Asymptotic Inference for Mixture Models by Using Data-Dependent Priors
使用数据依赖先验进行混合模型渐近推断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：摘要讨论混合模型的通用先验与覆盖理论，没有所列经济计量细分领域的明确依据。
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
使用数据依赖先验进行混合模型渐近推断
- 研究问题
- 某些混合模型中，非正常先验会导致非正常后验，而正常先验又需主观设定，如何获得具有良好频率覆盖的区间？
- 方法与思路
- 作者提出特别选择的数据依赖先验，并将所得后验解释为固定先验与伪似然的乘积，连接两种构造方式。
- 材料陈述的贡献
- 摘要称在某些情形下，只有数据依赖先验能产生具有二阶正确频率覆盖的区间，同时给出伪似然解释。
- 阅读关注点
- 应核对所涉及的混合模型、先验随数据变化的规则，以及二阶覆盖正确性和“只有”这一结论的适用范围。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明具体混合模型、先验形式和正则条件，不能据此宣称普遍必要性。
原文摘要
Summary For certain mixture models, improper priors are undesirable because they yield improper posteriors. However, proper priors may be undesirable because they require subjective input. We propose the use of specially chosen data-dependent priors. We show that, in some cases, data-dependent priors are the only priors that produce intervals with second-order correct frequentist coverage. The resulting posterior also has another interpretation: it is the product of a fixed prior and a pseudolikelihood.