Bayesian Analysis of Error Components Regression Models
误差分量回归模型的贝叶斯分析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：摘要明确合并横截面与时间序列数据，并采用双向随机效应和误差分量回归模型。
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
误差分量回归模型的贝叶斯分析
- 研究问题
- 合并横截面与时间序列数据时，如何在含相关误差的双向随机效应模型中，对斜率系数开展贝叶斯推断？
- 方法与思路
- 作者分析加入解释变量的双向随机效应模型，开发斜率系数后验分布的计算方法，并结合样本信息与先验信息处理干扰参数。
- 材料陈述的贡献
- 摘要称，即使存在不可估的干扰参数，适当使用样本与先验信息仍可对斜率系数形成合理推断，并简述与抽样理论方法的比较。
- 阅读关注点
- 应核对误差相关结构、先验设定、不可估参数的含义，以及斜率后验的计算方式和推断对先验选择的敏感性。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，无法判断刊本变化；摘要未给出先验、后验公式或比较证据，不能确认普遍优越性。
原文摘要
This article examines the use of a two-way, random-effects, model with correlated errors and additional explanatory variables in combining cross-section with time series data. This model has been analyzed from a Bayesian viewpoint. Methods are developed for computing posterior distributions of slope coefficients. The advantage of our approach over sampling theory approaches is briefly discussed. It has been shown how one can obtain reasonable inferences about slope coefficients which are the parameters of interest, in the presence of nonestimable nuisance parameters by judicious use of sample and prior information.