Approximations of marginal tail probabilities and inference for scalar parameters
边际尾概率近似与标量参数推断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：这里的尾概率服务于通用参数推断，摘要未涉及金融尾部风险或其他所列方向。
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…
边际尾概率近似与标量参数推断
- 研究问题
- 含干扰参数的标量参数推断常需计算高维积分，如何近似边际尾概率，以减轻枢轴量或后验分布积分的计算负担？
- 方法与思路
- 作者提出两种尾概率近似，用于替代相关高维积分，并在位置—尺度模型及线性回归的条件推断中进行数值考察。
- 材料陈述的贡献
- 摘要称，所给数值结果中两种近似通常较准确，即使样本较小也如此；未提供具体误差、样本规模或统一准确性保证。
- 阅读关注点
- 应核对两种近似的展开方式、适用条件和尾部误差，并区分条件推断与后验积分中的使用方式及数值比较范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，小样本准确性属于所报告案例的结论，不能外推所有模型；具体误差与刊本变化未说明。
原文摘要
In many situations, inference for a scalar parameter in the presence of nuisance parameters requires integration of either a joint density of pivotal quantities or a joint posterior density. For such inference, accurate approximations of marginal tail probabilities are useful to avoid high-dimensional integrals. Two tail probability approximations are developed in this paper. Numerical results given for conditional inference in location-scale and linear regression models show the approximations to be generally accurate even for small sample sizes.