Multiple Bayes Factors for Testing Hypotheses
用于假设检验的多重贝叶斯因子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假设比较，没有足够证据对应所列应用领域细分。
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…
用于假设检验的多重贝叶斯因子
- 研究问题
- 参数空间划分形成多个假设时，如何进行两两贝叶斯比较，并考察先验选择对贝叶斯因子和后验概率的影响？
- 方法与思路
- 作者引入部分与多重贝叶斯因子，构造包括非对称单峰密度在内的先验类，通过优化计算贝叶斯因子及后验概率上下界。
- 材料陈述的贡献
- 摘要称提供了多假设两两比较与稳健贝叶斯分析的框架，定义具有直观意义的先验类，并给出相应优化程序和例子。
- 阅读关注点
- 应核对部分与多重贝叶斯因子的定义、先验类的约束及上下界计算，并检查精确假设下先验设定如何影响结论。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未说明优化的具体条件、计算成本或稳健性覆盖的先验范围。
原文摘要
Partial and multiple Bayes factors are introduced to obtain pairwise comparisons of hypotheses in a statistical experiment with a partition on the parameter space. Robust Bayesian analyses are performed by introducing suitable classes of priors and by calculating lower and upper bounds of Bayes factors and posterior probabilities. Classes of intuitively meaningful priors are introduced, including unimodal densities without the constraint of symmetry for the case of precise hypotheses. Procedures for the corresponding optimizations are specified, and examples are given.