VCBART：用于变系数模型的贝叶斯树方法
统计方法学
2024-09-26 v8
摘要
线性变系数模型假定结果变量与协变量之间存在线性关系，其中协变量效应被建模为附加效应修饰因子的函数。尽管在统计学和计量经济学中有着长期的研究与使用历史，最先进的变系数建模方法在不过度施加限制性函数形式假设或涉及计算密集的超参数调优的情况下，无法处理多元效应修饰因子。为此，我们引入 VCBART，它利用贝叶斯加性回归树（Bayesian Additive Regression Trees）灵活估计变系数模型中的协变量效应。凭借简单的默认设置，VCBART 在协变量效应估计、不确定性量化和结果预测方面优于现有变系数方法。我们通过两个案例研究说明 VCBART 的效用：一是考察晚年认知与社会经济地位指标之间的关联如何随年龄和社会人口学特征变化，二是估计城市犯罪的时间趋势如何在社区层面变化。实现 VCBART 的 R 包可在 https://github.com/skdeshpande91/VCBART 获取。
引用
@article{arxiv.2003.06416,
title = {VCBART: Bayesian trees for varying coefficients},
author = {Sameer K. Deshpande and Ray Bai and Cecilia Balocchi and Jennifer E. Starling and Jordan Weiss},
journal= {arXiv preprint arXiv:2003.06416},
year = {2024}
}