Simple, scalable and accurate posterior interval estimation
简单、可扩展且准确的后验区间估计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：摘要研究通用贝叶斯后验计算，没有明确限定于所列微观、宏观或金融细分方向。
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…
简单、可扩展且准确的后验区间估计
- 研究问题
- 标准后验抽样难以扩展到海量数据时，如何快速估计一维泛函的后验分位数，并构造接近完整后验的可信区间？
- 方法与思路
- 作者在数据子集上并行运行 MCMC，分别估计后验分位数后取平均，并分析所得区间与完整数据后验区间的渐近关系。
- 材料陈述的贡献
- 摘要称所得可信区间在参数渐近展开的主导阶上逼近完整后验区间，模拟与实例显示其准确性和效率具有较好的平衡。
- 阅读关注点
- 应核对子集后验的具体构造、分位数合并规则、数据划分与子集规模条件，以及理论近似对应哪些一维泛函。
- 阅读边界
- 仅据 Crossref 摘要，不能推断其他版本变化。摘要未说明子集后验调整及正则条件；后验区间近似也不能直接等同于频率学覆盖保证。
原文摘要
Summary Standard posterior sampling algorithms, such as Markov chain Monte Carlo procedures, face major challenges in scaling up to massive datasets. We propose a simple and general posterior interval estimation algorithm to rapidly and accurately estimate quantiles of the posterior distributions for one-dimensional functionals. Our algorithm runs Markov chain Monte Carlo in parallel for subsets of the data, and then averages quantiles estimated from each subset. We provide strong theoretical guarantees and show that the credible intervals from our algorithm asymptotically approximate those from the full posterior in the leading parametric order. Our algorithm has a better balance of accuracy and efficiency than its competitors across a variety of simulations and a real-data example.