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。
贝叶斯变量选择最近在各种应用中取得了很大的经验成功K(K)解释变量$(x_1,\ldots,x_K)$可能比样本大小$n$大得多。对于广义线性模型,如果大多数$x_j$对响应$y$的影响很小,我们表明可以使用贝叶斯变量选择来减少因维数灾难$K\gg n$引起的过拟合。在这种方法中,可以使用合适的先验值从许多$x_j$中选择几个来建模$y$,以便后验值将提出在某种意义上“通常接近”真实密度$p^*$的概率密度$p$。接近性可以用$p$和$p^*$之间的Hellinger距离来描述,该距离的幂非常接近$n^{-1/2}$,这是对应于低维情况的“有限维速率”。这些发现扩展了Jiang[Technical Report 05-02(2005)Department Statistics,Northwestern Univ.]最近关于二进制分类贝叶斯变量选择一致性的一些工作。
姜文新。 “高维广义线性模型的贝叶斯变量选择:拟合密度的收敛速度。” 安。统计师。 35 (4) 1487 - 1511, 2007年8月。 https://doi.org/10.1214/00905360700000019