Hyper Markov Laws in the Statistical Analysis of Decomposable Graphical Models
可分解图模型统计分析中的超 Markov 律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：摘要中的图表示统计条件独立结构，未明确研究经济网络互动或干扰效应。
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
可分解图模型统计分析中的超 Markov 律
- 研究问题
- 如何在可分解图模型的概率测度空间上构造满足图相关条件独立性的分布，并用于频率学派与贝叶斯分析？
- 方法与思路
- 作者以抽象方式重述 Markov 概率性质，定义超 Markov 律及其更强版本，并构造多种具体分布实例。
- 材料陈述的贡献
- 摘要称，超 Markov 律既可出现为最大似然估计的抽样分布，也构成自然共轭先验，实例涵盖多项式与协方差模型。
- 阅读关注点
- 应核对两种超 Markov 性质的区别、可分解图的作用，以及抽样分布和共轭先验结论各自的条件与范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体条件独立限制和构造细节未说明，不能直接推广到不可分解图。
原文摘要
This paper introduces and investigates the notion of a hyper Markov law, which is a probability distribution over the set of probability measures on a multivariate space that (i) is concentrated on the set of Markov probabilities over some decomposable graph, and (ii) satisfies certain conditional independence restrictions related to that graph. A stronger version of this hyper Markov property is also studied. Our analysis starts by reconsidering the properties of Markov probabilities, using an abstract approach which thereafter proves equally applicable to the hyper Markov case. Next, it is shown constructively that hyper Markov laws exist, that they appear as sampling distributions of maximum likelihood estimators in decomposable graphical models, and also that they form natural conjugate prior distributions for a Bayesian analysis of these models. As examples we construct a range of specific hyper Markov laws, including the hyper multinomial, hyper Dirichlet and the hyper Wishart and inverse Wishart laws. These laws occur naturally in connection with the analysis of decomposable log-linear and covariance selection models.