Methods for computing marginal data densities from the Gibbs output
利用Gibbs抽样输出计算边际数据密度的方法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：摘要指出方法适用于若干时间序列模型，并以六变量VAR作应用。
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…
利用Gibbs抽样输出计算边际数据密度的方法
- 研究问题
- 如何利用Gibbs抽样输出准确且高效地计算边际数据密度，避免计算偏差影响贝叶斯模型比较？
- 方法与思路
- 作者提出两种估计量，利用某些参数块可从条件后验密度中解析积分的性质，并以六变量VAR展示应用。
- 材料陈述的贡献
- 摘要称，完全数值计算的估计量偏差可扭曲模型排序，而新估计量之一足够快速，支持高参数模型中的重复计算。
- 阅读关注点
- 应核对解析可积条件适用哪些模型、两种估计量的构造和误差控制，以及VAR比较中偏差的衡量依据。
- 阅读边界
- 仅据所给出版社摘要，无法判断速度收益和精度幅度；所提方法需要解析可积条件，不能直接推广至任意Gibbs输出。
原文摘要
We introduce two estimators for estimating the Marginal Data Density (MDD) from the Gibbs output. Our methods are based on exploiting the analytical tractability condition, which requires that some parameter blocks can be analytically integrated out from the conditional posterior densities. This condition is satisfied by several widely used time series models. An empirical application to six-variate VAR models shows that the bias of a fully computational estimator is sufficiently large to distort the implied model rankings. One of the estimators is fast enough to make multiple computations of MDDs in densely parameterized models feasible.