PliableBVS: A flexible Bayesian variable selection method for modeling interactions with mandatory modifying variables
PliableBVS：为含强制修饰变量的交互建模设计的灵活贝叶斯变量选择方法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。
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：摘要聚焦贝叶斯变量选择与高维交互建模的方法学，属于统计方法而非用户所列微观、宏观或金融计量细分方向，故不选择任何领域 key。
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
PliableBVS：为含强制修饰变量的交互建模设计的灵活贝叶斯变量选择方法
- 研究问题
- 摘要称，研究问题是在高维交互模型中，如何在大批候选交互项与较少修饰变量之间进行变量选择，同时保留 pliable lasso 的非对称弱层级约束结构。
- 方法与思路
- 作者提出 PliableBVS，在 pliable lasso 框架下引入 spike-and-slab 先验，结合贝叶斯 lasso 的连续收缩效应，并设置两层决策变量：一层决定主效应是否纳入，另一层在对应主效应纳入的条件下决定交互效应是否纳入。
- 材料陈述的贡献
- 摘要称，该结构可在统一的概率框架内同时选择高维主效应与交互效应；模拟研究显示其在多数情形下优于原始 pliable lasso，能更好识别活跃主效应与交互效应、减少假发现并改善预测精度；在分娩启动与子痫前期数据应用中选出具有生物学意义的特征与交互。
- 阅读关注点
- 应核对层级约束的具体形式与先验设定、两层决策变量的后验推断与计算算法、模拟设计及比较基准是否公平、评价指标定义，以及两个应用数据中特征与交互的筛选标准与可复现性。
- 阅读边界
- 仅依据摘要，无法判断识别假设、理论性质、收敛性或频率学保证，也无法核实模拟与应用的数值结果；摘要未说明样本量、先验超参数选择与敏感性分析。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
High-dimensional interaction models are useful for studying, for example, how a large set of variables of interest, such as gene expression or other omics features, interact with a smaller set of modifying variables, such as clinical covariates. In this context, the pliable lasso has recently been proposed as an efficient method for screening large numbers of potential interaction terms under an asymmetric weak hierarchical constraint. In this work, we extend this framework by introducing PliableBVS, a Bayesian variable selection approach that preserves the hierarchical structure of the pliable lasso while inducing sparsity through spike-and-slab priors. The proposed model combines the continuous shrinkage effect of Bayesian lasso with a hierarchical spike-and-slab prior formulation that has two layers of decision variables: one governing the inclusion of main effects and another controlling the inclusion of interaction effects which is conditional on the inclusion of the corresponding main effects. This structure enables simultaneous selection of high-dimensional main and interaction effects within a coherent probabilistic framework. In simulation studies the proposed method outperforms the original pliable lasso in identifying active main and interaction effects, reducing false discoveries, and improving prediction accuracy in most scenarios. Applications with data from a labor onset study and a preeclampsia study demonstrate that PliableBVS selects biologically meaningful features and interactions.