Bootstrap Methods Using Prior Information
利用先验信息的自助法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：摘要涉及通用稳健贝叶斯与 bootstrap 方法，未提供对应所列经济计量领域细分的直接证据。
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
利用先验信息的自助法
- 研究问题
- 论文研究误差分布未知或模型可能误设时，如何结合先验信息和稳健估计，并比较这种方法与标准贝叶斯分析的表现。
- 方法与思路
- 作者用稳健估计量抽样密度的 bootstrap 估计替代贝叶斯公式中的似然，通过示例展示灵活性并开展蒙特卡洛比较。
- 材料陈述的贡献
- 摘要称，该方法可在不直接掌握误差分布的情况下纳入先验信息；论文给出示例并比较其与标准贝叶斯技术的表现。
- 阅读关注点
- 读全文时应核对稳健估计量和抽样密度估计的选择、替代似然后的推断含义，以及蒙特卡洛采用的误设情形与评价指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出理论校准条件或比较数值，不能推断该方法在所有误设下优于标准贝叶斯方法。
原文摘要
Bayesian analysis is subject to the same kinds of misspeciflcation problems which motivate the robustness and nonparametric literature. We present a method of incorporating prior information which performs well without direct knowledge of the error distribution. This is accomplished by replacing the likelihood in Bayes's formula by a bootstrap estimate of the sampling density of a robust estimator. The flexibility of the method is illustrated by examples, and its performance relative to standard Bayesian techniques is evaluated in a Monte Carlo study.