Bayesian Elastic Net Regression with Structured Prior Dependence
具有结构化先验依赖的贝叶斯弹性网回归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：摘要讨论的是贝叶斯回归先验、正则化与后验抽样方法，属于统计方法论，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等具体应用方向，故不选择任何细分领域。
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
具有结构化先验依赖的贝叶斯弹性网回归
- 研究问题
- 摘要称，许多贝叶斯回归正则化先验（包括套索与弹性网的标准贝叶斯处理）假定回归系数先验独立；本文关注的问题是：如何在贝叶斯弹性网回归中引入并刻画先验依赖结构，从而获得更大的建模灵活性。
- 方法与思路
- 作者提出正交正态分布的一般形式，用它来构造贝叶斯弹性网回归中的先验依赖结构；并给出 Zellner g 先验的 L1 正则化版本作为特例。由于先验归一化常数不可解析，作者通过略微修改超参数的标准便利先验，使后验可用简单快速的 Gibbs 抽样。
- 材料陈述的贡献
- 摘要称，本文引入正交正态分布的一般形式，展示其可用于结构化贝叶斯弹性网的先验依赖；提出 L1 正则化 Zellner g 先验这一特例，在惩罚优化文献与一类重要回归先验之间建立新联系；并通过模拟和近红外光谱数据例子展示结构化先验依赖的收益。
- 阅读关注点
- 阅读全文时应核对：正交正态分布的具体定义与性质；先验依赖结构如何参数化、与弹性网惩罚的对应关系；L1 正则化 g 先验的推导与适用条件；超参数便利先验的修改是否影响后验推断的解释；Gibbs 抽样器的完整条件分布与收敛表现；模拟与近红外数据例子中比较的基准、评价指标及结论稳健性。
- 阅读边界
- 仅依据摘要，无法判断定理条件、识别假设、抽样收敛性、模拟设计与实证细节，也无法核实所声称的收益大小与普适性；摘要未说明与既有贝叶斯弹性网方法的系统比较范围。该文为 arXiv 预印本（版本 1），未经同行评审验证，不能据此声称已被期刊接收或获得学术认可。
原文摘要
Many regularization priors for Bayesian regression assume the regression coefficients are a priori independent. In particular this is the case for standard Bayesian treatments of the lasso and the elastic net. While independence may be reasonable in some data-analytic settings, incorporating dependence in these prior distributions provides greater modeling flexibility. This paper introduces the orthant normal distribution in its general form and shows how it can be used to structure prior dependence in the Bayesian elastic net regression model. An L1-regularized version of Zellner's g prior is introduced as a special case, creating a new link between the literature on penalized optimization and an important class of regression priors. Computation is challenging due to an intractable normalizing constant in the prior. We avoid this issue by modifying slightly a standard prior of convenience for the hyperparameters in such a way to enable simple and fast Gibbs sampling of the posterior distribution. The benefit of including structured prior dependence in the Bayesian elastic net regression model is demonstrated through simulation and a near-infrared spectroscopy data example.