Bayesian Penalized Transformation Models: Structured Additive Location-Scale Regression for Arbitrary Conditional Distributions
贝叶斯惩罚变换模型：面向任意条件分布的结构化可加位置—尺度回归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。
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：摘要明确以条件分布的直接估计与位置—尺度回归为核心，属于分布效应与分位数/分布回归方向；其余领域细分在摘要中无直接文本依据。
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…
贝叶斯惩罚变换模型：面向任意条件分布的结构化可加位置—尺度回归
- 研究问题
- 摘要称，研究如何直接从数据估计响应的条件分布，并用结构化可加预测项同时建模位置与尺度，使估计分布可在参考分布与数据之间灵活调整。
- 方法与思路
- 作者提出惩罚变换模型（PTM），属于半参数位置—尺度回归族；核心是连接响应分布与参考分布的单调递增变换函数，并对其施加平滑先验以正则化偏离参考分布的程度；采用马尔可夫链蒙特卡洛进行推断。
- 材料陈述的贡献
- 摘要称 PTM 可视为条件变换模型与位置—尺度—形状广义可加模型之间的桥梁，MCMC 推断可直接给出条件分布与协变量效应的不确定性量化；摘要还提到模拟研究、两个实证应用及一个 Python 实现。
- 阅读关注点
- 阅读全文时应核对：变换函数与平滑先验的具体设定、识别与正则化强度的选择方式、MCMC 的收敛与先验敏感性、模拟对比方法的范围与评价指标，以及两个应用的数据处理与结论稳健性。
- 阅读边界
- 仅凭摘要无法判断估计量的一致性、收敛速率或推断有效性，也无法核实模拟结果、实证结论与软件实现细节；摘要未说明识别假设、样本量与具体数值结果。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Penalized transformation models (PTMs) are a semiparametric location-scale regression family that estimate a response's conditional distribution directly from the data, and model the location and scale through structured additive predictors. The core of the model is a monotonically increasing transformation function that relates the response distribution to a reference distribution. The transformation function is equipped with a smoothness prior that regularizes how much the estimated distribution diverges from the reference. PTMs can be seen as a bridge between conditional transformation models and generalized additive models for location, scale and shape. Markov chain Monte Carlo inference for PTMs offers straightforward uncertainty quantification for the conditional distribution as well as for the covariate effects. A simulation study demonstrates the effectiveness of the approach and includes comparisons to many alternative methods. Applications to the Fourth Dutch Growth Study and the Framingham Heart Study illustrate the usage and practical utility. A full-featured implementation is available as a Python library. Supplementary material for this article is available online.