Bayesian Model Choice: Asymptotics and Exact Calculations
贝叶斯模型选择：渐近分析与精确计算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：摘要研究一般统计模型的贝叶斯选择与计算，未给出经济预测或离散选择应用，不能因模型选择或预测密度字样强行归类。
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
贝叶斯模型选择：渐近分析与精确计算
- 研究问题
- 在有限个候选模型之间，如何统一比较贝叶斯模型选择方案，并判断渐近近似在小中样本中的计算准确性？
- 方法与思路
- 作者构造涵盖其所知贝叶斯方案的一般预测密度，用Laplace近似比较渐近行为，并用Monte Carlo进行精确计算。
- 材料陈述的贡献
- 摘要称提供统一的预测密度框架，并通过拟合嵌套非线性模型的数据实例，比较不同方案及精确计算与渐近近似结果。
- 阅读关注点
- 应核对一般预测密度涵盖哪些方案、先验如何影响比较，以及所谓精确计算的模拟误差与Laplace近似误差如何区分。
- 阅读边界
- 仅依据所给Crossref摘要；未说明先验要求、具体比较结果或计算误差，不能将预测密度框架视为某一经济预测模型。
原文摘要
SUMMARY Model determination is a fundamental data analytic task. Here we consider the problem of choosing among a finite (without loss of generality we assume two) set of models. After briefly reviewing classical and Bayesian model choice strategies we present a general predictive density which includes all proposed Bayesian approaches that we are aware of. Using Laplace approximations we can conveniently assess and compare the asymptotic behaviour of these approaches. Concern regarding the accuracy of these approximations for small to moderate sample sizes encourages the use of Monte Carlo techniques to carry out exact calculations. A data set fitted with nested non-linear models enables comparisons between proposals and between exact and asymptotic values.