Predictive Updating Methods with Application to Bayesian Classification
预测更新方法及其在贝叶斯分类中的应用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：摘要主要介绍通用贝叶斯计算、分类与切换回归，未明确给出宏观时间序列或经济离散选择的文本依据。
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…
关注这篇论文的作者
预测更新方法及其在贝叶斯分类中的应用
- 研究问题
- 如何通过未知量预测分布的随机抽样实现贝叶斯计算，并在迭代更新或新增观测的序贯更新中处理缺失与分类问题？
- 方法与思路
- 作者提出预测抽样算法，迭代形式对应 Gibbs 采样的变体，序贯形式对应序贯插补的变体，并展示多类贝叶斯应用。
- 材料陈述的贡献
- 摘要称，序贯形式便于用新观测更新后验，并为一般二元过程驱动的切换回归提供统一处理及贝叶斯检验程序。
- 阅读关注点
- 应核对预测抽样与目标后验的对应关系、迭代和序贯算法的有效性条件，以及切换回归设定与贝叶斯检验的构造。
- 阅读边界
- 仅依据所给 Crossref 摘要。算法收敛、序贯近似误差及模拟数值未说明；切换回归应用不能直接视为宏观结构变化检验结论。
原文摘要
SUMMARY We propose algorithms based on random draws from predictive distributions of unknown quantities (missing values, for instance). This procedure can either be iterative, which is a special variation of the Gibbs sampler, or be sequential, which is a variation of sequential imputation. In the latter case one can update the posterior distribution with new observations easily. The methods proposed have intuitive statistical implications and can be generalized to accommodate other Bayesian-like procedures. We display some applications of the method in connection with the Bayesian bootstrap, classification, hierarchical models and selection of variables. In particular, as an application of the method, we present a unified treatment of switching regression models driven by a general binary process, and we develop a Bayesian testing procedure. Some simulations and a real example are used to illustrate the methods proposed.