Asymptotically minimax Bayes predictive densities
渐近极小极大贝叶斯预测密度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：摘要研究一般参数密度预测与先验选择，未涉及宏观预测或金融收益预测。
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
渐近极小极大贝叶斯预测密度
- 研究问题
- 在未知参数的分布族中预测未来观测的密度时，如何按 KL 损失的渐近风险选择先验，并判断极小极大性与可容许性？
- 方法与思路
- 作者以贝叶斯预测密度的 KL 渐近风险比较先验选择，重点研究极小极大准则及位置族中的维数差异。
- 材料陈述的贡献
- 摘要称，位置族中 Jeffreys 先验在至少三维时极小极大但不可容许，在一维与二维时兼具可容许性和极小极大性。
- 阅读关注点
- 阅读全文时应核对风险展开与极小极大的定义、位置族的正则条件，以及不同维数下可容许性结论的范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明完整模型条件，不能将位置族结论推广到任意分布族或有限样本。
原文摘要
Given a random sample from a distribution with density function that depends on an unknown parameter θ, we are interested in accurately estimating the true parametric density function at a future observation from the same distribution. The asymptotic risk of Bayes predictive density estimates with Kullback–Leibler loss function D(fθ||{f̂})=∫fθ log(fθ/f̂) is used to examine various ways of choosing prior distributions; the principal type of choice studied is minimax. We seek asymptotically least favorable predictive densities for which the corresponding asymptotic risk is minimax. A result resembling Stein’s paradox for estimating normal means by maximum likelihood holds for the uniform prior in the multivariate location family case: when the dimensionality of the model is at least three, the Jeffreys prior is minimax, though inadmissible. The Jeffreys prior is both admissible and minimax for one- and two-dimensional location problems.