贝叶斯变量选择中的模型空间先验选择与多重性控制：面向流式逻辑回归的应用
统计方法学
2025-12-30 v1 统计计算
摘要
贝叶斯变量选择（Bayesian variable selection, BVS）严重依赖于对模型空间先验分布的指定，尤其是对于控制稀疏性和多重性至关重要。本文检讨了不同模型空间先验在逻辑回归中的实际影响，特别是针对流式数据场景。我们回顾了一些流行且 well-known 的 Beta-Binomial 先验，以及最近提出的纸塔娃神经网络（matryoshka doll, MD）先验。我们引入一种对MD先验的简单近似，生成独立的包含指示器，便于可扩展推断。使用基于 BIC 的近似值近似边际似然度，我们通过仿真研究比较了不同模型空间先验在数据流的中间阶段和最终阶段对后验包含概率和系数估计的影响。总体而言，结果表明没有单一模型空间先验在所有情景下都统治地优于其他选项，最近提出的MD先验提供了一个有用的额外选择，处于常用 Beta-Binomial 先验之间，稀疏性程度各不相同。
引用
@article{arxiv.2512.22504,
title = {On the Choice of Model Space Priors and Multiplicity Control in Bayesian Variable Selection: An Application to Streaming Logistic Regression},
author = {Joyee Ghosh},
journal= {arXiv preprint arXiv:2512.22504},
year = {2025}
}
备注
25 pages, 8 figures