Bayesian Predictive Decision Synthesis
贝叶斯预测决策综合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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确包含序贯时间序列预测应用，但未说明预测对象是否为收益，故仅选预测方向。
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
贝叶斯预测决策综合
- 研究问题
- 面对多个候选模型时，如何把预测所服务的决策结果纳入模型评价、比较和组合，而不仅依据传统统计推断管理模型不确定性？
- 方法与思路
- 作者提出 BPDS，将贝叶斯预测综合与目标导向的模型不确定性分析结合，并发展预测决策情境下模型加权的主观贝叶斯解释。
- 材料陈述的贡献
- 摘要称，方法将决策分析结果显式纳入候选模型评价与组合，并通过回归预测的最优设计及金融组合决策中的序贯预测展示。
- 阅读关注点
- 应核对决策目标如何进入权重、主观设定与数据更新如何衔接，以及模型评价、预测表现和实际决策收益分别如何衡量。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明效用函数、权重计算细节或比较数值，不能认定其普遍改善预测或决策。
原文摘要
Decision-guided perspectives on model uncertainty expand traditional statistical thinking about managing, comparing and combining inferences from sets of models. Bayesian predictive decision synthesis (BPDS) advances conceptual and theoretical foundations, and defines new methodology that explicitly integrates decision-analytic outcomes into the evaluation, comparison and potential combination of candidate models. BPDS extends recent theoretical and practical advances based on both Bayesian predictive synthesis and empirical goal-focused model uncertainty analysis. This is enabled by the development of a novel subjective Bayesian perspective on model weighting in predictive decision settings. Illustrations come from applied contexts including optimal design for regression prediction and sequential time series forecasting for financial portfolio decisions.