跳转至

Semiparametric fiducial inference for Cox models

作者: Yifan Cui, Jan Hannig, Paul Edlefsen
来源: Journal of the Royal Statistical Society Series B
主题: 非参数 / 半参数
相关性: 7/10
机构绿灯: University of North Carolina at Chapel Hill(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是 fiducial 推断(fiducial inference)在现代统计模型中的推广。Fiducial 推断由 R. A. Fisher 于 1930 年代提出,旨在不依赖先验分布的情况下,从数据出发构造参数的"分布"——它既不同于频率学派的置信区间,也不同于贝叶斯学派的后验分布。该方向的核心问题是:如何将 Fisher 的 fiducial 思想从简单的参数模型推广到复杂的半参数模型,并保证其频率学性质(覆盖概率、渐近有效性)。当前该方向的成熟度处于"参数模型已成熟、半参数模型刚起步"的阶段——本文作者明确声称这是"首次将 fiducial 推断系统性地应用于半参数模型"。

发展脉络(history)

奠基工作:Fisher (1930, 1933) 提出 fiducial 推断的基本框架,试图从数据生成方程(data generating equation, DGE)的逆映射中直接获得参数的分布。这一思想在 20 世纪中叶遭遇了多参数问题的困难(如著名的 Fisher–Behrens 问题),导致其一度衰落。

主要进展:2000 年以后,fiducial 推断经历了复兴。关键节点包括: - Hannig (2009) 和 Hannig et al. (2016) 给出了广义 fiducial 推断(GFI)的严格数学定义,基于"数据生成算法"(DGA)的逆映射,并建立了在正则条件下 GFI 分布的渐近正确性。这是本文的直接理论基础。 - Dempster-Shafer 理论(Dempster, 1968; Shafer, 1976)和推断模型(Martin & Liu, 2013, 2015)提供了与 fiducial 密切相关的替代框架,处理不确定性的方式更为一般。 - 置信分布(Singh et al., 2005; Xie & Singh, 2013; Schweder & Hjort, 2016)从频率学角度重新诠释了 fiducial 分布,将其视为一种"分布估计"工具。 - 应用拓展:Cisewski & Hannig (2012) 处理线性混合模型,Lai et al. (2015) 处理超高维回归,Williams & Hannig (2019) 处理变量选择,Cui & Hannig (2019, 2024) 处理删失数据和非参数反卷积问题。

当前 frontier:fiducial 推断在非参数问题(如生存函数估计)已有初步工作(Cui & Hannig, 2019),但在半参数框架下——即参数分量(如 Cox 模型中的回归系数)与无穷维 nuisance 参数(如基线风险函数)并存——此前是空白。这正是本文的切入点。

本文的位置:作者将 GFI 从纯参数/纯非参数场景推进到半参数场景,以 Cox 比例风险模型为载体,证明了 fiducial 分布的 Bernstein–von Mises 定理,从而建立了其渐近频率学有效性。这是 fiducial 推断向半参数统计迈出的第一步。

子线索聚类

被引文献大致落在三条子线索上:

  1. fiducial 推断的理论基础与推广(Hannig 2009; Hannig et al. 2016; Murph et al. 2023; Dawid 2024):建立 GFI 的数学框架,证明其在参数模型下的渐近性质。这是本文的方法论源头。
  2. fiducial 的替代/竞争框架(Dempster-Shafer 理论、推断模型、置信分布):Dempster (1968), Shafer (1976), Martin & Liu (2013, 2015), Singh et al. (2005), Xie & Singh (2013), Schweder & Hjort (2016), Edlefsen et al. (2009), Liu & Martin (2020), Xie & Wang (2022), Lawrence et al. (2024)。这些工作与 fiducial 推断在哲学和数学上既有重叠又有分歧,构成了一个"无先验概率推断"的大家族。
  3. fiducial 在具体模型中的应用(Cisewski & Hannig 2012; Lai et al. 2015; Williams & Hannig 2019; Cui & Hannig 2019, 2024; Williams et al. 2023; Chen et al. 2016):将 GFI 应用于混合模型、高维回归、生存分析、图模型等。本文延续这一线索,但首次触及半参数结构。

这个方向在追问的核心问题

  1. 如何将 DGA 的逆映射推广到含无穷维 nuisance 参数的模型? 在参数模型中,DGA 的逆映射是良定义的;但在半参数模型中,nuisance 参数(如基线风险函数)的维度随样本量增长,逆映射的结构变得复杂。
  2. fiducial 分布是否具有频率学有效性? 即 fiducial 置信区间是否在渐近意义下达到名义覆盖?这是 fiducial 推断能否被主流接受的关键。
  3. fiducial 推断与贝叶斯推断、频率推断的关系:在什么条件下三者一致?在什么条件下 fiducial 提供独特的优势?
  4. 计算可行性:fiducial 分布通常没有解析形式,如何高效采样?

