Bayesian Variable Selection in Distributed Lag Models: A Focus on Binary Quantile and Count Data Regressions
分布滞后模型的贝叶斯变量选择：二元分位数与计数回归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。
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：摘要明确使用分布滞后与 MIDAS 类时序回归，并扩展至二元结果回归。
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
分布滞后模型的贝叶斯变量选择：二元分位数与计数回归
- 研究问题
- 如何扩展分布滞后模型的贝叶斯分析，使其处理不平衡二元结果和计数结果，并估计各预测变量进入模型的概率？
- 方法与思路
- 作者借助潜变量构造二元回归与负二项回归的贝叶斯分析，估计变量纳入概率，并说明部分情形可采用自动 Gibbs 抽样。
- 材料陈述的贡献
- 摘要称该方法扩展了分布滞后模型的适用结果类型；常见污染暴露分析中的参数可通过无需额外校准的 Gibbs 程序推断。
- 阅读关注点
- 应核对潜变量表示、变量选择先验与抽样步骤，明确哪些参数需要校准，并查看题名所述分位数建模在正文中如何实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未经核实。摘要未交代分位数方法、先验细节和收敛诊断，自动抽样的适用范围需核对。
原文摘要
Distributed Lag Models (DLMs) and similar regression approaches such as MIDAS have been used for many decades in econometrics and more recently to investigate how poor air quality adversely affects human health. In this paper we describe how to expand the utility of these models for Bayesian inference by leveraging latent variables. In particular we explain how to perform binary regression to better handle imbalanced data, how to incorporate negative binomial regression, and how to estimate the probability of predictor inclusion. Extra parameters introduced through the DLM framework may require calibration for the MCMC algorithm, but this will not be the case in DLM-based analyses often seen in pollution exposure literature. In these cases, the parameters are inferred through a fully automatic Gibbs sampling procedure.