A direct Monte Carlo approach for Bayesian analysis of the seemingly unrelated regression model
似不相关回归模型贝叶斯分析的直接蒙特卡洛方法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：摘要主要讨论通用多方程回归的贝叶斯计算，未明确对应所列领域细分。
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
似不相关回归模型贝叶斯分析的直接蒙特卡洛方法
- 研究问题
- 如何在使用弥散或信息性先验时，高效计算似不相关回归模型的贝叶斯估计与预测，并评估其相对计算表现？
- 方法与思路
- 作者采用直接蒙特卡洛方法计算边际后验密度、矩、区间等量，并用模拟数据及企业销售实例与马尔可夫链蒙特卡洛比较。
- 材料陈述的贡献
- 摘要称比较结果支持直接蒙特卡洛方法的实用性，并认为它适用于多种似不相关回归及其他问题，但未量化效率收益。
- 阅读关注点
- 应核对直接抽样的构造、先验要求、后验计算误差，以及与马尔可夫链蒙特卡洛比较时是否采用相同精度和计算预算。
- 阅读边界
- 仅依据所给出版社摘要，无法判断算法在不同维度、先验及误差协方差结构下的表现；摘要未提供具体耗时或精度结果。
原文摘要
Computationally efficient methods for Bayesian analysis of seemingly unrelated regression (SUR) models are described and applied that involve the use of a direct Monte Carlo (DMC) approach to calculate Bayesian estimation and prediction results using diffuse or informative priors. This DMC approach is employed to compute Bayesian marginal posterior densities, moments, intervals and other quantities, using data simulated from known models and also using data from an empirical example involving firms' sales. The results obtained by the DMC approach are compared to those yielded by the use of a Markov Chain Monte Carlo (MCMC) approach. It is concluded from these comparisons that the DMC approach is worthwhile and applicable to many SUR and other problems.