Computing Bayes Factors by Combining Simulation and Asymptotic Approximations
结合模拟与渐近近似计算贝叶斯因子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：摘要属于通用贝叶斯模型比较与数值积分，未明确对应所列计量领域细分。
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…
结合模拟与渐近近似计算贝叶斯因子
- 研究问题
- 当后验归一化常数难以直接计算、但能够从后验模拟时，如何准确且节省计算地估计用于模型比较的贝叶斯因子？
- 方法与思路
- 作者比较模拟版 Laplace 近似、Bartlett 修正、重要性及倒数重要性抽样，加入局部体积修正，并考察桥抽样的组合。
- 材料陈述的贡献
- 摘要称，局部体积修正的模拟 Laplace 方法在似然计算昂贵时尤其有用，结合简单桥抽样常可使精度提高一个数量级。
- 阅读关注点
- 阅读时应核对单一主导后验模态的适用要求、局部体积修正的实现，以及精度比较的误差指标和相同计算预算下的表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；比较设计与误差数值未提供，所述方法以单一主导模态为前提，不能直接推广至多峰后验。
原文摘要
The Bayes factor is a ratio of two posterior normalizing constants, which may be difficult to compute. We compare several methods of estimating Bayes factors when it is possible to simulate observations from the posterior distributions, via Markov chain Monte Carlo or other techniques. The methods that we study are all easily applied without consideration of special features of the problem, provided that each posterior distribution is well behaved in the sense of having a single dominant mode. We consider a simulated version of Laplace's method, a simulated version of Bartlett correction, importance sampling, and a reciprocal importance sampling technique. We also introduce local volume corrections for each of these. In addition, we apply the bridge sampling method of Meng and Wong. We find that a simulated version of Laplace's method, with local volume correction, furnishes an accurate approximation that is especially useful when likelihood function evaluations are costly. A simple bridge sampling technique in conjunction with Laplace's method often achieves an order of magnitude improvement in accuracy.