Bayesian semiparametric estimation of discrete duration models: an application of the dirichlet process prior
离散持续时间模型的贝叶斯半参数估计：Dirichlet 过程先验应用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：摘要聚焦持续时间模型与潜在异质性分布，未直接对应所列细分，不能仅凭分布一词归入分布效应。
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
离散持续时间模型的贝叶斯半参数估计：Dirichlet 过程先验应用
- 研究问题
- 如何在离散时间持续期模型中灵活处理不可观测异质性的分布，并开展有限样本推断及基准风险函数的建模？
- 方法与思路
- 作者以 Dirichlet 过程先验非参数刻画不可观测异质性分布，提出贝叶斯估计量，并应用于加拿大新不伦瑞克省就业持续期数据。
- 材料陈述的贡献
- 摘要称该估计量相对非参数最大似然方法可提供精确有限样本推断，且易于估计并结合灵活的基准风险设定。
- 阅读关注点
- 应核对先验与后验构造、异质性和基准风险的识别，以及精确有限样本推断的含义、计算程序与比较依据。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断结论对先验或模型设定的敏感性；精确推断不应直接理解为已验证的频率学覆盖保证。
原文摘要
Abstract This paper proposes a Bayesian estimator for a discrete time duration model which incorporates a non‐parametric specification of the unobserved heterogeneity distribution, through the use of a Dirichlet process prior. This estimator offers distinct advantages over the Nonparametric Maximum Likelihood estimator of this model. First, it allows for exact finite sample inference. Second, it is easily estimated and mixed with flexible specifications of the baseline hazard. An application of the model to employment duration data from the Canadian province of New Brunswick is provided. Copyright © 2001 John Wiley & Sons, Ltd.