Model choice: a minimum posterior predictive loss approach
模型选择：最小后验预测损失方法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：摘要研究通用贝叶斯模型选择，住宅交易示例不足以支持资产定价或宏观预测分类。
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
模型选择：最小后验预测损失方法
- 研究问题
- 研究如何比较含随机效应的非嵌套层级模型，使模型选择兼顾对重复数据的预测能力与对已观测数据的贴合。
- 方法与思路
- 作者先在各模型下最小化后验损失形成预测准则，再选择准则最小的模型，并用住宅交易数据展示应用。
- 材料陈述的贡献
- 摘要称在广泛损失函数下，所提准则可分解为拟合优度项与惩罚项，提供了一种后验预测模型选择方法。
- 阅读关注点
- 阅读全文时应核对重复数据的预测目标、损失函数与贴合权衡、惩罚项含义，以及住宅交易应用的模型比较设计。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；损失与先验设定、选择性质及应用结果未说明，不能认定准则普遍优于其他方法。
原文摘要
Model choice is a fundamental and much discussed activity in the analysis of datasets. Nonnested hierarchical models introducing random effects may not be handled by classical methods. Bayesian approaches using predictive distributions can be used though the formal solution, which includes Bayes factors as a special case, can be criticised. We propose a predictive criterion where the goal is good prediction of a replicate of the observed data but tempered by fidelity to the observed values. We obtain this criterion by minimising posterior loss for a given model and then, for models under consideration, selecting the one which minirnises this criterion. For a broad range of losses, the criterion emerges as a form partitioned into a goodness-of-fit term and a penalty term. We illustrate its performance with an application to a large dataset involving residential property transactions.