Spike and slab variable selection: Frequentist and Bayesian strategies
基于尖峰—平板先验的变量选择：频率学派与贝叶斯策略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：spike-and-slab与频率/贝叶斯变量选择、收缩和风险是一般统计方法。
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
基于尖峰—平板先验的变量选择：频率学派与贝叶斯策略
- 研究问题
- 在线性回归中，如何利用先验层次结构与系数收缩进行变量选择，并理解频率学派和贝叶斯策略之间的联系？摘要还关注不同缩放方式如何改变后验均值，以及选择程序能否降低有限样本中的模型不确定性。
- 方法与思路
- 作者引入重缩放的尖峰—平板模型，以连续双峰先验刻画控制收缩强度的超方差参数，再通过后验均值与惩罚项的关系连接广义岭回归。摘要还说明，多种频率学派和贝叶斯模型选择策略得到理论研究。
- 材料陈述的贡献
- 摘要从误分类风险角度强调选择性收缩对有效变量选择的作用，并指出重缩放模型的后验能够实现这种收缩。作者还提出专门的前向选择策略，用于核查有限样本中的模型不确定性是否减少，并展示该模型的效果。
- 阅读关注点
- 阅读时重点跟踪重缩放如何影响后验均值和惩罚强度，连续双峰先验如何产生选择性收缩，以及理论结论依赖哪些条件。再核对前向选择策略如何衡量模型不确定性，以及这种评价在有限样本中的适用范围。 阅读前先备知识：建议先掌握线性回归、贝叶斯层次模型、后验均值、岭回归和统计风险，并理解先验方差如何控制系数收缩。再区分变量选择错误与参数估计误差，为理解选择性收缩及不同程序的评价方式作准备。
- 阅读边界
- 以下限制对应原请求所用摘要版本：基于原文摘要，未阅读全文。摘要未列出具体先验形式、缩放规则、风险判据或理论条件，因此这里只概括其方法联系与研究结果；选择一致性、计算步骤及适用维度等问题，仍须核对原文。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
Variable selection in the linear regression model takes many apparent faces from both frequentist and Bayesian standpoints. In this paper we introduce a variable selection method referred to as a rescaled spike and slab model. We study the importance of prior hierarchical specifications and draw connections to frequentist generalized ridge regression estimation. Specifically, we study the usefulness of continuous bimodal priors to model hypervariance parameters, and the effect scaling has on the posterior mean through its relationship to penalization. Several model selection strategies, some frequentist and some Bayesian in nature, are developed and studied theoretically. We demonstrate the importance of selective shrinkage for effective variable selection in terms of risk misclassification, and show this is achieved using the posterior from a rescaled spike and slab model. We also show how to verify a procedure’s ability to reduce model uncertainty in finite samples using a specialized forward selection strategy. Using this tool, we illustrate the effectiveness of rescaled spike and slab models in reducing model uncertainty.