Regularized Exponentially Tilted Empirical Likelihood for Bayesian Inference
用于贝叶斯推断的正则化指数倾斜经验似然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：摘要讨论通用贝叶斯经验似然方法，未提供所列经济计量细分领域的直接依据。
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…
用于贝叶斯推断的正则化指数倾斜经验似然
- 研究问题
- 经验似然的凸包约束会使后验支持域小于原始参数空间，如何消除这一限制，同时保留适合贝叶斯推断的性质？
- 方法与思路
- 作者在指数倾斜经验似然中结构化加入伪数据，通过极限正则化引入满足 Kullback–Leibler 散度准则的连续指数族分布。
- 材料陈述的贡献
- 摘要称，该方法消除凸包约束、保留某些渐近性质并改善有限样本表现；模拟与数据分析支持其作为贝叶斯伪似然。
- 阅读关注点
- 应核对正则化极限、连续分布与伪数据的选择、保留的具体渐近性质，以及有限样本比较的基准与评价指标。
- 阅读边界
- 依据 arXiv v5 预印本摘要，同行评审及期刊接收未核实；摘要未说明完整条件或改进幅度，不能由别名中的 DOI 推断刊本结果。
原文摘要
Bayesian inference with empirical likelihood faces a challenge as the posterior domain is a proper subset of the original parameter space due to the convex hull constraint. We propose a regularized exponentially tilted empirical likelihood to address this issue. Our method removes the convex hull constraint using a novel regularization technique, incorporating a continuous exponential family distribution to satisfy a Kullback--Leibler divergence criterion. The regularization arises as a limiting procedure where pseudo-data are added to the formulation of exponentially tilted empirical likelihood in a structured fashion. We show that this regularized exponentially tilted empirical likelihood retains certain desirable asymptotic properties with improved finite sample performance. Simulation and data analysis demonstrate that the proposed method provides a suitable pseudo-likelihood for Bayesian inference.