摘要

当模型空间很大时,普通的贝叶斯信息准则对于模型选择来说过于宽松。本文重新审视了贝叶斯模型选择范式,并提出了一个扩展的贝叶斯信息准则族,它同时考虑了未知参数的数量和模型空间的复杂性。建立了它们的一致性,特别是允许协变量的数量随样本大小增加到无穷大。通过仿真研究评估了它们在各种情况下的性能。结果表明,扩展的贝叶斯信息准则在正选择率方面损失很小,但在许多应用中都能严格控制错误发现率。扩展的贝叶斯信息准则对于中等样本量但有大量协变量的问题中的变量选择非常有用,特别是在全基因组关联研究中,这是目前遗传学研究中的一个活跃领域。

此内容仅以PDF格式提供。
您当前没有访问此文章的权限。