Bayes and empirical-Bayes multiplicity adjustment in the variable-selection problem
变量选择中贝叶斯与经验贝叶斯的多重性调整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：摘要研究通用线性回归变量选择与先验校正，没有明确对应所列应用领域。
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
变量选择中贝叶斯与经验贝叶斯的多重性调整
- 研究问题
- 线性回归变量选择中的贝叶斯先验何时自动校正多重性，这种校正与奥卡姆剃刀效应有何区别，两类贝叶斯方法为何不同？
- 方法与思路
- 作者结合实例、理论结果和模拟，比较经验贝叶斯与完全贝叶斯变量选择，并分析标准先验产生多重性校正的机制。
- 材料陈述的贡献
- 摘要称，两种方法可存在显著渐近差异；即使经验贝叶斯纳入概率估计趋于真值，差异仍可能存在，并非仅源于超参数不确定性。
- 阅读关注点
- 应核对先验层次、多重性校正的定义、渐近差异定理的条件，以及差异为何不能仅归因于忽略超参数不确定性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断差异出现的具体模型条件、大小或实际影响，不能概括为某方法普遍更优。
原文摘要
This paper studies the multiplicity-correction effect of standard Bayesian variable-selection priors in linear regression. Our first goal is to clarify when, and how, multiplicity correction happens automatically in Bayesian analysis, and to distinguish this correction from the Bayesian Ockham’s-razor effect. Our second goal is to contrast empirical-Bayes and fully Bayesian approaches to variable selection through examples, theoretical results and simulations. Considerable differences between the two approaches are found. In particular, we prove a theorem that characterizes a surprising aymptotic discrepancy between fully Bayes and empirical Bayes. This discrepancy arises from a different source than the failure to account for hyperparameter uncertainty in the empirical-Bayes estimate. Indeed, even at the extreme, when the empirical-Bayes estimate converges asymptotically to the true variable-inclusion probability, the potential for a serious difference remains.