我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
在本文中,我们使用Dirichlet过程混合(DPM)模型提出了一种新的贝叶斯非参数方法,用于检测随机变量之间的成对相关性,同时考虑潜在分布形式的不确定性。一个关键标准是,这些过程应扩展到大型数据集。在这方面,我们发现对于依赖与vs.无关的DPM联合概率测度,形式化计算Bayes因子在计算上是不可行的。为了解决这个问题,我们提出了贝叶斯诊断方法,用于描述证据的特征,以对抗成对独立的“空模型”。在模拟研究和实际数据分析中,我们表明,我们的方法为探索性地对大型多元数据集进行非参数贝叶斯分析提供了一个有用的工具。
莎拉·菲利皮。 克里斯·福尔摩斯(Chris C.Holmes)。 路易斯·尼托·巴拉哈斯。 “通过Dirichlet过程混合探索成对依赖性的可缩放贝叶斯非参数度量。” 电子。J.统计。 10 (2) 3338 - 3354, 2016 https://doi.org/10.1214/16-EJS1171