Comparing Distributions by using Dependent Normalized Random-Measure Mixtures
用相依归一化随机测度混合模型比较分布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：摘要明确以多个分布的联合建模、依赖刻画和差异比较为核心，因此归入分位数与分布效应方向中的分布分析。
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…
用相依归一化随机测度混合模型比较分布
- 研究问题
- 如何同时对多个分布进行贝叶斯非参数建模，并通过共享信息刻画它们的依赖关系与分布差异？摘要还涉及生存分析和随机前沿应用。
- 方法与思路
- 作者使用具有独立增量的归一化随机测度，通过共享过程的叠加建立依赖，并开发高效切片抽样方法及用于比较分布的后验摘要。
- 材料陈述的贡献
- 摘要称，文章描述了先验性质与建模能力，提出计算方法和分布差异的后验摘要，并以模拟、生存分析及随机前沿实例展示方法。
- 阅读关注点
- 阅读全文时应核对共享过程如何决定分布间依赖、先验参数的作用、切片抽样的实现，以及后验摘要具体衡量哪些分布差异。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断先验支持范围、算法收敛或实例中的具体效果；摘要也未说明比较结果对先验设定的敏感性。
原文摘要
Summary A methodology for the simultaneous Bayesian non-parametric modelling of several distributions is developed. Our approach uses normalized random measures with independent increments and builds dependence through the superposition of shared processes. The properties of the prior are described and the modelling possibilities of this framework are explored in detail. Efficient slice sampling methods are developed for inference. Various posterior summaries are introduced which allow better understanding of the differences between distributions. The methods are illustrated on simulated data and examples from survival analysis and stochastic frontier analysis.