Efficient Bayes factor estimation from the reversible jump output
利用可逆跳跃算法输出高效估计贝叶斯因子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：摘要属于通用贝叶斯模型比较与模拟计算，线性和逻辑回归示例不足以支持具体经济计量分类。
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…
利用可逆跳跃算法输出高效估计贝叶斯因子
- 研究问题
- 如何利用可逆跳跃算法已有的模拟输出，更有效地估计模型比较所需的贝叶斯因子，并降低标准估计量的模拟误差？
- 方法与思路
- 作者扩展桥采样恒等式，构造利用可逆跳跃输出的估计量族，并给出族内最优估计量及基于跨模型接受概率的简便估计量。
- 材料陈述的贡献
- 摘要称，提出的估计量易于计算，相较标准输出估计量有显著效率增益，并用线性和逻辑回归的蒙特卡洛模拟作说明。
- 阅读关注点
- 应核对族内最优性的评价准则、桥采样与接受概率的具体使用方式，以及比较是否控制链混合、计算预算和模拟误差。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法量化效率增益或判断复杂模型中的表现；族内最优不代表对所有估计方法最优。
原文摘要
We propose a class of estimators of the Bayes factor which is based on an extension of the bridge sampling identity of Meng & Wong (1996) and makes use of the output of the reversible jump algorithm of Green (1995). Within this class we give the optimal estimator and also a suboptimal one which may be simply computed on the basis of the acceptance probabilities used within the reversible jump algorithm for jumping between models. The proposed estimators are very easily computed and lead to a substantial gain of efficiency in estimating the Bayes factor over the standard estimator based on the reversible jump output. This is illustrated through a series of Monte Carlo simulations involving a linear and a logistic regression model.