基于非局部先验的尖峰-石板方法中的变量融合与选择
统计方法学
2026-04-29 v1
摘要
线性回归模型中的变量融合是一种统计方法，用于识别对响应变量作出类似贡献的协变量并对其施加相同的系数值。许多变量融合方法也包含变量选择，以实用性为原因。在本文中，我们在贝叶斯模型平均（BMA）框架内提出了一种基于尖峰-石板的贝叶斯方法，用于执行变量融合和选择。由于在BMA框架中必须构建容纳选择和融合的离散模型空间并在该空间上分配合适的先验分布，因此这一任务具有挑战性。在提出的方法中，我们提出了一种基于Gibbs抽样探索变量融合和选择的模型空间的方法，通过为表示模型的隐变量构建先验分布来实现。此外，在具有优越模型选择性能的非局部先验中，我们构建了一个专为变量融合设计的先验，并将其作为石板分布。我们通过理论和实证研究考察了所提方法的有效性。
引用
@article{arxiv.2604.25268,
title = {Variable Fusion and Selection via a Spike-and-Slab Approach with Nonlocal Priors},
author = {Junya Miyake and Akira Okazaki and Shuichi Kawano},
journal= {arXiv preprint arXiv:2604.25268},
year = {2026}
}