Local sensitivity diagnostics for Bayesian inference
贝叶斯推断的局部敏感性诊断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：摘要属于一般贝叶斯敏感性理论，未明确关联所列计量领域细分。
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
贝叶斯推断的局部敏感性诊断
- 研究问题
- 如何量化先验分布的小幅变化对后验推断的影响，常用局部敏感性诊断为何会随样本量增大而出现发散？
- 方法与思路
- 作者在密度比拓扑下分析 Fréchet 导数范数和散度诊断的渐近行为，并考察限制先验类别及边际敏感性扩展。
- 材料陈述的贡献
- 摘要称，若基准先验为先验类的内点，若干诊断随样本量按参数维数相关速率发散；适当限制先验类可改善渐近行为。
- 阅读关注点
- 应核对拓扑与先验内点的定义、发散结论的正则条件、先验类别限制的具体形式，以及边际诊断的解释方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，不能判断限制先验类是否适合具体应用，或诊断改善是否带来更稳健的后验结论。
原文摘要
We investigate diagnostics for quantifying the effect of small changes to the prior distribution over a k-dimensional parameter space. We show that several previously suggested diagnostics, such as the norm of the Fréchet derivative, diverge at rate $n^{k/2}$ if the base prior is an interior point in the class of priors, under the density ratio topology. Diagnostics based on $\phi$-divergences exhibit similar asymptotic behavior. We show that better asymptotic behavior can be obtained by suitably restricting the classes of priors. We also extend the diagnostics to see how various marginals of the prior affect various marginals of the posterior.