Targeting functional parameters with semiparametric Bayesian inference
以半参数贝叶斯推断直接针对泛函参数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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主要提出通用半参数贝叶斯技术，因果推断只是潜在应用，缺少具体领域方法与结果，暂不细分。
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
以半参数贝叶斯推断直接针对泛函参数
- 研究问题
- 如何在非参数模型空间中控制一般泛函参数的边际先验，并为经验分布泛函定义的估计量提供贝叶斯推断？
- 方法与思路
- 作者提出 θ-augmentation，将非参数模型转化为直接针对目标泛函的半参数模型，以调整其先验并形成概率陈述。
- 材料陈述的贡献
- 摘要称该方法无需指定似然函数即可针对经验分布泛函作贝叶斯分析，并为因果推断和删失等问题提供潜在路径。
- 阅读关注点
- 核对增广模型与目标先验的构造、后验更新依据及计算方式，并检查无须似然的具体含义和泛函适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给一般泛函所需条件、后验性质或因果识别假设。
原文摘要
Typical Bayesian inference requires parameter identification via likelihood parameterization, which has invited criticism for being less flexible than the Frequentist framework and subject to misspecification. Though misspecification may be avoided by functional parameter inference under a nonparametric model space, there does not exist a flexible Bayesian semiparametric model that would allow full control over the marginal prior over any general functional parameter. We present the technique of $θ$-augmentation which helps us manipulate nonparametric models into semiparametric ones that directly target any functional parameter. The method allows Bayesian probabilistic statements to be drawn for any estimator that is defined as a functional of the empirical distribution without requiring a likelihood function, thus providing a path to Bayesian analysis in problems like causal inference and censoring where there do not exist well-accepted likelihood functions.