On Sampling Strategies in Bayesian Variable Selection Problems With Large Model Spaces
大模型空间中贝叶斯变量选择的采样策略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模型选择与计算策略，未明确涉及所列经济计量细分方向。
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…
大模型空间中贝叶斯变量选择的采样策略
- 研究问题
- 贝叶斯变量选择无法穷举候选模型时，如何利用仅访问到的少量模型进行推断，采样与搜索策略有何差别？
- 方法与思路
- 作者从抽样理论角度审视既有策略，并用答案已知的实例比较基于访问频率的估计与搜索后的重新归一化估计。
- 材料陈述的贡献
- 摘要称所考察结果倾向于支持采样配合频率估计优于搜索配合重新归一化估计，但这一表述并非无条件支配结论。
- 阅读关注点
- 核对两类策略的目标量、采样机制和计算预算，检查已知答案实例的构造，以及理论比较是否依赖特定模型空间。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；先验、具体采样方案和比较范围未提供，不能推广为所有问题的最优策略。
原文摘要
One important aspect of Bayesian model selection is how to deal with huge model spaces, since the exhaustive enumeration of all the models entertained is not feasible and inferences have to be based on the very small proportion of models visited. This is the case for the variable selection problem with a moderately large number of possible explanatory variables considered in this article. We review some of the strategies proposed in the literature, from a theoretical point of view using arguments of sampling theory and in practical terms using several examples with a known answer. All our results seem to indicate that sampling methods with frequency-based estimators outperform searching methods with renormalized estimators. Supplementary materials for this article are available online.