Importance sampling from posterior distributions using copula-like approximations
利用类Copula近似进行后验重要性抽样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：摘要聚焦通用后验近似和重要性抽样，未明确指向所列领域中的具体模型或应用。
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
利用类Copula近似进行后验重要性抽样
- 研究问题
- 如何构造可自适应调整的高维后验重要性分布，并在困难的潜在高斯模型中改善后验近似和蒙特卡洛计算表现？
- 方法与思路
- 作者将单变量Student-t密度与截断于超立方体的多维beta-Liouville密度相乘，优化混合参数，并提出嵌套近似。
- 材料陈述的贡献
- 摘要称，该策略提供通用多维后验近似，并在若干已有计量模型中展示相对替代方法令人满意的计算表现。
- 阅读关注点
- 应核对重要性分布的归一化与尾部覆盖、自适应更新规则、嵌套近似的构造，以及比较所用效率和误差指标。
- 阅读边界
- 仅据所给出版社摘要，不能判断重要性权重方差或高维稳定性是否有普遍保证；应用模型、比较基准与数值结果未说明。
原文摘要
We provide generic approximations to k-dimensional posterior distributions through an importance sampling strategy. The importance function is a product of k univariate of Student-t densities and a k-dimensional beta-Liouville density truncated on the hypercube. The parameters of the densities and the number of components in the mixtures are adaptively optimised along the Monte Carlo sampling. For challenging high dimensional latent Gaussian models we propose a nested importance function approximation. We apply the techniques to a range of econometric models that have appeared in the literature, and we document their satisfactory performance relative to the alternatives.