Objective Bayesian Variable Selection
客观贝叶斯变量选择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：摘要研究正态回归中的通用贝叶斯变量选择，未提供与所列经济计量细分方向直接对应的模型背景。
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
客观贝叶斯变量选择
- 研究问题
- 在正态回归的变量选择中，如何构造由模型结构导出的默认先验，并据模型后验概率自动搜索候选模型空间？
- 方法与思路
- 作者以不含调节参数的内在先验计算模型后验概率，采用平稳分布与这些后验概率成比例的 Metropolis–Hastings 随机搜索。
- 材料陈述的贡献
- 摘要称，论文提出全自动的贝叶斯变量选择程序，将内在先验与后验概率驱动的随机搜索结合，并在模拟和真实例子中展示。
- 阅读关注点
- 应核对内在先验的推导、模型先验与候选空间设定、搜索算法的收敛诊断，以及模拟和真实例子使用的比较指标。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；未报告选择准确率、计算成本或高维保证，默认先验的无调节参数性质不等于所有决策均无须设定。
原文摘要
A novel fully automatic Bayesian procedure for variable selection in normal regression models is proposed. The procedure uses the posterior probabilities of the models to drive a stochastic search. The posterior probabilities are computed using intrinsic priors, which can be considered default priors for model selection problems; that is, they are derived from the model structure and are free from tuning parameters. Thus they can be seen as objective priors for variable selection. The stochastic search is based on a Metropolis–Hastings algorithm with a stationary distribution proportional to the model posterior probabilities. The procedure is illustrated on both simulated and real examples.