Bayesian spatial monotonic multiple regression
贝叶斯空间单调多元回归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：文本直接涉及空间单调回归，所给分类未包含空间统计，保险应用本身不足以支持金融风险分类。
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
贝叶斯空间单调多元回归
- 研究问题
- 当相邻区域的单调回归函数具有空间依赖，并可能存在连续或不连续形状时，如何联合估计这些区域性函数？
- 方法与思路
- 作者以带标记点过程构造贝叶斯非参数模型，用可逆跳跃 MCMC 计算后验，并通过交叉验证和贝叶斯优化调整空间先验。
- 材料陈述的贡献
- 摘要称推导了先验均值与方差并证明函数估计一致性，后验可用于变量选择、间断检测和预测，且在所示比较中表现较好。
- 阅读关注点
- 应核对单调性与空间依赖的具体编码、一致性所需条件，以及间断检测、先验调参与保险数据比较的评价标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；一致性条件和比较结果的幅度未说明，不能据此认定普遍优越或推断刊本变化。
原文摘要
We consider monotonic, multiple regression for contiguous regions. The regression functions vary regionally and may exhibit spatial structure. We develop Bayesian nonparametric methodology that permits estimation of both continuous and discontinuous functional shapes using marked point process and reversible jump Markov chain Monte Carlo techniques. Spatial dependence is incorporated by a flexible prior distribution which is tuned using crossvalidation and Bayesian optimization. We derive the mean and variance of the prior induced by the marked point process approach. Asymptotic results show consistency of the estimated functions. Posterior realizations enable variable selection, the detection of discontinuities and prediction. In simulations and in an application to a Norwegian insurance dataset, our method shows better performance than existing approaches.