贝叶斯复合分位回归的Gibbs抽样算法

摘要：

大多数基于传统均值回归的建模方法都对非正态误差表现出不稳健的估计结果.和传统均值回归相比,复合分位回归(CQR)可以产生稳健的估计.基于一个复合反对称Laplace分布(CALD),我们建立了加权复合分位回归(WCQR)的贝叶斯分层模型.Gibbs抽样算法被发展用于WCQR的后验推断.最后,我们提供了一些模拟研究和一个实际数据分析来验证所提方法.

关键词：复合反对称Laplace分布(CALD)、马尔可夫链蒙特卡洛(MCMC)算法、分位回归、Gibbs抽样、分层模型、后验推断

所属期刊栏目：35

分类号：O212.1;O212.8(概率论与数理统计)

资助基金：The project was partly supported by the China Postdoctoral Science FoundationGrant 2017M610156;the National Natural Science Foundation of ChinaGrant 11501167;the Young Academic Leaders Project of Henan University of Science and TechnologyGrant 13490008

在线出版日期：2019-08-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：178-192