Bayesian inference on quasi-sparse count data
准稀疏计数数据的贝叶斯推断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：摘要讨论计数数据收缩与多重检验，应用于基因突变和城市受恐怖主义影响，未明确对应所列经济计量方向。
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
准稀疏计数数据的贝叶斯推断
- 研究问题
- 对于高维计数数据中大量零值及小非零计数形成的准稀疏结构，如何设计能够适应这种结构的先验和多重检验方法？
- 方法与思路
- 作者构造适用于准稀疏计数的连续局部—全局收缩先验，研究后验集中和错误发现控制，并开展模拟与实际数据分析。
- 材料陈述的贡献
- 摘要称新先验具有灵活的后验集中性质和更强的错误发现控制，模拟显示较好的小样本表现，并展示突变热点等应用。
- 阅读关注点
- 应核对准稀疏性的定义、计数似然及先验形式、后验集中所需条件，以及错误发现控制的指标和比较方法。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；理论条件、控制水平和模拟优势的适用范围未说明。
原文摘要
There is growing interest in analysing high-dimensional count data, which often exhibit quasi-sparsity corresponding to an overabundance of zeros and small nonzero counts. Existing methods for analysing multivariate count data via Poisson or negative binomial log-linear hierarchical models with zero-inflation cannot flexibly adapt to quasi-sparse settings. We develop a new class of continuous local-global shrinkage priors tailored to quasi-sparse counts. Theoretical properties are assessed, including flexible posterior concentration and stronger control of false discoveries in multiple testing. Simulation studies demonstrate excellent small-sample properties relative to competing methods. We use the method to detect rare mutational hotspots in exome sequencing data and to identify North American cities most impacted by terrorism.