Additive cubic spline regression with Dirichlet process mixture errors
采用 Dirichlet 过程混合误差的加性三次样条回归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回归，类别结果本身不足以确定离散选择行为模型或其他所列方向。
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
采用 Dirichlet 过程混合误差的加性三次样条回归
- 研究问题
- 如何为连续和类别结果建立灵活的贝叶斯回归，同时处理非线性协变量效应、未知误差分布和模型比较？
- 方法与思路
- 作者以三次样条描述加性效应，以 Dirichlet 过程混合描述误差，并根据结点函数值的一阶和二阶差分构造先验。
- 材料陈述的贡献
- 摘要提出利用结点函数值参数化设置适当先验，并通过边际似然和贝叶斯因子比较结点数量及误差分布设定。
- 阅读关注点
- 应核对类别结果的潜变量设定、先验与结点选择、后验计算方法，以及混合模型边际似然估计的准确性。
- 阅读边界
- 所列出版社摘要未说明具体类别模型、后验算法和实证结果；灵活性不能直接解释为预测或推断表现优于其他方法。
原文摘要
The goal of this article is to develop a flexible Bayesian analysis of regression models for continuous and categorical outcomes. In the models we study, covariate (or regression) effects are modeled additively by cubic splines, and the error distribution (that of the latent outcomes in the case of categorical data) is modeled as a Dirichlet process mixture. We employ a relatively unexplored but attractive basis in which the spline coefficients are the unknown function ordinates at the knots. We exploit this feature to develop a proper prior distribution on the coefficients that involves the first and second differences of the ordinates, quantities about which one may have prior knowledge. We also discuss the problem of comparing models with different numbers of knots or different error distributions through marginal likelihoods and Bayes factors which are computed within the framework of Chib (1995) as extended to DPM models by Basu and Chib (2003). The techniques are illustrated with simulated and real data.