Modified Delayed Acceptance MCMC for Quasi-Bayesian Inference with Linear Moment Conditions
线性矩条件准贝叶斯推断的改进延迟接受 MCMCAI 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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：核心是通用矩条件准贝叶斯计算；工具变量应用不足以确定所列细分领域。
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
线性矩条件准贝叶斯推断的改进延迟接受 MCMC
- 研究问题
- 在线性矩条件构造的准后验中，如何利用模型结构降低采样成本，并兼顾高维计算稳定性与有效样本产出？
- 方法与思路
- 作者以代理目标核和近似条件后验提议构造延迟接受 MCMC，分别提出纳入先验的 Exact 与省略提议中先验的 Approx 实现。
- 材料陈述的贡献
- 摘要称，Approx 的总体计算吞吐量最好，Exact 的每次迭代效率最高；模拟和两个工具变量应用支持其计算收益。
- 阅读关注点
- 核对两种算法的接受步骤、目标分布保持条件，以及有效样本量比较是否计入预计算成本；关注高维矩阵运算的实际限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实。摘要未说明完整收敛条件、具体效率数值及应用设计，不能据此判定普遍优越。
原文摘要
We develop a computationally efficient framework for quasi-Bayesian inference based on linear moment conditions. The approach employs a delayed acceptance Markov chain Monte Carlo (DA-MCMC) algorithm that uses a surrogate target kernel and a proposal distribution derived from an approximate conditional posterior, thereby exploiting the structure of the quasi-likelihood. Two implementations are introduced. DA-MCMC-Exact fully incorporates prior information into the proposal distribution and maximizes per-iteration efficiency, whereas DA-MCMC-Approx omits the prior in the proposal to reduce matrix inversions, improving numerical stability and computational speed in higher dimensions. Simulation studies on heteroskedastic linear regressions show substantial gains over standard MCMC and conventional DA-MCMC baselines, measured by multivariate effective sample size per iteration and per second. The Approx variant yields the best overall throughput, while the Exact variant attains the highest per-iteration efficiency. Applications to two empirical instrumental variable regressions corroborate these findings: the Approx implementation scales to larger designs where other methods become impractical, while still delivering precise inference. Although developed for moment-based quasi-posteriors, the proposed approach also extends to risk-based quasi-Bayesian formulations when first-order conditions are linear and can be transformed analogously. Overall, the proposed algorithms provide a practical and robust tool for quasi-Bayesian analysis in statistical applications.