A Bayesian Approach to Approximate Conditional Inference
近似条件推断的贝叶斯方法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：摘要属于通用高阶统计推断理论，没有足够证据归入所列经济计量细分方向。
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
近似条件推断的贝叶斯方法
- 研究问题
- 如何将贝叶斯与频率学派高阶近似之间的联系扩展到近似条件推断，并从贝叶斯论证得到已有的条件推断公式？
- 方法与思路
- 作者沿用通过去平滑论证联系贝叶斯与抽样分布近似的思路，以似然根组织推导，将该框架扩展到条件推断。
- 材料陈述的贡献
- 摘要称，文章把既有近似框架扩展至条件推断，并说明如何利用贝叶斯论证推导若干已有的高阶近似公式。
- 阅读关注点
- 应核对似然根的定义、条件化对象、去平滑论证的步骤，以及近似公式所需的正则条件和误差阶。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；参数维度的扩展范围、条件化细节与近似误差未说明，不能判断具体应用精度。
原文摘要
Sweeting (1995) studies regular Bayesian and frequentist approximations within a unified framework in the case of a single parameter, and shows that higher-order approximations to sampling distributions arise from their Bayesian counterparts via an unsmoothing argument. In the present paper we extend this programme to include formulae in approximate conditional inference. In particular it is shown how Bayesian arguments may be used to derive some formulae developed by Barndorff-Nielsen (1980, 1983, 1986). The development proceeds in terms of likelihood roots.