Bayesian Inference for a Normal Dispersion Matrix and its Application to Stochastic Multiple Regression Analysis
正态离散矩阵的贝叶斯推断及其在随机多元回归中的应用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：摘要核心是一般贝叶斯协方差与回归框架，因子回归仅为特例，缺少宏观或金融因子研究依据。
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…
关注这篇论文的作者
正态离散矩阵的贝叶斯推断及其在随机多元回归中的应用
- 研究问题
- 如何将正态总体协方差的先验结构纳入贝叶斯分析，并在因变量和解释变量均随机的情形下统一多元回归方法？
- 方法与思路
- 作者通过Normal—Wishart先验引入协方差先验均值结构，构建随机多元回归框架，并讨论均值与协方差的联合估计。
- 材料陈述的贡献
- 摘要称，普通最小二乘、广义岭回归与因子分析回归可作为特例；初步模拟报告贝叶斯回归在频率学标准下有所改善。
- 阅读关注点
- 核对先验结构与各回归方法成为特例的条件，检查不变性、一致性和效率结论，并审视初步模拟的指标与比较设计。
- 阅读边界
- 仅据所给Crossref摘要；模拟结果仅为初步报告，未给出数值和设定。变量联合随机并不自动提供回归系数的因果解释。
原文摘要
Summary This paper discusses Bayesian inference procedures for a normal dispersion matrix. Structural information for the prior mean of the dispersion matrix is incorporated into the analysis through a Normal-Wishart prior distribution. Many of the resulting Bayes estimates are invariant, consistent and asymptotically efficient. Using this procedure, a coherent Bayesian argument for stochastic multiple regression analysis is developed, where dependent and independent variables are jointly random, without experimental control. It is shown that ordinary least squares, a general form of ridge regression, and factor analysis regression methods can be represented as special cases within this general framework. The preliminary report of a simulation study indicates that the Bayesian regression techniques demonstrate substantial improvements over least squares, even using frequentist criteria. Finally, the related problem of joint estimation of the normal population mean and dispersion matrix is briefly discussed in Section 5. The resulting Bayes estimate for the population mean is shown to be closely related to Stein estimates.