迈克尔·牛顿（Michael A.Newton）。;阿德里安·拉弗瑞（Adrian E.Raftery）。 加权似然自举的近似贝叶斯推断。（经过讨论）。 （英语） Zbl 0788.62026号 J.R.Stat.Soc.，塞尔维亚。B类 56，第1期，第3-48页（1994年）. 摘要：我们引入加权似然引导（WLB）作为一种从后验分布近似模拟的方法。这种方法通常很容易实现，只需要一种计算最大似然估计量的算法，例如迭代加权最小二乘法。在一般加权方案中，WLB在相当一般的条件下是一阶正确的。在采样重要性重采样（SIR）算法中，使用WLB作为样本源可以消除不准确度，该算法还允许合并特定的先验信息。在某些模型中，SIR调整的WLB可以作为其他集成方法的竞争性替代方案。渐近展开阐明了WLB的二阶性质，这是鲁宾贝叶斯自举方法的推广[D.B.鲁宾《美国年鉴》第9卷第130-134页（1981年）]。还考虑了用于模型比较的近似贝叶斯因子的计算。我们注意到，给定从后验分布模拟的样本，所需的边际似然可以通过相关似然值的调和平均值进行一致的模拟估计；还注意到对该估计量的修改，以避免不稳定性。这些方法为计算一类非常广泛的模型的近似贝叶斯因子和后验模型概率提供了简单的方法。 引用于1审查引用于180文件 MSC公司： 2015年1月62日 贝叶斯推断 62E20型 统计学中的渐近分布理论 关键词：Dirichlet权重;蒙特卡罗方法;非线性回归;广义线性模型;采样重要性重采样算法;渐近展开;加权似然引导;最大似然估计量;迭代加权最小二乘法;一阶正确;二阶特性;鲁宾贝叶斯引导的推广;近似贝叶斯因子;模型比较;后向分布;边际似然;模拟 PDF格式BibTeX公司 XML格式引用 \textit{M.A.Newton}和\textit{A.E.Raftery}，J.R.Stat.Soc.，Ser。B 56，编号1，3--48（1994；Zbl 0788.62026）