Bayesian Density Regression
贝叶斯密度回归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：摘要明确以随协变量变化的条件响应分布为建模对象。
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…
贝叶斯密度回归
- 研究问题
- 如何让响应变量的整个条件分布随多个预测变量灵活变化，同时利用预测变量取值接近的个体之间的局部信息？
- 方法与思路
- 作者以预测变量依赖的非参数回归混合表示条件分布，提出加权Dirichlet过程混合先验、核权重及Gibbs采样算法。
- 材料陈述的贡献
- 摘要称该先验产生含预测变量距离权重的广义Pólya瓮机制，并提供后验计算方法，以模拟和流行病学应用展示方法。
- 阅读关注点
- 应核对预测变量距离与核权重如何选择、混合分布的局部依赖如何形成，以及Gibbs算法和应用的诊断依据。
- 阅读边界
- 仅据所给Crossref摘要；先验敏感性、后验收敛和有限样本精度未说明，条件分布关系也不能自动解释为因果效应。
原文摘要
Summary The paper considers Bayesian methods for density regression, allowing a random probability distribution to change flexibly with multiple predictors. The conditional response distribution is expressed as a non-parametric mixture of regression models, with the mixture distribution changing with predictors. A class of weighted mixture of Dirichlet process priors is proposed for the uncountable collection of mixture distributions. It is shown that this specification results in a generalized Pólya urn scheme, which incorporates weights that are dependent on the distance between subjects’ predictor values. To allow local dependence in the mixture distributions, we propose a kernel-based weighting scheme. A Gibbs sampling algorithm is developed for posterior computation. The methods are illustrated by using simulated data examples and an epidemiologic application.