Learning Approximately Objective Priors
信息贝叶斯先验通常很难引出,当这种情况下,建模者通常转向非信息或客观先验。然而,客观的先验,如杰弗里斯和参考先验是不听话的,以获得许多模型的利益。我们解决这个问题,提出了学习参考先验近似的技术:我们选择一个参数的家庭和优化的黑盒下限的参考先验目标,找到家庭的成员,作为一个很好的近似。实验证明了该方法的有效性,通过恢复Jeffreys先验和学习变分自动编码器的参考先验。
2017-08-04 stat.CO stat.ML
Posterior propriety in Bayesian extreme value analyses using reference priors
广义Pareto(GP)分布和广义极值(GEV)分布在极值分析中起着重要的作用,分别作为阈值超集和块极大值的模型。对于这些分布中的每一个,我们认为贝叶斯推断使用“参考”先验分布(在一般意义上的先验构造使用正式的规则)的模型参数,特别是Jeffreys先验,最大数据信息(MDI)先验和独立的统一先验模型参数。我们调查的重要问题,这些不适当的先验是否导致适当的后验分布。我们表明,在GP和GEV的情况下,MDI之前,除非修改,从来没有产生一个适当的后,在GEV的情况下,这也适用于Jeffreys之前。我们还表明,样本量为三(四)是足够的独立均匀先验产生一个适当的后验分布在GP(GEV)的情况下。
2015-08-20 stat.ME
The prior can generally only be understood in the context of the likelihood
贝叶斯分析的一个关键点是先验分布的选择,并且有大量关于潜在缺省的文献,包括均匀先验、Jeffreys先验、参考先验、最大熵先验和弱信息先验。然而,这些方法,往往表现出一个关键的概念紧张在先验建模:一个模型编码真实的先验信息应选择不参考模型的测量过程中,但几乎所有常见的先验建模技术隐含的参考可能性的动机。在本文中,我们解决了这个明显的悖论,把先验的选择到整个贝叶斯分析的背景下,从推理预测模型评估。
2017-08-31 stat.ME
Propriety of the reference posterior distribution in Gaussian Process modeling
在一篇开创性的文章中,Berger,De Oliveira和Sansó(2001)比较了具有各向同性相关核的高斯过程回归模型参数的几种客观先验分布。参考先验分布在其中脱颖而出,因为它总是导致一个适当的后验。他们证明了这一结果粗糙的相关内核-球形,幂指数$q<2$,Matérn平滑$ν<1$。本文证明了平滑相关核-指数幂$q=2$,Matérn平滑$ν\geqslant 1$,有理二次-以及这些核的参考先验的尾部率。
2020-11-20 math.ST stat.TH
Reference priors of nuisance parameters in Bayesian sequential population analysis
为模拟贝叶斯渔业种群模型的自然波动或参数的不确定性而引出的先验分布,可以在大量的统计规律中选择。由于统计框架是由观测过程确定的,因此观测参数进入估计,必须被视为随机的,类似于种群水平或实际渔获量等参数或感兴趣的状态。因此,前者被认为是冗余参数,其值与所考虑的实验有内在联系,这也需要无信息的先验。在渔业研究中,Millar(2002年)提出Jeffreys的方法是一种引出这种先验的实用方法。然而,它们可能在多参数上下文中呈现错误的属性。因此,我们建议使用Berger和Bernardo提出的启发式方法,以避免Jeffreys先验提出的悖论结果。这些基准先验是在序贯总体分析的框架中得出的。
2010-10-11 math.ST stat.TH
Priors for New Physics
使用贝叶斯方法,根据新物理学的多参数模型对数据进行解释,需要构建多参数先验。我们提出了一个建设,使用贝叶斯参考分析的元素。我们的想法是启动链的推理与参考先验的似然函数,依赖于一个单一的参数的兴趣,是一个函数的参数的物理模型。感兴趣参数的参考后验密度在物理模型的参数空间上诱导出一类后验密度。我们建议继续从这个类的一个特定的密度的推理链,即,一个不可区分的模型是等概率的,并使用它作为后续分析的先验。我们说明了我们的方法,将其应用到约束最小超对称标准模型和它的两个非通用的变种。
2011-08-02 physics.data-an stat.ME
Reference prior for Bayesian estimation of seismic fragility curves
针对有限二元数据下地震易损性曲线贝叶斯估计的先验选择难题,提出基于参考先验理论的客观方法,首次推导该问题的Jeffreys先验,证明其后验正常且无退化,能得到更稳健的可信区间。
2024-04-12 stat.AP stat.ME
