Semiparametric Bayesian inference in multiple equation models
多方程模型中的半参数贝叶斯推断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：方法本身适用于通用多方程模型，但摘要明确提供劳动与教育回报的两方程结构模型应用，因此选择结构估计方向。
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…
多方程模型中的半参数贝叶斯推断
- 研究问题
- 在似不相关回归或联立方程中含有非参数成分、参数数量超过观测数时，如何通过平滑先验开展贝叶斯推断？
- 方法与思路
- 作者将非参数回归线上的点视为未知参数，以平滑程度先验约束，并用经验贝叶斯估计平滑超参数，写成常见似不相关回归模型。
- 材料陈述的贡献
- 摘要称，该表示可直接利用既有后验推断、模型比较、预测和计算结果，并以劳动及教育回报文献中的两方程结构模型展示。
- 阅读关注点
- 应核对回归线离散化与平滑先验的设定、超参数估计及其不确定性处理，以及结构应用中的方程识别和后验计算。
- 阅读边界
- 仅据所给Crossref摘要，无法判断先验敏感性、经验贝叶斯不确定性处理或频率学覆盖性质，也不推断其他版本的变化。
原文摘要
Abstract This paper outlines an approach to Bayesian semiparametric regression in multiple equation models which can be used to carry out inference in seemingly unrelated regressions or simultaneous equations models with nonparametric components. The approach treats the points on each nonparametric regression line as unknown parameters and uses a prior on the degree of smoothness of each line to ensure valid posterior inference despite the fact that the number of parameters is greater than the number of observations. We develop an empirical Bayesian approach that allows us to estimate the prior smoothing hyperparameters from the data. An advantage of our semiparametric model is that it is written as a seemingly unrelated regressions model with independent normal–Wishart prior. Since this model is a common one, textbook results for posterior inference, model comparison, prediction and posterior computation are immediately available. We use this model in an application involving a two‐equation structural model drawn from the labour and returns to schooling literatures. Copyright © 2005 John Wiley & Sons, Ltd.