Debiased Bayesian Inference for High-dimensional Regression Models
高维回归模型的去偏贝叶斯推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论高维回归后验去偏的通用统计理论，未提供经济应用主题，无法据此选择所列领域细分。
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
高维回归模型的去偏贝叶斯推断
- 研究问题
- 稀疏先验产生的高维回归后验可能缺乏有效的频率学覆盖，如何对整个后验分布去偏，使可信集具备置信集解释？
- 方法与思路
- 作者提出针对整个贝叶斯后验分布的偏差修正，并建立新的 Bernstein–von Mises 定理，以模拟和两项经济学应用展示表现。
- 材料陈述的贡献
- 摘要称，新的去偏方法及定理可保证修正后验的频率学有效性，将偏差校正从点估计层面扩展至整个后验分布。
- 阅读关注点
- 应核对定理覆盖哪些参数或泛函、后验收敛采用何种度量，以及稀疏性、设计矩阵、先验和维度增长需要哪些限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出定理条件、修正算法或覆盖结果，不能推断任意高维后验均可适用。
原文摘要
There has been significant progress in Bayesian inference based on sparsity-inducing (e.g., spike-and-slab and horseshoe-type) priors for high-dimensional regression models. The resulting posteriors, however, in general do not possess desirable frequentist properties, and the credible sets thus cannot serve as valid confidence sets even asymptotically. We introduce a novel debiasing approach that corrects the bias for the entire Bayesian posterior distribution. We establish a new Bernstein-von Mises theorem that guarantees the frequentist validity of the debiased posterior. We demonstrate the practical performance of our proposal through Monte Carlo simulations and two empirical applications in economics.