Informative Distance-Based Priors for Correlation Matrices Centred on a Target Reference
The Alan Turing Institute(艾伦·图灵研究所);University of Pretoria(比勒陀利亚大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);National Institute of Health and Medical Research (Inserm UMR 1219)(法国国家健康与医学研究院 (Inserm UMR 1219));Universiti Brunei Darussalam(文莱达鲁萨兰国大学)
研究在贝叶斯分析中指定相关矩阵先验分布的挑战及解决方法,提出基于距离的先验分布,通过费希尔弧长距离分配质量,引入参数化适应条件独立约束,提供算法实现先验预测检查和敏感性分析。
2026-07-22 stat.ME
Objective Bayesian analysis under sequential experimentation
序贯实验的客观先验被认为是。常见的先验,如Jeffreys先验和参考先验,通常取决于用于序贯实验的停止规则。在各种情况下获得新的表达式的参考先验,并考虑涉及这种先验的计算问题。
2008-05-20 math.ST stat.CO stat.TH
Objective Bayesian analysis for spatial Student-t regression models
先验分布的选择是贝叶斯分析的一个关键方面。对于空间回归模型,参数的主观先验选择可能并不简单,从这一角度出发,利用客观贝叶斯分析框架,为自由度未知的空间Student-t回归模型引入了一个参考。空间Student-t回归模型提出了两个主要的挑战时,引发的先验:一个空间依赖参数和自由度的其他之一。众所周知,后验分布相对于客观先验的适当性并不总是得到保证,而适当的先验分布的使用可能会主导和偏置后验分析。在本文中,我们展示的条件下,我们提出的参考先验收益率适当的后验分布。模拟研究,以评估性能的参考之前,一个常用的模糊适当的前。
2020-04-09 math.ST stat.TH
Reference Bayesian analysis for hierarchical models
本文提出了另一种方法来构建不变的Jeffreys先验分布适合分层或多层模型。特别是,我们的提议基于分层模型的Fisher信息的灵活分解,克服了模型参数似然性的边缘化步骤。分层模型的Fisher信息矩阵是从感兴趣的参数值的邻域中的模型的Kullback-Liebler(KL)散度的Hessian导出的。KL发散的性质被用来证明所提出的分解。我们的建议利用层次结构,并导致另一种方法计算Jeffreys先验的超参数和先验信息的上界。虽然Jeffreys先验给出了关于参数的最小信息,但所提出的界给出了任何先验分布中的信息的上极限。具有高于该限制的信息的先验可能被认为信息量太大。从实际的角度来看,所提出的先验可以作为MCMC算法的一部分进行计算评估。这个属性对于具有许多层次的建模设置可能是必不可少的,在这些层次中,分析边缘化是不可行的。我们说明了我们的建议的有用性与混合模型中的例子,在模型选择先验,如套索和学生t模型。
2019-04-25 math.ST stat.TH
Objective Priors for the Conway-Maxwell-Poisson (COM-Poisson) Distribution
Georgetown University(乔治城大学);North Carolina State University(北卡罗来纳州立大学)
针对COM-Poisson分布基础模型客观先验研究不足的问题,提出四种客观先验,含独立杰弗里斯先验与新型分层参考先验,通过优化与Stan采样实现,经模拟与实例验证有效性。
2026-09-02 stat.ME
Enriched standard conjugate priors and the right invariant prior for Wishart distributions
多元正态分布的方差-协方差阵的预测在多元分析中是一个重要的问题.我们研究了Kullback-Leibler散度下Wishart分布的贝叶斯预测分布。Wishart分布族的条件约简使我们能够分解贝叶斯预测分布的风险。我们考虑了最近引入的一类先验分布,这是所谓的家庭丰富的标准共轭先验分布,并比较了贝叶斯预测分布的基础上,这些先验分布。进一步研究了基于族中参考先验分布的贝叶斯预测分布的性能,证明了族中存在一个先验分布优于参考先验分布.我们的研究提供了新的见解多元分析时,存在一个有序的推理重要性的自变量。
2022-09-23 math.ST stat.TH
Objective Bayesian hypothesis testing in binomial regression models with integral prior distributions
