Expected-posterior prior distributions for model selection
用于模型选择的期望后验先验分布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：摘要研究通用贝叶斯模型选择的先验构造，未提供与所列计量领域细分对应的应用。
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
用于模型选择的期望后验先验分布
- 研究问题
- 贝叶斯比较多个参数模型时，如何构造彼此适当兼容的模型参数先验，并使这些先验便于现代计算方法处理？
- 方法与思路
- 作者提出期望后验先验方法，从共同的底层预测分布定义各模型先验，并提供主观贝叶斯与默认贝叶斯实现。
- 材料陈述的贡献
- 摘要称该方法处理了跨模型先验兼容性的关键障碍，同时使所构造先验适合使用马尔可夫链蒙特卡洛计算。
- 阅读关注点
- 应核对共同预测分布与期望操作的具体定义、兼容性的判据，以及主观和默认实现的选择与计算步骤。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；兼容性条件与先验敏感性未说明，不能据此声称模型选择具有普遍最优性。
原文摘要
We consider the problem of comparing parametric models using a Bayesian approach. A new method of developing prior distributions for the model parameters is presented, called the expected‐posterior prior approach. The idea is to define the priors for all models from a common underlying predictive distribution, in such a way that the resulting priors are amenable to modern Markov chain Monte Carlo computational techniques. The approach has subjective Bayesian and default Bayesian implementations, and overcomes the most significant impediment to Bayesian model selection, that of ensuring that prior distributions for the various models are appropriately compatible.