Bayesian Nonparametric Inference for Quantal Response Data
量性响应数据的贝叶斯非参数推断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：摘要研究耐受阈值分布的贝叶斯非参数估计，没有经济选择行为或分布效应设定，不能仅凭二元响应归入离散选择。
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
量性响应数据的贝叶斯非参数推断
- 研究问题
- 基于二项抽样的量性响应数据，如何对耐受阈值分布开展非参数贝叶斯估计，并允许不同形状的风险率先验？
- 方法与思路
- 作者用具有独立增量的非负随机过程构造风险函数先验，并通过两个过程叠加扩展形状范围，再由后验拉普拉斯变换求估计。
- 材料陈述的贡献
- 摘要称，新先验类包含狄利克雷先验，并可构造递增、递减和 U 形风险率的绝对连续耐受分布，给出后验变换及示例。
- 阅读关注点
- 应核对耐受阈值与二元响应的观测关系、风险函数和风险率的具体定义，以及各形状约束与后验计算成立的条件。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；过程构造、后验公式及示例数值未提供，无法判断先验敏感性与计算难度。
原文摘要
The problem of nonparametric Bayes estimation of a tolerance distribution based on quantal response data has been considered previously with a prior distribution based on the Dirichlet process. In the present article, a broad class of priors is developed for this problem by allowing the hazard function of the tolerance distribution to be a realization of a nonnegative stochastic process with independent increments. This class includes the Dirichlet prior as a special case. In addition, priors over a space of absolutely continuous tolerance distributions, which includes IFR, DFR, and U-shaped failure rate distributions, are constructed by taking the failure rate to be the superposition of two processes with independent increments. Posterior Laplace transforms of the corresponding processes are obtained based on quantal response data with binomial sampling. These posterior Laplace transforms are then used to find Bayes estimates, and examples are given to illustrated the results.