Bayesian Approaches to Shrinkage and Sparse Estimation
收缩与稀疏估计的贝叶斯方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确列出 VAR、因子模型和处理效应中的混杂变量选择作为应用案例，选取这三个有直接文本依据的方向。
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…
关注这篇论文的作者
收缩与稀疏估计的贝叶斯方法
- 研究问题
- 在高维和复杂计量模型中，如何通过贝叶斯先验实现参数收缩与变量选择，并理解不同计算方法及其不确定性量化的取舍？
- 方法与思路
- 作者从线性回归中的收缩与稀疏先验入手，综述精确及近似推断，再讨论向 VAR、因子、时变参数、处理效应和分位数模型扩展。
- 材料陈述的贡献
- 摘要定位于方法综述，介绍多类先验、计算方法及其优缺点，并通过计量模型案例和配套 MATLAB 材料支持算法复现。
- 阅读关注点
- 应核对各类先验产生稀疏性的方式、超参数敏感性、近似推断误差，以及回归中的方法扩展到动态模型和混杂选择时的限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未给出各算法的具体性质或比较结果，不能据此认定贝叶斯方法普遍更优。
原文摘要
In all areas of human knowledge, datasets are increasing in both size and complexity, creating the need for richer statistical models. This trend is also true for economic data, where high-dimensional and nonlinear/nonparametric inference is the norm in several fields of applied econometric work. The purpose of this paper is to introduce the reader to the world of Bayesian model determination, by surveying modern shrinkage and variable selection algorithms and methodologies. Bayesian inference is a natural probabilistic framework for quantifying uncertainty and learning about model parameters, and this feature is particularly important for inference in modern models of high dimensions and increased complexity. We begin with a linear regression setting in order to introduce various classes of priors that lead to shrinkage/sparse estimators of comparable value to popular penalized likelihood estimators (e.g.\ ridge, lasso). We explore various methods of exact and approximate inference, and discuss their pros and cons. Finally, we explore how priors developed for the simple regression setting can be extended in a straightforward way to various classes of interesting econometric models. In particular, the following case-studies are considered, that demonstrate application of Bayesian shrinkage and variable selection strategies to popular econometric contexts: i) vector autoregressive models; ii) factor models; iii) time-varying parameter regressions; iv) confounder selection in treatment effects models; and v) quantile regression models. A MATLAB package and an accompanying technical manual allow the reader to replicate many of the algorithms described in this review.