用于广义线性模型及逻辑回归应用的拉普拉斯幂期望后验先验
统计方法学
2021-12-07 v1 统计理论
应用统计
统计计算
统计理论
摘要
幂期望后验（PEP）方法借鉴了幂先验、期望后验先验和单位信息先验文献中的思想，提供了一种构建客观先验的系统方法。其基本思想是利用虚拟训练样本将无信息先验更新为最小信息先验。在这项工作中，我们针对广义线性模型提出了一种新颖的PEP先验定义，该定义依赖于虚拟训练样本似然的拉普拉斯展开。与先前针对广义线性模型的无信息先验的提议相比，该方法在计算、实践和理论方面具有多种优势。我们特别侧重于逻辑回归模型，其中样本分离对替代方法提出了特殊挑战。我们研究了该过程的渐近与有限样本性质，表明其既是渐近一致的也是内蕴一致的，并且其表现至少与文献中替代方法相当，在某些情形下优于后者。
引用
@article{arxiv.2112.02524,
title = {Laplace Power-expected-posterior priors for generalized linear models with applications to logistic regression},
author = {Anupreet Porwal and Abel Rodriguez},
journal= {arXiv preprint arXiv:2112.02524},
year = {2021}
}