Variational Bayesian Sparse Negative Binomial Regression
变分贝叶斯稀疏负二项回归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：摘要聚焦计数数据的贝叶斯变量选择与计算方法，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列或金融等方向，故不选择。
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…
变分贝叶斯稀疏负二项回归
- 研究问题
- 摘要称，针对过度分散且预测变量高维的计数数据，如何在负二项回归框架下实现可扩展的贝叶斯稀疏估计与变量选择，替代计算昂贵的 MCMC 方法。
- 方法与思路
- 作者提出变分贝叶斯框架，对稀疏负二项回归采用马蹄先验与连续 spike-and-slab 先验，并与 MCMC 基准在估计精度和变量选择上作比较，同时通过模拟与真实基准数据评估计算效率。
- 材料陈述的贡献
- 摘要称所提方法在估计精度与变量选择表现上可与 MCMC 基准相当，同时显著节省计算成本；模拟显示过度分散时负二项设定必要，而泊松方法性能明显下降，且所提方法在数据为泊松时仍稳健。
- 阅读关注点
- 应核对变分近似的具体形式与优化算法、先验超参数设定、与 MCMC 比较的模拟设计与评价指标、高维规模上限，以及真实数据应用中的变量选择结果是否可复现。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；不能据此判断方法细节、理论保证或实证结论的可靠性，也不能声称已经同行评审或期刊接收。
原文摘要
Count data with overdispersion and high-dimensional predictors pose significant challenges in modern applications. While negative binomial regression offers a flexible modeling framework, existing Bayesian approaches rely on computationally expensive MCMC methods that become impractical in high-dimensional settings. This paper develops a variational Bayesian framework for sparse negative binomial regression using horseshoe and continuous spike-and-slab priors. Our proposed methods achieve estimation accuracy and variable selection performance comparable to MCMC benchmarks while offering substantial computational savings over MCMC. Extensive simulations demonstrate that the negative binomial specification is essential for overdispersed data, as Poisson-based approaches exhibit substantial performance degradation under overdispersion. Conversely, our methods remain robust when the data are Poisson, making them a safer default choice. Applications to real benchmark datasets further confirm the practical utility of our approach.