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"fiducial 推断已在参数和非参数模型中取得成功,但半参数模型——特别是 Cox 模型——尚未被触及"。作者声称这是"首次将 fiducial 推断系统性地应用于半参数模型",并强调其方法在最大似然估计失效(如小样本、分离数据)时仍能提供有效推断。作者还暗示,fiducial 方法为"使用部分似然而非全似然"提供了新的理论正当性——因为 fiducial 分布直接从 DGA 出发,绕过了对 nuisance 参数的显式估计。

值得研究者去查证的问题: - 作者在引言中列举了 fiducial 推断的诸多应用,但没有引用任何半参数 fiducial 推断的先行工作。是否存在作者刻意回避的竞争工作?(例如,置信分布框架下是否有半参数 Cox 模型的结果?) - 作者将 Cox 模型作为"半参数 fiducial 推断"的载体,但 Cox 模型的部分似然结构是否具有特殊性?其他半参数模型(如部分线性模型、单指标模型)是否同样适用? - 引言中引用的 "Chen et al. (2016)" 在参考文献中对应的是 "Generalized fiducial inference for accelerated life tests with Weibull distribution",这是参数模型,与半参数无关——作者用此来铺垫"生存分析中已有 fiducial 工作",但该工作并未处理 Cox 模型。

张力

被引文献之间未见明显对立结论。但存在一个微妙的张力:Hannig et al. (2016) 的 GFI 框架强调"数据生成方程"的逆映射,而 Martin & Liu (2013) 的推断模型框架则强调"随机集"的预测。两者在数学上等价性尚未完全厘清,本文选择了 Hannig 的框架,但未讨论 Martin-Liu 框架在半参数模型中的可能表现。这是一个值得注意的"未对话"。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

在展开本文的技术细节之前,先把记号立清楚。本文的核心是 Cox 比例风险模型下的 fiducial 推断。以下记号贯穿全文:

可观测数据: - 对每个个体 \(i = 1, \ldots, n\),观测到三元组 \((X_i, Y_i, \Delta_i)\): - \(X_i \in \mathbb{R}^p\):协变量向量(可观测,视为固定或随机) - \(Y_i = \min(T_i, C_i)\):观测时间(可观测),其中 \(T_i\) 是失效时间,\(C_i\) 是删失时间 - \(\Delta_i = I\{T_i \leq C_i\}\):删失指示(可观测),\(\Delta_i = 1\) 表示观测到失效,\(\Delta_i = 0\) 表示删失

模型结构: - 参数分量:\(\beta \in \mathbb{R}^p\),对数风险比(待估参数,有限维) - 非参数分量:\(\lambda_0(t)\),基线风险函数(nuisance 参数,无穷维) - 模型假设(Cox, 1972):个体 \(i\) 的风险函数为

\[\lambda_i(t) = \lambda_0(t) \exp(\beta^\top X_i)\]
其中 \(\lambda_0(t)\) 完全未知,不施加任何参数形式。

潜在 / 不可观测量: - \(T_i\):潜在失效时间(不可观测,若 \(\Delta_i = 0\) 则被删失) - \(C_i\):潜在删失时间(不可观测,若 \(\Delta_i = 1\) 则未观测到) - \(U_i\):辅助随机变量(不可观测),用于构造 DGA。在本文的 DGA 中,\(U_i \sim \text{Uniform}(0,1)\) 是驱动数据生成的随机源。

关键估计量 / 目标量: - \(\beta\):对数风险比(目标参数) - \(\Lambda_0(t) = \int_0^t \lambda_0(s) ds\):累积基线风险函数(nuisance) - \(S_i(t) = \exp(-\Lambda_0(t) \exp(\beta^\top X_i))\):个体 \(i\) 的生存函数

核心困难:\(\lambda_0(t)\) 是无穷维参数,无法直接对 \((\beta, \lambda_0)\) 进行联合 fiducial 推断。本文的关键洞察是:通过 DGA 的结构,将 \(\lambda_0\) 的推断"积分掉"或"条件化掉",从而得到仅关于 \(\beta\) 的边际 fiducial 分布。

第二步:最小内核

剥掉所有一般性假设后,本文的核心数学问题是:

给定一个由 Cox 模型生成的数据集,如何构造 \(\beta\) 的 fiducial 分布?

