Bayesian hypothesis testing in latent variable models
潜变量模型中的贝叶斯假设检验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：摘要以单因子资产定价和含跳跃的随机波动模型说明通用潜变量检验方法。
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…
潜变量模型中的贝叶斯假设检验
- 研究问题
- 潜变量模型中，贝叶斯因子面临非正常先验下定义困难与计算负担时，如何构造可解释且便于计算的点假设检验？
- 方法与思路
- 作者结合决策理论、连续损失函数与 EM 算法提出检验方法，利用贝叶斯 MCMC 输出计算统计量，并以两个金融模型示例说明。
- 材料陈述的贡献
- 摘要称，连续损失使新统计量在非正常先验下得到适当定义，且可作为 MCMC 输出的副产品计算；示例包括单因子定价和跳跃波动模型。
- 阅读关注点
- 应核对损失函数、后验存在性、统计量的决策解释和拒绝规则，并查看 EM 与 MCMC 输出如何连接及结果对先验的敏感性。
- 阅读边界
- 仅据所给出版社摘要，无法判断任意非正常先验是否均可使用、检验如何校准或功效如何；金融示例不限定方法的全部适用范围。
原文摘要
Hypothesis testing using Bayes factors (BFs) is known not to be well defined under the improper prior. In the context of latent variable models, an additional problem with BFs is that they are difficult to compute. In this paper, a new Bayesian method, based on the decision theory and the EM algorithm, is introduced to test a point hypothesis in latent variable models. The new statistic is a by-product of the Bayesian MCMC output and, hence, easy to compute. It is shown that the new statistic is appropriately defined under improper priors because the method employs a continuous loss function. In addition, it is easy to interpret. The method is illustrated using a one-factor asset pricing model and a stochastic volatility model with jumps.