A Bayesian Perspective on the Maximum Score Problem
最大得分问题的贝叶斯视角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：摘要明确研究线性指标阈值二元选择模型及其贝叶斯推断。
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
最大得分问题的贝叶斯视角
- 研究问题
- 对于满足中位数独立限制的线性指标阈值二元选择模型，如何构建便于计算的贝叶斯推断，并处理模型中的非参数异方差？
- 方法与思路
- 作者利用该模型与非参数异方差 probit 模型的观测等价性，采用 Gibbs 抽样，并为异方差函数的对数设置高斯过程先验。
- 材料陈述的贡献
- 摘要称，这种观测等价表示带来计算上具有吸引力的贝叶斯程序，其中高斯过程对对数异方差函数构成条件共轭先验。
- 阅读关注点
- 应核对观测等价性的成立条件、模型参数的归一化与识别，以及高斯过程先验、条件共轭结构和 Gibbs 抽样的实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明后验理论、抽样收敛或数值比较，不能据此判断相对最大得分估计的优势。
原文摘要
This paper presents a Bayesian inference framework for a linear index threshold-crossing binary choice model that satisfies a median independence restriction. The key idea is that the model is observationally equivalent to a probit model with nonparametric heteroskedasticity. Consequently, Gibbs sampling techniques from Albert and Chib (1993) and Chib and Greenberg (2013) lead to a computationally attractive Bayesian inference procedure in which a Gaussian process forms a conditionally conjugate prior for the natural logarithm of the skedastic function.