Posterior Computations for Censored Regression Data
删失回归数据的后验计算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：摘要研究通用删失回归的贝叶斯计算，未明确涉及行为结构估计、离散选择或所列预测领域。
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
删失回归数据的后验计算
- 研究问题
- 对于误差服从正态或广义对数伽马分布的删失回归，如何计算和抽取后验分布，并获得新观测的预测分布？
- 方法与思路
- 作者在正态误差下利用增广后验形式实施数据增广；对形式较复杂的广义对数伽马误差，发展从增广后验抽样的重要性抽样方案。
- 材料陈述的贡献
- 摘要描述两类误差模型的后验计算与抽样方法，说明如何计算和抽取新观测的预测分布，并通过两个例子展示实施。
- 阅读关注点
- 应核对删失机制、先验与增广变量的设定，重要性权重和抽样稳定性，以及后验预测如何整合参数与删失值的不确定性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明先验、删失假设或计算诊断，不能判断抽样效率、收敛或对误差误设的稳健性。
原文摘要
This article describes the computation of and sampling from the posterior density for censored regression problems with normal and generalized log-gamma errors. The data augmentation algorithm (Tanner and Wong 1987) is facilitated in the normal error case because of the form of the augmented posterior. In the generalized log-gamma context, this simplicity is absent. The work of Sweeting (1981) is used as a motivation to develop an importance sampling scheme to sample from an augmented posterior. It is shown how the predictive distribution for a new observation may be computed and sampled from. The methodology is illustrated with two examples.