据下非参数贝叶斯分析产生的Dirichlet过程混合后验，能否以计算简单的递归近似替代常用MCMC处理？
- 方法与思路
- 作者基于一步后验预测分布构造递归近似，以渐近计算提供理论支持，并通过数值例子考察其实际行为。
- 材料陈述的贡献
- 摘要称提出计算简单的后验近似途径，并指出从非贝叶斯角度，该递归还可用于获得自洽方程的解。
- 阅读关注点
- 应核对递归更新、近似对象、数据顺序与先验反馈的作用，以及渐近支持、自洽方程求解和数值验证各自覆盖的范围。
- 阅读边界
- 索引摘要版本未注明，未给出缺失机制、误差界或收敛条件；递归近似的理论支持不能解释为精确后验或普遍优于MCMC。
原文摘要
The mixture of Dirichlet processes posterior that arises in nonparametric Bayesian analysis has been analysed most effectively using Markov chain Monte Carlo. As a computationally simple alternative, we introduce a recursive approximation based on one-step posterior predictive distributions. Asymptotic calculations provide theoretical support for this approximation, and we investigate its actual behaviour in several numerical examples. From a non-Bayesian perspective, this new recursion may be used to obtain solutions of the self-consistency equations. Keywords:Dirichlet process; Interval censoring; Nonparametric Bayesian analysis; Nonparametric mixture; Nonparametric maximum likelihood; Polya urn; Prior feedback; Quasi-Bayes; Self-consistency; Stochastic approximation; Truncation.