A Remark on Likelihood, Bayes and Affinity for a Preconceived Value
关于似然、贝叶斯方法与预设值偏好的一则评论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：摘要仅讨论一般似然、贝叶斯方法与大样本效率，没有足够文本依据对应所列经济计量领域细分。
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…
关注这篇论文的作者
关于似然、贝叶斯方法与预设值偏好的一则评论
- 研究问题
- 在尊重似然函数的前提下，能否比贝叶斯定理所允许的方式更强地利用预设参数值，并保持良好的大样本效率？
- 方法与思路
- 摘要以大样本效率为评价标准，讨论似然约束下利用预设值的方式，但没有说明具体估计程序或比较框架。
- 材料陈述的贡献
- 摘要提出，在尊重似然函数时可以更积极地使用预设值；具体效率结论的形式、适用范围和实现方式均未展开。
- 阅读关注点
- 应核对“尊重似然”的正式定义、预设值如何进入程序、大样本效率的比较基准，以及结论依赖的参数情形。
- 阅读边界
- 仅据 OpenAlex 索引中的单句摘要，稿件版本未注明；无法判断具体方法、风险表现，也不能将陈述概括为对贝叶斯方法的全面否定。
原文摘要
As judged by large sample efficiency, one can make use of a preconceived value in a considerably less modest way than Bayes's theorem permits, provided one respects the likelihood function.