Bayesian Inference for Semiparametric Binary Regression
半参数二元回归的贝叶斯推断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：摘要明确研究二元响应回归及半参数连接函数，直接对应离散选择方向中的二元响应建模。
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…
半参数二元回归的贝叶斯推断
- 研究问题
- 当二元响应的解释变量线性进入模型，而连接函数仅受单调性及已知位置、尺度限制时，如何开展贝叶斯推断？
- 方法与思路
- 作者修改 Dirichlet 过程构造半参数先验，利用 Pólya 序列理论引入有限个潜变量，并设计 MCMC 后验模拟算法。
- 材料陈述的贡献
- 摘要称提供连接函数具有较少结构限制的二元回归模型、相应贝叶斯计算方案，并应用于癌症放射治疗数据。
- 阅读关注点
- 应核对位置与尺度限制的识别作用、先验如何保证单调性、潜变量表示，以及 MCMC 算法与应用结果的具体解释。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要。摘要未说明先验敏感性、后验理论或算法收敛表现，也未提供治疗效果的因果识别。
原文摘要
We propose a regression model for binary response data that places no structural restrictions on the link function except monotonicity and known location and scale. Predictors enter linearly. We demonstrate Bayesian inference calculations in this model. By modifying the Dirichlet process, we obtain a natural prior measure over this semiparametric model, and we use Polya sequence theory to formulate this measure in terms of a finite number of unobserved variables. We design a Markov chain Monte Carlo algorithm for posterior simulation and apply the methodology to data on radiotherapy treatments for cancer.