On Bayesian robust regression with diverging number of predictors
On Bayesian robust regression with diverging number of predictors
复制标题
关于预测变量数量不同的贝叶斯稳健回归
DOI：
--
复制
发表时间：
2015
期刊：
影响因子：
--
通讯作者：
Y. Ritov
中科院分区：
文献类型：
--
作者：
D. Nevo;Y. Ritov
研究了预测变量数与观测变量数以相似速率增长时的稳健回归模型。最近，几位作者开发了这种状态下的M估计量理论[El Karoui等人，2013，Bean等人，2013，Donoho and Montanari，2013].
由于M-估计无法成功地估计系数向量的欧氏范数，我们考虑了这个模型的贝叶斯框架。我们建议一个两个组成部分的混合物的正常的系数之前，并开发一个吉布斯采样程序从相关的后验分布的采样，同时利用一个规模的混合物的正态表示的误差分布。不同于M-估计，建议的贝叶斯估计是一致的，在欧几里德范数意义。仿真结果表明，贝叶斯估计优于传统的估计方法。
This paper concerns the robust regression model when the number of predictors and the number of observations grow in a similar rate. Theory for M-estimators in this regime has been recently developed by several authors [El Karoui et al., 2013, Bean et al., 2013, Donoho and Montanari, 2013].
Motivated by the inability of M-estimators to successfully estimate the Euclidean norm of the coefficient vector, we consider a Bayesian framework for this model. We suggest a two-component mixture of normals prior for the coefficients and develop a Gibbs sampler procedure for sampling from relevant posterior distributions, while utilizing a scale mixture of normal representation for the error distribution . Unlike M-estimators, the proposed Bayes estimator is consistent in the Euclidean norm sense. Simulation results demonstrate the superiority of the Bayes estimator over traditional estimation methods.
影响因子：
1.4
作者：
E. George;R. McCulloch
通讯作者：
E. George;R. McCulloch