Penalized likelihood and Bayesian function selection in regression models
Penalized likelihood and Bayesian function selection in regression models
复制标题
回归模型中的惩罚似然和贝叶斯函数选择
DOI：
10.1007/s10182-013-0211-3
复制
发表时间：
2013
期刊：
影响因子：
--
通讯作者：
Fahrmeir
中科院分区：
文献类型：
--
作者：
Cheipl;Fahrmeir
在各个领域具有挑战性的研究已经推动了广泛的方法进步的变量选择与高维预测回归模型。相比之下，具有可加性预测因子的模型中非线性函数的选择直到最近才被考虑。几个相互竞争的建议几乎在同一时间被提出，而且往往不相互提及。本文提供了对函数选择的最新回顾，重点是惩罚似然和贝叶斯概念，将各种方法相互联系在一个统一的框架中。在包括增强在内的实证比较中，我们通过模拟和真实数据的应用来评估几种方法，从而为它们在实践中的表现提供一些指导。
Challenging research in various fields has driven a wide range of methodological advances in variable selection for regression models with high-dimensional predictors. In comparison, selection of nonlinear functions in models with additive predictors has been considered only more recently. Several competing suggestions have been developed at about the same time and often do not refer to each other. This article provides a state-of-the-art review on function selection, focusing on penalized likelihood and Bayesian concepts, relating various approaches to each other in a unified framework. In an empirical comparison, also including boosting, we evaluate several methods through applications to simulated and real data, thereby providing some guidance on their performance in practice.
登录
查看更多内容
影响因子：
3.7
作者：
Remy Cottet;R. Kohn;D. Nott
通讯作者：
Remy Cottet;R. Kohn;D. Nott
影响因子：
4.5
作者：
Huang J;Horowitz JL;Wei F
通讯作者：
Wei F
风险回归中的贝叶斯平滑、收缩和变量选择
影响因子：
2.2
作者：
Susanne Konrath;L. Fahrmeir;T. Kneib
通讯作者：
T. Kneib
统计：从证据到政策
DOI：
--
发表时间：
2010
期刊：
影响因子：
--
作者：
S. Morton
通讯作者：
S. Morton
使用 BayesX 估计结构化加性回归模型
DOI：
--
发表时间：
2015
期刊：
影响因子：
--
作者：
Nikolaus Umlauf;T. Kneib;S. Lang;A. Zeileis
通讯作者：
A. Zeileis