Bayesian Variable Selection with the Quasi-Posterior
基于拟后验的贝叶斯变量选择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：摘要讨论的是贝叶斯变量选择与拟后验的统计方法，未涉及所给微观、宏观或金融领域细分的具体问题，故不选择任何细分方向。
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…
关注这篇论文的作者
基于拟后验的贝叶斯变量选择
- 研究问题
- 摘要称，贝叶斯变量选择虽能借助先验实现稀疏性并刻画参数不确定性，但需要正确设定完整似然，模型误设会损害变量选择；作者要问的是：能否在只设定均值与方差函数、不依赖完整似然的前提下，仍获得有原则的贝叶斯式变量选择工具。
- 方法与思路
- 作者提出以模型拟后验作为变量选择工具，将先验与拟似然结合，仅需指定均值函数与方差函数；在线性回归中可对拟似然解析边缘化，超出该情形则用拉普拉斯近似保证计算可行，并通过模拟与社会科学、基因组学实际数据应用加以展示。
- 材料陈述的贡献
- 摘要称，论文证明模型拟后验具备贝叶斯变量选择所期望的性质，同时无需完整似然设定，从而对数据其他方面稳健；模拟研究显示，在多种数据生成情形下，其变量选择精度优于基于似然的贝叶斯变量选择与 lasso 惩罚方法。
- 阅读关注点
- 应核对拟后验的定义与所用先验、均值与方差函数的具体设定、所证明性质的条件与假设、拉普拉斯近似的误差与适用范围，以及模拟设计、对比基准和真实数据应用是否支持摘要中的精度改进说法。
- 阅读边界
- 仅凭摘要无法判断定理的识别条件、渐近性质、模拟规模与真实数据结论的稳健性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或结论已获学界确认。
原文摘要
The Bayesian approach provides powerful methods for variable selection. The ability to incorporate sparsity through prior beliefs and account for parameter uncertainty allows Bayesian variable selection to consistently identify which of the variables are active and exhibit strong finite-sample performance. However, Bayesian methods require the correct specification of full likelihoods for the data, and there is increasing awareness of the problems that model misspecification causes for variable selection. Current approaches to mitigate misspecification either require complex models, detracting from the interpretability of the variable selection task, or move outside rigorous Bayesian uncertainty quantification and provide no recognised method for variable selection. This paper establishes the model quasi-posterior as a principled tool for variable selection. We prove that the model quasi-posterior shares desirable properties of Bayesian variable selection without requiring full likelihood specification. Instead, the quasi-posterior combines a prior with a quasi-likelihood and requires only specification of mean and variance functions, and is therefore robust to other aspects of the data. Marginalising the quasi-likelihood is analytically possible for linear regression, and Laplace approximations are used beyond this to ensure computational tractability. Extensive simulation studies illustrate improved variable selection accuracy across diverse data-generating scenarios when compared with likelihood-based Bayesian variable selection and lasso-penalized methods. We further demonstrate practical relevance through applications to real datasets from social science and genomics.