Ultimate Pólya Gamma Samplers–Efficient MCMC for Possibly Imbalanced Binary and Categorical Data
面向可能不平衡二元及分类数据的高效 Pólya–Gamma 采样器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：摘要明确提出二元、二项和多项 logit 的贝叶斯采样算法，直接对应离散选择模型方法。
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…
面向可能不平衡二元及分类数据的高效 Pólya–Gamma 采样器
- 研究问题
- 对于二元、二项及多项 logit 模型，尤其可能不平衡的数据，如何构造易实施且采样效率更好的贝叶斯计算方法？
- 方法与思路
- 作者提出基于 Pólya–Gamma 变量的潜变量表示，推导条件高斯形式下的 Gibbs 采样器，并设计边缘数据增广策略改善采样效率。
- 材料陈述的贡献
- 摘要称新表示覆盖多类 logit 模型，并便于扩展至状态空间等框架；边缘数据增广策略及其表现通过广泛模拟和实际应用展示。
- 阅读关注点
- 应核对各类 logit 的潜变量表示、边缘增广步骤如何保持目标分布，以及数据不平衡程度与有效样本量、运行成本的关系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给效率提升数值或统一性能保证，状态空间扩展细节亦未说明。
原文摘要
Modeling binary and categorical data is one of the most commonly encountered tasks of applied statisticians and econometricians.While Bayesian methods in this context have been available for decades now, they often require a high level of familiarity with Bayesian statistics or suffer from issues such as low sampling efficiency.To contribute to the accessibility of Bayesian models for binary and categorical data, we introduce novel latent variable representations based on Pólya-Gamma random variables for a range of commonly encountered logistic regression models.From these latent variable representations, new Gibbs sampling algorithms for binary, binomial, and multinomial logit models are derived.All models allow for a conditionally Gaussian likelihood representation, rendering extensions to more complex modeling frameworks such as state space models straightforward.However, sampling efficiency may still be an issue in these data augmentation based estimation frameworks.To counteract this, novel marginal data augmentation strategies are developed and discussed in detail.The merits of our approach are illustrated through extensive simulations and real data applications.