Bayesian model averaging with non-conjugate priors
采用非共轭先验的贝叶斯模型平均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：摘要主要讨论通用贝叶斯模型平均；跨国增长回归未说明面板或时间预测结构，不足以对应给定细分。
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…
采用非共轭先验的贝叶斯模型平均
- 研究问题
- 贝叶斯模型平均采用非共轭先验时，如何兼顾先验表达与计算可行性，以及这种选择如何影响模型复杂度和预测表现？
- 方法与思路
- 作者考虑多元 Student-t 分布的两种特殊形式，通过 Laplace 近似获得闭式计算表达，并用于受控实验和跨国增长回归。
- 材料陈述的贡献
- 摘要称，精细调节超参数后，合成数据表现与共轭方法接近；真实数据中平均选择更简约的模型，并获得更好的预测表现。
- 阅读关注点
- 应核对两种先验形式、Laplace 近似误差、超参数调节程序，以及真实数据预测比较的样本划分和评价指标。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，未核对全文或其他版本；先验细节和性能数值未说明，不能将应用结果推广为普遍优势。
原文摘要
This paper considers the case of non-conjugate prior distributions for Bayesian model averaging (BMA). Although the natural conjugate setting is the default choice for BMA, mainly for reasons of analytical tractability, it has come under considerable criticism due to its unrealistic assumptions about prior information, among others. In this study, we extend the literature by considering two special cases of the multivariate Student-t distribution. We obtain closed-form solutions using Laplace approximations and apply our techniques to a controlled numerical experiment and cross-country growth regressions. Our results show that, under fine tuning of the hyperparameters, the proposed approach has similar performance to the conjugate alternatives on synthetic datasets, whereas in real data it favors, on average, more parsimonious models than the conjugate alternatives and also exhibits superior predictive performance.