Bayesian jackknife empirical likelihood
贝叶斯刀切经验似然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：摘要讨论通用贝叶斯经验似然与 U 统计量推断，未提供对应所列领域细分的充分证据。
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…
贝叶斯刀切经验似然
- 研究问题
- 对于由 U 统计量定义的参数，如何构造有效的贝叶斯推断，并评估其小样本表现与频率学派方法的差异？
- 方法与思路
- 作者提出以刀切经验似然替代贝叶斯分析中的通常似然部分，通过理论分析、经验研究及胰腺癌病例对照研究加以考察。
- 材料陈述的贡献
- 摘要称该方法的有效性得到理论与经验支持，且所考察的小样本表现优于对应的频率学派方法，并提供实际应用示例。
- 阅读关注点
- 应核对 U 统计量参数的适用范围、先验及正则条件、有效性的具体含义，以及小样本比较采用的指标与设置。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断定理的完整条件或有限样本保证；摘要中的比较结果不能推广至所有模型和先验。
原文摘要
Summary Empirical likelihood is a very powerful nonparametric tool that does not require any distributional assumptions. Lazar (2003) showed that in Bayesian inference, if one replaces the usual likelihood with the empirical likelihood, then posterior inference is still valid when the functional of interest is a smooth function of the posterior mean. However, it is not clear whether similar conclusions can be obtained for parameters defined in terms of $U$-statistics. We propose the so-called Bayesian jackknife empirical likelihood, which replaces the likelihood component with the jackknife empirical likelihood. We show, both theoretically and empirically, the validity of the proposed method as a general tool for Bayesian inference. Empirical analysis shows that the small-sample performance of the proposed method is better than its frequentist counterpart. Analysis of a case-control study for pancreatic cancer is used to illustrate the new approach.