Inference From Intrinsic Bayes’ Procedures Under Model Selection and Uncertainty
模型选择与不确定性下的内在贝叶斯推断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：摘要讨论通用线性回归的贝叶斯模型不确定性，没有所列计量细分的直接依据。
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…
模型选择与不确定性下的内在贝叶斯推断
- 研究问题
- 在线性回归中使用内在先验进行模型选择或模型平均后，参数后验是否仍一致，以及如何实现相应后验计算？
- 方法与思路
- 作者用缩放的 g 先验混合向基准模型子空间收缩，推导所选模型和模型平均下的后验表达及抽样算法。
- 材料陈述的贡献
- 摘要称在解释变量数固定时证明两种分析下的参数后验一致性，并比较其他 g 先验混合及其修正版的一致性。
- 阅读关注点
- 应核对基准模型与内在先验的定义、模型选择和模型平均的一致性条件，以及不同先验比较所采用的理论标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；主要参数后验结果限定解释变量数固定，不能直接外推至高维情形。
原文摘要
In this article, we present a fully coherent and consistent objective Bayesian analysis of the linear regression model using intrinsic priors. The intrinsic prior is a scaled mixture of g-priors and promotes shrinkage toward the subspace defined by a base (or null) model. While it has been established that the intrinsic prior provides consistent model selectors across a range of models, the posterior distribution of the model parameters has not previously been investigated. We prove that the posterior distribution of the model parameters is consistent under both model selection and model averaging when the number of regressors is fixed. Further, we derive tractable expressions for the intrinsic posterior distribution as well as sampling algorithms for both a selected model and model averaging. We compare the intrinsic prior to other mixtures of g-priors and provide details on the consistency properties of modified versions of the Zellner–Siow prior and hyper g-priors. Supplementary materials for this article are available online.