Nonlocal Priors for High-Dimensional Estimation
用于高维估计的非局部先验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：摘要讨论通用高维贝叶斯估计及基因表达应用，未提供所列经济或金融预测细分方向的直接证据。
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
用于高维估计的非局部先验
- 研究问题
- 非局部先验能否在高维估计中兼顾简约性与预测能力，其模型平均对无关参数和真实非零参数的收缩行为有何区别？
- 方法与思路
- 作者研究非局部先验下贝叶斯模型平均的收缩性质，将部分结果扩展到增长维度线性模型，并以截断分布混合实现抽样。
- 材料陈述的贡献
- 摘要称该方法快速收缩无关参数而不收缩真实非零参数；模拟与基因表达应用中报告较低估计误差及更简约的预测模型。
- 阅读关注点
- 应核对正则条件、维度增长限制和各类收缩速度，以及先验设置、计算成本与比较方法的调参是否具有可比性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；维度关系和解释度符号排版需核对原文，摘要未给具体条件与数值，不能认定普遍优势。
原文摘要
Jointly achieving parsimony and good predictive power in high dimensions is a main challenge in statistics. Nonlocal priors (NLPs) possess appealing properties for model choice, but their use for estimation has not been studied in detail. We show that for regular models NLP-based Bayesian model averaging (BMA) shrink spurious parameters either at fast polynomial or quasi-exponential rates as the sample size n increases, while nonspurious parameter estimates are not shrunk. We extend some results to linear models with dimension p growing with n. Coupled with our theoretical investigations, we outline the constructive representation of NLPs as mixtures of truncated distributions that enables simple posterior sampling and extending NLPs beyond previous proposals. Our results show notable high-dimensional estimation for linear models with p > >n at low computational cost. NLPs provided lower estimation error than benchmark and hyper-g priors, SCAD and LASSO in simulations, and in gene expression data achieved higher cross-validated R2 with less predictors. Remarkably, these results were obtained without prescreening variables. Our findings contribute to the debate of whether different priors should be used for estimation and model selection, showing that selection priors may actually be desirable for high-dimensional estimation. Supplementary materials for this article are available online.