Dirichlet Process Mixtures of Block g Priors for Model Selection and Prediction in Linear Models
线性模型选择与预测中的分块 g 先验狄利克雷过程混合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：摘要研究通用线性模型的先验、选择与预测，未提供足够依据归入收益预测或其他指定领域细分。
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
线性模型选择与预测中的分块 g 先验狄利克雷过程混合
- 研究问题
- 在线性模型中，如何对不同参数块实施差异化收缩，同时考虑预测变量相关性，并兼顾模型选择与预测表现？
- 方法与思路
- 作者提出分块 g 先验的狄利克雷过程混合，让数据选择的参数块具有不同收缩程度，并开发所需额外调参较少的 MCMC 算法。
- 材料陈述的贡献
- 摘要称该先验具有多种一致性并避免条件 Lindley 悖论；经验研究考察了少量大效应存在时对较小显著效应的检测能力。
- 阅读关注点
- 应核对参数分块机制、不同一致性结论的条件、条件 Lindley 悖论的具体含义，以及小效应检出与误发现的权衡。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，未核对全文或刊本变化；误发现增幅的英文表述不清，需查原文，不能据此判断误发现率控制。
原文摘要
This paper introduces Dirichlet process mixtures of block g priors for model selection and prediction in linear models. These priors are extensions of traditional mixtures of g priors that allow for differential shrinkage for various (data-selected) blocks of parameters while fully accounting for the predictors’ correlation structure, providing a bridge between the literatures on model selection and continuous shrinkage priors. We show that Dirichlet process mixtures of block g priors are consistent in various senses and, in particular, that they avoid the conditional Lindley “paradox” highlighted by Som et al. (2016). Further, we develop a Markov chain Monte Carlo algorithm for posterior inference that requires only minimal ad-hoc tuning. Finally, we investigate the empirical performance of the prior in various real and simulated datasets. In the presence of a small number of very large effects, Dirichlet process mixtures of block g priors lead to higher power for detecting smaller but significant effects without only a minimal increase in the number of false discoveries.