Objective Bayesian model selection in Gaussian graphical models
高斯图模型中的客观贝叶斯模型选择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：摘要研究图模型选择；共同基金收益仅为应用，未明确涉及给定的资产定价、金融因子或风险方向。
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
高斯图模型中的客观贝叶斯模型选择
- 研究问题
- 如何为高斯图模型建立默认的贝叶斯模型选择程序，并在选择图结构时处理多重假设检验带来的问题？
- 方法与思路
- 作者构造超逆 Wishart g 先验，将其与分数贝叶斯因子的隐含先验联系起来，并结合具有多重性校正作用的图先验。
- 材料陈述的贡献
- 摘要称，两项方法结合后，在模拟和共同基金收益协变分析中表现优于既有贝叶斯方法，但未提供具体比较数值。
- 阅读关注点
- 应核对图结构的适用范围、先验构造及其对应关系，以及多重性校正的机制、比较方法和性能评价指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；无法判断理论条件及性能优势的适用范围，也不能推断后续刊本变化。
原文摘要
This paper presents a default model-selection procedure for Gaussian graphical models that involves two new developments. First, we develop a default version of the hyper-inverse Wishart prior for restricted covariance matrices, called the hyper-inverse Wishart g-prior, and show how it corresponds to the implied fractional prior for selecting a graph using fractional Bayes factors. Second, we apply a class of priors that automatically handles the problem of multiple hypothesis testing. We demonstrate our methods on a variety of simulated examples, concluding with a real example analyzing covariation in mutual-fund returns. These studies reveal that the combined use of a multiplicity-correction prior on graphs and fractional Bayes factors for computing marginal likelihoods yields better performance than existing Bayesian methods.