Bayesian Regression Modeling with Interactions and Smooth Effects
含交互项与平滑效应的贝叶斯回归建模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：摘要研究一般贝叶斯回归与预测，未指定宏观预测或金融收益预测等所列应用方向。
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…
关注这篇论文的作者
含交互项与平滑效应的贝叶斯回归建模
- 研究问题
- 如何构建兼具灵活性、计算可行性和可解释性的贝叶斯回归模型，并以较简洁方式表示平滑效应与二元交互？
- 方法与思路
- 作者提出基于样条的贝叶斯回归方法，以简约方式建模平滑二元交互，使用惩罚复杂度的先验，并通过模型选择或平均预测。
- 材料陈述的贡献
- 摘要称，该方法在计算和解释上较简单，二元交互表示具有新意，并在模拟与真实数据中表现出良好的综合性能。
- 阅读关注点
- 核对样条与交互项的具体构造、复杂度先验、模型选择和平均的计算步骤，以及模拟与真实数据的比较对象和评价指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；数据、指标及比较数值未提供，不能据此确认优于树、神经网络或高斯过程。
原文摘要
There have been many recent suggestions as to how to build and estimate flexible Bayesian regression models, using constructs such as trees, neural networks, and Gaussian processes. Although there is much to commend these methods, their implementation and interpretation can be daunting for practitioners. This article presents a spline-based methodology for flexible Bayesian regression that is quite simple in terms of computation and interpretation. Smooth bivariate interactions are modeled in an economical and apparently novel way, and prior distributions that penalize complexity are used. Predictions can be based on either model selection or model averaging. Taking computation, interpretation, and predictive performance into account, the method is seen to perform well when applied to simulated and real data.