Fractional Bayes Factors for Model Comparison
用于模型比较的分数贝叶斯因子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：摘要讨论通用贝叶斯模型比较，没有提供所列经济计量细分方向的直接依据。
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
用于模型比较的分数贝叶斯因子
- 研究问题
- 当不同模型的参数先验信息较弱时，如何开展贝叶斯模型比较，并缓解直接计算模型后验概率所遇到的困难？
- 方法与思路
- 摘要先讨论用部分数据形成初始信息性后验、再用剩余数据比较模型的部分贝叶斯因子，并提出分数贝叶斯因子这一变体。
- 材料陈述的贡献
- 摘要称部分贝叶斯因子在弱先验情形下具有若干优势，并从一致性、简洁性、稳健性与协调性方面推荐分数贝叶斯因子。
- 阅读关注点
- 阅读时应核对分数贝叶斯因子的具体定义、训练信息的处理方式，以及一致性、稳健性和协调性各自的条件与比较标准。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明分数选择规则、具体先验要求及优势成立的范围，不能据此判断所有模型比较问题中的表现。
原文摘要
SUMMARY Bayesian comparison of models is achieved simply by calculation of posterior probabilities of the models themselves. However, there are difficulties with this approach when prior information about the parameters of the various models is weak. Partial Bayes factors offer a resolution of the problem by setting aside part of the data as a training sample. The training sample is used to obtain an initial informative posterior distribution of the parameters in each model. Model comparison is then based on a Bayes factor calculated from the remaining data. Properties of partial Bayes factors are discussed, particularly in the context of weak prior information, and they are found to have advantages over other proposed methods of model comparison. A new variant of the partial Bayes factor, the fractional Bayes factor, is advocated on grounds of consistency, simplicity, robustness and coherence.