Modeling Regression Error With a Mixture of Polya Trees
用 Pólya 树混合建模回归误差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：摘要聚焦一般回归误差密度建模，未明确研究分位数效应或其他所列计量细分对象。
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
用 Pólya 树混合建模回归误差
- 研究问题
- 在线性回归中，如何让误差分布容纳偏斜和多峰等数据特征，同时保留以标准参数分布为中心的建模方式与可计算推断？
- 方法与思路
- 作者以中位数为零的绝对连续 Pólya 树混合建模误差，通过混合平滑单棵树的分割效应，并边际化树结构进行推断。
- 材料陈述的贡献
- 摘要称预测误差密度除零点外处处可导，模型允许偏斜与多峰；边际化后推断的计算误差限于马尔可夫链蒙特卡洛误差。
- 阅读关注点
- 应核对中位数约束的实现、中心分布与分割先验、零点处的性质，以及边际化计算和蒙特卡洛收敛诊断。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未给出先验细节、算法收敛或应用表现，所述精确推断仍存在蒙特卡洛误差。
原文摘要
We model the error distribution in the standard linear model as a mixture of absolutely continuous Polya trees constrained to have median 0. By considering a mixture, we smooth out the partitioning effects of a simple Polya tree and the predictive error density has a derivative everywhere except 0. The error distribution is centered around a standard parametric family of distributions and thus may be viewed as a generalization of standard models in which important, data-driven features, such as skewness and multimodality, are allowed. By marginalizing the Polya tree, exact inference is possible up to Markov chain Monte Carlo error.