×
乔治·卡拉巴索斯;斯蒂芬·沃克。

关于归一化最大似然和贝叶斯决策理论。 （英语） Zbl 1194.62008年

数学杂志。精神病。 50，第6号，517-520（2006）.
摘要：在最小描述长度原则下，最优预测模型最大化了归一化最大似然（NML）。虽然贝叶斯模型选择方法旨在确定最能描述生成一组数据的（未知）真实分布的模型，但NML模型选择方法并未提及真实分布，这被视为后一种方法的一个显著优势。相反，本文表明，对于效用函数的特定选择，NML方法等价于贝叶斯助推下的贝叶斯模型选择，并具有针对模型复杂性的特定惩罚函数。这一新特征揭示了NML方法的一些统计问题。

引用于2评论
引用于6文件

理学硕士：

62C10个 贝叶斯问题；贝叶斯过程的特征
62G05型 非参数估计

关键词：

贝叶斯非参数;型号选择
PDF格式BibTeX公司 XML格式引用
\textit{G.卡拉巴索斯}和\textit{S.G.沃克}，J.数学。精神病。50，第6号，517--520（2006；Zbl 1194.62008）
全文： 内政部

参考文献：

[1] Akaike，H.，信息理论和最大似然原理的扩展，（Petrov，B.；Csaki，F.，第二届信息理论国际研讨会（1973年），基亚多科学院：基亚多科学院布达佩斯）·Zbl 0283.62006号
[2] Bernardo，J.，预期信息作为预期效用，《统计年鉴》，7686-690（1979）·Zbl 0407.62002号
[3] Bernardo，J。；Smith，A.，贝叶斯理论（1994），Wiley:Wiley Chichester，英国·Zbl 0796.6202号
[4] Ferguson，T.，一些非参数问题的贝叶斯分析，《统计年鉴》，1209-230（1973）·Zbl 0255.62037号
[5] Ghosh，J。；Ramamoorthi，R.，贝叶斯非参数（2003），施普林格：施普林格纽约·Zbl 1029.62004号
[6] Grünwald，P.，《MDL简介》，（Grínwall，P.；Myung，J.；Pitt，M.，《最小描述长度的进展：理论与应用》（2005），麻省理工学院出版社：麻省理学院出版社，马萨诸塞州剑桥）
[7] Grünwald，P.，MDL教程，（Grünwald，P.；Myung，J.；Pitt，M.，最小描述长度的进展：理论与应用（2005），麻省理工学院出版社：麻省理工学院出版社，马萨诸塞州剑桥）
[8] 古铁雷斯-佩尼亚，E。；Walker，S.，《统计决策问题和贝叶斯非参数方法》，《国际统计评论》，73309-330（2005）·Zbl 1105.62006号
[9] 卡丹，J。；Dickey，J.，贝叶斯决策理论和模型简化，（Kmenta，J.；Ramsey，J.，计量经济学模型评估（1980），学术出版社：纽约学术出版社）
[10] Karabatsos，G.，贝叶斯非参数模型选择和模型测试，《数学心理学杂志》，50123-148（2006）·Zbl 1099.62005号
[11] Karabatsos，G.和Walker，S.（2006年）。使用贝叶斯非参数进行一致性心理测量建模。审查中。；Karabatsos，G.和Walker，S.（2006年）。使用贝叶斯非参数进行一致性心理测量建模。正在审查中。
[12] Myung，J。；纳瓦罗，D。；Pitt，M.，通过归一化最大似然选择模型，《数学心理学杂志》，50，167-179（2006）·Zbl 1100.94008号
[13] Rissanen，J.，规范化ML模型作为通用代码和数据信息的强最优性，IEEE信息理论汇刊，471712-1717（2001）·Zbl 0999.94016号
[14] Rubin，D.，《贝叶斯自助法》，《统计年鉴》，第9130-134页（1981年）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。