统计学 > 方法论
[提交于 2008年1月28日
]
标题: 基于Jeffreys散度先验的贝叶斯假设检验推广
标题: Generalization of Jeffreys' divergence based priors for Bayesian hypothesis testing
摘要: 本文中我们引入了基于竞争模型间发散度量的目标恰当先验分布,用于假设检验和模型选择;我们称它们为基于发散的(DB)先验。 DB先验具有简单形式和良好的性质,如信息(有限样本)一致性;通常,它们与其它现有提议(如内在先验)相似;此外,在正态线性模型情况下,它们恰好还原为Jeffreys-Zellner-Siow先验。 更重要的是,在非正则模型和混合模型等具有挑战性的场景下,DB先验定义良好且非常合理,而替代提议则不然。 我们推导出DB先验的近似值以及相关的贝叶斯因子的MCMC和渐近表达式。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.