Variable Selection in the Presence of Factors: A Model Selection Perspective
含分类变量的变量选择：模型选择视角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：摘要中的 factors 明确是分类变量，并非宏观或金融潜在因子；一般变量选择不足以归入其他细分。
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
含分类变量的变量选择：模型选择视角
- 研究问题
- 作者研究高斯多元回归中包含分类预测变量时，哑变量编码如何影响候选模型集合，以及如何避免变量选择依赖编码方式。
- 方法与思路
- 作者从贝叶斯模型选择出发，对不同活跃变量组合构造模型并计算后验概率，设计绕过分类变量表示问题的方法。
- 材料陈述的贡献
- 摘要称方法解决了候选模型依赖哑变量表示的问题，无需指定调节参数，并在比较中呈现具有竞争力的频率学表现。
- 阅读关注点
- 应核对分类变量编码改变候选模型的具体机制、先验与模型空间构造，以及所谓自动化和频率学比较覆盖哪些情境。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；这里的 factors 指分类变量。编码稳健性的具体范围、先验敏感性及比较条件未说明。
原文摘要
In the context of a Gaussian multiple regression model, we address the problem of variable selection when in the list of potential predictors there are factors, that is, categorical variables. We adopt a model selection perspective, that is, we approach the problem by constructing a class of models, each corresponding to a particular selection of active variables. The methodology is Bayesian and proceeds by computing the posterior probability of each of these models. We highlight the fact that the set of competing models depends on the dummy variable representation of the factors, an issue already documented by Fernández et al. in a particular example but that has not received any attention since then. We construct methodology that circumvents this problem and that presents very competitive frequentist behavior when compared with recently proposed techniques. Additionally, it is fully automatic, in that it does not require the specification of any tuning parameters.