Bayesian Variable Selection via Particle Stochastic Search.
Bayesian Variable Selection via Particle Stochastic Search.
复制标题
DOI：
10.1016/j.spl.2010.10.011
复制
发表时间：
2011-02-01
影响因子：
0.8
通讯作者：
Dunson DB
中科院分区：
文献类型：
--
作者：
Shi M;Dunson DB
我们专注于回归模型中的贝叶斯变量选择。一个挑战是充分搜索巨大的模型空间，同时识别高后验概率区域。在过去的几十年中，主要的焦点一直是使用马尔可夫链蒙特卡罗（MCMC）算法，用于这些目的。在这篇文章中，我们提出了一种新的计算方法的基础上顺序蒙特卡罗（SMC），我们称之为粒子随机搜索（PSS）。我们说明PSS通过应用程序的线性回归和概率模型。
We focus on Bayesian variable selection in regression models. One challenge is to search the huge model space adequately, while identifying high posterior probability regions. In the past decades, the main focus has been on the use of Markov chain Monte Carlo (MCMC) algorithms for these purposes. In this article, we propose a new computational approach based on sequential Monte Carlo (SMC), which we refer to as particle stochastic search (PSS). We illustrate PSS through applications to linear regression and probit models.
登录
查看更多内容
影响因子：
3.7
作者：
Chung Y;Dunson DB
通讯作者：
Dunson DB
影响因子：
3.7
作者：
GEORGE, EI;MCCULLOCH, RE
通讯作者：
MCCULLOCH, RE
影响因子：
4.4
作者：
Holmes, Chris C.;Held, Leonhard
通讯作者：
Held, Leonhard
DOI：
10.1111/j.1467-9868.2005.00503.x
发表时间：
2005-01-01
影响因子：
5.8
作者：
Zou, H;Hastie, T
通讯作者：
Hastie, T
影响因子：
5.7
作者：
Carvalho, Carlos M.;Johannes, Michael S.;Polson, Nicholas G.
通讯作者：
Polson, Nicholas G.