博鳌亚洲论坛

混合数据的贝叶斯高斯copula因子模型包。高斯因子模型已被证明是广泛有用的,以节省的特点,在多元数据的相关性。有大量的文献将其扩展到混合的分类变量和连续变量,使用潜在的高斯变量或通过适应指数族测量的广义潜在特征模型。然而,当推广到非高斯测量变量时,潜在变量通常会影响相关结构和边际分布的形式,使解释复杂化并引入伪影。为了解决这一问题,我们提出了一类新的贝叶斯高斯copula因子模型,该模型将潜在因子与边际分布解耦。一个基于扩展秩似然的边缘半参数规范可以得到直接的实现和大量的计算增益。我们为在贝叶斯推理中使用这种可能性提供了新的理论和实证依据。我们提出了新的因子载荷的默认先验,并开发了有效的参数扩展Gibbs抽样用于后验计算。通过仿真对这些方法进行了评估,并将其应用于政治科学中的一个数据集。本文中的模型在R包bfa中实现(可从{ithttp://stat.duke.edu/jsm38/software/bfa}获得)。这篇文章的补充材料可以在网上找到。


zbMATH中的参考文献(参考 20篇文章 参考,1标准件)

显示第1到第20个结果,共20个。
按年份排序(引用)

  1. Lee,Woojoo;Kim,Jeonghwan;Ahn,Jae Youn:经验费率制定的泊松随机效应模型:限制和替代解决方案(2020)
  2. Bashir,Amir;Carvalho,Carlos M.;Hahn,P.Richard;Jones,M.Beatrix:对精度矩阵进行后处理以生成稀疏图估计值(2019年)
  3. Cui,Ruifei;Bucur,Ioan Gabriel;Groot,Perry;Heskes,Tom:基于缺失值混合数据的潜在变量建模的新贝叶斯方法(2019年)
  4. Cui,Ruifei;Groot,Perry;Heskes,Tom:使用高斯copula模型从缺失值的混合数据中学习因果结构(2019)
  5. Gunawan,D.;Tran,M.-N.;Suzuki,K.;Dick,J.;Kohn,R.:具有离散和混合边界的高维阿基米德copulas的计算有效贝叶斯估计(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. 多元线性混合因子分析法(Maleith Wrash analyzer,2019年Maleris混合因子分析法;Maleith-Darsen多元混合模型)
  8. Way,Hans;Stark,Florian;Wied,Dominik:因子copula模型中的结构断裂测试(2019年)
  9. Müller,Dominik;Czado,Claudia:vine copulas和图形套索的超高维相关性建模(2019)
  10. Edgar Merkle;Yves Rosseel:blavaan:通过参数扩展的贝叶斯结构方程模型(2018)不是zbMATH
  11. Zhao,Shiwen;Engelhardt,Barbara E;Mukherjee,Sayan;Dunson,David B.:广义潜在Dirichlet模型的快速矩估计(2018)
  12. 基于Vincent-Marchierna的Gaussian-Bieckle模型(基于Vincent-Marchierna的高斯聚类;基于Vincent-Matthewan-Biecku数据)
  13. 孙洁环;沃伦,乔舒亚L.;赵宏宇:用于亚型识别的贝叶斯半参数因子分析模型(2017)
  14. Gray Davies,Tristan;Holmes,Chris C.;Caron,François:通过条件秩的Plackett-Luce模型进行可伸缩贝叶斯非参数回归(2016)
  15. McParland,Damien;Gormley,Isobel Claire:基于模型的混合数据聚类:clustMD(2016)
  16. Creal,Drew D.;Tsay,Ruey S.:高维动态随机copula模型(2015)
  17. 雅各布,Stöber;Hong,Hyokyong Grace;Czado,Claudia;Ghosh,Pulak:老年人慢性疾病的共病:混合反应的copula设计识别的模式(2015)
  18. McParland,Damien;Gormley,Isobel Claire;McCormick,Tyler H.;Clark,Samuel J.;Kabudula,Chodziwa Whiteson;Collinson,Mark A.:使用潜在变量模型根据资产状况对南非家庭进行聚类(2014年)
  19. Gruhl,Jonathan;Erosheva,Elena A.;Crane,Paul K.:混合结果潜在变量模型的半参数方法:估计认知和区域脑容量之间的关联(2013)
  20. Murray,Jared S.;Dunson,David B.;Carin,Lawrence;Lucas,Joseph E.:混合数据的贝叶斯高斯copula因子模型(2013)