Variational Bayesian Inference for Parametric and Nonparametric Regression With Missing Data
预测变量缺失下参数与非参数回归的变分贝叶斯推断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：摘要研究通用回归中的缺失数据计算，未提供归入所列具体领域的充分依据。
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
预测变量缺失下参数与非参数回归的变分贝叶斯推断
- 研究问题
- 当回归的预测变量存在缺失时，如何降低贝叶斯层级模型的计算成本，同时保留可用的近似后验推断精度？
- 方法与思路
- 作者以确定性的变分贝叶斯近似替代通常采用的蒙特卡洛计算，同时讨论参数回归和非参数回归中的预测变量缺失。
- 材料陈述的贡献
- 摘要称变分贝叶斯能够以明显较低的计算开销达到良好精度，主要贡献是为缺失预测变量的回归提供快速近似推断。
- 阅读关注点
- 应核对缺失机制、预测变量联合模型、变分分解与优化步骤，并比较后验均值、方差及区间近似的精度和计算成本。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未说明缺失机制、精度指标或适用条件，不能据此判断非随机缺失下是否有效。
原文摘要
Bayesian hierarchical models are attractive structures for conducting regression analyses when the data are subject to missingness. However, the requisite probability calculus is challenging and Monte Carlo methods typically are employed. We develop an alternative approach based on deterministic variational Bayes approximations. Both parametric and nonparametric regression are considered. Attention is restricted to the more challenging case of missing predictor data. We demonstrate that variational Bayes can achieve good accuracy, but with considerably less computational overhead. The main ramification is fast approximate Bayesian inference in parametric and nonparametric regression models with missing data. Supplemental materials accompany the online version of this article.