Asymptotics for a class of parametric martingale posteriors
一类参数化鞅后验的渐近理论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计算与渐近理论，没有明确对应所列应用领域细分。
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…
一类参数化鞅后验的渐近理论
- 研究问题
- 以逐步预测密度代替似然与先验构造参数化鞅后验时，其预测重采样和后验分布具有什么渐近性质，如何指导计算与频率学推断？
- 方法与思路
- 作者基于鞅极限理论研究结合代入式参数预测密度与随机梯度下降的后验，建立预测中心极限定理和 Bernstein–von Mises 结果。
- 材料陈述的贡献
- 摘要称，预测中心极限定理支持采用正态近似的混合采样算法以加速重采样，另一结果则为获得理想频率学性质提供方法指导。
- 阅读关注点
- 应核对两类极限结果的条件与各自的随机性来源、正态近似的适用范围，以及后验校准和混合采样误差如何在全文中处理。
- 阅读边界
- 仅据所给 Crossref 摘要；正则条件、极限协方差及加速幅度未说明，也不能据此认定所有参数化鞅后验均有正确的频率学覆盖率。
原文摘要
Summary The martingale posterior framework replaces the elicitation of the likelihood and prior with that of a sequence of one-step-ahead predictive densities for Bayesian inference. Posterior sampling then involves the imputation of unobserved quantities and can then be carried out in an expedient and parallelizable manner using predictive resampling, without requiring Markov chain Monte Carlo. Recent work has investigated the use of plug-in parametric predictive densities, combined with stochastic gradient descent, to specify a parametric martingale posterior. This paper investigates the asymptotic properties of this class of parametric martingale posteriors. In particular, two central limit theorems based on martingale limit theory are introduced and applied. The first is a predictive central limit theorem, which enables a significant acceleration of the predictive resampling scheme through a hybrid sampling algorithm based on a normal approximation. The second is a Bernstein–von Mises result, which is novel for martingale posteriors, and provides methodological guidance on attaining desirable frequentist properties. We demonstrate the utility of the theoretical results through simulations and a real data example.