Communicating Scientific Uncertainty via Approximate Posteriors
通过近似后验传达科学不确定性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：摘要研究统计不确定性的报告和一般贝叶斯决策损失，应用文献样本未限定所列计量方向，因此保留空分类。
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
通过近似后验传达科学不确定性
- 研究问题
- 当分析者向贝叶斯决策者报告近似后验，而受众将其视为精确后验时，如何衡量误差对决策造成的损失并改进报告？
- 方法与思路
- 作者推导受众决策遗憾的界，在决策问题和先验限制下简化界并使用 bootstrap 替代后验，提出检查与改进报告的步骤。
- 材料陈述的贡献
- 摘要称，文章建立近似后验的决策损失界，并给出评估常规正态报告是否足够准确的实用方法及文献样本示例。
- 阅读关注点
- 应核对受众损失函数与先验的限制、近似误差如何进入遗憾界，以及 bootstrap 替代后验和改进报告的操作条件。
- 阅读边界
- 仅据所给 Crossref 摘要，不能认定任意 bootstrap 分布均可充当后验，也无法判断所提检查的阈值和实际效果。
原文摘要
We cast the problem of communicating scientific uncertainty as one of reporting a posterior distribution on an unknown parameter to an audience of Bayesian decision‐makers. We establish novel bounds on the audience's regret when the analyst reports an approximation to a posterior that the audience treats as exact. Under a palatable restriction on the audience's decision problems, the bounds take an especially convenient form. Under a further restriction on the audience's priors, a bootstrap distribution can be used as a stand‐in posterior. We propose a practical recipe for checking whether a conventional statistical report (say, a normal parameterized by a point estimate and standard error) is a good approximation, and for improving the report if it is not. We illustrate our proposals using the articles in the 2021 American Economic Review that use a bootstrap for inference.