Asymptotics of cut distributions and robust modular inference using Posterior Bootstrap
截断反馈分布的渐近理论与基于后验自助法的稳健模块推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：核心是通用贝叶斯模块推断理论，倾向得分因果推断仅作为示例，领域细分证据不足。
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…
截断反馈分布的渐近理论与基于后验自助法的稳健模块推断
- 研究问题
- 贝叶斯模型共享参数时，一个模块的误设可能向其他模块传播；阻断部分信息反馈后，如何刻画不确定性并校准推断？
- 方法与思路
- 作者研究截断反馈分布的渐近性质，建立Bernstein–von Mises定理及带定量界的拉普拉斯近似，并提出后验自助法算法。
- 材料陈述的贡献
- 摘要称文章给出截断反馈分布的理论近似，并构造具有名义频率学渐近覆盖率的可信区域，以多类数值例子说明。
- 阅读关注点
- 应核对被阻断的信息方向、模块误设下的目标参数、定理正则条件，以及后验自助法如何实现频率学覆盖校准。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未列明理论条件和定量界，渐近覆盖结论不能直接视为有限样本保证。
原文摘要
Bayesian inference provides a framework to combine various model components with shared parameters, allowing joint uncertainty estimation and the use of all available data sources. Unfortunately, misspecification of any part of the model might propagate to all other parts and can lead to unsatisfactory results. Cut distributions have been proposed as a remedy, where the information is prevented from flowing along certain directions. We study cut distributions from an asymptotic perspective and obtain a Bernstein-von Mises theorem, as well as a Laplace approximation with quantitative bounds. We then propose an algorithm based on the Posterior Bootstrap that delivers credible regions with the nominal frequentist asymptotic coverage. The proposed methods are illustrated with numerical experiments in a variety of examples, including causal inference with propensity scores.