Prior Distributions From Pseudo-Likelihoods in the Presence of Nuisance Parameters
存在干扰参数时基于伪似然的先验分布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：摘要讨论通用贝叶斯与频率推断的概率匹配，没有所列领域细分的直接证据。
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…
存在干扰参数时基于伪似然的先验分布
- 研究问题
- 用边际、条件或修正剖面似然消除干扰参数后，如何为标量目标参数选择先验，使贝叶斯与频率推断在近似意义上匹配？
- 方法与思路
- 作者将仅含目标参数的伪似然用于后验构造，研究概率匹配先验，并将先验形式与伪极大似然估计的渐近方差联系。
- 材料陈述的贡献
- 摘要称针对几类伪似然给出目标参数的概率匹配先验构造，并在四个例子中与参考先验和Jeffreys先验比较。
- 阅读关注点
- 核对概率匹配的具体阶数、伪似然类型与正则条件，并查阅原PDF确认先验表达、参数变换性质及例子的比较标准。
- 阅读边界
- 所据为版本未注明的索引摘要；数学记号含重复符号，具体表达须核对原PDF。摘要未说明匹配阶数，不能认定为精确覆盖。
原文摘要
Consider a model parameterized by θ == (ψ, λ), where ψ is the parameter of interest. The problem of eliminating the nuisance parameter λ can be tackled by resorting to a pseudo-likelihood function L**(ψ) for ψ—namely, a function of ψ only and the data y with properties similar to those of a likelihood function. If one treats L**(ψ) as a true likelihood, the posterior distribution π**(ψ | y) ∝ π(ψ)L**(ψ) for ψ can be considered, where π(ψ) is a prior distribution on ψ. The goal of this article is to construct probability matching priors for a scalar parameter of interest only (i.e., priors for which Bayesian and frequentist inference agree to some order of approximation) to be used in π**(ψ || y ). When L**(ψ) is a marginal, a conditional, or a modification of the profile likelihood, we show that π(ψ) is simply proportional to the square root of the inverse of the asymptotic variance of the pseudo-maximum likelihood estimator. The proposed priors are compared with the reference or Jeffreys’ priors in four examples.