Bayesian Estimation of the Degrees of Freedom Parameter of the Student-$t$ Distribution---A Beneficial Re-parameterization
Student-t 分布自由度参数的贝叶斯估计：一种有益的重参数化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：核心是通用分布参数的贝叶斯计算，宏观时间序列仅作应用，不足以确定所列细分方向。
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
Student-t 分布自由度参数的贝叶斯估计：一种有益的重参数化
- 研究问题
- 在 Student-t 分布自由度参数的贝叶斯估计中，充分性与辅助性数据增广的 MCMC 效率如何随自由度变化？
- 方法与思路
- 作者依据受限的期望增广 Fisher 信息提出效率猜想，再通过大规模模拟和美国宏观时间序列应用考察两种增广及交织策略。
- 材料陈述的贡献
- 摘要提出辅助性增广随自由度增加可能更高效的猜想，并报告交织策略在实验中结合两种增广的优点，尚非普遍最优结论。
- 阅读关注点
- 核对效率猜想与理论证明的区别、先验和参数范围、MCMC 效率指标，以及交织策略在不同模型中的计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要部分结论属于猜想或实验发现，不能据此认定算法适用于所有模型。
原文摘要
In this paper, conditional data augmentation (DA) is investigated for the degrees of freedom parameter $ν$ of a Student-$t$ distribution. Based on a restricted version of the expected augmented Fisher information, it is conjectured that the ancillarity DA is progressively more efficient for MCMC estimation than the sufficiency DA as $ν$ increases; with the break even point lying at as low as $ν\approx4$. The claim is examined further and generalized through a large simulation study and a application to U.S. macroeconomic time series. Finally, the ancillarity-sufficiency interweaving strategy is empirically shown to combine the benefits of both DAs. The proposed algorithm may set a new standard for estimating $ν$ as part of any model.