Outlier Models and Prior Distributions in Bayesian Linear Regression
贝叶斯线性回归中的异常值模型与先验分布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：摘要属于通用贝叶斯回归与异常值建模，未提供所列领域细分需要的具体研究对象或数据结构。
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
贝叶斯线性回归中的异常值模型与先验分布
- 研究问题
- 贝叶斯线性回归如何利用厚尾分布容纳异常值，并将同类分布用于误差建模及具有未知超参数的层级先验？
- 方法与思路
- 作者考察可表示为正态尺度混合的分布，将其同时用于误差分布和先验分布，覆盖简单回归与复杂层级模型。
- 材料陈述的贡献
- 摘要明确介绍了一类兼用于误差与先验的厚尾建模框架，并讨论含未知超先验参数的结构化层级模型。
- 阅读关注点
- 应核对尺度混合的具体分布、误差和先验各自的作用，以及超参数设定、后验计算与异常观测影响的分析。
- 阅读边界
- 仅依据所给 Crossref 摘要；未说明具体计算算法、稳健性定理或实证效果，不能断言厚尾建模总能改善推断。
原文摘要
SUMMARY Bayesian inference in regression models is considered using heavy-tailed error distributions to accommodate outliers. The particular class of distributions that can be constructed as scale mixtures of normal distributions are examined and use is made of them as both error models and prior distributions in Bayesian linear modelling, including simple regression and more complex hierarchical models with structured priors depending on unknown hyperprior parameters.