最简特例:考虑 \(p=1\)(单个二元协变量 \(X_i \in \{0,1\}\)),无删失(\(\Delta_i = 1\) 对所有 \(i\)),且 \(n\) 较小。此时 Cox 模型退化为两组(\(X=0\) 和 \(X=1\))的指数分布比较,但 \(\lambda_0(t)\) 仍完全未知。

本文的构造思路(三步走):

  1. 写出 DGA:数据 \((Y_i, \Delta_i)\) 可以由以下方式生成:
  2. 对每个个体 \(i\),生成 \(U_i \sim \text{Uniform}(0,1)\)
  3. 令 \(T_i = \Lambda_0^{-1}(-\log(1-U_i) / \exp(\beta^\top X_i))\),其中 \(\Lambda_0^{-1}\) 是累积风险函数的逆
  4. 令 \(Y_i = \min(T_i, C_i)\),\(\Delta_i = I\{T_i \leq C_i\}\)

这里 \(U_i\) 是"已知分布"的辅助变量,\((\beta, \Lambda_0)\) 是未知参数。

  1. 反演 DGA:给定观测数据 \((X_i, Y_i, \Delta_i)\),fiducial 推断的思想是:找到所有使得 DGA 能够生成观测数据的 \((\beta, \Lambda_0, U_i)\) 组合,然后将 \(U_i\) 的已知分布"推送"到参数空间上。

  2. 消除 nuisance:由于 \(\Lambda_0\) 是无穷维的,直接反演不可行。本文的关键技巧是利用 Cox 模型的部分似然结构:在给定失效顺序(即哪些个体在哪些时间失效)的条件下,\(\Lambda_0\) 可以被"积分掉",剩下的仅是关于 \(\beta\) 的约束。

最小内核的数学表述:

在无删失、无并列失效时间的简单情形下,观测数据等价于失效顺序 \(\pi = (\pi_1, \ldots, \pi_n)\)(即第 \(k\) 个失效的个体是谁)和失效时间 \(t_1 < t_2 < \cdots < t_n\)。

  • 关键观察:Cox 模型的部分似然仅依赖于失效顺序 \(\pi\),不依赖于具体的失效时间 \(t_k\)。
  • fiducial 构造:给定 \(\pi\),fiducial 分布由以下约束定义:

    \[U_k \leq \frac{\exp(\beta^\top X_{\pi_k})}{\sum_{j \in R_k} \exp(\beta^\top X_j)}, \quad k = 1, \ldots, n\]
    其中 \(R_k\) 是第 \(k\) 个失效时刻的风险集,\(U_k \sim \text{Uniform}(0,1)\) 独立同分布。

  • fiducial 密度:通过变量替换,可以得到 \(\beta\) 的 fiducial 密度为:

    \[r(\beta) \propto \prod_{k=1}^n \frac{\exp(\beta^\top X_{\pi_k})}{\sum_{j \in R_k} \exp(\beta^\top X_j)} \times J(\beta)\]
    其中 \(J(\beta)\) 是 Jacobian 项,来自将 \(U_k\) 的均匀分布映射到 \(\beta\) 空间。

