Bayesian correlation estimation
贝叶斯相关系数估计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：摘要是通用相关矩阵贝叶斯估计，股票收益数据仅为示例，未明确涉及所列金融细分问题。
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
贝叶斯相关系数估计
- 研究问题
- 如何为方差协方差矩阵建立灵活先验，既表达相关强度的先验知识，又允许不同变量子集具有不同的后验不确定性？
- 方法与思路
- 作者在先验中加入变量及变量对的聚类机制，向聚类隐含的混合结构收缩，并讨论正定约束下的后验模拟与归一化常数。
- 材料陈述的贡献
- 摘要称所提先验增强了相关结构及其不确定性的表达能力，并通过模拟、股票收益与群体遗传数据示例说明后验推断。
- 阅读关注点
- 阅读时应核对聚类先验与收缩结构、相关矩阵正定性的处理、归一化常数计算，以及结果对先验设定的敏感性。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；未提供误差或计算比较，股票收益示例不足以证明资产定价或风险分析上的改进。
原文摘要
We propose prior probability models for variance‐covariance matrices in order to address two important issues. First, the models allow a researcher to represent substantive prior information about the strength of correlations among a set of variables. Secondly, even in the absence of such information, the increased flexibility of the models mitigates dependence on strict parametric assumptions in standard prior models. For example, the model allows a posteriori different levels of uncertainty about correlations among different subsets of variables. We achieve this by including a clustering mechanism in the prior probability model. Clustering is with respect to variables and pairs of variables. Our approach leads to shrinkage towards a mixture structure implied by the clustering. We discuss appropriate posterior simulation schemes to implement posterior inference in the proposed models, including the evaluation of normalising constants that are functions of parameters of interest. The normalising constants result from the restriction that the correlation matrix be positive definite. We discuss examples based on simulated data, a stock return dataset and a population genetics dataset.