×
雷·白;马来语Ghosh

关于高维贝叶斯回归模型中尺度参数的贝塔素数先验。 （英语） Zbl 1470.62103号

统计正弦。 31,2号，843-865（2021）.
摘要：我们研究了一个高维贝叶斯线性回归模型，其中尺度参数遵循一般贝塔素数分布。在稀疏性假设下，我们证明了在β素数先验中适当选择超参数会导致当（p\ggn）时的（近）极小极大后验收缩率。对于有限样本，我们提出了一种基于边际最大似然（MML）的数据自适应超参数估计方法。这使得我们的先验能够适应稀疏和稠密设置，并且在我们提出的经验贝叶斯程序下，MML估计永远不会崩溃为零。我们为我们的模型推导了一个有效的蒙特卡罗期望最大化（EM）和变分EM算法，可在对包裹普通BetaPrime对基因表达数据集的模拟和分析表明，我们的模型对不同程度的稀疏性和信号强度具有自适应性。

引用于5文件

MSC公司：

62J05型 线性回归；混合模型
2015年1月62日 贝叶斯推断
62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

β素密度;经验贝叶斯;高维数据;后收缩;正态分布的比例混合

软件：

格尔姆奈特;EBayesThresh公司;普通BetaPrime
PDF格式BibTeX公司 XML格式引用
\textit{R.Bai}和\textit{M.Ghosh}，Stat.Sin。31，编号2，843--865（2021；Zbl 1470.62103）

