Semiparametric Bayesian Analysis of Selection Models
选择模型的半参数贝叶斯分析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：摘要讨论样本选择机制的贝叶斯建模，未明确涉及因果效应、离散选择行为或其他所列细分方向。
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
选择模型的半参数贝叶斯分析
- 研究问题
- 当观测值以未知权重进入样本时，如何灵活估计选择机制，并处理理论可识别却在实践中难以识别的问题？
- 方法与思路
- 作者以参数形式为中心构造权重函数的狄利克雷过程先验，引入选择机制潜变量，并依总体数量是否已知选择不同采样算法。
- 材料陈述的贡献
- 摘要称该方法可纳入权重函数的先验知识而不固定其函数形式，并揭示实际不可识别困难，提出依赖有效范围先验的解决思路。
- 阅读关注点
- 应核对权重函数的约束与先验构造、总体数量已知和未知时的算法，以及有效范围先验如何影响识别和后验结果。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；识别条件、先验敏感性和算法表现未说明，不能推断其他版本的结果。
原文摘要
Selection models are appropriate when a datum x enters the sample only with probability or weight w(x). It is typically assumed that the weight function w is monotone, but the precise functional form of the weight function is often unknown. In this article, the Dirichlet process prior, centered on a parametric form, is used as a prior distribution on the weight function. This allows for incorporation of knowledge about the weight function, without restricting it to be of some particular functional form. By introducing latent variables related to the selection mechanism, computation via Gibbs sampling can be implemented in the case where the total number of selected and unselected observations, N, is known. When N is unknown, a reversible jump Markov chain sampler is needed to carry out the computations. An important difficulty that can be thought of as “practical nonidentifiability” is revealed, even for selection models in which the weight functions are theoretically identifiable. The proposed solution to this problem depends on the existence of prior knowledge concerning the effective range of the weight function.