Filtered-Variate Prior Distributions for Histogram Smoothing
用于直方图平滑的滤波变量先验分布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：摘要聚焦通用贝叶斯直方图平滑与先验构造，缺乏指定经济计量细分的直接依据。
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
用于直方图平滑的滤波变量先验分布
- 研究问题
- 如何为直方图推断构造偏好相邻类别频率平滑变化的先验，并通过研究者给出的典型概率向量确定先验参数？
- 方法与思路
- 作者将随机概率向量表示为标准概率向量的线性滤波，或固定平滑向量的随机加权平均，再用经验矩匹配先验。
- 材料陈述的贡献
- 摘要称，论文建立滤波概率向量的理论，并提出依据典型平滑向量的均值和协方差评估连续型先验的方法。
- 阅读关注点
- 应核对滤波如何保持概率向量的合法性、可实现的均值与协方差范围，以及典型向量选取对推断的敏感性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未提供后验计算、频率学性质或应用比较，不能确认这种先验总能改善估计。
原文摘要
We develop prior distributions for histogram inference favoring smooth population frequencies; that is, probability vectors with small differences for neighboring categories. We give a theory of prior-random probability vectors representable as a linear transform, or “filter,” of a standard random probability vector, or equivalently, a random weighted average of nonrandom smooth probability vectors. Promising methods of prior assessment are given based on elicitation of a list of typically smooth probability vectors, the empirical moments of which can then be matched by the mean vector and variance matrix of a constructed continuous-type filtered-variate prior distribution.