×
宋启凡；程广

通过（t）收缩进行贝叶斯融合估计。 （英语） Zbl 1451.62030

Sankhyá，Ser。A类 82，第2期，353-385（2020）.
摘要：收缩先验在许多数据分析中取得了巨大的成功，但其应用主要集中于稀疏参数的贝叶斯建模。在这项工作中，我们将应用贝叶斯收缩来建模具有未知分块结构的高维参数。我们建议对连续参数输入的差异施加重尾收缩先验，例如，（t）先验，这种融合先验会将连续差异收缩到零，从而导致后验阻塞。与实现拉普拉斯融合先验的传统贝叶斯融合LASSO相比，（t）融合先验具有更强的收缩效应和良好的后验一致性。仿真研究和实际数据分析表明，（t）融合具有优于频率融合估计器和贝叶斯-拉普拉斯融合先验的性能。进一步发展了这种融合策略以进行贝叶斯聚类分析，我们的仿真表明，与经典的Dirichlet过程建模相比，该算法具有更好的性能。

引用于4文件

MSC公司：

2015年1月62日 贝叶斯推断
62J07型 岭回归；收缩估计器（拉索）
62H30型 分类和区分；聚类分析（统计方面）

关键词：

\（t）先收缩；贝叶斯融合；贝叶斯聚类；后部一致性

软件：

AS 177标准
PDF格式BibTeX公司 XML格式引用
\textit{Q.Song}和\textit{G.Cheng}，Sankhyá，Ser。A 82，No.2，353--385（2020；Zbl 1451.62030）
全文： 内政部 arXiv公司