这个最小内核揭示了本文的核心贡献:fiducial 分布不是简单地等于"部分似然 × 某个先验",而是通过 DGA 的逆映射自然产生了一个额外的 Jacobian 项 \(J(\beta)\)。这个 Jacobian 项在贝叶斯分析中不存在(除非选择特定的 Jeffreys 先验),它反映了 fiducial 推断与贝叶斯推断的本质区别。当 \(n\) 较大时,Jacobian 项为 \(O_p(1)\),因此 fiducial 分布与部分似然推断渐近等价;但在小样本下,Jacobian 项提供了重要的有限样本修正——这正是本文在模拟中观察到 fiducial 方法优于 MLE 的原因。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:首次将广义 fiducial 推断(GFI)系统性地应用于半参数模型,以 Cox 比例风险模型为载体,构造回归系数 \(\beta\) 的 fiducial 分布,并建立其渐近频率学性质。
  2. 核心工具 / 方法:从 Cox 模型的数据生成方程出发,利用部分似然结构消除无穷维 nuisance 参数 \(\lambda_0\),提出一个基于锥优化的 Gibbs 采样器来从 fiducial 分布中采样。
  3. 主要结论:证明了 fiducial 分布满足 Bernstein–von Mises 定理(即渐近正态、均值在 MLE 附近、方差等于 Fisher 信息逆),因此 fiducial 置信区间具有渐近正确的覆盖概率;在 MLE 不收敛的小样本或分离数据场景下,fiducial 方法仍能提供有效的推断。

关键设定与假设

模型设定(在第二节最小记号的基础上补全):

  • 数据:\((X_i, Y_i, \Delta_i)\),\(i = 1, \ldots, n\),右删失,非信息删失(\(T_i \perp C_i \mid X_i\))。
  • Cox 模型:\(\lambda_i(t) = \lambda_0(t) \exp(\beta^\top X_i)\),\(\lambda_0\) 完全未知。
  • 无并列失效时间(或通过 Breslow 近似处理并列)。
  • 协变量有界:\(|X_i| < M\) 几乎必然(条件 [2])。
  • 可识别性:Fisher 信息 \(H(\beta^\circ)\) 正定(条件 [3])。
  • 技术条件 [4]:关于 Jacobian 项的收敛性假设,确保 fiducial 分布的"离散化"版本在 \(n \to \infty\) 时行为良好。

相比已有工作的关键差异:

  • 相比 Hannig et al. (2016) 的参数 GFI 框架,本文处理了无穷维 nuisance 参数,且证明了半参数版本的 Bernstein–von Mises 定理。
  • 相比 Kim & Lee (2003) 的 Bayesian bootstrap 方法,本文的 fiducial 方法不依赖先验选择,且在小样本下表现更稳健。
  • 相比 Cui & Hannig (2019) 的非参数生存函数 fiducial 推断,本文聚焦于半参数回归系数,而非生存函数本身。

主要结果

定理 3.1(fiducial 众数 = MLE):对于给定数据集,最大化 fiducial 概率的 \(\beta\) 恰好是 Cox 部分似然 MLE。这一结果建立了 fiducial 估计与经典估计的联系,说明 fiducial 方法在点估计层面不偏离主流方法。

定理 3.2(Bernstein–von Mises):在条件 [1]-[4] 下,fiducial 分布的重新缩放版本(以 \(\sqrt{n}(\beta^* - \tilde{\beta})\) 为中心)依分布收敛到 \(N(0, H^{-1}(\beta^\circ))\),其中 \(\tilde{\beta}\) 是 MLE。这意味着: - fiducial 置信区间具有渐近正确的覆盖概率; - fiducial 估计是渐近有效的(与 MLE 一阶等价); - 在贝叶斯框架中,这等价于后验分布的 Bernstein–von Mises 定理,但 fiducial 不需要先验。

推论 3.2(覆盖性质):由定理 3.2 直接推出,fiducial 置信区间在渐近意义下达到名义覆盖水平。

模拟结果(表 1): - 在 \(n = 20\) 的小样本下,MLE 在部分模拟中不收敛(表中标注 * 的项),而 fiducial 方法始终收敛。 - 在 MLE 收敛的场景中,fiducial 点估计的 MSE 与 MLE 相当或更优(如 Model 1 中 \(\hat{\beta}_1\) 的 MSE 为 0.83 vs MLE 的 14.31)。 - fiducial 置信区间的覆盖概率在大多数场景下接近名义水平(93%-96.5%),而 MLE 在收敛失败时无法提供有效区间。 - 与 Bayesian 方法(催化先验)相比,fiducial 在 Model 4 和 5 中表现更优(MSE 更低,覆盖更接近名义水平)。

