Implementing matching priors for frequentist inference
利用匹配先验实现频率学派推断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：核心是通用干扰参数消除与匹配先验理论，应用示例不足以确定某个经济计量细分方向。
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
利用匹配先验实现频率学派推断
- 研究问题
- 如何利用贝叶斯边际化消去干扰参数，同时让目标参数的后验推断具有近似的频率学派有效性，并形成可实施的程序？
- 方法与思路
- 作者以偏微分方程刻画匹配先验，提出数值与蒙特卡洛求解算法，并通过Metropolis–Hastings实现边际后验推断。
- 材料陈述的贡献
- 摘要称，该程序将匹配先验与频率学派推断衔接起来，并在随机效应、logistic回归及畸胎学数据的贝塔二项模型中展示应用。
- 阅读关注点
- 应核对匹配先验存在与求解的条件、近似频率有效性的含义及误差阶数，以及数值算法在各示例中的收敛与计算表现。
- 阅读边界
- 所据为OpenAlex索引摘要，稿件版本未注明；摘要未说明适用模型的完整条件、匹配精度或算法误差，不能据此判断普遍有效性。
原文摘要
Nuisance parameters do not pose any problems in Bayesian inference as marginalisation allows for study of the posterior distribution solely in terms of the parameter of interest. However, no general solution is available for removing nuisance parameters under the frequentist paradigm. In this paper, we merge the two approaches to construct a general procedure for frequentist elimination of nuisance parameters through the use of matching priors. In particular, we perform Bayesian marginalisation with respect to a prior distribution under which posterior inferences have approximate frequentist validity. Matching priors are constructed as solutions to a partial differential equation. Unfortunately, except in simple cases, these partial differential equations do not yield to analytical nor even standard numerical methods of solution. We present a numerical/Monte Carlo algorithm for obtaining the matching prior, in general, as a solution to the appropriate partial differential equation and draw posterior inferences. To be specific, we develop an automated routine through an implementation of the Metropolis–Hastings algorithm for deriving frequentist valid inferences via the matching prior. We illustrate our results in the contexts of fitting random effects models, fitting logistic regression models and fitting teratological data by beta‐binomial models.