Multiple Bayes Factors for Testing Hypotheses
用于假设检验的多重贝叶斯因子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：摘要研究一般假设比较与先验稳健性，没有所列经济计量应用方向的明确依据。
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…
用于假设检验的多重贝叶斯因子
- 研究问题
- 当参数空间被划分为多个假设时，如何进行两两贝叶斯证据比较，并评估结论对不同先验分布选择的敏感性？
- 方法与思路
- 作者引入部分及多重贝叶斯因子，在指定先验类上计算贝叶斯因子与后验概率的上下界，并给出相应优化程序。
- 材料陈述的贡献
- 摘要称提出了直观可解释的先验类，包括精确假设情形下不要求对称的单峰密度，并提供稳健贝叶斯分析示例。
- 阅读关注点
- 应核对部分与多重贝叶斯因子的定义、先验类如何限定证据范围，以及上下界优化的可实现性和精确假设的处理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断各先验类的具体约束、界是否可达或计算代价；稳健性限于所选先验类。
原文摘要
Partial and multiple Bayes factors are introduced to obtain pairwise comparisons of hypotheses in a statistical experiment with a partition on the parameter space. Robust Bayesian analyses are performed by introducing suitable classes of priors and by calculating lower and upper bounds of Bayes factors and posterior probabilities. Classes of intuitively meaningful priors are introduced, including unimodal densities without the constraint of symmetry for the case of precise hypotheses. Procedures for the corresponding optimizations are specified, and examples are given.