Bayesianische Regularisierung in Regressionsmodellen mit hochdimensionalen Prädiktoren

struckturiert加性回归模型（STAR） (hochdimensionalen Prädiktoren and einer grose ßen Zahl zu schätzender参数erforderen Einsatz geiget regularisiter statisscher Schätzverfahren。在der zweiten Förderperiode dieses项目werden bayesian Verfahren entwickelt中，die auf regular - isierunges - priorismitcontionaler normalverilungstrucktur beruhen。Durch die Wahl geigineter hyperpriority分类器，如非固有的正则化分类器，如非固有的正则化分类器，如非固有的正则化分类器，如非固有的正则化分类器，如：Schätzung柔性分类器，无参数分类器，如：räumlicher有效分类器和多维参数分类器。Die arbeen der zweiten Förderperiode lassen sien in Die bebeiten“正则性模型的基本特征优选”和“STAR-Modellen中的模型与贝叶斯变量选择”untereen。[1][1][1][1][1][1][1][1][1][1][1][1]。Der zweite Bereich beschäftigt siich mit bayesian - ischen modelellwahlverfahren, die auf sogenannten Spike and Slab Mischungs-Prioris sowie entsprechenden punktmass in Null-Prioris basieren。贝叶斯检验法是一种功能有效的检验法。在中国，有一种不完全的、优先的、不完全的、不完全的、不完全的、不完全的、不完全的、不完全的、不完全的现象。

Strukturiert additive Regressionsmodelle (STAR) mit hochdimensionalen Prädiktoren und einer großen Zahl zu schätzender Parameter erfordern den Einsatz geeignet regularisierter statistischer Schätzverfahren. In der zweiten Förderperiode dieses Projekts werden Bayesianische Verfahren entwickelt, die auf Regularisierungs-Prioris mit konditionaler Normalverteilungsstruktur beruhen. Durch die Wahl geeigneter Hyperprioris lassen sich unterschiedliche Regularisierungseigenschaften erzielen die sich besonders zur Schätzung flexibler, nichparametrischer Kovariableneffekte sowie räumlicher Effekte und hochdimensionaler Parametervektoren eignen. Die Arbeiten der zweiten Förderperiode lassen sich in die Bereiche „Regularisierung basierend auf i.i.d. Prioris“ und „Modellwahl und Bayesianische Variablenselektion in STAR-Modellen“ unterteilen. Im ersten Bereich werden die Regularisierung hochdimensionaler Accelerated Failure Time-Modelle und Regularisierungsansätze für Mehrstadien-Modelle untersucht. Der zweite Bereich beschäftigt sich mit Bayesianischen Modellwahlverfahren, die auf sogenannten Spike and Slab Mischungs-Prioris sowie entsprechenden Punktmasse in Null-Prioris basieren. Ziel ist dabei insbesondere die Entwicklung Bayesianischer Tests auf nichtlineare funktionale Effekte. Darüber hinaus wird der Einfluss (teilweise) uneigentlicher Priori-Verteilungen auf die Normierbarkeit der Posteriori untersucht werden.