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。
在贝叶斯框架中,为了对随机观测值序列$X{1}、X{2}、\ldots$进行预测,推论者需要分配预测分布$\sigma_{n}(\cdot)=P(X{n+1}\In\cdot\mid X{1{,\ldots,X{n})$。在本文中,我们建议直接分配$\sigma\{n}$,而不经过通常的先验/后验方案。一个主要优点是无需评估事先概率。假设数据序列$(X_{n})$在以下意义上是条件一致分布的(c.i.d.)(安·普罗巴伯。 32(2004) 2029–2052). 为了实现这个程序,引入并研究了预测分布的类$\Sigma$。这样的$\Sigma$足够丰富,可以模拟各种实际情况,如果$\Sigma_{n}$属于$\Sigram$,那么$(X_{nneneneep)$实际上就是c.i.d。此外,当新的观察值$X_{n+1}$可用时,可以通过简单的递归更新$\sigma_{n}$来获得$\sigma _{n+1}$。如果$\mu$是$\sigma_{n}$的a.s.弱极限,那么还提供了$\mu$s是a.s.离散的条件。
帕特里齐亚·贝尔蒂。 伊曼纽拉·德拉西。 卢卡·普拉特利。 彼得罗·里戈(Pietro Rigo)。 “贝叶斯预测推理的一类模型。” 伯努利 27 (1) 702 - 726, 2021年2月。 https://doi.org/10.3150/20-BEJ1255