真实数据应用(第 6 节): - 数据:HIV 预防试验(HVTN 704/HPTN 085 和 HVTN 703/HPTN 081),评估 VRC01 单克隆抗体对 HIV 感染的预防效果。 - 场景:马拉维亚组人群(\(n = 180\)),仅 3 例感染 VRC01 敏感型 HIV-1 毒株。 - 方法应用:将 fiducial Cox 模型应用于该亚组分析,估计 VRC01 对敏感毒株的预防效果。 - 结果:fiducial 点估计显示预防效果约为 82%(与原始研究的汇总估计 75.4% 一致),95% 置信区间为 (-4.2%, 100%)。在如此小的样本(3 个事件)下,MLE 无法收敛,而 fiducial 方法提供了合理的推断。 - 说明:该例子展示了 fiducial 方法在"稀疏事件"场景下的实用性——这是 MLE 失效但 fiducial 仍有效的典型情形。

证明路线与技术技巧

整体路线(定理 3.2 的证明):

  1. 第一步:建立 fiducial 密度的显式表达式。通过 DGA 的逆映射,将 fiducial 分布表示为:

    \[r(\beta) \propto L_n(\beta) \cdot J_n(\beta)\]
    其中 \(L_n(\beta)\) 是 Cox 部分似然,\(J_n(\beta)\) 是 Jacobian 项。这一步的关键是证明:在无并列失效时间时,DGA 的逆映射产生的约束集可以简化为 (11) 中的不等式组。

  2. 第二步:证明 Jacobian 项的渐近行为。作者证明 \(J_n(\beta)\) 在 \(\beta = \tilde{\beta}\) 附近是 \(O_p(1)\) 且连续收敛到某个确定性函数。这一步使用了经验过程理论(empirical process theory)来控制 \(J_n(\beta)\) 的随机波动。

  3. 第三步:对 fiducial 密度进行 Laplace 型展开。将 \(r(\beta)\) 写成 \(\exp(n \ell_n(\beta)) \cdot J_n(\beta)\) 的形式,其中 \(\ell_n(\beta)\) 是归一化对数部分似然。利用 \(\ell_n(\beta)\) 在 \(\tilde{\beta}\) 处的强凹性(由条件 [3] 保证),对积分进行鞍点近似。

  4. 第四步:验证余项收敛到零。使用条件 [4] 来控制展开的余项,最终得到 \(L^1\) 收敛到正态密度。

关键技术技巧:

  • 锥优化(Conic optimization):定理 2.1 和 2.2 将约束优化问题 (12) 和 (13) 转化为锥优化问题,使得 Gibbs 采样中的每一步都可以高效求解。具体地,将 \(\log\)-sum-exp 形式的约束转化为指数锥(exponential cone)约束,从而可以使用 Mosek 等优化软件求解。
  • 数据增强(Data augmentation):Gibbs 采样器交替更新 \(U_k\) 和 \(\beta\),其中 \(U_k\) 的条件分布是截断均匀分布,\(\beta\) 的条件分布通过锥优化求解。
  • 部分似然的离散化:作者将 Cox 模型的部分似然重新解释为 DGA 中多项分布的似然,从而将 fiducial 推断与离散数据的推断联系起来。

证明中的关键引理(Lemma E.1):证明了 Jacobian 项的归一化版本有界,即

\[0 < \frac{1}{n^2} \sum_{i=1}^n \int_0^\tau \frac{|J_i(\beta)|}{p_i(\beta) c_i} dN_i(s) \leq M\]
几乎必然。这个引理是控制余项的核心工具,它利用了计数过程的鞅性质。

🔎 结论是否比证明窄

是的,存在几处"证明窄于结论"的地方:

  1. 定理 3.2 只证明了一维情形。作者在正文中明确说"我们首先考虑一维 \(\beta\) 的情形",多维情形的证明被放在附录 E 的 Remark 8 中,且条件 [4] 被替换为更强的条件 [4']。但正文的表述(如摘要和引言)并未强调这一限制,读者可能误以为定理对所有维度成立。

  2. 条件 [4] 的验证。作者在正文中没有给出条件 [4] 在何种具体数据生成机制下成立的可验证充分条件。这意味着定理的适用性依赖于一个难以直接检验的技术条件。

