A Bayes-Factor-Guided Approach to Post-Double Selection with Bootstrapped Multiple Imputation
自助法多重插补下由贝叶斯因子引导的双重选择后方法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：摘要主要讨论变量选择、插补和序贯证据汇总，未明确因果目标、面板结构或金融宏观应用，所给细分类别的证据不足。
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
自助法多重插补下由贝叶斯因子引导的双重选择后方法
- 研究问题
- 在自助法与多重插补的重复数据集中，变量选择结果不断变化时，如何汇总相关性证据并决定何时停止重复迭代？
- 方法与思路
- 作者将各轮变量检出建模为伯努利试验，通过具有近似贝叶斯因子解释的似然比过程累积证据，形成纳入准则和停止规则。
- 材料陈述的贡献
- 摘要提出同时决定变量纳入和迭代停止的序贯证据汇总程序，避免预先固定重复次数，并用多场景模拟和实证示例进行比较。
- 阅读关注点
- 应核对重复迭代之间的依赖如何处理、近似贝叶斯因子的成立依据，以及停止规则对选择误差和后续统计推断的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实。摘要未说明缺失机制、误差控制保证或具体比较结果，不能据此确认推断有效性。
原文摘要
When variable selection methods are applied to bootstrapped and multiply imputed datasets, the set of selected variables typically varies across iterations. Aggregating results via the union rule can lead to overly dense models. We propose a sequential evidence aggregation procedure that models detection outcomes across perturbation iterations as Bernoulli trials and accumulates evidence for variable relevance through a likelihood-ratio process admitting an approximate Bayes-factor interpretation. The procedure provides both a variable inclusion criterion and a stopping rule that eliminates the need to fix the number of bootstrap-imputation iterations ex ante. A Monte Carlo study across 126 scenarios and an empirical illustration demonstrate the method's performance relative to existing aggregation approaches.