Multivariate Bayesian Variable Selection and Prediction
多元贝叶斯变量选择与预测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：摘要是通用多元回归变量选择，所述糖类分析应用不属于给定经济金融细分方向。
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
多元贝叶斯变量选择与预测
- 研究问题
- 多元回归含大量解释变量时，如何区分接近零与非零的系数，计算变量选择后验，并形成后验预测分布？
- 方法与思路
- 作者用二元潜在向量标记系数类型，在高斯线性模型与共轭先验下推导其边际后验，结合快速计算和 MCMC 抽样。
- 材料陈述的贡献
- 摘要称该方法使数百解释变量的问题可处理，给出超参数设定与后验预测分布，并以糖类成分及近红外数据示例。
- 阅读关注点
- 应核对潜在指标与系数先验的对应、超参数设定、直接算法和 MCMC 的适用规模，以及预测如何处理选择不确定性。
- 阅读边界
- 仅据 Crossref 摘要；摘要未说明先验敏感性、计算收敛或预测误差，通用回归预测也不足以归入宏观或收益预测。
原文摘要
Summary The multivariate regression model is considered with p regressors. A latent vector with p binary entries serves to identify one of two types of regression coefficients: those close to 0 and those not. Specializing our general distributional setting to the linear model with Gaussian errors and using natural conjugate prior distributions, we derive the marginal posterior distribution of the binary latent vector. Fast algorithms aid its direct computation, and in high dimensions these are supplemented by a Markov chain Monte Carlo approach to sampling from the known posterior distribution. Problems with hundreds of regressor variables become quite feasible. We give a simple method of assigning the hyperparameters of the prior distribution. The posterior predictive distribution is derived and the approach illustrated on compositional analysis of data involving three sugars with 160 near infrared absorbances as regressors.