Poisson calculus for spatial neutral to the right processes
空间右中性过程的泊松演算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：摘要聚焦贝叶斯非参数随机概率测度，未明确对应所列经济计量细分方向。
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…
关注这篇论文的作者
空间右中性过程的泊松演算
- 研究问题
- 如何将实线上的右中性贝叶斯先验扩展到任意 Polish 空间，使其适用于更复杂模型，并获得可处理的后验分析和计算方案？
- 方法与思路
- 作者构造空间右中性过程与右中性物种抽样模型，推导后验分布关系，并发展一般中国餐馆过程的有序变体以近似复杂后验量。
- 材料陈述的贡献
- 摘要称，新模型类包含狄利克雷过程的重要双参数扩展，给出可处理的后验分析，并揭示其与再生组合结构等理论的联系。
- 阅读关注点
- 应核对空间右中性的定义、双参数扩展的包含关系、后验公式成立的条件，以及有序抽样方案如何近似目标量及控制误差。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体构造、后验表达和计算误差保证未说明，不能推断所有复杂模型均可直接应用。
原文摘要
Neutral to the right (NTR) processes were introduced by Doksum in 1974 as Bayesian priors on the class of distributions on the real line. Since that time there have been numerous applications to models that arise in survival analysis subject to possible right censoring. However, unlike the Dirichlet process, the larger class of NTR processes has not been used in a wider range of more complex statistical applications. Here, to circumvent some of these limitations, we describe a natural extension of NTR processes to arbitrary Polish spaces, which we call spatial neutral to the right processes. Our construction also leads to a new rich class of random probability measures, which we call NTR species sampling models. We show that this class contains the important two parameter extension of the Dirichlet process. We provide a posterior analysis, which yields tractable NTR analogues of the Blackwell–MacQueen distribution. Our analysis turns out to be closely related to the study of regenerative composition structures. A new computational scheme, which is an ordered variant of the general Chinese restaurant processes, is developed. This can be used to approximate complex posterior quantities. We also discuss some relationships to results that appear outside of Bayesian nonparametrics.