Bayesian Multiple Comparisons Using Dirichlet Process Priors
使用狄利克雷过程先验的贝叶斯多重比较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：摘要研究通用贝叶斯多重比较，治疗均值用语本身不足以归入因果推断或其他所列方向。
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
使用狄利克雷过程先验的贝叶斯多重比较
- 研究问题
- 如何从贝叶斯角度比较多个总体均值的相等假设，并计算这些假设的后验概率及分析先验集中参数的作用？
- 方法与思路
- 作者采用狄利克雷过程先验，考虑两类基准先验与似然组合，以Gibbs抽样求后验，并从参数边际后验计算中获得假设概率。
- 材料陈述的贡献
- 摘要称该方法可计算不同均值相等假设的后验概率，先验概率直接依赖集中参数，并在某些备择下比Duncan检验更有功效。
- 阅读关注点
- 应核对两类模型组合及等方差设定、集中参数敏感性、Gibbs抽样实现，以及功效比较采用的备择和决策规则。
- 阅读边界
- 仅据版本未注明的索引摘要；功效优势仅针对某些备择，具体条件和误差控制未说明，不能视为普遍优于其他方法。
原文摘要
We consider the problem of multiple comparisons from a Bayesian viewpoint. The family of Dirichlet process priors is applied in the form of baseline prior/likelihood combinations to obtain posterior probabilities for various hypotheses of equality among population means. The baseline prior/likelihood combinations considered here are beta/binomial and normal/inverted gamma with equal variances on treatment means. The prior probabilities of the hypotheses depend directly on the concentration parameter of the Dirichlet process prior. Finding posterior distributions is analytically intractable; we use Gibbs sampling. The posterior probabilities of hypotheses of interest are easily obtained as a by-product in evaluating the marginal posterior distributions of the parameters. The proposed procedure is compared to Duncan's multiple range test and shown to be more powerful under certain alternative hypotheses.