Markov chain Monte Carlo model determination for hierarchical and graphical log-linear models
层级与图式对数线性模型的 MCMC 模型选择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：摘要研究列联表的概率图模型；图式结构不足以认定为经济网络研究，分类也不涉及离散选择行为。
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
层级与图式对数线性模型的 MCMC 模型选择
- 研究问题
- 论文研究高维列联表中候选模型数量巨大时，如何计算层级、图式及可分解对数线性模型的后验概率并进行比较。
- 方法与思路
- 作者采用可逆跳跃马尔可夫链蒙特卡洛跨模型计算后验概率，讨论参数先验，并用三维和六维列联表展示方法。
- 材料陈述的贡献
- 摘要称在三维表中与精确计算及其他近似比较，并在精确方法不可行的六维表中识别后验概率最高的各类模型。
- 阅读关注点
- 应核对跨模型跳跃的构造、先验对模型概率的影响、链的混合与收敛诊断，以及不同计算方法比较的准确性指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；先验细节、收敛证据和比较数值未说明，不能认定高维计算普遍可靠。
原文摘要
We use reversible jump Markov chain Monte Carlo methods (Green, 1995) to develop strategies for calculating posterior probabilities of hierarchical, graphical or decomposable log-linear models for high-dimensional contingency tables. Even for tables of moderate size, these sets of models may be very large. The choice of suitable prior distributions for model parameters is also discussed in detail, and two examples are presented. For the first example, a three-way table, the model probabilities calculated using our reversible jump approach are compared with model probabilities calculated exactly or by using an alternative approximation. The second example is a six-way contingency table for which exact methods are infeasible, because of the large number of possible models. We identify the most probable hierarchical, graphical and decomposable models, and compare the results with alternatives approaches.