在这项工作中,我们应用积分先验的方法来处理贝叶斯模型选择在二项式回归模型与一般的链接功能。这些模型经常用于调查流行病学研究中的关联和风险,其中一个目标是展示暴露是否是发展某种疾病的风险因素;本文的目的是测试特定暴露因素的影响。我们制定了贝叶斯模型选择情况下的问题,并解决它使用客观贝叶斯因素。为了在二项回归模型的回归系数上构造参考先验分布,我们依赖于积分先验的方法,该方法几乎是自动的,因为它只需要指定估计参考先验,并且不依赖于这些先验中的调整参数或超参数。
2013-06-28 stat.CO stat.ME
Objective Bayesian inference for the Dhillon distribution
本文为Dhillon分布提出目标贝叶斯框架,推导三种目标先验,证明后验性质,通过MCMC进行推断,并模拟与实证验证其有效性。
2025-09-08 stat.ME
Parallel Tempering With a Variational Reference
从复杂的目标分布中采样是贝叶斯推断的基本挑战性任务。并行回火(PT)通过在后验分布和固定参考分布之间插值的分布序列的扩展状态空间上构建马尔可夫链来解决这个问题,该固定参考分布通常被选择为先验分布。然而,在先验和后验几乎相互奇异的典型情况下,PT方法在计算上是禁止的。在这项工作中,我们解决这个挑战,通过构建一个广义退火路径连接后的自适应调整变分参考。使用简单的无梯度矩匹配程序调整参考分布,以使前向(包括在内)KL与后验分布的发散最小化。我们表明,我们的自适应过程收敛到前向KL极小值,和前向库尔贝克-莱布勒散度作为一个很好的代理,以前开发的PT性能的措施。我们还表明,在典型的贝叶斯模型的大数据限制,所提出的方法提高了性能,而传统的PT任意恶化。最后,我们引入PT与两个参考-一个固定的,一个变-与一个新的分裂退火路径,确保稳定的变参考适应。本文最后通过实验证明,我们的方法在广泛的现实贝叶斯推断场景中取得了巨大的经验收益。
2023-01-16 stat.CO
Quantification of observed prior and likelihood information in parametric Bayesian modeling
本文提出了两种与数据相关的信息度量来量化参数贝叶斯模型中先验和似然函数的信息,其中一种与Berger,Bernardo和Sun提出的参考先验和Lindley提出的信息度量密切相关.理论,经验和计算支持的组合提供的证据表明,这些信息理论指标可能是有用的诊断工具时,执行贝叶斯分析。
2017-09-07 cs.IT math.IT stat.AP
Posterior Consistency of Bayesian Inverse Regression and Inverse Reference Distributions
我们认为贝叶斯推断逆回归问题的目标是推断未观察到的协变量从观察到的响应和协变量。我们建立后验一致性的贝叶斯逆回归problemunder适当的先验在留一交叉验证设置中的未观察到的协变量。我们将其与逆参考分布的后验一致性(Bhattacharya(2013))相关联,以评估模型的充分性。我们用贝叶斯逆回归的各种例子来说明我们的理论和方法,以及足够的模拟实验。
2020-05-01 math.ST stat.TH
Bayesian analysis of three parameter singular Marshall-Olkin bivariate Pareto distribution
本文给出了奇异Marshall-Olkin二元Pareto分布的一种有效分析方法。本文考虑三参数奇异Marshall-Olkin二元Pareto分布。我们考虑两种类型的先验-参考先验和伽玛先验。基于分层加吉布斯抽样和林德利近似,计算了参数的贝叶斯估计。还为所有方法和所有先验分布提供了可信区间。为说明起见,保留了数据分析。
2017-09-30 stat.AP stat.CO stat.ME
On integral priors for multiple comparison in Bayesian model selection
University of Murcia(穆尔西亚大学);CIBER de Epidemiología y Salud Pública (CIBERESP)(公共卫生与流行病学网络中心(CIBERESP));Biomedical Research Institute of Murcia Pascual Parrilla–IMIB(穆尔西亚生物医学研究所帕斯夸尔·帕里利亚-IMIB);Université Paris Dauphine PSL(巴黎第九大学PSL);University of Warwick(华威大学)
本文提出了一种用于贝叶斯模型选择中多重比较的积分先验方法,通过构建遍历马尔可夫链来获得先验分布,并展示了其在模型比较中的有效性。
2026-02-17 stat.ME