Bayesian Regression Modeling with Interactions and Smooth Effects
包含交互项与平滑效应的贝叶斯回归建模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：摘要属于通用贝叶斯回归与预测方法，未明确涉及宏观预测或金融收益预测。
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
包含交互项与平滑效应的贝叶斯回归建模
- 研究问题
- 如何构建兼顾计算、解释和预测的灵活贝叶斯回归，并用较简约的结构表达平滑主效应与二元交互效应？
- 方法与思路
- 作者采用样条建模平滑效应与二元交互，以惩罚复杂度的先验控制模型，并通过模型选择或模型平均生成预测。
- 材料陈述的贡献
- 摘要称提出了计算和解释较简单的样条方法及节约参数的交互建模方式，在模拟与真实数据中综合表现良好。
- 阅读关注点
- 应核对交互样条的具体构造、复杂度先验的作用，以及模型选择和模型平均在计算、解释与预测方面的比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未提供先验形式、比较指标或数值结果，不能断言优于树或高斯过程。
原文摘要
There have been many recent suggestions as to how to build and estimate flexible Bayesian regression models, using constructs such as trees, neural networks, and Gaussian processes. Although there is much to commend these methods, their implementation and interpretation can be daunting for practitioners. This article presents a spline-based methodology for flexible Bayesian regression that is quite simple in terms of computation and interpretation. Smooth bivariate interactions are modeled in an economical and apparently novel way, and prior distributions that penalize complexity are used. Predictions can be based on either model selection or model averaging. Taking computation, interpretation, and predictive performance into account, the method is seen to perform well when applied to simulated and real data.