Bayesian Model Selection in Finite Mixtures by Marginal Density Decompositions
通过边际密度分解进行有限混合模型的贝叶斯选择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：摘要研究通用有限混合模型的贝叶斯选择，未明确涉及离散选择、结构估计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…
通过边际密度分解进行有限混合模型的贝叶斯选择
- 研究问题
- 在混合成分数有固定有限上界的模型中，如何联合估计未知成分数与混合分布，并获得模型选择及后验估计的一致性？
- 方法与思路
- 作者为有限混合分布设置先验，通过边际密度分解得到加权贝叶斯因子方法，以 GWCR 蒙特卡洛算法和分块 Gibbs 抽样实现估计。
- 材料陈述的贡献
- 摘要称，方法可一致估计成分数，后验具有一致性并达到所述频率学最优估计速度；文章还与 AIC、BIC 比较并考察真实数据和模拟。
- 阅读关注点
- 应核对先验、成分可识别性和固定上界的作用，明确最优速度对应的距离或损失，并检查模型选择比较中的 EM 实现设置。
- 阅读边界
- 仅依据稿件版本未注明的 OpenAlex 索引摘要；最优速度的度量与具体条件未说明，数据比较结果未给出，不能推断普遍优于信息准则。
原文摘要
We consider the problem of estimating the number of components d and the unknown mixing distribution in a finite mixture model, in which d is bounded by some fixed finite number N. Our approach relies on the use of a prior over the space of mixing distributions with at most N components. By decomposing the resulting marginal density under this prior, we discover a weighted Bayes factor method for consistently estimating d that can be implemented by an iid generalized weighted Chinese restaurant (GWCR) Monte Carlo algorithm. We also discuss a Gibbs sampling method (the blocked Gibbs sampler) for estimating d and also the mixing distribution. We show that our resulting posterior is consistent and achieves the frequentist optimal Op (n−1/4) rate of estimation. We compare the performance of the new GWCR model selection procedure with that of the Akaike information criterion and the Bayes information criterion implemented through an EM algorithm. Applications of our methods to five real datasets and simulations are considered.