Bayesian Inference in Econometric Models Using Monte Carlo Integration
利用蒙特卡洛积分进行计量经济模型的贝叶斯推断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：摘要讨论通用贝叶斯积分与重要性抽样方法，未说明两个示例所属的经济应用方向，因此不选择细分领域。
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
利用蒙特卡洛积分进行计量经济模型的贝叶斯推断
- 研究问题
- 如何系统使用重要性抽样的蒙特卡洛积分实施贝叶斯推断，并同时保证数值近似的收敛性、可靠评估其计算精度？
- 方法与思路
- 作者从后验的多元正态或 Student t 近似构造重要性抽样密度，通过各坐标轴自动重缩放调整密度，并开展两个模型的示例应用。
- 材料陈述的贡献
- 摘要称给出数值近似几乎必然收敛及可靠评估精度的条件，提出相对数值效率概念，用于衡量所选重要性抽样密度的适用性。
- 阅读关注点
- 核对重要性权重的可积性、误差评估所需条件、各坐标轴重缩放的具体规则，以及相对数值效率如何衡量抽样密度的适用性。
- 阅读边界
- 收敛与精度评估依赖摘要所称条件；摘要未给出条件细节、尾部处理及两个示例模型的具体设定，不能据此判断通用计算效率。
原文摘要
Methods for the systematic application of Monte Carlo integration with importance sampling to Bayesian inference are developed. Conditions under which the numerical approximation converges almost surely to the true value with the number of Monte Carlo replications, and its numerical accuracy may be assessed reliably, are given. Importance sampling densities are derived from multivariate normal or student approximations to the posterior density. These densities are modified by automatic rescaling along each axis. The concept of relative numerical efficiency is introduced to evaluate the adequacy of a chosen importance sampling density. Applications in two illustrative models are presented. Copyright 1989 by The Econometric Society.