Variable Selection and Function Estimation in Additive Nonparametric Regression Using a Data-Based Prior
利用数据驱动先验进行加性非参数回归的变量选择与函数估计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：摘要明确包含加性非参数二元回归及二元结局应用，与离散响应模型所属的离散选择方向相关。
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…
利用数据驱动先验进行加性非参数回归的变量选择与函数估计
- 研究问题
- 在加性非参数高斯和二元回归中，如何同时选择解释变量、估计各分量函数，并通过模型平均处理变量是否入模的不确定性？
- 方法与思路
- 作者采用分层贝叶斯模型，为分量函数指定积分 Wiener 过程先验，并以数据驱动先验和两步 MCMC 实现变量选择与模型平均。
- 材料陈述的贡献
- 摘要称，分量函数后验均值为三次平滑样条；模拟中函数估计较同时估计全部未知函数的方法有所改善，并提供心脏病数据实例。
- 阅读关注点
- 应核对数据驱动先验的构造、两步 MCMC 如何衔接，以及变量纳入规则、平滑参数与模型平均对模拟比较结果的影响。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未提供改善幅度、模拟条件或数据驱动先验的推断校准细节，不能认定其在任意回归问题中更优。
原文摘要
A hierarchical Bayesian approach is proposed for variable selection and function estimation in additive nonparametric Gaussian regression models and additive nonparametric binary regression models. The prior for each component function is an integrated Wiener process resulting in a posterior mean estimate that is a cubic smoothing spline. Each of the explanatory variables is allowed to be in or out of the model, and the regression functions are estimated by model averaging. To allow variable selection and model averaging, data-based priors are used for the smoothing parameter and the slope at 0 of each component function. A two-step Markov chain Monte Carlo method is used to efficiently obtain the data-based prior and to carry out variable selection and function estimation. It is shown by simulation that significant improvements in the function estimators can be obtained over an approach that estimates all the unknown functions simultaneously. The methodology is illustrated for a binary regression using heart attack data.