Approximate Bayes factors and accounting for model uncertainty in generalised linear models
广义线性模型的近似贝叶斯因子与模型不确定性处理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：摘要聚焦通用广义线性模型的贝叶斯比较，相对风险应用未明确包含因果识别或所列其他专门研究目标。
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
广义线性模型的近似贝叶斯因子与模型不确定性处理
- 研究问题
- 如何从常规广义线性模型拟合输出计算近似贝叶斯因子，并在比较模型和推断相对风险时考虑先验与模型不确定性？
- 方法与思路
- 作者基于积分的Laplace方法提出近似，并建议一组正常化先验用于弱先验信息和敏感性分析，讨论多种模型比较应用。
- 材料陈述的贡献
- 摘要称新近似只需标准拟合程序输出，可用于未知离散参数、过度离散及链接和误差结构比较，并示例处理相对风险的模型不确定性。
- 阅读关注点
- 应核对近似所需的拟合输出、先验设定与误差评估，以及模型不确定性进入推断的方式、过度离散情形的具体处理。
- 阅读边界
- 来源为未注明稿件版本的OpenAlex索引摘要。近似准确性未给出数值或条件；摘要提到的软件供应是历史陈述，不能据此判断当前可用性。
原文摘要
Ways of obtaining approximate Bayes factors for generalised linear models are described, based on the Laplace method for integrals. We propose a new approximation which uses only the output of standard computer programs for estimating generalised linear models, this appears to be quite accurate. A reference set of proper priors is suggested, both to represent the situation where there is not much prior information, and to assess the sensitivity of the results to the prior distribution. The methods can be used when the dispersion parameter is unknown, when there is overdispersion, to compare link functions, and to compare error distributions and variance functions. The methods can be used to implement the Bayesian approach to accounting for model uncertainty. We describe an applciation to inference about relative risks in the presence of control factors where model uncertainty is large and important. Software to implement the methods is available at no cost from StatLib.