Minimally Informative Prior Distributions for Non-Parametric Bayesian Analysis
非参数贝叶斯分析中的最小信息先验分布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：摘要涉及通用非参数贝叶斯决策与多重比较，未明确涉及宏观预测或其他所列细分领域。
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…
非参数贝叶斯分析中的最小信息先验分布
- 研究问题
- 如何构造信息含量尽可能低的非参数贝叶斯模型，使后验满足若干基本性质，并用于复合决策和单因素方差分析的多重比较？
- 方法与思路
- 作者以“局部质量”概念发展极限 Dirichlet 过程模型，描述计算方法，并将其预测表现与 Dirichlet 过程混合模型比较。
- 材料陈述的贡献
- 摘要称，极限模型为复合决策和多重比较提供推断工具，相关分析可视为既有分析的极限；摘要未说明预测比较的胜负。
- 阅读关注点
- 应核对最小信息性的定义、要求后验满足的基本性质、局部质量与极限构造，以及计算实现和预测比较采用的准则。
- 阅读边界
- 仅据所给 Crossref 摘要；后验性质、极限条件和预测结果未提供，不能认定该先验普遍无信息或预测优于比较模型。
原文摘要
Summary We address the problem of how to conduct a minimally informative, non-parametric Bayesian analysis. The central question is how to devise a model so that the posterior distribution satisfies a few basic properties. The concept of ‘local mass’ provides the key to the development of the limiting Dirichlet process model. This model is then used to provide an engine for inference in the compound decision problem and for multiple-comparisons inference in a one-way analysis-of-variance setting. Our analysis in this setting may be viewed as a limit of the analyses that were developed by Escobar and by Gopalan and Berry. Computations for the analysis are described, and the predictive performance of the model is compared with that of mixture of Dirichlet processes models.