Aspects of Uncertainty: A Tribute to D. V. Lindley.
不确定性的诸方面：献给 D. V. LindleyAI 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：材料仅列出一般统计与贝叶斯主题，未提供对应所列经济计量细分方向的明确研究内容。
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
不确定性的诸方面：献给 D. V. Lindley
- 研究问题
- 所给材料汇集贝叶斯推断、决策、层级模型及概率基础等主题，但未说明各篇文章的具体研究问题与联系。
- 方法与思路
- 材料呈现为章节或文章题名清单，涉及潜变量、层级先验、马尔可夫链等方法，未提供可概括的统一研究方案。
- 材料陈述的贡献
- 清单展示了围绕 Lindley 的多主题内容范围；材料未陈述各章的新结果，无法提炼为一项统一的方法贡献。
- 阅读关注点
- 应先核对文献类型及目录，选择相关章节，再分别检查其研究问题、方法、论证与应用，避免混合不同作者的结论。
- 阅读边界
- 所给 OpenAlex“摘要”看似目录，稿件版本未注明；不能据此判断各章结论、原创性或将整项材料视为单篇研究论文。
原文摘要
Dennis Lindley: The First 70 Years The Operational Bayesian Approach Pivotal Inference Illustrated on the Darwin Maize Data Bayes Theory in Latent Variable Modelling Bayesian Sampling Schemes for Auditors Optimal Prediction with Hierarchical Models: Bayesian Clustering Inference for a Covariance Matrix The Role of Statistical Theory in Decision Aiding The Signature as a Covariate in Reliability and Biometry Residual Analysis and Outliers in Hierarchical Models The Island Problem: Coherent Use of Identification Evidence Utility: Probability's Younger Twin? Bayesian Hierarchical Analysis for Exponential Families Via Markov Chains Revising Exchangeable Beliefs: Subjectivist Foundations for the Inductive Argument On Steinian Shrinkage Estimators The Finite/Infinite Problem and Formalism in Probability and Statistics Bayesian Decision Theory and the Legal Structure Experimental Design From a Subjective Utilitarian Viewpoint The Bayesian Analysis of Categorical Data: A Selective Review Conflicting Information and a Class of Bivariate Heavy-Tailed Distributions Application of Lindley Information to the Design of Clinical Experiments On Two Classic Theorems Involving the Characteristic Function Hierarchical Priors and Mixture Models with Applications in Regression and Density Estimation.