2022年2月，我院数据科学系韩子非讲师在国际权威期刊《Journal of Statistical Planning and Inference》上发表论文《Normalized power prior Bayesian analysis》。

内容摘要：基于历史数据的可用性的幂先验的引出是通过将历史数据的似然函数提高到分数幂来实现的，该分数幂量化了历史信息在对当前数据进行推断时的贴现程度。当没有预先指定并且被视为随机时，可以使用贝叶斯更新范式从数据中估计。然而，在联合幂先验贝叶斯方法的原始形式中，当采用不同的充分统计量时，将改变具有不同常数的功率先验，因此违反似然原则。在本文中，我们研究了一种归一化功率先验方法，它遵循似然原理，是联合功率先验的一种改进形式。在最小化加权 Kullback-Leibler 散度的意义上，我们研究了归一化功率先验的最优性。通过推导几个常用分布的后验，我们表明历史数据和当前数据之间的差异可以通过归一化功率先验设置下的功率参数量化。我们还提出了计算比例因子的有效算法。此外，我们通过三个数据示例说明了归一化功率先验贝叶斯分析的使用。