Bayesian penalized empirical likelihood and Markov Chain Monte Carlo sampling
贝叶斯惩罚经验似然与马尔可夫链蒙特卡洛抽样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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要提供一般经验似然与贝叶斯计算方法，未明确指向所列经济或金融细分。
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…
贝叶斯惩罚经验似然与马尔可夫链蒙特卡洛抽样
- 研究问题
- 经验似然在模型条件较多时面临高维计算困难，能否通过惩罚与贝叶斯抽样提升其灵活性和计算可行性？
- 方法与思路
- 作者提出贝叶斯惩罚经验似然，对拉格朗日乘子进行正则化以降低问题维度，并设计和研究两种 MCMC 抽样方案。
- 材料陈述的贡献
- 摘要称该框架可容纳较全面的模型条件，并以抽样替代复杂优化；作者报告计算效率、适应性及后验探索方面的优势。
- 阅读关注点
- 应核对惩罚与先验如何定义后验、两种抽样器的有效性，以及摘要所称全局最优收敛与抽样分布收敛的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明模型条件、抽样方案或收敛证明，效率优势仍需全文核对。
原文摘要
In this study, we introduce a novel methodological framework called Bayesian Penalized Empirical Likelihood (BPEL), designed to address the computational challenges inherent in empirical likelihood (EL) approaches. Our approach has two primary objectives: (i) to enhance the inherent flexibility of EL in accommodating diverse model conditions, and (ii) to facilitate the use of well-established Markov Chain Monte Carlo (MCMC) sampling schemes as a convenient alternative to the complex optimization typically required for statistical inference using EL. To achieve the first objective, we propose a penalized approach that regularizes the Lagrange multipliers, significantly reducing the dimensionality of the problem while accommodating a comprehensive set of model conditions. For the second objective, our study designs and thoroughly investigates two popular sampling schemes within the BPEL context. We demonstrate that the BPEL framework is highly flexible and efficient, enhancing the adaptability and practicality of EL methods. Our study highlights the practical advantages of using sampling techniques over traditional optimization methods for EL problems, showing rapid convergence to the global optima of posterior distributions and ensuring the effective resolution of complex statistical inference challenges.