Efficient Bayesian inference for Gaussian copula regression models
高斯 Copula 回归模型的高效贝叶斯推断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：摘要涉及一般多元回归、Copula 与图模型，未明确提供金融风险或经济网络干扰等细分方向的依据。
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
高斯 Copula 回归模型的高效贝叶斯推断
- 研究问题
- 当多元回归的部分边际分布并非高斯，且离散与连续响应混合出现时，如何建立可计算的联合模型并进行贝叶斯推断？
- 方法与思路
- 作者提出高斯 Copula 回归的一般贝叶斯估计方法，处理离散与连续边际的组合，并使用新的模拟方法进行后验推断。
- 材料陈述的贡献
- 摘要称，方法能处理任意离散与连续边际组合，将高斯图模型推广至高斯 Copula 框架，并在模拟及真实数据上应用。
- 阅读关注点
- 应核对边际分布和依赖参数如何设定、离散响应如何处理，以及后验模拟的具体步骤和所谓高效性的比较依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；先验、计算复杂度及数据结果未说明，不能将计算高效直接解释为统计效率更高。
原文摘要
A Gaussian copula regression model gives a tractable way of handling a multivariate regression when some of the marginal distributions are non-Gaussian. Our paper presents a general Bayesian approach for estimating a Gaussian copula model that can handle any combination of discrete and continuous marginals, and generalises Gaussian graphical models to the Gaussian copula framework. Posterior inference is carried out using a novel and efficient simulation method. The methods in the paper are applied to simulated and real data.