Nonparametric Bayes subject to overidentified moment conditions
过度识别矩条件约束下的非参数贝叶斯估计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：摘要讨论通用矩约束贝叶斯计算，未明确对应所列细分领域的经济模型或应用。
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
过度识别矩条件约束下的非参数贝叶斯估计
- 研究问题
- 当过度识别矩条件把后验支持限制在低维、勒贝格测度为零的流形上时，如何进行非参数贝叶斯计算？
- 方法与思路
- 作者提出适用于受约束后验的 MCMC 算法，并另行构造尺度与归一化常数的估计算法，以两个应用作说明。
- 材料陈述的贡献
- 摘要所述贡献是为低维流形上的后验计算提供算法，回应常用 MCMC 方法难以直接用于这类矩约束的问题。
- 阅读关注点
- 应核对流形的构造、后验测度的定义、采样算法的有效性与收敛条件，以及尺度和归一化常数如何估计。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明先验、矩条件的具体要求及计算表现，不能据此判断算法的普遍效率。
原文摘要
Nonparametric Bayesian estimation subject to overidentified moment equations is a challenge because the support of the posterior is a manifold of lower dimension than the number of model parameters. The manifold therefore has Lebesgue measure zero thus inhibiting the use of the most commonly used Bayesian estimation method: MCMC (Markov Chain Monte Carlo). This study proposes an effective MCMC algorithm and algorithms for estimating scale and the normalizing constant. The algorithms are illustrated with two illustrative applications.