An Intrinsic Limiting Procedure for Model Selection and Hypotheses Testing
模型选择与假设检验的内在极限程序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：摘要研究通用贝叶斯模型比较与先验理论，没有所列经济计量细分方向的直接依据。
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…
模型选择与假设检验的内在极限程序
- 研究问题
- 当默认贝叶斯估计使用非正常先验而使贝叶斯因子无法定义时，如何为内在先验下的模型比较提供极限程序依据？
- 方法与思路
- 作者针对内在先验形式化一个极限程序，在嵌套与非嵌套模型中讨论，并与贝叶斯信息准则和分数贝叶斯因子比较。
- 材料陈述的贡献
- 摘要称，该极限程序为使用内在先验计算贝叶斯因子提供理论论证，并通过示例展示其与其他近似方法的关系。
- 阅读关注点
- 核对内在先验的生成方式、极限对象与收敛要求，以及嵌套和非嵌套模型中的论证差异及比较所用的具体设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能推断后续刊本变化。摘要未说明极限程序的完整条件，也未声称其在所有模型中优于其他方法。
原文摘要
Improper priors typically arise in default Bayesian estimation problems. In the Bayesian approach to model selection or hypothesis testing, the main tool is the Bayes factor. When improper priors for the parameters appearing in the models are used, the Bayes factor is not well defined. The intrinsic Bayes factor introduced by Berger and Pericchi is an interesting method for overcoming that difficulty. That method is of particular interest as a means for generating proper prior distributions (intrinsic priors) for model comparison from the improper priors typically used in estimation. The goal of this article is to develop a limiting procedure that provides a solid justification for the use of Bayes factor with intrinsic priors. The procedure is formalized and discussed for nested and nonnested models. Illustrations and comparisons with other approximations to Bayes factors, such as the Bayesian information criterion of Schwarz and the fractional Bayes factor of O'Hagan are provided.