Generalized Nonlinear Modeling With Multivariate Free-Knot Regression Splines
基于多元自由结点回归样条的广义非线性建模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：摘要讨论通用非高斯多元回归与贝叶斯计算，信用卡应用本身不足以归入所列金融或离散选择方向。
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
基于多元自由结点回归样条的广义非线性建模
- 研究问题
- 如何灵活建模单变量或多变量非高斯响应，并同时处理非线性关系、多元响应相关性以及样条结点数量与位置的不确定性？
- 方法与思路
- 作者采用贝叶斯自由结点多元回归样条，以可逆跳跃MCMC探索模型空间，并引入潜在随机残差效应以简化部分条件分布。
- 材料陈述的贡献
- 摘要称，潜在残差效应可刻画多元响应相关性，使方法将似不相关回归推广至非高斯数据，并以事故与信用卡使用数据示例。
- 阅读关注点
- 应核对结点与残差效应的先验、可逆跳跃采样步骤、相关结构的设定，以及实例中后验计算与模型拟合的诊断。
- 阅读边界
- 摘要未说明先验细节、计算收敛或实例结果，不能判断拟合优势。所给OpenAlex索引摘要版本未注明。
原文摘要
A Bayesian method is presented for the nonparametric modeling of univariate and multivariate non-Gaussian response data. Data-adaptive multivariate regression splines are used where the number and location of the knot points are treated as random. The posterior model space is explored using a reversible-jump Markov chain Monte Carlo sampler. Computational difficulties are partly alleviated by introducing a random residual effect in the model that leaves many of the posterior conditional distributions of the model parameters in standard form. The use of the latent residual effect provides a convenient vehicle for modeling correlation in multivariate response data, and as such our method can be seen to generalize the seemingly unrelated regression model to non-Gaussian data. We illustrate the method on a number of examples, including two previously unpublished datasets relating to the spatial smoothing of multivariate accident data in Texas and the modeling of credit card use across multiple retail sectors.