Data tracking and the understanding of Bayesian consistency
数据追踪与贝叶斯一致性的理解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：摘要讨论贝叶斯密度估计的一般一致性机制，未直接对应所列经济计量细分领域。
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…
数据追踪与贝叶斯一致性的理解
- 研究问题
- 在贝叶斯密度估计中，哪些先验质量配置会导致强一致性失败，弱意义接近却在Hellinger意义相距较远的密度有何作用？
- 方法与思路
- 作者分析这类病态密度集合的先验质量，提出数据追踪概念，并通过可发生与不可发生该现象的例子解释不一致性。
- 材料陈述的贡献
- 摘要称数据追踪有助于揭示贝叶斯密度估计不一致的来源，并说明问题可能如何发生，而非仅给出抽象的一致性判断。
- 阅读关注点
- 应核对数据追踪的严格定义、弱接近与Hellinger距离的关系，以及示例中先验质量如何影响后验的强一致性。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出一致性的完整判据或具体先验，不能据此判断某个贝叶斯模型是否一致。
原文摘要
We deal with strong consistency for Bayesian density estimation. An awkward consequence of inconsistency is described. It is pointed out that consistency at some density f0 depends on the prior mass assigned to the ‘pathological’ set of those densities that are close to f0, in a weak sense, and far apart from f0, in a Hellinger sense. An analysis of these sets leads to the identification of the notion of ‘data tracking’. Specific examples in which this phenomenon cannot occur are discussed. When it can happen, we show how and where things can go wrong, thus providing more intuition about the sources of inconsistency.