参考文献：

[1] Andrews，D.F.和Mallows，C.L.（1974年）。正态分布的比例混合。英国皇家统计学会杂志，B辑（方法学），99-102·Zbl 0282.62017号
[2] Barron，A.（1998）。贝叶斯性能的信息论表征以及参数和非参数问题中先验值的选择。在J.M.Bernardo，J.Berger，A.Dawid，A.Smith编辑的《贝叶斯统计》6，27-52·Zbl 0974.62020号
[3] JO伯杰；王，X。；Shen，L.，《亚组识别的贝叶斯方法》，《生物医药统计杂志》，24，1，110-129（2014）
[4] 贝当古，B。；罗德里格斯，A。；Boyd，N.，动态二进制网络的贝叶斯融合套索回归，计算与图形统计杂志，26，4，840-850（2017）
[5] Bhattacharya，A。；帕蒂，D。；皮莱，NS；Dunson，DB，Dirichlet-laplace priors for optimal restrict，Journal of the American Statistical Association，110，1479-1490（2015年）·Zbl 1373.62368号
[6] 卡瓦略，CM；Polson，NG；Scott，JG，稀疏信号的马蹄形估计器，Biometrika，97，465-480（2010）·Zbl 1406.62021号
[7] 卡斯蒂略，I。；van der Vaart，A.，《干草堆中的针头和稻草：可能稀疏序列的后向浓度》，《统计年鉴》，40，4，2069-2101（2012）·Zbl 1257.62025号
[8] Castillo，I.、Schmidt-Hieber，J.和van der Vaart，A.W.（2015）。稀疏先验贝叶斯线性回归。《1986-2018年统计年鉴》·Zbl 1486.62197号
[9] 陈，J。；Chen，Z.，《大模型空间模型选择的扩展贝叶斯信息准则》，Biometrika，95759-771（2008）·Zbl 1437.62415号
[10] 陈，J。；Chen，Z.，小n大p稀疏glm的扩展bic，《统计》，22，555-574（2012）·Zbl 1238.62080号
[11] 范，J。；Li，R.，《基于非一致惩罚似然的变量选择及其预言性质》，美国统计协会杂志，961348-1360（2001）·Zbl 1073.62547号
[12] Ghosal，S。；Ghosh，JK；Van Der Vaart，AW，后验分布的收敛率，统计年鉴，28，2，500-531（2000）·Zbl 1105.62315号
[13] Ghosal、Subhashis；Van Der Vaart，AW，非iid观测的后验分布收敛率，统计年鉴，35，1，192-223（2007）·Zbl 1114.62060号
[14] 哈恩，公共关系部；Carvalho，CM，《贝叶斯线性模型中的解耦收缩和选择：后验总结视角》，美国统计协会杂志，110，435-448（2015）·Zbl 1373.62036号
[15] Heller，K.A.和Ghahramani，Z.（2005年）。贝叶斯层次聚类。第22届机器学习国际会议论文集，297-304。
[16] Ishwaran，H.和Rao，J.S.（2005年）。尖峰和平板变量选择：频率和贝叶斯策略。《统计年鉴》，730-773·兹比尔1068.62079
[17] 江伟，高维广义线性模型的贝叶斯变量选择：拟合密度的收敛速度，统计年鉴，351487-1511（2007）·Zbl 1123.62026号
[18] 约翰逊，VE；Rossel，D.，高维环境中的贝叶斯模型选择，《美国统计协会杂志》，107649-660（2012）·Zbl 1261.62024号
[19] Johnstone，IM，《高维bernstein von mises：简单例子》，数理统计研究所，第6期，第87期（2010年）
[20] Ke，Z.T.，Fan，J.和Wu，Y.（2015a）。追求同质性。《美国统计协会杂志》110，509，175-194·Zbl 1373.62345号
[21] Ke，Z.T.，Fan，J.和Wu，Y.（2015b）。追求同质性。《美国统计协会杂志》110，175-194·Zbl 1373.62345号
[22] Kleijn，B.J.K.，van der Vaart，A.W.等人（2006年A）。无限维贝叶斯统计中的错误规范。统计年鉴34，2837-877·Zbl 1095.62031号
[23] Kleijn，B.J.K.和van der Vaart，A.W.（2006年B）。无限维贝叶斯统计中的错误规范。统计年鉴34837-877·Zbl 1095.62031号
[24] Kyung，M。；吉尔·J。；戈什，M。；Casella，G.，惩罚回归、标准误差和贝叶斯套索，贝叶斯分析，5，2，369-411（2010）·Zbl 1330.62289号
[25] Laurent，B.和Massart，P.（2000年）。通过模型选择对二次函数进行自适应估计。《统计年鉴》，1302-1338·Zbl 1105.62328号
[26] 李，H。；Pati，D.，使用收缩先验的变量选择，计算统计与数据分析，107，107-119（2017）·Zbl 1466.62135号
[27] Li，Furong和Sang，Huiyan（2018）。大型数据集回归系数的空间均匀性追求。《美国统计协会杂志》，（刚刚被接受），1-37·Zbl 1428.62212号
[28] 梁，F。；宋，Q。；Yu，K.，高维广义线性模型的贝叶斯子集建模，美国统计协会杂志，108589-606（2013）·Zbl 06195963号
[29] Liu，J.、Yuan，L.和Ye，J.（2010）。一类融合套索问题的有效算法。第16届ACM SIGKDD知识发现和数据挖掘国际会议论文集，323-332。
[30] 马，S。；Huang，J.，《分组分析的凹成对融合方法》，《美国统计协会杂志》，第112、517、410-423页（2017年）
[31] Mozeika，A.和Coolen，A.（2018年）。贝叶斯聚类的平均场理论。arXiv:1709.01632。
[32] Narisetty，神经网络；He，X.，具有收缩和扩散先验的贝叶斯变量选择，《统计年鉴》，42，2789-817（2014）·Zbl 1302.62158号
[33] Neal，RM，dirichlet过程混合模型的马尔可夫链抽样方法，计算和图形统计杂志，9，2，249-265（2000）
[34] 帕克，T。；Casella，G.，《贝叶斯套索》，《美国统计协会杂志》，103，681-686（2008）·Zbl 1330.62292号
[35] Rinaldo，A.，《融合套索的特性和改进》，《统计年鉴》，37，5，2922-2952（2009）·Zbl 1173.62027号
[36] Robbins，H.（1985）。统计的经验贝叶斯方法。《赫伯特·罗宾斯文选》，41-47页。
[37] 罗伊斯顿，JP，《177算法：预期正态顺序统计（精确和近似）》，英国皇家统计学会杂志。C系列（应用统计学），31，2，161-165（1982）
[38] Scott，J.G.和Berger，J.O.（2010年）。变量选择问题中的贝叶斯和经验贝叶斯多重性调整。《统计年鉴》，2587-2619年·Zbl 1200.62020年
[39] 沈，X。；Huang，H-C，通过正则化解曲面的分组追求，美国统计协会杂志，105，727-739（2012）·Zbl 1392.62192号
[40] Shimamura，K.、Ueki，M.、Kawano，S.和Konishi，S.（2018年）。基于负分布的贝叶斯广义融合套索建模。统计学中的传播——理论和方法，1-23。
[41] Song，Q.和Liang，F.（2014）。超高维回归的分裂合并贝叶斯变量选择方法。英国皇家统计学会杂志，B辑，出版中。
[42] Song，Q.和Liang，F.（2017）。高维回归的近似最优贝叶斯收缩。arXiv:1712.08964。
[43] Tang，X.，Xu，X.、Ghosh，M.和Ghosh、P.（2016）。基于全局局部收缩先验的贝叶斯变量选择和估计。arXiv:1605.07981。
[44] Tibshirani，R.，《通过套索进行回归收缩和选择》，《皇家统计学会杂志》，B辑，58267-288（1996）·Zbl 0850.62538号
[45] Tibshirani，R。；桑德斯，M。；Rosset，S。；Ji，Z。；K.奈特，《通过融合套索实现的稀疏与平滑》，《皇家统计学会杂志：B辑（统计方法）》，67，1，91-108（2005）·Zbl 1060.62049号
[46] Tibshirani，R。；Wang，P.，使用融合套索对cgh数据进行空间平滑和热点检测，生物统计学，9，1，18-29（2007）·Zbl 1274.62886号
[47] van der Geer，S.和Bühlmann，P.（2011）。高维数据方法、理论和应用统计学。统计中的春季系列，施普林格·Zbl 1273.62015年
[48] van der Pas，S.L.、Szabo，B.和van der Vaart，A.（2017年）。马蹄铁的自适应后收缩率。arXiv:1702.03698·Zbl 1373.62140号
[49] 韦德，S。；Ghahramani，Z.，《贝叶斯聚类分析：点估计和可信球》，贝叶斯分析，13559-626（2018）·Zbl 1407.62241号
[50] Xu，Z.、Schmidt，D.F.、Makalic，E.、Qian，G.和Hopper，J.L.（2017）。分组变量的贝叶斯稀疏全局局部收缩回归。arXiv:1709.04333。
[51] Yang，Y.，Wainwright，M.J.和Jordan，M.I.（2015）。关于高维贝叶斯变量选择的计算复杂性。《统计年鉴》正在出版·Zbl 1359.62088号
[52] Zhang，C-H，最小最大凹惩罚下的几乎无偏变量选择，统计年鉴，38894-942（2010）·Zbl 1183.62120号
[53] Zou，H.，自适应套索及其预言属性，美国统计协会杂志，1011418-1429（2006）·Zbl 1171.62326号
[54] 佐布科夫，AM；Serov，AA，二项式分布函数普遍不等式的完整证明，概率论及其应用，57539-544（2013）·Zbl 1280.60016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。