Sequential Gibbs posteriors with applications to principal component analysis
序贯 Gibbs 后验及其主成分分析应用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：摘要聚焦一般贝叶斯渐近理论与主成分分析，未明确涉及宏观或金融因子建模。
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…
序贯 Gibbs 后验及其主成分分析应用
- 研究问题
- 当单一损失权重难以使 Gibbs 后验可信域获得名义频率覆盖时，如何扩展后验构造以改善不确定性量化？
- 方法与思路
- 作者提出 Gibbs 后验的序贯扩展，在欧氏空间与流形上分析后验集中及 Bernstein–von Mises 渐近性质。
- 材料陈述的贡献
- 摘要称，新后验满足集中性和渐近定理，并附带得到传统似然贝叶斯后验在流形上的首个此类定理，以主成分分析展示。
- 阅读关注点
- 应核对序贯构造的具体含义、各阶段调节参数如何选择，以及渐近定理与可信域频率覆盖之间需要哪些额外条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断覆盖改善的具体范围或有限样本表现；所称首个定理的范围与文献依据需查全文。
原文摘要
Summary Gibbs posteriors are proportional to a prior distribution multiplied by an exponentiated loss function, with a key tuning parameter that weights the information in the loss relative to the prior and provides control of posterior uncertainty. Gibbs posteriors provide a principled framework for likelihood-free Bayesian inference; however, in many situations, the inclusion of a single tuning parameter inevitably leads to poor uncertainty quantification. In particular, regardless of the value of the parameter, credible regions are far from attaining nominal frequentist coverage, even in large samples. We propose a sequential extension to Gibbs posteriors to address this problem. We prove that the proposed sequential posterior exhibits concentration and satisfies a Bernstein–von Mises theorem, which holds under easily verifiable conditions in Euclidean space and on manifolds. As a by-product, we obtain the first Bernstein–von Mises theorem for traditional likelihood-based Bayesian posteriors on manifolds. All methods are illustrated with an application to principal component analysis.