Bayesian Variable Selection for Function-on-Scalar Regression Models: a comparative analysis
函数型因变量回归的贝叶斯变量选择：比较分析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：摘要聚焦函数型数据回归的贝叶斯变量选择方法，属于函数型数据分析与贝叶斯方法方向，与所列微观、宏观、金融领域细分均无直接文本对应，故不选择。
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…
函数型因变量回归的贝叶斯变量选择：比较分析
- 研究问题
- 摘要称，本文研究函数型因变量对标量协变量回归（FOSR）中的变量选择问题，即如何在众多候选协变量中自适应地识别真正相关的变量。
- 方法与思路
- 作者提出一种分层贝叶斯结构并引入潜变量，以实现FOSR的自适应协变量选择；通过大量模拟研究考察系数估计精度与变量选择能力，并与BGLSS、group LASSO、group MCP、group SCAD等方法进行对比。
- 材料陈述的贡献
- 摘要称，模拟结果显示所提方法在正确选择协变量方面优于现有竞争方法，同时保持令人满意的拟合优度；竞争方法难以兼顾选择准确性与拟合优度。作者还将方法应用于巴西COVID-19数据和社会经济数据。
- 阅读关注点
- 应核对分层先验与潜变量的具体设定、后验计算或抽样算法、模拟设计（样本量、函数观测密度、真实稀疏结构）、评价指标定义，以及应用数据的变量构造与结果解释。
- 阅读边界
- 仅凭摘要无法判断识别条件、理论性质（如选择一致性）、计算成本与收敛诊断；摘要未说明先验超参数选择、敏感性分析与重复次数。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
In this work, we developed a new Bayesian method for variable selection in function-on-scalar regression (FOSR). Our method uses a hierarchical Bayesian structure and latent variables to enable an adaptive covariate selection process for FOSR. Extensive simulation studies show the proposed method's main properties, such as its accuracy in estimating the coefficients and high capacity to select variables correctly. Furthermore, we conducted a substantial comparative analysis with the main competing methods, the BGLSS (Bayesian Group Lasso with Spike and Slab prior) method, the group LASSO (Least Absolute Shrinkage and Selection Operator), the group MCP (Minimax Concave Penalty), and the group SCAD (Smoothly Clipped Absolute Deviation). Our results demonstrate that the proposed methodology is superior in correctly selecting covariates compared with the existing competing methods while maintaining a satisfactory level of goodness of fit. In contrast, the competing methods could not balance selection accuracy with goodness of fit. We also considered a COVID-19 dataset and some socioeconomic data from Brazil as an application and obtained satisfactory results. In short, the proposed Bayesian variable selection model is highly competitive, showing significant predictive and selective quality.