Bayesian and Conditional Frequentist Testing of a Parametric Model Versus Nonparametric Alternatives
参数模型对非参数备择的贝叶斯与条件频率学派检验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：摘要聚焦通用模型拟合检验、非参数先验与错误概率解释，没有所列应用领域的充分文本依据。
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
参数模型对非参数备择的贝叶斯与条件频率学派检验
- 研究问题
- 如何将参数模型嵌入非参数备择进行拟合检验，并使贝叶斯分析报告的错误概率具有条件频率学派解释？
- 方法与思路
- 作者以 Pólya 树过程构造非参数备择并计算贝叶斯因子，提供过程设定的默认选择，同时讨论主观选择与稳健性分析。
- 材料陈述的贡献
- 摘要称，该程序具有便于计算的结构，并可解释为条件频率学派检验，在小样本下报告具有频率意义的数据依赖错误概率。
- 阅读关注点
- 应核对 Pólya 树分割与先验参数的默认规则、贝叶斯因子的计算，以及条件化事件和所报错误概率的严格定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断默认先验的适用范围与稳健性；小样本解释所需条件和证明未提供。
原文摘要
Testing the fit of data to a parametric model can be done by embedding the parametric model in a nonparametric alternative and computing the Bayes factor of the parametric model to the nonparametric alternative. Doing so by specifying the nonparametric alternative via a Polya tree process is particularly attractive, from both theoretical and methodological perspectives. Among the benefits is a degree of computational simplicity that even allows for robustness analyses to be implemented. Default (nonsubjective) versions of this analysis are developed herein, in the sense that recommended choices are provided for the (many) features of the Polya tree process that need to be specified. Considerable discussion of these features is also provided to assist those who might be interested in subjective choices. A variety of examples involving location–scale models are studied. Finally, it is shown that the resulting procedure can be viewed as a conditional frequentist test, resulting in data-dependent reported error probabilities that have a real frequentist interpretation (as opposed to p values) in even small sample situations.