Bayes factors for nonlinear hypotheses and likelihood distributions
非线性假设的贝叶斯因子与似然分布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：逻辑回归在摘要中是通用假设检验的示例，未明确离散选择行为模型，因而不足以归入所列细分。
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…
关注这篇论文的作者
非线性假设的贝叶斯因子与似然分布
- 研究问题
- 当假设对参数施加非线性约束时，如何构造受限空间上的先验并计算贝叶斯因子，以及提供额外的模型诊断信息？
- 方法与思路
- 作者用投影诱导受限先验，讨论包含效用型度量在内的多种距离，再由受限与非受限先验抽样构造似然的边际分布。
- 材料陈述的贡献
- 摘要提出非线性约束下的贝叶斯因子计算方法，并称似然分布提供超出贝叶斯因子的诊断价值，应用于逻辑回归假设。
- 阅读关注点
- 核对投影与距离选择怎样改变受限先验、似然分布诊断的含义，以及逻辑回归示例中的非线性限制和计算步骤。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明先验敏感性、计算误差或诊断判据，不能据此认定方法具有普遍优势。
原文摘要
New methods are proposed which allow Bayes factors to be computed for hypotheses which impose nonlinear restrictions on the parameters. Projection methods are used to induce the prior distribution over the restricted parameter space which is required for computation of the Bayes factor. Various distance metrics are introduced to define the projection, including a utility-based metric which gives Kullback-Leibler divergence as a special case. Draws from the restricted and unrestricted prior distributions are used to construct marginal distributions of the likelihood which is shown to have additional diagnostic value over and above the Bayes factor. These methods are applied to hypotheses in logistic regression.