Shared kernel Bayesian screening
共享核贝叶斯筛选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：摘要直接研究组间分布相等检验及分布特征共享，属于分布比较方法。
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
共享核贝叶斯筛选
- 研究问题
- 在高维变量筛选中，如何利用各变量与组别共享的支持集、模态和偏度特征，检验不同组的分布是否相同？
- 方法与思路
- 作者采用共享核的有限混合模型，对混合权重设置 Dirichlet 先验，并通过共同的组间差异概率跨变量与组别借用信息。
- 材料陈述的贡献
- 摘要称，方法给出两组分布相同的后验概率渐近形式及模型误设下一致性，并在乳腺癌甲基化数据中进行比较。
- 阅读关注点
- 阅读全文时应核对共享核限制、分布相同的先验建模、误设下一致性的目标，以及置换评估第一类错误的实施方式。
- 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；摘要未给出误设范围、错误控制条件或比较的数值结果。
原文摘要
This article concerns testing for equality of distribution between groups. We focus on screening variables with shared distributional features such as common support, modes and patterns of skewness. We propose a Bayesian testing method using kernel mixtures, which improves performance by borrowing information across the different variables and groups through shared kernels and a common probability of group differences. The inclusion of shared kernels in a finite mixture, with Dirichlet priors on the weights, leads to a simple framework for testing that scales well for high-dimensional data. We provide closed asymptotic forms for the posterior probability of equivalence in two groups and prove consistency under model misspecification. The method is applied to DNA methylation array data from a breast cancer study, and compares favourably to competitors when Type I error is estimated via permutation.