dp包

数据分析有时需要放宽参数假设,以获得建模的灵活性和针对概率模型错误规范的鲁棒性。在贝叶斯上下文中,这是通过在函数空间上放置一个先验分布来实现的,例如所有概率分布的空间或所有回归函数的空间。不幸的是,分布在函数空间上的后验分布非常复杂,因此采样方法起着关键作用。本文介绍了一个简单而全面的程序集,用于在R,DPpackage中实现一些贝叶斯非参数和半参数模型。目前,DPpackage包括边际和条件密度估计模型、接收器工作特性曲线分析、区间截尾数据、二元回归数据、项目反应数据、使用广义线性混合模型的纵向和集群数据以及使用广义加性模型的回归数据。该软件包还包含计算伪Bayes因子的函数,用于模型比较和获取Dirichlet过程先验的精度参数,以及一个通用的Metropolis采样算法。为了最大限度地提高计算效率,每个模型的实际采样都是使用编译的C、C++或Fortran代码执行的。

这个软件也是同行评审按日记帐JSS公司.


zbMATH中的参考文献(参考 59篇文章 引用,1标准件)

显示第1到第20个结果,共59个。
按年份排序(引用)
  1. Antoniano Villalobos,Isadora;Borgonovo,Emanuele;Lu,Xuefei:概率敏感性测度的非参数估计(2020)
  2. Bianchini,Ilaria;Guglielmi,Alessandra;Quintana,Fernando A.:通过光谱密度法确定的点过程混合物(2020年)
  3. Arbel,Julyan;De Blasi,Pierpaolo;Prünster,Igor:Pitman-Yor过程的随机近似(2019)
  4. Conversano,Claudio;Cannas,Massimo;Mola,Francesco;Sironi,Emiliano:多层次建模中的随机效应聚类:选择合适的分区(2019)
  5. Edwards,Matthew C.;Meyer,Renate;Christensen,Nelson:使用B样条先验的贝叶斯非参数谱密度估计(2019年)
  6. Klein,Nadja;Smith,Michael Stanley:来自贝叶斯正则化回归平滑器的隐式连接词(2019)
  7. Li,Yuelin;Schofield,Elizabeth;Gönen,Mithat:Dirichlet过程混合建模教程(2019)
  8. Seongil Jo;Taeryon Choi;Beomjo Park;Peter Lenk:bsamGP:使用高斯过程先验的贝叶斯光谱分析模型的R包(2019年)不是zbMATH
  9. Shi,Yushu;Martens,Michael;Banerjee,Anjishu;Laud,Purushottam:Dirichlet过程混合模型的低信息综合(LIO)先验知识(2019)
  10. Soriano,Jacopo;Ma,Li:用(\psi)对相关样本进行混合建模-棒断裂和核扰动(2019)
  11. 范德法特,美国农业部:评论:“贝耶斯,甲骨文贝叶斯和经验贝叶斯”(2019)
  12. Das,Priyam;Ghosal,Subhashis:完整数据和网格数据的贝叶斯非参数同时分位数回归(2018)
  13. Hahn,P.Richard;Martin,Ryan;Walker,Stephen G.:关于递归贝叶斯预测分布(2018)
  14. Jo,Youngin;Jo,Seongil;Lee,Yung Seop;Lee,Jaeyong:基于自回归物种抽样模型的贝叶斯时间密度估计(2018年)
  15. Müeller,Peter;Quintana,Fernando A.;Page,Garritt:应用中的非参数贝叶斯推断(2018)
  16. Quinlan,JoséJ.;Page,Garritt L.;Quintana,Fernando A.:使用排斥分布的密度回归(2018年)
  17. Richardson,Robert;Hartman,Brian:医疗索赔建模和预测的贝叶斯非参数回归模型(2018)
  18. Antonio Canale:msBP:使用多尺度Bernstein多项式混合物进行贝叶斯非参数推断的R包(2017)不是zbMATH
  19. Cipolli,William III;Hanson,Timothy:可计算处理的近似和平滑Polia树(2017)
  20. Hong,Liang;Martin,Ryan:贝叶斯渐进法在一般保险应用中的回顾(2017)