Bayesian isotonic density regression
贝叶斯保序密度回归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：摘要明确以随预测变量变化的整个条件分布和随机序约束为研究对象，对应分布方法方向。
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
贝叶斯保序密度回归
- 研究问题
- 当响应随某个预测变量呈单调变化时，如何灵活估计整个条件分布，并构造满足随机序约束且具有充分支持的贝叶斯模型？
- 方法与思路
- 作者提出带随机序约束的密度回归模型，分析先验支持，构建假设检验方法，并使用 Gibbs 采样进行后验计算。
- 材料陈述的贡献
- 摘要称，新模型具有大的支持范围，并提供检验与后验计算方法；模拟考察频率学性质，另给出流行病学应用。
- 阅读关注点
- 应核对随机序的定义、支持结论适用的分布空间和条件、检验假设及先验敏感性，并查看单调约束在应用中的合理性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；支持定理的条件与检验表现未说明，大的支持范围不能直接推出后验一致性。
原文摘要
Density regression models allow the conditional distribution of the response given predictors to change flexibly over the predictor space. Such models are much more flexible than nonparametric mean regression models with nonparametric residual distributions, and are well supported in many applications. A rich variety of Bayesian methods have been proposed for density regression, but it is not clear whether such priors have full support so that any true data-generating model can be accurately approximated. This article develops a new class of density regression models that incorporate stochastic-ordering constraints which are natural when a response tends to increase or decrease monotonely with a predictor. Theory is developed showing large support. Methods are developed for hypothesis testing, with posterior computation relying on a simple Gibbs sampler. Frequentist properties are illustrated in a simulation study, and an epidemiology application is considered.