Bayesian Inference for General Gaussian Graphical Models With Application to Multivariate Lattice Data
一般高斯图模型的贝叶斯推断及其在多变量格点数据中的应用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：摘要中的图表示高斯条件依赖和空间相关，未提供经济网络、干扰效应或其他所列细分方向的直接证据。
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…
一般高斯图模型的贝叶斯推断及其在多变量格点数据中的应用
- 研究问题
- 如何在可分解和不可分解的高斯图模型中有效开展贝叶斯推断，并同时估计多变量格点数据的变量间与空间相关结构？
- 方法与思路
- 作者采用精度矩阵的 G-Wishart 先验，开发 MCMC 推断与模型选择方法，并扩展到用于多变量格点数据稀疏估计的条件自回归模型。
- 材料陈述的贡献
- 摘要称，框架允许灵活估计两类相关结构，实现自适应平滑与空间自相关参数估计，并以模拟和癌症死亡监测应用展示。
- 阅读关注点
- 应核对图结构搜索、G-Wishart 计算及 MCMC 收敛诊断，检查空间与跨结果相关性的区分，以及所述代码和数据的复现内容。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；算法效率、模型条件及补充材料可获取性尚未核验，不能推断刊本变化。
原文摘要
We introduce efficient Markov chain Monte Carlo methods for inference and model determination in multivariate and matrix-variate Gaussian graphical models. Our framework is based on the G-Wishart prior for the precision matrix associated with graphs that can be decomposable or non-decomposable. We extend our sampling algorithms to a novel class of conditionally autoregressive models for sparse estimation in multivariate lattice data, with a special emphasis on the analysis of spatial data. These models embed a great deal of flexibility in estimating both the correlation structure across outcomes and the spatial correlation structure, thereby allowing for adaptive smoothing and spatial autocorrelation parameters. Our methods are illustrated using a simulated example and a real-world application which concerns cancer mortality surveillance. Supplementary materials with computer code and the datasets needed to replicate our numerical results together with additional tables of results are available online.