Estimation of Finite Mixture Distributions Through Bayesian Sampling
通过贝叶斯抽样估计有限混合分布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计算，未指定离散选择、结构估计或金融宏观应用，领域细分证据不足。
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
通过贝叶斯抽样估计有限混合分布
- 研究问题
- 有限混合模型的后验涉及样本所有可能分组而难以直接计算时，如何近似后验和贝叶斯估计，并保证抽样链收敛？
- 方法与思路
- 作者利用混合模型的潜在缺失数据结构构造 Gibbs 抽样，分析数据增广与全条件方案，并讨论非正常先验对应的近似。
- 材料陈述的贡献
- 摘要称数据增广具有几何收敛性，全条件 Gibbs 方案具有遍历性且在正态情形下几何收敛，并利用对偶原理传递链性质。
- 阅读关注点
- 应核对潜在分组与参数更新步骤、各收敛结论的条件，以及固定混合成分数和非正常先验下后验是否定义良好。
- 阅读边界
- 仅依据所给 Crossref 摘要；未提供先验、混合分布及收敛条件，几何收敛结论不能据此转化为具体计算速度保证。
原文摘要
SUMMARY A formal Bayesian analysis of a mixture model usually leads to intractable calculations, since the posterior distribution takes into account all the partitions of the sample. We present approximation methods which evaluate the posterior distribution and Bayes estimators by Gibbs sampling, relying on the missing data structure of the mixture model. The data augmentation method is shown to converge geometrically, since a duality principle transfers properties from the discrete missing data chain to the parameters. The fully conditional Gibbs alternative is shown to be ergodic and geometric convergence is established in the normal case. We also consider non-informative approximations associated with improper priors, assuming that the sample corresponds exactly to a k-component mixture.