广义线性模型中可扩展的贝叶斯双层次变量选择
统计方法学
2023-03-23 v1 统计计算
摘要
受心脏病学中的真实应用启发，我们开发了一种在广义线性模型中执行贝叶斯双层次变量选择的算法，适用于在个体数与预测变量数两方面都可能很大的数据集。我们的算法依赖于 Dau 与 Chopin（2022）的无浪费 SMC（Sequential Monte Carlo，序贯蒙特卡洛）方法、一种处理双层次选择特有约束（若其组未被选中则禁止选择单个预测变量）的新提议机制，以及 Rossell 等人（2021）的 ALA（approximate Laplace approximation，近似拉普拉斯近似）方法。我们在数值研究中表明，该算法可在几分钟内于模拟数据及与上述心脏病学应用相关的真实数据上，在大型数据集上提供可靠表现。
引用
@article{arxiv.2303.12462,
title = {Scalable Bayesian bi-level variable selection in generalized linear models},
author = {Younès Youssfi and Nicolas Chopin},
journal= {arXiv preprint arXiv:2303.12462},
year = {2023}
}