Uniformly most powerful Bayesian tests
一致最强贝叶斯检验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：摘要属于通用贝叶斯假设检验理论，未提供任何所列经济或金融细分的直接证据。
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…
关注这篇论文的作者
一致最强贝叶斯检验
- 研究问题
- 如何把一致最强检验的思想扩展到贝叶斯框架，使支持备择假设的贝叶斯因子超过指定阈值的概率最大？
- 方法与思路
- 作者以贝叶斯因子越过阈值的概率定义最优性，主要讨论单参数指数族，并研究经典检验与贝叶斯检验的对应关系。
- 材料陈述的贡献
- 摘要称该对应关系可用于 p 值与贝叶斯因子的近似校准，并讨论二者对样本量的强烈依赖及指数族之外的扩展可能。
- 阅读关注点
- 应核对最优性所比较的备择设定、阈值和概率计算方式，并检查检验存在条件、校准误差及样本量依赖的具体形式。
- 阅读边界
- 仅据版本未注明的索引摘要；存在条件和校准范围未说明，近似关系不能直接作为所有模型中 p 值与贝叶斯因子的换算。
原文摘要
Uniformly most powerful tests are statistical hypothesis tests that provide the greatest power against a fixed null hypothesis among all tests of a given size. In this article, the notion of uniformly most powerful tests is extended to the Bayesian setting by defining uniformly most powerful Bayesian tests to be tests that maximize the probability that the Bayes factor, in favor of the alternative hypothesis, exceeds a specified threshold. Like their classical counterpart, uniformly most powerful Bayesian tests are most easily defined in one-parameter exponential family models, although extensions outside of this class are possible. The connection between uniformly most powerful tests and uniformly most powerful Bayesian tests can be used to provide an approximate calibration between $p$-values and Bayes factors. Finally, issues regarding the strong dependence of resulting Bayes factors and $p$-values on sample size are discussed.