Bayesian Model Selection using Test Statistics
利用检验统计量进行贝叶斯模型选择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：摘要提出通用贝叶斯模型选择方法，未明确涉及所列预测、因子或结构估计领域。
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…
关注这篇论文的作者
利用检验统计量进行贝叶斯模型选择
- 研究问题
- 如何在减少逐模型指定复杂参数先验负担的同时，进行贝叶斯模型选择，并方便评估程序表现和选择超参数？
- 方法与思路
- 作者利用经典检验统计量计算候选模型之间的贝叶斯因子，并通过先验预测模拟，在给定样本量和协变量数下选择超参数。
- 材料陈述的贡献
- 摘要称若干测试案例的结果接近精心指定先验的既有方法，并具有计算与算法便利，且便于评估程序的运行特性。
- 阅读关注点
- 应核对检验统计量如何映射为贝叶斯因子、仍需指定哪些超参数，以及案例比较与先验预测校准的具体设置。
- 阅读边界
- 仅依据Crossref摘要；减少复杂参数先验设定不代表完全无需先验，摘要未说明贝叶斯因子的构造细节或优势范围。
原文摘要
Summary Existing Bayesian model selection procedures require the specification of prior distributions on the parameters appearing in every model in the selection set. In practice, this requirement limits the application of Bayesian model selection methodology. To overcome this limitation, we propose a new approach towards Bayesian model selection that uses classical test statistics to compute Bayes factors between possible models. In several test cases, our approach produces results that are similar to previously proposed Bayesian model selection and model averaging techniques in which prior distributions were carefully chosen. In addition to eliminating the requirement to specify complicated prior distributions, this method offers important computational and algorithmic advantages over existing simulation-based methods. Because it is easy to evaluate the operating characteristics of this procedure for a given sample size and specified number of covariates, our method facilitates the selection of hyperparameter values through prior-predictive simulation.