Efficient Empirical Bayes Variable Selection and Estimation in Linear Models
线性模型中的高效经验贝叶斯变量选择与估计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：文本涉及通用线性回归的变量选择与计算，未指定所列经济或金融应用方向。
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…
线性模型中的高效经验贝叶斯变量选择与估计
- 研究问题
- 如何在同一框架中进行线性回归的变量选择和系数估计，并提高经验贝叶斯方法的计算效率与调参便利性？
- 方法与思路
- 作者采用特定层级贝叶斯设定，利用经验贝叶斯估计与LASSO的联系进行计算，并提出LASSO调参方法。
- 材料陈述的贡献
- 摘要称，方法能高效获得全局解；模拟与实例显示其变量选择、估计精度和速度具有竞争力，但未报告具体幅度。
- 阅读关注点
- 核对层级先验、与LASSO联系的准确形式、全局解的目标函数与保证，以及调参规则和比较实验的设置。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；摘要未给出先验细节、算法条件或比较数值，不能认定方法普遍优于其他方法。
原文摘要
We propose an empirical Bayes method for variable selection and coefficient estimation in linear regression models. The method is based on a particular hierarchical Bayes formulation, and the empirical Bayes estimator is shown to be closely related to the LASSO estimator. Such a connection allows us to take advantage of the recently developed quick LASSO algorithm to compute the empirical Bayes estimate, and provides a new way to select the tuning parameter in the LASSO method. Unlike previous empirical Bayes variable selection methods, which in most practical situations can be implemented only through a greedy stepwise algorithm, our method gives a global solution efficiently. Simulations and real examples show that the proposed method is very competitive in terms of variable selection, estimation accuracy, and computation speed compared with other variable selection and estimation methods.