Bayesian Model Choice Via Markov Chain Monte Carlo Methods
通过马尔可夫链蒙特卡洛方法进行贝叶斯模型选择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：摘要讨论通用贝叶斯模型选择，多变点仅作为例子出现，没有宏观结构变化研究的直接依据。
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…
关注这篇论文的作者
通过马尔可夫链蒙特卡洛方法进行贝叶斯模型选择
- 研究问题
- 当需要跨模型比较或模型规模事先未知时，如何开展贝叶斯模型选择，并处理直接使用常规模型拟合 MCMC 可能遇到的收敛问题？
- 方法与思路
- 作者提出贝叶斯模型选择框架及相应 MCMC 算法，覆盖整数参数、多变点和有限混合分布等规模未知问题，并用两个既有案例说明。
- 材料陈述的贡献
- 摘要称，所提算法避免了文中讨论的模型比较收敛困难，并能够处理单一模型框架下规模未知的情形，提供统一的计算思路。
- 阅读关注点
- 应核对跨模型状态空间、转移机制与收敛条件，明确作者所称困难的来源，并检查模型规模、先验及案例中的计算诊断。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明算法构造和收敛证明条件，不能将其表述理解为所有实现均无混合或计算效率问题。
原文摘要
SUMMARY Markov chain Monte Carlo (MCMC) integration methods enable the fitting of models of virtually unlimited complexity, and as such have revolutionized the practice of Bayesian data analysis. However, comparison across models may not proceed in a completely analogous fashion, owing to violations of the conditions sufficient to ensure convergence of the Markov chain. In this paper we present a framework for Bayesian model choice, along with an MCMC algorithm that does not suffer from convergence difficulties. Our algorithm applies equally well to problems where only one model is contemplated but its proper size is not known at the outset, such as problems involving integer-valued parameters, multiple changepoints or finite mixture distributions. We illustrate our approach with two published examples.