通过贝叶斯模型选择检测线性模型中的潜在异方差与基于分组的回归效应
统计方法学
2019-03-05 v1 应用统计
摘要
标准的线性建模方法对分类效应的结构做出了潜在过于简化的假设，这可能会掩盖支配数据的更复杂关系。例如，近期针对无重复双因素设计的研究表明，一个分类预测变量水平之间的隐藏分组经常与未分组因子发生交互。我们将“潜在分组因子”的概念推广到一般的线性模型中。所提出的工作允许研究人员确定分类预测变量水平的表观分组是否揭示了给定观测数据下合理的隐藏结构。具体而言，我们提供了基于贝叶斯模型选择的方法来揭示潜在的基于分组的异方差、回归效应和/或交互作用。未能考虑此类结构可能会产生误导性结论。由于潜在分组结构的存在通常对研究人员而言是先验未知的，我们使用分数贝叶斯因子方法和混合 -先验来克服先验信息的缺乏。
引用
@article{arxiv.1903.01035,
title = {Detection of latent heteroscedasticity and group-based regression effects in linear models via Bayesian model selection},
author = {Thomas A. Metzger and Christopher T. Franck},
journal= {arXiv preprint arXiv:1903.01035},
year = {2019}
}