Bayesian Multivariate Isotonic Regression Splines
贝叶斯多元保序回归样条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：摘要聚焦形状约束多元回归，马尔可夫随机场用于先验依赖，未直接研究网络或其他给定细分。
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
贝叶斯多元保序回归样条
- 研究问题
- 在多元结果的回归曲线具有单调形状先验时，如何评估总体不利关联、识别受影响较大的结果，并估计各结果的回归曲线？
- 方法与思路
- 作者构造多元平滑样条，以基系数的层级马尔可夫随机场先验连接不同曲线，同时允许残差相关，并用 Gibbs 采样计算后验。
- 材料陈述的贡献
- 摘要提出将曲线形状信息、曲线间依赖和残差相关共同纳入的贝叶斯分析方案，并应用于体重和肿瘤发生数据。
- 阅读关注点
- 应核对单调约束的实现、系数先验如何连接曲线，以及总体关联和结果间差异的后验评价、采样收敛与先验敏感性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；形状约束细节、理论保证和应用结果未说明，回归关联不能据此解释为因果作用。
原文摘要
In many applications, interest focuses on assessing the relationship between a predictor and a multivariate outcome variable, and there may be prior knowledge about the shape of the regression curves. For example, regression functions that relate dose of a possible risk factor to different adverse outcomes can often be assumed to be nondecreasing. In such cases, interest focuses on (1) assessing evidence of an overall adverse effect, (2) determining which outcomes are most affected, and (3) estimating outcome-specific regression curves. This article proposes a Bayesian approach for addressing this problem, motivated by multisite tumor data from carcinogenicity experiments. A multivariate smoothing spline model is specified, that accommodates dependency in the multiple curves through a hierarchical Markov random field prior for the basis coefficients, while also allowing for residual correlation. A Gibbs sampler is proposed for posterior computation, and the approach is applied to data on body weight and tumor occurrence.