Finite population estimators in stochastic search variable selection
随机搜索变量选择中的有限总体估计量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：摘要属于通用贝叶斯模型选择与蒙特卡洛估计，未提供所列经济计量细分的直接应用依据。
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
随机搜索变量选择中的有限总体估计量
- 研究问题
- 研究贝叶斯模型搜索中，仅在已抽取模型集合上重新归一化后验概率会产生何种偏差，以及如何更准确地估计模型概率。
- 方法与思路
- 作者将模型空间视为有限总体，利用观测到的边际似然，提出基于两个霍维茨—汤普森估计量之比的新估计量。
- 材料陈述的贡献
- 摘要称重新归一化的偏差可能主导均方误差，新估计量近似无偏，并以较小计算增量降低相对于经验和归一化估计的均方误差。
- 阅读关注点
- 应核对模型纳入概率的计算、比率估计近似无偏的条件，以及均方误差比较成立的搜索算法、模型空间和计算成本。
- 阅读边界
- 摘要未说明偏差证明、纳入概率要求及误差改善范围；作者所述改进不能直接推广到任意随机搜索或模型平均任务。
原文摘要
Monte Carlo algorithms are commonly used to identify a set of models for Bayesian model selection or model averaging. Because empirical frequencies of models are often zero or one in high-dimensional problems, posterior probabilities calculated from the observed marginal likelihoods, renormalized over the sampled models, are often employed. Such estimates are the only recourse in several newer stochastic search algorithms. In this paper, we prove that renormalization of posterior probabilities over the set of sampled models generally leads to bias that may dominate mean squared error. Viewing the model space as a finite population, we propose a new estimator based on a ratio of Horvitz--Thompson estimators that incorporates observed marginal likelihoods, but is approximately unbiased. This is shown to lead to a reduction in mean squared error compared to the empirical or renormalized estimators, with little increase in computational cost. Copyright 2012, Oxford University Press.