×
曹、宣；克什提吉·哈雷；马来语Ghosh

回归中分层非局部先验的高维后验一致性。 （英语） Zbl 1437.62253号

贝叶斯分析。 15，第1期，241-262（2020年）.
摘要：贝叶斯变量选择中调谐参数的选择是现代统计学中的一个关键问题。特别是，对于具有非局部先验的贝叶斯线性回归，非局部先例密度中的尺度参数是一个重要的调整参数，它反映了非局部先兆密度在零附近的分散性，并隐式地决定了回归系数的大小，这些系数将缩小到零。当前的方法将尺度参数视为给定参数，并基于先前的覆盖/渐近考虑提出选择建议。在本文中，我们考虑了[H.-H.Wu先生，广义线性模型和广义线性混合模型中贝叶斯变量选择的非局部先验及其在生物数据中的应用。博士论文。密苏里大学（2016；数字对象标识代码：10.32469/10355/56998)]用pMOM非局部先验和适当的逆Gamma先验对调谐参数进行理论分析。在标准正则性假设下，我们在高维设置中建立了强大的模型选择一致性，其中允许以多项式速率增加\（n），甚至以次指数速率增加\。通过仿真研究，我们证明，在一系列仿真设置中，我们的模型选择过程可以优于其他贝叶斯方法，这些方法将尺度参数视为给定参数，并且通常使用惩罚似然方法。

引用于1审查
引用于5文件

MSC公司：

62J05型 线性回归；混合模型
62J07型 岭回归；收缩估计器（拉索）
62甲12 多元分析中的估计

关键词：

后部一致性；高维数据；非局部先验；型号选择；多元回归

软件：

格尔姆奈特
PDF格式BibTeX公司 XML格式引用
\textit{X.Cao}等人，贝叶斯分析。15，第1号，241--262（2020；Zbl 1437.62253）
全文： 内政部 arXiv公司 欧几里得

参考文献：

[1] 卞毅（Bian，Y.）和吴海华（Wu，H.-H.）（2017）。“关于非局部先验方法的注释”，arXiv:1702.07778。
[2] Cao，X.、Khare，K.和Ghosh，M.（2019年）。“高维贝叶斯DAG模型的后验图选择和估计一致性”，《统计学年鉴》，47（1）：319-348·Zbl 1417.62140号 ·doi:10.1214/18-AOS1689
[3] Cao，X.、Khare，K.和Ghosh，M.（2019年）。“回归中分层非局部先验的高维后验一致性”的补充材料贝叶斯分析。
[4] Castillo，I.、Schmidt-Hieber，J.和van der Vaart，A.（2015）。“具有稀疏先验的贝叶斯线性回归”，《统计年鉴》，43:1986-2018·Zbl 1486.62197号 ·doi:10.1214/15-AOS1334
[5] Fan，J.和Li，R.（2001）。“通过非确认惩罚可能性及其Oracle属性进行变量选择”，《美国统计协会期刊》，96:1348-1360·Zbl 1073.62547号 ·doi:10.1198/016214501753382273
[6] Friedman，J.、Hastie，T.和Tibshirani，R.（2010）。“通过坐标下降广义线性模型的正则化路径”，《统计软件杂志》，文章，33（1）：1-22。
[7] George，E.I.和McCulloch，R.E.（1993）。“通过吉布斯抽样进行变量选择”，《美国统计协会期刊》，88:881-889。
[8] Ishwaran，H.、Kogalur，U.B.和Rao，J.S.（2005）。“尖峰和平板变量选择：频繁和贝叶斯策略”，《统计年鉴》，33:730-773·兹比尔1068.62079 ·doi:10.1214/09053604000001147
[9] Johnson，V.和Rossell，D.（2010年）。《贝叶斯假设检验假设中非局部先验密度的使用》，《皇家统计学会杂志》。B系列，72:143-170·Zbl 1411.62019年 ·文件编号：10.1111/j.1467-9868.2009.00730.x
[10] Johnson，V.和Rossell，D.（2012年）。“高维环境下的贝叶斯模型选择”，《美国统计协会杂志》，107:649-660·Zbl 1261.62024号 ·doi:10.1080/01621459.2012.682536
[11] Liang，F.、Paulo，R.、Molina，G.、Clyde，A.M.和Berger，O.J.（2008年）。“贝叶斯变量选择的（g）先验混合”，《美国统计协会期刊》，103:410-423·Zbl 1335.62026号 ·doi:10.1198/0162145000001337
[12] Narisetty，N.和He，X.（2014）。“具有收缩和扩散先验的贝叶斯变量选择”，《统计年鉴》，42:789-817·Zbl 1302.62158号 ·doi:10.1214/14-AOS1207
[13] Rossell，D.和Telesca，D.（2017年）。“高维估计的非局部先验”，《美国统计协会杂志》，112（517）：254-265。
[14] Rossell，D.、Telesca，D.和Johnson，V.E.（2013年）。《使用非局部先验的高维贝叶斯分类器》，《数据分析统计模型》。海德堡：施普林格国际出版公司。
[15] Shin，M.、Bhattacharya，A.和Johnson，V.（2018年）。“超高维设置中使用非局部先验密度的可缩放贝叶斯变量选择”，《统计学》。Sinica，28:1053-1078·Zbl 1390.62125号
[16] Song，Q.和Liang，F.（2015）。“具有交互\（L_1\）-正则化的高维变量选择”，《美国统计协会杂志》，110:1607-1620·Zbl 1373.62358号 ·doi:10.1080/01621459.2014.984812
[17] Tibshirani，R.（1996）。《通过拉索进行回归收缩和选择》，《皇家统计学会杂志》。B系列，58:267-288·Zbl 0850.62538号 ·doi:10.1111/j.2517-6161.1996.tb02080.x
[18] 吴海华（2016）。“广义线性模型和广义线性混合模型中贝叶斯变量选择的非局部先验及其在生物数据中的应用”，密苏里大学博士论文。
[19] Yuan，M.和Lin，Y.（2005）。“线性模型中有效的经验贝叶斯变量选择和估计”，《美国统计协会杂志》，100（472）：1215-1225·Zbl 1117.62453号 ·doi:10.1198/0162145005000367
[20] Zellner，A.（1986年）。“关于评估先验分布和使用g-先验分布的贝叶斯回归分析”，贝叶斯推断和决策技术，贝叶斯计量经济学统计研究。，6: 233-243. ·Zbl 0655.62071号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。