Approximate Bayesian Predictive Distributions and Model Selection
近似贝叶斯预测分布与模型选择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：摘要研究通用贝叶斯预测与先验近似，未明确涉及宏观预测或收益预测。
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
近似贝叶斯预测分布与模型选择
- 研究问题
- 观测可能来自多个含参数模型时，模型与参数先验的近似误差如何传递到未来观测的预测分布，应如何选择模糊先验？
- 方法与思路
- 作者为各模型赋予先验概率、为模型参数赋予先验密度，从先验误差界推导预测分布误差界，并给出模糊先验选择方法。
- 材料陈述的贡献
- 摘要建立先验近似误差与预测分布误差之间的界限联系，并提出多个候选模型内参数的模糊先验选择方法。
- 阅读关注点
- 应核对先验和预测误差采用的度量、误差界成立条件，以及模糊先验的构造和模型概率对预测的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出误差界公式或模型选择规则，不能确认近似精度、预测优势或推断刊本变化。
原文摘要
An observation is assumed to arise from one of k models that may depend on parameters. A prior distribution is specified by assigning probabilities to each of the models and by assigning probability densities to the parameters of each model. If an approximate prior distribution is used, the predictive distribution of a future observation will be approximate. Bounds on the error in the predictive distribution are derived from bounds on the error in the prior distribution. A method for selecting a vague prior distribution for the parameters of each of the k models is given.