Bayesian Variable Selection for High-Dimensional Predictors with Missing Psychometric Outcomes
心理测量结局缺失时高维预测变量的贝叶斯选择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：摘要聚焦心理测量中的高维变量选择与缺失结局，未明确涉及所列经济计量细分方向。
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…
心理测量结局缺失时高维预测变量的贝叶斯选择
- 研究问题
- 面对具有层级结构的高维多模态预测变量和部分缺失的多元心理测量结局，如何同时开展变量选择与不确定性量化？
- 方法与思路
- 作者提出 SHIM，将层级 horseshoe 收缩与缺失结局的贝叶斯处理结合，同时建模预测变量层级和结局间依赖。
- 材料陈述的贡献
- 摘要称该框架具有所讨论的先验理论性质，模拟中兼顾敏感度与假阳性控制，并用于阿尔茨海默病队列及后验多重插补。
- 阅读关注点
- 应核对缺失机制假设、先验理论性质的具体条件、变量选择评价标准，以及插补后下游分析如何传递不确定性。
- 阅读边界
- 依据 arXiv v1 预印本摘要，不能据此声称已同行评审或期刊接收；缺失机制、定理条件和数值比较细节均未说明。
原文摘要
High-dimensional, multimodal predictors and partially observed multivariate outcomes are common in psychometric research. However, existing regularization methods often do not accommodate hierarchical predictor structures and are primarily designed for univariate outcomes. We propose SHIM, a Bayesian framework for structured variable selection that combines hierarchical horseshoe shrinkage with a Bayesian treatment of missing outcomes. The framework jointly accommodates predictor hierarchies, dependence among outcomes, and incomplete multivariate responses. We establish theoretical properties of the proposed prior specification and evaluate SHIM through simulation studies. The results demonstrate that SHIM balances sensitivity with false-positive control while yielding accurate coefficient estimates and well-calibrated uncertainty quantification. We further apply SHIM to data from an Alzheimer's disease cohort to characterize associations between multimodal neuroimaging measures and multivariate neuropsychological outcomes and to generate posterior-based multiple imputations for downstream analyses of the relationships between fluid biomarkers and cognition. An R package, shim, is publicly available to facilitate implementation.