采用空间相关全局-局部收缩先验的泊松回归中的贝叶斯区域选择与预测

高维空间相关协变量在环境科学等领域的回归模型中常见。在此类模型中，回归系数常表现为稀疏结构且具有空间相关性。虽然标准变量选择方法有助于检测稀疏结构，但将相关性纳入变量选择可帮助恢复空间连续信号并提高预测精度。针对一次现实挑战——风暴计数预测——我们提出了一种面向泊松回归中区域选择与预测的新型邻域结构化全局-局部收缩先验。该先验将条件自回归（CAR）先验与超重尾先验相结合，引入系数之间的空间相关性，同时确保协变量选择的适当收缩效应。我们开发了一种高效的马尔可夫- Gibbs 抽样器进行计算，可容纳计数数据。广泛的模拟研究表明，当信号较弱且相邻时，协变量之间的空间相关性较强时，该模型表现尤为出色。在北大西洋风暴预测应用中，我们的方法优于传统回归方法，并与基准 oracle 模型不相上下。