基于惩罚方法的贝叶斯群组变量选择

摘要：

本文针对既选择组水平变量又选择组内单个变量这两种情况下的变量选择惩罚方法,从贝叶斯的角度进行分析,指出其能被表示为一个最大后验估计.之后,给出贝叶斯框架下的两种群组变量选择惩罚方法的层次模型表达形式,并给出参数估计适于Gibbs抽样的满条件分布.最后,通过模拟比较得出结论:分别用BGL、BSGL模型进行组变量选择和双层变量选择是可行的,但得到的模型在验证集上的预测误差较大.

关键词：群组变量选择、惩罚函数、贝叶斯Group lasso、贝叶斯稀疏Group lasso、Gibbs抽样

所属期刊栏目：36

分类号：O213(概率论与数理统计)

在线出版日期：2017-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：6-13