Structuring shrinkage: some correlated priors for regression
结构化收缩：回归中的相关先验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：摘要讨论通用回归系数的相关稀疏先验；序列依赖指系数结构，未明确时间序列或其他给定细分对象，因此暂不分类。
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
结构化收缩：回归中的相关先验
- 研究问题
- 如何在稀疏回归先验中同时压缩单个效应与效应之间的差异，并纳入系数序列依赖或组内相关，同时较少收缩较大效应？
- 方法与思路
- 作者利用正态伽马分布的性质，将设计结构纳入相关稀疏先验，分别构造处理回归效应序列依赖和组内相关的先验。
- 材料陈述的贡献
- 摘要称所构造先验能鼓励效应及其差异向零收缩，同时使较大的真实效应较少受压缩，构造思路也适用于连续稀疏先验。
- 阅读关注点
- 应核对相关结构如何进入先验、超参数如何控制两类收缩，以及保留较大效应的陈述具有什么理论或经验支持。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；后验计算、超参数选择与性能比较未说明，系数序列依赖也不等于时间序列应用。
原文摘要
This paper develops a rich class of sparsity priors for regression effects that encourage shrinkage of both regression effects and contrasts between effects to zero whilst leaving sizeable real effects largely unshrunk. The construction of these priors uses some properties of normal-gamma distributions to include design features in the prior specification, but has general relevance to any continuous sparsity prior. Specific prior distributions are developed for serial dependence between regression effects and correlation within groups of regression effects.