Fully Bayesian spline smoothing and intrinsic autoregressive priors
完全贝叶斯样条平滑与内蕴自回归先验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：摘要中的自回归先验用于空间建模，核心是贝叶斯平滑与后验正常化，不能据名称归为时间序列。
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
完全贝叶斯样条平滑与内蕴自回归先验
- 研究问题
- 样条平滑与空间建模中的部分信息正态先验有何共同结构，搭配方差分量的无信息先验时，何时得到正常化的后验？
- 方法与思路
- 作者统一描述样条极限先验、条件及内蕴自回归先验的形式，推导部分信息正态先验类别下后验为正常分布的充要条件。
- 材料陈述的贡献
- 摘要称所得条件适用于完全贝叶斯平滑样条、薄板样条、L 样条及内蕴自回归先验模型，为 Gibbs 采样实施提供依据。
- 阅读关注点
- 应核对后验正常化的具体充要条件、先验中的未约束方向与方差分量设定，以及这些条件在各类样条模型中的检查方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；“后验为正常分布”指后验可正常化，并非高斯分布；具体条件、采样收敛与刊本变化未说明。
原文摘要
There is a well‐known Bayesian interpretation for function estimation by spline smoothing using a limit of proper normal priors. The limiting prior and the conditional and intrinsic autoregressive priors popular for spatial modelling have a common form, which we call partially informative normal. We derive necessary and sufficient conditions for the propriety of the posterior for this class of partially informative normal priors with noninformative priors on the variance components, a condition crucial for successful implementation of the Gibbs sampler. The results apply for fully Bayesian smoothing splines, thin‐plate splines and L‐splines, as well as models using intrinsic autoregressive priors.