An automated prior robustness analysis in Bayesian model comparison
贝叶斯模型比较中的自动化先验稳健性分析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：摘要明确以多元时间序列模型作应用，方法本身则适用于更一般的贝叶斯模型比较。
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
贝叶斯模型比较中的自动化先验稳健性分析
- 研究问题
- 研究如何降低边际似然先验敏感性分析的计算负担，使贝叶斯模型比较能够系统考察不同先验超参数对结果的影响。
- 方法与思路
- 作者将自动微分嵌入 MCMC 估计流程，针对两类常见模拟边际似然方法，计算其对先验超参数的敏感度。
- 材料陈述的贡献
- 摘要提出可与估计同步实施的高效敏感度计算方法，并通过两个多元时间序列模型的实证应用展示其可行性。
- 阅读关注点
- 应核对两类边际似然方法的具体形式、自动微分对象和误差来源，以及局部敏感度能否反映较大先验变化的影响。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；计算复杂度与误差界未说明，局部敏感度不能自动保证全局先验稳健。
原文摘要
Summary It is well‐known that the marginal likelihood, the gold standard for Bayesian model comparison, can be sensitive to prior hyperparameter choices. However, most models require computationally intense simulation‐based methods to evaluate the typically high‐dimensional integral of the marginal likelihood expression. Hence, despite the recognition that prior sensitivity analysis is important in this context, it is rarely done in practice. We develop efficient and feasible methods to compute the sensitivities of the marginal likelihood, obtained via two common simulation‐based methods, with respect to any prior hyperparameter, alongside the Markov chain Monte Carlo (MCMC) estimation algorithm. Our approach builds on automatic differentiation (AD), which has only recently been introduced to the more computationally intensive MCMC simulation setting. We illustrate our approach with two empirical applications in the context of widely used multivariate time series models.