摘要
我们考虑了高斯线性回归中模型选择的贝叶斯方法,其中预测因子的数量可能远大于观测值的数量。从频率学家的角度来看,所提出的方法导致了惩罚最小二乘估计,其复杂度惩罚与模型大小的先验相关。我们研究了结果模型选择器的最优性。对于“近正交”和“多重共线性”设计,我们建立了预言不等式,并在先验值上指定了条件,暗示其在广泛的稀疏和稠密设置中的渐近极小性。
引用
下载引文
费利克斯·阿布拉莫维奇。
瓦迪姆·格林斯坦(Vadim Grinshtein)。
“高斯回归中的MAP模型选择。”
电子。J.统计学家。
4
932 - 949,
2010
https://doi.org/10.1214/10-EJS573
问询处
发布时间:2010年
首次在欧几里得项目中提供:2010年9月24日
数字对象标识符:10.1214/10-EJS573
学科:
主要用户:62C99个
次要:62C10、62C20、62G05
关键词:适应性,复杂性惩罚,高斯线性回归,最大后验规则,极小极大估计,型号选择,Oracle不平等,稀疏度
权利:版权所有©2010数学统计研究所和伯努利学会