Bayesian Inference for Logistic Models Using Pólya–Gamma Latent Variables
利用 Pólya–Gamma 潜变量进行逻辑模型贝叶斯推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用贝叶斯计算与二项似然模型，未明确涉及经济离散选择，故不强行分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用 Pólya–Gamma 潜变量进行逻辑模型贝叶斯推断
- 研究问题
- 如何为二项似然等模型构造便于计算的数据增广方法，使完整贝叶斯后验推断减少对近似、积分及复杂采样步骤的依赖？
- 方法与思路
- 作者构造 Pólya–Gamma 分布族并将其用作潜变量，展示逻辑回归、负二项回归、非线性混合效应及空间计数模型应用。
- 材料陈述的贡献
- 摘要称，增广策略简化后验推断，并在易用性和计算效率上优于所比较的增广方法；相关方法实现于 R 包 BayesLogit。
- 阅读关注点
- 应核对增广恒等关系和条件后验、Pólya–Gamma 采样器的实现，以及计算效率比较是否采用一致精度与收敛标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未提供效率比较细节，软件实现陈述也不代表当前可用状态。
原文摘要
We propose a new data-augmentation strategy for fully Bayesian inference in models with binomial likelihoods. The approach appeals to a new class of Pólya–Gamma distributions, which are constructed in detail. A variety of examples are presented to show the versatility of the method, including logistic regression, negative binomial regression, nonlinear mixed-effect models, and spatial models for count data. In each case, our data-augmentation strategy leads to simple, effective methods for posterior inference that (1) circumvent the need for analytic approximations, numerical integration, or Metropolis–Hastings; and (2) outperform other known data-augmentation strategies, both in ease of use and in computational efficiency. All methods, including an efficient sampler for the Pólya–Gamma distribution, are implemented in the R package BayesLogit. Supplementary materials for this article are available online.