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。
本文研究了线性回归中标准贝叶斯变量选择先验的多重校正效应。我们的第一个目标是阐明在贝叶斯分析中,多重性校正是何时以及如何自动发生的,并将这种校正与贝叶斯-奥克姆-拉索效应区分开来。我们的第二个目标是通过实例、理论结果和模拟,对比经验贝叶斯和完全贝叶斯方法对变量选择的影响。发现这两种方法之间存在很大差异。特别地,我们证明了一个定理,该定理表征了完全贝叶斯和经验贝叶斯之间令人惊讶的无显著性差异。这种差异产生于不同的来源,而不是未能解释经验贝叶斯估计中的超参数不确定性。事实上,即使在极端情况下,当经验贝叶斯估计渐近收敛于真实的可变包含概率时,仍然存在严重差异的可能性。
詹姆斯·斯科特。 詹姆斯·伯杰(James O.Berger)。 “变量选择问题中的贝叶斯和经验贝叶斯多重性调整。” 安。统计师。 38 (5) 2587 - 2619, 2010年10月。 https://doi.org/10.1214/10-AOS792