The Intrinsic Bayes Factor for Model Selection and Prediction
用于模型选择与预测的内在贝叶斯因子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：摘要是一般贝叶斯模型比较理论，虽涉及预测但未限定时间序列、宏观预测或其他所列领域的具体问题。
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
用于模型选择与预测的内在贝叶斯因子
- 研究问题
- 比较维度不同的贝叶斯模型时，如何使用标准非信息先验进行模型选择与预测，缓解常规贝叶斯因子的计算困难？
- 方法与思路
- 作者提出内在贝叶斯因子，仅需标准非信息先验即可计算，并讨论嵌套、非嵌套及多模型比较与预测。
- 材料陈述的贡献
- 摘要称该准则具有自动性，似乎对应合理的实际贝叶斯因子，并由此提出模型比较中参考先验的一般定义思路。
- 阅读关注点
- 应核对内在贝叶斯因子的构造、非信息先验如何被处理，以及不同模型比较和预测中准则的解释与适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明构造细节、理论保证或实际比较证据，不能把合理性判断视为普遍最优性。
原文摘要
In the Bayesian approach to model selection or hypothesis testing with models or hypotheses of differing dimensions, it is typically not possible to utilize standard noninformative (or default) prior distributions. This has led Bayesians to use conventional proper prior distributions or crude approximations to Bayes factors. In this article we introduce a new criterion called the intrinsic Bayes factor, which is fully automatic in the sense of requiring only standard noninformative priors for its computation and yet seems to correspond to very reasonable actual Bayes factors. The criterion can be used for nested or nonnested models and for multiple model comparison and prediction. From another perspective, the development suggests a general definition of a “reference prior” for model comparison.