Multiple Probability Assessments by Dependent Experts
相关专家的多重概率评估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：摘要研究一般专家信息汇总与贝叶斯校准，缺少具体预测领域的文本依据。
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
相关专家的多重概率评估
- 研究问题
- 研究多个专家对多个随机变量提供评估且评估误差相关时，决策者如何同时更新变量分布与校准专家，并理解后验依赖的产生。
- 方法与思路
- 作者建立贝叶斯双向更新模型，并在专家评估误差服从多元正态分布时推导后验；利用专家对已知量的历史评估确定汇总权重。
- 材料陈述的贡献
- 摘要称，相关评估误差可使先验独立的变量在后验中相关；正态模型的后验依赖专家均值的加权平均，并给出简单平均成立的特例。
- 阅读关注点
- 应核对误差相关结构如何设定、已知量评估如何用于校准，以及加权汇总的充分性和无权平均正确给出后验均值的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出权重公式与特例条件，也未明确收益或宏观预测场景，不能据此判断预测表现。
原文摘要
When two or more information sources (“experts”) provide a decision maker with information on two or more random variables, the decision maker using Bayes's rule has an opportunity to (a) update a prior about the random variables and (b) calibrate the experts. (Calibration is the process of adjusting the decision maker's likelihood about the experts' assessments.) This article presents a model for this two-way process and specializes to the case in which the experts' assessment errors have a multivariate normal density. In general, we find that variables which the decision maker and the experts regard as independent a priori will be dependent a posteriori because of dependence in the assessment errors. Formulas for posterior densities are given for the normal model. In this model the posterior density of the random variables depends on only a weighted average of the expert's means, with weights that depend on the experts' assessments of previously known quantities. I also present a special case of the model for which the mean of the posterior density is correctly given by a simple (unweighted) average of assessments.