The choice of variables in multivariate regression: a non-conjugate Bayesian decision theory approach
多元回归变量选择的非共轭贝叶斯决策论方法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：摘要讨论通用多元回归变量选择及光谱应用，未涉及给定的经济或金融细分研究对象。
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
多元回归变量选择的非共轭贝叶斯决策论方法
- 研究问题
- 多元线性回归中，如何在预测准确性与使用解释变量的成本之间权衡，并在解释变量数量超过观测数量时寻找合适的变量子集？
- 方法与思路
- 作者采用多元贝叶斯决策框架和非共轭适当先验，加入无法由预测变量解释的误差成分，再用模拟退火及快速更新搜索子集。
- 材料陈述的贡献
- 摘要称扩展了变量选择的决策论方法与标准先验，以避免所讨论的确定性问题，并用近红外光谱例子展示多响应建模及高维使用。
- 阅读关注点
- 应核对变量成本与预测损失的定义、额外误差成分及先验构造，检查搜索算法和比较标准，以及变量多于样本时推断所依赖的条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，成本设定、先验敏感性和搜索最优性未说明；单个光谱例子不能证明多元回归普遍占优。
原文摘要
We consider the choice of explanatory variables in multivariate linear regression. Our approach balances prediction accuracy against costs attached to variables in a multivariate version of a decision theory approach pioneered by Lindley (1968). We also employ a non-conjugate proper prior distribution for the parameters of the regression model, extending the standard normal-inverse Wishart by adding a component of error which is unexplainable by any number of predictor variables, thus avoiding the determinism identified by Dawid (1988). Simulated annealing and fast updating algorithms are used to search for good subsets when there are very many regressors. The technique is illustrated on a near infrared spectroscopy example involving 39 observations and 300 explanatory variables. This demonstrates the effectiveness of multivariate regression as opposed to separate univariate regressions. It also emphasises that within a Bayesian framework more variables than observations can be utilised.