Variable Selection and Model Averaging in Semiparametric Overdispersed Generalized Linear Models
半参数过度离散广义线性模型中的变量选择与模型平均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：摘要讨论通用半参数回归的均值、方差和变量选择，未明确研究离散选择行为或其他所列应用，因此不凭模型名称归类。
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
半参数过度离散广义线性模型中的变量选择与模型平均
- 研究问题
- 存在过度离散时，如何同时决定哪些预测变量影响响应的均值和方差，以及这些变量应以线性还是灵活的非线性形式进入模型？
- 方法与思路
- 作者将双指数回归模型的均值和方差项表示为预测变量的加性函数，通过贝叶斯变量选择确定进入方式，并用 MCMC 估计。
- 材料陈述的贡献
- 摘要称，该框架可同时选择变量及函数形式，并在特定限制下包含广义加性模型和广义线性模型，利用真实与模拟数据示例说明。
- 阅读关注点
- 应核对均值与方差项的参数化、线性和灵活函数的先验设置、变量选择及模型平均的实现，以及 MCMC 收敛和识别问题。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；模型平均细节、先验和比较结果未说明，不能推断刊本变化或估计优势。
原文摘要
We express the mean and variance terms in a double-exponential regression model as additive functions of the predictors and use Bayesian variable selection to determine which predictors enter the model and whether they enter linearly or flexibly. When the variance term is null, we obtain a generalized additive model, which becomes a generalized linear model if the predictors enter the mean linearly. The model is estimated using Markov chain Monte Carlo simulation, and the methodology is illustrated using real and simulated data sets.