Static and Dynamic BART for Rank-Order Data
排序数据的静态与动态贝叶斯加性回归树模型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：摘要建模排序与潜在评分，并包含寿司和电影的陈述偏好应用，直接关联排序选择数据。
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…
排序数据的静态与动态贝叶斯加性回归树模型
- 研究问题
- 排序列表由非线性潜在评分决定且可能存在时间依赖时，如何突破线性评分设定，并对静态及动态排序开展贝叶斯推断？
- 方法与思路
- 作者提出静态 ROBART 和自回归 ARROBART，以贝叶斯加性回归树定义潜在评分，并结合闭式动态分布与数据增广 Gibbs 采样。
- 材料陈述的贡献
- 摘要称，动态模型具有闭式滤波、预测和平滑分布；模拟及选举、偏好和动态排名应用中，所提方法优于所比较的竞争方法。
- 阅读关注点
- 核对潜在评分如何生成排序、动态依赖及评分识别约束，关注闭式分布的成立条件和不同应用中的预测评价标准。
- 阅读边界
- 仅据所给 OpenAlex 摘要，模型假设、计算规模与比较结果细节未说明；竞争方法上的表现不能推广为对所有排序模型占优。
原文摘要
Ranking lists are often provided at regular time intervals in a range of applications, including economics, sports, marketing, and politics. Most popular methods for rank-order data postulate a linear specification for the latent scores, which determine the observed ranks, and ignore the temporal dependence of the ranking lists. To address these issues, novel nonparametric static (ROBART) and autoregressive (ARROBART) models are developed, with latent scores defined as nonlinear Bayesian additive regression tree functions of covariates. To make inferences in the dynamic ARROBART model, closed-form filtering, predictive, and smoothing distributions for the latent time-varying scores are derived. These results are applied in a Gibbs sampler with data augmentation for posterior inference. The proposed methods are shown to outperform existing competitors in simulation studies, static data applications to electoral data, stated preferences for sushi and movies, and dynamic data applications to economic complexity rankings of countries and weekly pollster rankings of NCAA football teams.