A correlation-shrinkage prior for Bayesian prediction of the two-dimensional Wishart model
二维Wishart模型贝叶斯预测的相关系数收缩先验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Wishart模型下的通用贝叶斯决策理论，未明确涉及宏观预测、金融风险或其他给定细分方向。
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…
二维Wishart模型贝叶斯预测的相关系数收缩先验
- 研究问题
- 在二维Wishart模型的预测问题中，能否构造兼具尺度与置换不变性的相关系数收缩先验，并获得极小极大预测密度？
- 方法与思路
- 作者在决策理论框架下采用Kullback–Leibler损失，以指标置换对应的右不变先验的几何平均构造相关系数收缩先验。
- 材料陈述的贡献
- 摘要称，该先验对相关系数的Fisher变换赋予均匀分布，具有尺度和置换不变性，且对应贝叶斯预测密度具有极小极大性。
- 阅读关注点
- 应核对预测对象、参数空间、先验与后验的适定性，以及极小极大结论适用的损失定义、样本条件和比较类。
- 阅读边界
- 仅据所给Crossref摘要，无法判断先验的完整形式与使用条件；极小极大结论依赖指定模型和损失，不能直接推广到其他预测问题。
原文摘要
Summary A Bayesian prediction problem for the two-dimensional Wishart model is investigated within the framework of decision theory. The loss function is the Kullback–Leibler divergence. We construct a scale-invariant and permutation-invariant prior distribution that shrinks the correlation coefficient. The prior is the geometric mean of the right invariant prior with respect to permutation of the indices, and is characterized by a uniform distribution for Fisher’s $z$-transformation of the correlation coefficient. The Bayesian predictive density based on the prior is shown to be minimax.