Multivariate Gaussian cumulative distribution functions as the marginal likelihood of their dual Bayesian probit models
多元高斯累积分布函数与对偶贝叶斯 probit 模型的边际似然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：核心是高斯概率与边际似然的通用计算，摘要未明确离散选择等具体计量应用。
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
多元高斯累积分布函数与对偶贝叶斯 probit 模型的边际似然
- 研究问题
- 多元高斯累积分布函数常成为统计计算的瓶颈；作者研究能否利用贝叶斯模型的边际似然近似，改善其计算效率与尾概率估计。
- 方法与思路
- 作者将目标累积分布函数联系到专门构造的对偶贝叶斯 probit 模型边际似然，并重点采用期望传播算法进行近似计算。
- 材料陈述的贡献
- 摘要称，该近似具有多项式计算成本，在多种相关矩阵和积分边界下表现出较好的效率、精度与稳定性，但理论保证仍有限。
- 阅读关注点
- 应核对累积分布函数与边际似然之间的对应关系、期望传播的实施方式，以及尾概率比较中的误差指标和计算成本口径。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断近似误差的统一界限或极端相关情形下的可靠性，也不能推断其他版本的变化。
原文摘要
Summary The computation of multivariate Gaussian cumulative distribution functions is a key step in many statistical procedures, often representing a crucial computational bottleneck. Over the past few decades, efficient algorithms have been proposed to address this problem, mainly using Monte Carlo solutions. This work highlights a connection between the multivariate Gaussian cumulative distribution function and the marginal likelihood of a tailored dual Bayesian probit model. Consequently, any method that approximates such a marginal likelihood can be used to estimate the quantity of interest. We focus on the approximation provided by the expectation propagation algorithm. Its empirical accuracy and polynomial computational cost make it an appealing choice, especially for tail probabilities, even if theoretical guarantees are currently limited. Its efficiency, accuracy and stability are shown for multiple correlation matrices and integration limits, highlighting a series of advantages over state-of-the-art alternatives.