.png){kind=icon}
返回
Locally Robust Semiparametrically Efficient Bayesian Inference
.png){kind=icon}
PRE
AI
DOI：10.3982/ecta23242.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出一个框架，使贝叶斯参数模型对局部误设具有鲁棒性。假设在基准参数模型中，一个感兴趣的参数在一个包含的半参数模型中有其解释。在局部误设下，贝叶斯估计量和最大似然估计量通常是有偏的。我们提出通过一个乘法因子来增强基准似然，该因子涉及基准模型的得分、包含的半参数模型的有效得分以及一个辅助参数，该参数与感兴趣的参数具有相同的维度。我们证明，在增强模型中，感兴趣的参数的边缘后验分布渐近服从正态分布，其均值等于半参数有效估计量，方差等于半参数效率界。所建议的增强使基准参数模型对局部误设具有鲁棒性，同时保留了贝叶斯推断的吸引力。我们为增强模型开发了一种MCMC算法，并在应用中说明了该方法。
Keyword:
Bayesian methods
semiparametric efficiency
Bernstein–von Mises theorem
local misspecification
robustness
期刊
IF:
7.1
论文数:
3.0K
被引数:
4.3W
机构
引用论文
.png){kind=icon}
分享收藏Estimation and Inference Are Missing Data Problems: Unifying Social Science Statistics via Bayesian Simulation估计和推断是缺失数据的问题: 通过贝叶斯模拟统一社会科学统计数据
PREAI
分享收藏
查看更多内容