参考文献：

[1] Armagan，A.、Clyde，M.和Dunson，D.B.（2011年）。高斯广义β混合物。神经信息处理系统进展24，523-531。
[2] Armagan，A.、Clyde，M.和Dunson，D.B.（2013年）。广义双帕累托收缩率。中国统计23，119-143·Zbl 1259.62061号
[3] Bai，R.和Ghosh，M.（2019年）。正态beta素数先验的大尺度多重假设检验。统计53，1210-1233·Zbl 1435.62267号
[4] Bhattacharya，A.、Chakraborty，A.和Mallick，B.K.（2016）。高维回归中高斯混合先验的快速采样。生物特征103，985-991。
[5] Bhattacharya，A.、Pati，D.、Pillai，N.S.和Dunson，D.B.（2015）。Dirichlet-Laplace优先考虑最佳收缩。《美国统计协会杂志》110，1479-1490·Zbl 1373.62368号
[6] Carvalho，C.M.、Polson，N.G.和Scott，J.G.（2009年）。通过马蹄铁处理稀疏。第十二届国际人工智能与统计会议论文集，PMLR 5，73-80。
[7] Carvalho，C.M.、Polson，N.G.和Scott，J.G.（2010年）。稀疏信号的马蹄形估计器。生物特征97，465-480·Zbl 1406.62021号
[8] Casella，G.（2001年）。经验贝叶斯-吉布斯抽样。生物统计学2485-500·兹比尔1097.62505
[9] Castillo，I.、Schmidt-Hieber，J.和van der Vaart，A.（2015）。稀疏先验贝叶斯线性回归。《统计年鉴》第43期，1986-2018年·Zbl 1486.62197号
[10] Datta，J.和Ghosh，J.K.（2013）。马蹄形先验贝叶斯风险的渐近性质。贝叶斯分析8111-132·Zbl 1329.62122号
[11] Dobriban，E.和Fan，J.（2016）。稀疏回归的正则性。数学与统计传播4，1-19·Zbl 1341.62212号
[12] Fan，J.和Li，R.（2001）。通过非冲突惩罚似然及其oracle属性进行变量选择。《美国统计协会杂志》96，1348-1360·Zbl 1073.62547号
[13] Friedman，J.、Hastie，T.和Tibshirani，R.（2010）。广义线性模型的坐标下降正则化路径。《统计软件杂志》33，1-22。
[14] George，E.和Foster，D.P.（2000年）。校准和经验贝叶斯变量选择。生物特征87，731-747·Zbl 1029.62008号
[15] Ghosal，S.、Ghosh，J.K.和van der Vaart，A.W.（2000）。后验分布的收敛速度。统计年鉴28500-531·兹比尔1105.62315
[16] Griffin，J.E.和Brown，P.J.（2010）。回归问题中正态伽马先验分布的推断。贝叶斯分析5171-188·Zbl 1330.62128号
[17] Hahn，P.R.和Carvalho，C.M.（2015）。贝叶斯线性模型中的解耦收缩和选择：后验总结视角。美国统计协会杂志110，435-448·Zbl 1373.62036号
[18] Johndrow，J.、Orenstein，P.和Bhattacharya，A.（2020年）。马蹄形先验的可缩放近似MCMC算法。机器学习研究杂志21，1-61·Zbl 1499.62244号
[19] Johnson，V.E.和Rossell，D.（2012年）。高维环境中的贝叶斯模型选择。美国统计协会杂志107，649-660·Zbl 1261.62024号
[20] Johnstone，I.M.和Silverman，B.W.（2004）。干草堆中的针和稻草：可能稀疏序列的经验Bayes估计。《统计年鉴》32，1594-1649·兹比尔1047.62008
[21] Leday，G.G.R.、de Gunst，M.C.M.、Kpogbezan，G.B.、van der Vaart，A.W.、van Wieringen，W.N.和van de Wiel，M.A.（2017）。使用全局局部收缩先验重建基因网络。应用统计年鉴11，41-68·Zbl 1366.62227号
[22] Martin，R.，Mess，R.和Walker，S.G.（2017年）。稀疏高维线性模型中的经验Bayes后验浓度。伯努利231822-1847·Zbl 1450.62085号
[23] Narisetty，N.N.和He，X.（2014）。具有收缩和扩散先验的贝叶斯变量选择。《统计年鉴》42789-817·Zbl 1302.62158号
[24] Park，T.和Casella，G.（2008）。贝叶斯拉索。《美国统计协会杂志》103，681-686·兹比尔1330.62292
[25] 佩雷斯，M.-E.，佩里奇，L.R.和拉米雷斯，I.C.（2017）。标度beta2分布作为标度的稳健先验。贝叶斯分析12615-637·Zbl 1384.62048号
[26] Polson，N.G.和Scott，J.G.（2010年）。全球收缩，局部行动：稀疏贝叶斯正则化和预测。贝叶斯统计9，501-538。
[27] Polson，N.G.和Scott，J.G.（2012年）。关于全局尺度参数的半柯西先验。贝叶斯分析7887-902·Zbl 1330.62148号
[28] Raskutti，G.、Wainwright，M.J.和Yu，B.（2011年）。q球上高维线性回归的最小极大估计率。IEEE信息理论汇刊57，6976-6994·Zbl 1365.62276号
[29] Rocková，V.和George，E.I.（2018年）。尖刺拉索。《美国统计协会杂志》113，431-444·Zbl 1398.62186号
[30] Rossell，D.和Telesca，D.（2017年）。高维估计的非局部先验。《美国统计协会杂志》112，254-265。
[31] Rousseau，J.和Szabó，B.（2017）。与最大边际似然估计相关的经验Bayes后验函数的渐近行为。《统计年鉴》45，833-865·Zbl 1371.62048号
[32] Scheetz，T.E.、Kim，K.-Y.A.、Swiderski，R.E.、Philp，A.R.、Braun，T.A.、Kudtson，K.L.、Dorrance，A.M.、DiBona，G.F.、Huang，J.、Casavant，T.L.、Sheffield，V.C.和Stone，E.M.（2006）。哺乳动物眼睛中基因表达的调节及其与眼病的相关性。《美国国家科学院院刊》103，14429-14434。
[33] Scott，J.G.和Berger，J.O.（2010年）。变量选择问题中的贝叶斯和经验贝叶斯多重性调整。《统计年鉴》38，2587-2619·Zbl 1200.62020年
[34] Shin，M.、Bhattacharya，A.和Johnson，V.E.（2018年）。超高维设置中使用非局部先验密度的可缩放贝叶斯变量选择。中国统计局281053-1078·Zbl 1390.62125号
[35] Song，Q.和Liang，F.（2017）。高维回归的近似最优贝叶斯收缩。ArXiv预打印ArXiv:1712.08964。
[36] Sparks，D.K.、Khare，K.和Ghosh，M.（2015）。g-priors下高维后验一致性的充要条件。贝叶斯分析10627-664·Zbl 1335.62066号
[37] Spiegelhalter，D.J.、Best，N.G.、Carlin，B.P.和van der Linde，A.（2002）。模型复杂性和拟合的贝叶斯度量。《皇家统计学会杂志：B辑（统计方法）》64，583-639·Zbl 1067.62010年
[38] Tiao，G.C.和Tan，W.Y.（1965年）。贝叶斯分析中随机效应模型的方差分析。I.方差分量的后验分布。生物特征52、37-54·Zbl 0144.42204号
[39] Tibshirani，R.（1996）。通过拉索回归收缩和选择。英国皇家统计学会杂志：B辑（统计方法）58，267-288·Zbl 0850.62538号
[40] van der Pas，S.、Salomond，J.-B.和Schmidt-Hieber，J.（2016）。稀疏正态均值问题的后验压缩条件。电子统计杂志10，976-1000·Zbl 1343.62012年
[41] van der Pas，S.、Szabó，B.和van der Vaart，A.（2017年）。马蹄铁的自适应后收缩率。《电子统计杂志》11，3196-3225·Zbl 1373.62140号
[42] Yang，Y.，Wainwright，M.J.和Jordan，M.I.（2016）。关于高维贝叶斯变量选择的计算复杂性。《统计年鉴》44，2497-2532·Zbl 1359.62088号
[43] Zhang，C.-H.（2010）。极小极大凹惩罚下的几乎无偏变量选择。《统计年鉴》38，894-942·Zbl 1183.62120号
[44] 邹华（2006）。自适应Lasso及其oracle属性。美国统计协会期刊101，1418-1429·Zbl 1171.62326号
[45] Zou，H.和Hastie，T.（2005）。通过弹性网进行规则化和变量选择。英国皇家统计学会杂志：B辑（统计方法）67，301-320。雷·白·Zbl 1069.62054号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。