Fitting sparse high-dimensional varying-coefficient models with Bayesian regression tree ensembles
稀疏高维变系数模型的贝叶斯回归树集成拟合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：摘要聚焦高维变系数模型的贝叶斯估计与收缩率理论，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…
稀疏高维变系数模型的贝叶斯回归树集成拟合
- 研究问题
- 摘要称，在高维变系数模型中当协变量数 p 或效应修饰变量数 R 超过样本量时，现有方法难以识别哪些协变量具有非零效应、哪些效应修饰变量驱动这些效应。
- 方法与思路
- 作者提出 sparseVCBART：用回归树集成逼近每个系数函数，对树叶输出施加全局-局部收缩先验、对每棵树的分裂概率施加层次先验以促进稀疏，并给出后验收缩率结论。
- 材料陈述的贡献
- 摘要称该后验以近极小极大最优速率收缩，能自动适应未知稀疏结构与真实系数函数的平滑性；与现有方法相比预测精度具竞争力，不确定性区间更窄且校准更好，尤其对零效应协变量。
- 阅读关注点
- 应核对稀疏先验与树集成的具体设定、后验收缩率所需假设与证明条件、模拟与实证比较的基准方法及评价指标，以及人际对话对偏见影响这一应用的识别与解释是否充分。
- 阅读边界
- 仅凭摘要无法判断定理假设是否现实、模拟与实证细节、区间校准的具体度量，也不能据此认定其优于所有现有方法；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
By allowing the effects of $p$ covariates in a linear regression model to vary as functions of $R$ additional effect modifiers, varying-coefficient models (VCMs) strike a compelling balance between interpretable-but-rigid parametric models popular in classical statistics and flexible-but-opaque methods popular in machine learning. But in high-dimensional settings where $p$ and/or $R$ exceed the number of observations, existing approaches to fitting VCMs fail to identify which covariates have a non-zero effect and which effect modifiers drive these effects. We propose sparseVCBART, a fully Bayesian model that approximates each coefficient function in a VCM with a regression tree ensemble and encourages sparsity with a global--local shrinkage prior on the regression tree leaf outputs and a hierarchical prior on the splitting probabilities of each tree. We show that the sparseVCBART posterior contracts at a near-minimax optimal rate, automatically adapting to the unknown sparsity structure and smoothness of the true coefficient functions. Compared to existing state-of-the-art methods, sparseVCBART achieved competitive predictive accuracy and substantially narrower and better-calibrated uncertainty intervals, especially for null covariate effects. We use sparseVCBART to investigate how the effects of interpersonal conversations on prejudice could vary according to the political and demographic characteristics of the respondents.