Type I Tobit Bayesian Additive Regression Trees for Censored Outcome Regression
用于删失结果回归的一型 Tobit 贝叶斯加性回归树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：摘要聚焦一般删失结果回归与条件均值预测，未明确涉及离散选择、分位数或分布效应等所列方向。
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
用于删失结果回归的一型 Tobit 贝叶斯加性回归树
- 研究问题
- 当结果变量超过阈值后无法观测时，如何预测潜在结果并量化条件期望等对象的不确定性，同时降低对误差分布设定的依赖？
- 方法与思路
- 作者将一型 Tobit 模型与贝叶斯加性回归树结合，提出 TOBART-1，并用正态分布的 Dirichlet 过程混合灵活建模误差。
- 材料陈述的贡献
- 摘要称，TOBART-1 在模拟和实际数据中能够准确预测删失结果，并提供条件期望及其他目标量的后验区间，允许更灵活的误差分布。
- 阅读关注点
- 应核对删失阈值与观测机制、树模型及混合分布的先验设置、后验计算方法，以及潜在结果预测和区间表现的比较标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要未说明删失机制条件、具体数据或预测误差，后验区间也不能直接视为频率学覆盖保证。
原文摘要
Censoring occurs when an outcome is unobserved beyond some threshold value. Methods that do not account for censoring produce biased predictions of the unobserved outcome. This paper introduces Type I Tobit Bayesian Additive Regression Tree (TOBART-1) models for censored outcomes. Simulation results and real data applications demonstrate that TOBART-1 produces accurate predictions of censored outcomes. TOBART-1 provides posterior intervals for the conditional expectation and other quantities of interest. The error term distribution can have a large impact on the expectation of the censored outcome. Therefore the error is flexibly modeled as a Dirichlet process mixture of normal distributions.