电磁阀

R包EMVS:贝叶斯变量选择的期望最大化方法。一种用于拟合线性回归的Bayesian-spike和slab正则化路径的有效期望最大化算法。Rockova和George(2014年)<doi:10.1080/01621459.2013.869223>。


zbMATH中的参考文献(引用于 28篇文章,1标准件)

显示第1到第20个结果,共28个。
按年份排序(引用)
  1. Dufays,Arnaud;Rombouts,Jeroen V.K.:结构突变模型中的相关参数变化(2020年)
  2. Posch,Konstantin;Arbeiter,Maximilian;Pilz,Juergen:线性回归模型中变量选择的新贝叶斯方法(2020)
  3. Hélène Ruffieux;Davidon,Anthony C.;Hager,Jörg;Inshaw,Jamie;Fairfax,Benjamin P.;Richardson,Sylvia;Bottolo,Leonardo:多响应回归中检测热点的全球-局部方法(2020年)
  4. De Wiel,Mark A.van;Te Beest,Dennis E.;Münch,Magnus M.:从大量中学习:基于高维模型预测的经验贝叶斯(2019)
  5. Gan,Lingrui;Narisetty,Naveen N.;Liang,Feng:不等收缩图形模型的贝叶斯正则化(2019)
  6. Gutiérrez,Luis;Barrientos,Andres F.;González,Jorge;Taylor Rodríguez,Daniel:用于比较几种治疗与对照组的贝叶斯非参数多重测试程序(2019年)
  7. Moran,Gemma E.;Ročková,Veronika;George,Edward I.:高维贝叶斯变量选择的方差先验形式(2019)
  8. Narisetty,Naveen N.;Shen,Juan;He,Xuming:Skinny Gibbs:一种用于模型选择的一致且可扩展的Gibbs采样器(2019年)
  9. Ning,Bo;Ghosal,Subhashis;Thomas,Jewell:空间相关多元时间序列因果推断的贝叶斯方法(2019)
  10. Ni,Yang;Stingo,Francesco C.;Balandayuthapani,Veerabhadran:贝叶斯图形回归(2019)
  11. 张春霞;徐爽;张江社:logistic回归模型中变量选择的一种新的变分贝叶斯方法(2019)
  12. Consonni,Guido;Fouskakis,Dimitris;Liseo,Brunero;Ntzoufras,Ioannis:客观贝叶斯分析的先验分布(2018)
  13. 杜兴琪;Ghosal,Subhashis:使用高维预测因子的贝叶斯判别分析(2018)
  14. Fouskakis,Dimitris;Ntzoufras,Ioannis;Perrakis,Konstantinos:广义线性模型的预期后验概率(2018)
  15. Linero,Antonio R.:用于高维预测和变量选择的贝叶斯回归树(2018)
  16. Miranda,Michelle F.;Zhu,Hongtu;Ibrahim,Joseph G.:TPRM:张量分区回归模型及其在成像生物标志物检测中的应用(2018)
  17. Ročková,Veronika:具有连续尖峰和平板先验的稀疏信号的贝叶斯估计(2018)
  18. Ročková,Veronika:用于变量选择的粒子EM(2018)
  19. 罗契科娃(Ročková),维罗尼卡(Veronika);乔治(George),爱德华一世(Edward I.):钉子和板子套索(2018)
  20. Yu,Cheng Han;Prado,Raquel;Ombao,Hernando;Rowe,Daniel:贝叶斯变量选择方法提高了从复杂值功能磁共振成像(fMRI)中检测大脑激活的效果(2018年)