Density Regression with Bayesian Additive Regression Trees
基于贝叶斯加性回归树的密度回归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：摘要的核心是整个条件密度随协变量变化的建模，明确超越均值和分位数回归，直接对应分布分析方向。
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…
基于贝叶斯加性回归树的密度回归
- 研究问题
- 如何灵活描述整个响应分布随协变量变化的方式，超越均值与分位数回归，并在一般协变量空间中实现可计算的贝叶斯推断？
- 方法与思路
- 作者提出连续潜变量密度回归模型 DR-BART，以贝叶斯加性回归树构造潜变量到观测数据的先验映射，并设计采样方法。
- 材料陈述的贡献
- 摘要称对足够光滑的真实生成函数建立了后验集中结果，在所设模拟中优于若干密度回归方法，并展示教育与经济数据应用。
- 阅读关注点
- 应核对密度模型的表示方式、光滑性与先验条件、后验集中速率，以及潜变量分裂和采样效率的实现及模拟比较公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未给出定理条件、速率或性能数值，教育回报预测也不能直接解释为因果效应。
原文摘要
Flexibly modeling how an entire density changes with covariates is an important but challenging generalization of mean and quantile regression. While existing methods for density regression primarily consist of covariate-dependent discrete mixture models, we consider a continuous latent variable model in general covariate spaces, which we call DR-BART. The prior mapping the latent variable to the observed data is constructed via a novel application of Bayesian Additive Regression Trees (BART). We prove that the posterior induced by our model concentrates quickly around true generative functions that are sufficiently smooth. We also analyze the performance of DR-BART on a set of challenging simulated examples, where it outperforms various other methods for Bayesian density regression. Lastly, we apply DR-BART to two real datasets from educational testing and economics, to study student growth and predict returns to education. Our proposed sampler is efficient and allows one to take advantage of BART's flexibility in many applied settings where the entire distribution of the response is of primary interest. Furthermore, our scheme for splitting on latent variables within BART facilitates its future application to other classes of models that can be described via latent variables, such as those involving hierarchical or time series data.