Bayesian variable selection in sample selection models using spike-and-slab priors
样本选择模型中的贝叶斯变量选择：spike-and-slab 先验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：摘要讨论样本选择模型、缺失非随机导致的偏误纠正与变量选择，属于微观计量中因果推断与结构建模的文本依据；未涉及面板、离散选择、分位数或网络等方向。
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…
样本选择模型中的贝叶斯变量选择：spike-and-slab 先验
- 研究问题
- 摘要称，样本选择模型需要指定影响结果与驱动选择过程的变量，而依赖专家知识可能纳入无关变量或遗漏重要变量；作者关注如何在此类模型中同时进行变量选择并避免实际不可识别等推断问题。
- 方法与思路
- 作者提出两类 spike-and-slab 先验用于样本选择模型中的贝叶斯变量选择，摘要称该先验结构可构造条件分布可处理的 Gibbs 抽样器，并称其可扩展至实际关注的维度；通过模拟研究并与 adaptive LASSO 和逐步选择比较，另用两个公开真实数据应用展示。
- 材料陈述的贡献
- 摘要明确陈述的贡献是提出两类 spike-and-slab 先验族，用于样本选择模型的贝叶斯变量选择，并提供可处理的 Gibbs 抽样方案；摘要称其动机是 adaptive LASSO 方法依赖协方差假设，该假设在小到中等样本中可能被违背。
- 阅读关注点
- 应核对两类先验的具体形式与超参数设定、Gibbs 抽样条件分布的推导与识别条件、排除限制如何处理、模拟设计（样本量、违背协方差假设的情形）以及两个应用的数据与变量选择结果；摘要未说明这些细节。
- 阅读边界
- 仅凭摘要无法判断方法的实际频率性质、收敛与扩展性证据、模拟与应用的数值结果，也无法确认是否优于所比较方法；摘要未说明识别假设的正式条件与理论保证。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Sample selection models are a widely used approach for correcting bias caused by data that are missing not at random. Their formulation requires specifying the variables that influence the outcome and those that drive the selection process. This specification is often based on expert knowledge, which can result in the inclusion of irrelevant variables or the omission of important ones. Moreover, to avoid inferential problems such as practical non-identifiability, practitioners frequently impose exclusion restrictions, that is, model specifications in which certain variables predict selection but have no effect on the outcome of interest. A recent proposal employs adaptive LASSO to select the variables that enter into the outcome and selection equations, but its performance depends on the so-called covariance assumption, which can be violated in small to moderate samples. To address these challenges, we propose two families of spike-and-slab priors to conduct Bayesian variable selection in sample selection models. These prior structures allow for constructing a Gibbs sampler with tractable conditionals, which is scalable to the dimensions of practical interest. We illustrate the performance of the proposed methodology through a simulation study and present a comparison against adaptive LASSO and stepwise selection. We also provide two applications using publicly available real data.