Bayesian Marginal Inference
贝叶斯边际推断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边际化与后验近似，未明确涉及给定列表中的具体计量领域。
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…
贝叶斯边际推断
- 研究问题
- 有限样本非线性模型中，如何近似多个未知参数的连续函数的边际后验密度，减少边际化所需的繁琐数值积分？
- 方法与思路
- 作者用条件最大化替代数值积分，并与剖面似然思想和一种拉普拉斯近似比较，在列联表及离散指数族问题中应用。
- 材料陈述的贡献
- 摘要称，该近似在若干特殊情形中相当准确，并展示对交互效应、总体关联指标和零计数概率的边际后验推断。
- 阅读关注点
- 应核对条件最大化如何形成后验近似、准确性的判据、与拉普拉斯近似的差别，以及各应用的先验和计算设置。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出一般误差界或统一优势结论，特殊案例的准确性不能保证普遍成立。
原文摘要
A method is proposed for approximating the marginal posterior density of a continuous function of several unknown parameters, thus permitting inferences about any parameter of interest for nonlinear models when the sample size is finite. Possibly tedious numerical integrations are replaced by conditional maximizations, which are shown to be quite accurate in a number of special cases. There are similarities with the profile likelihood ideas originated by Kalbfleisch and Sprott (1970), and the method is contrasted with a Laplacian approximation recommended by Kass, Tierney, and Kadane (1988, in press), referred to here as the “KTK procedure.” The methods are used to approximate the marginal posterior densities of the log-linear interaction effects and an overall measure of association in a two-way contingency table. Snee's (1974) hair/eye color data are reanalyzed, and adjustments are proposed to Goodman's (1964) analysis for the full-rank interaction model. Another application concerns marginalization problems for a discrete p-parameter exponential family distribution, and inferences are considered for the probability of a zero count.