  3. fiducial 分布的"选择规则"。在 (13) 中,作者通过最大化 \(\beta^\top w\) 来从可行集中选择一个代表点。作者在 Remark 4 中承认"这个选择规则是基于计算效率而非理论最优性",但并未讨论不同选择规则对 fiducial 分布的影响。

  4. 模拟中 MLE 不收敛的处理。表 1 中 MLE 的 MSE 在某些场景下异常大(如 1431),作者将其归因于"MLE 未收敛",但未说明如何判断收敛失败,也未提供 MLE 收敛成功子样本上的比较。

真实例子与应用

HIV 预防试验亚组分析(第 6 节): - 背景:VRC01 是一种广泛中和抗体,两项大型随机试验(HVTN 704/HPTN 085 和 HVTN 703/HPTN 081)评估了其对 HIV 感染的预防效果。原始分析发现,VRC01 对中和敏感型 HIV-1 毒株的预防效果为 75.4%(95% CI 45.5%-100%)。 - 本文的分析:作者聚焦于马拉维亚组(\(n = 180\)),其中仅 3 例感染了 VRC01 敏感型毒株。在这个子样本中,标准 Cox 回归的 MLE 无法收敛(由于事件数太少),而 fiducial 方法成功提供了估计。 - 结果:fiducial 点估计的预防效果为 82%,95% 置信区间为 (-4.2%, 100%)。这个区间较宽(反映了小样本的不确定性),但提供了比"无法估计"更多的信息。 - 意义:该例子展示了 fiducial 方法在"稀疏事件"场景下的实用性——这是精准医学中亚组分析经常遇到的挑战。

四、开放问题

以下问题均扎根于本文的具体表述:

  1. 多维 \(\beta\) 的完整理论(扎根于 Remark 8):作者仅对一维情形给出了完整证明,多维情形只给出了条件 [4'] 下的概要论证。一个自然的开放问题是:能否在更弱的条件下证明多维 Bernstein–von Mises 定理?条件 [4'] 是否可以替换为更易验证的条件?

  2. Jacobian 项的作用机制(扎根于第 4 节模拟):模拟显示 fiducial 方法在小样本下优于 MLE,作者将其归因于 Jacobian 项提供的"有限样本修正"。但 Jacobian 项的具体作用机制(它如何修正偏差?在什么条件下修正有益?)尚未被深入理解。一个可操作的问题是:能否将 fiducial 估计的有限样本偏差展开,并与 MLE 的偏差展开进行比较?

  3. 其他半参数模型的推广(扎根于第 5 节):作者讨论了加速失效时间模型、部分线性模型等扩展方向,但未给出具体结果。一个具体的问题是:对于部分线性 Cox 模型(即 \(\lambda_i(t) = \lambda_0(t) \exp(\beta^\top X_i + g(Z_i))\)),fiducial 推断应如何处理非参数分量 \(g\)?

  4. 变量选择(扎根于第 7 节讨论):作者提到"将 fiducial 推断与变量选择结合"是未来方向,但未展开。一个具体的问题是:fiducial 分布能否自然地产生类似于 Bayesian 后验概率的"变量包含概率"?这需要定义 fiducial 分布在高维稀疏模型下的行为。

  5. 计算效率(扎根于第 2.5 节):锥优化虽然保证了 Gibbs 采样的可行性,但每一步都需要求解一个锥优化问题,计算成本较高。一个开放问题是:是否存在更高效的采样策略,例如利用 Cox 模型的部分似然结构设计专门的 MCMC 算法?

  6. 与置信分布的连接(扎根于引言中引用的 Singh et al. 2005; Xie & Singh 2013):作者在引言中提到了置信分布作为相关框架,但未讨论本文的 fiducial 分布与置信分布之间的精确关系。一个值得探索的问题是:本文的 fiducial 分布是否也是一个渐近最优的置信分布?两者的差异在何处?


给研究者的提示:若要确认上述问题是否为真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(i) 关于 fiducial 推断在复杂模型中的应用(如 Martin & Liu 的推断模型系列);(ii) 关于 Cox 模型的小样本推断(如 Firth 修正、精确条件推断);(iii) 关于半参数贝叶斯推断的 Bernstein–von Mises 定理(如 Castillo & Rousseau 的工作)。如果这些文献的引言都未提及 fiducial 方法在半参数模型中的空白,那么本文确实是该方向的起点,上述开放问题也更有价值。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论