Bayesian Variable Selection in Linear Regression
PulseAugur coverage of Bayesian Variable Selection in Linear Regression — every cluster mentioning Bayesian Variable Selection in Linear Regression across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的先验数据拟合网络增强了贝叶斯变量选择
研究人员推出了一种用于统计建模中贝叶斯变量选择的新方法——先验数据拟合网络（PFNs）。文章详细介绍了两种特定的PFN变体：CD-PFN和PC-PFN，分别用于识别条件依赖和因果图结构。这些网络无需后验样本或特定数据建模即可估计后验包含概率，并在实验中显示出优于现有方法的性能。
-
SelectPFN 推进了稀疏非线性回归的贝叶斯变量选择
研究人员开发了 SelectPFN，这是一种新颖的先验数据拟合网络 (PFN)，能够同时对稀疏非线性回归执行贝叶斯变量选择和预测。该新模型可以在单次前向传播中识别哪些输入变量对其预测影响最大，并提供后验包含概率。在各种数据集上，SelectPFN 表现出优于 lasso 和 BART 等现有方法的性能，尤其是在检测仅交互变量方面。
-
新框架通过贝叶斯变量选择增强因子分析
研究人员开发了一个新的框架，用于在使用变分贝叶斯变量选择的部分探索性因子分析（PEFA）中评估和选择因子数量。这种称为PCFA VA的方法采用spike and slab先验来识别未指定的载荷，然后将收敛的解转换为协方差模型。该框架提供了拟合评估的诊断方法，包括RMSEA等绝对拟合指数和AIC、BIC等相对标准，并提出了一个新的无标度增益规则来确定正确的因子数量。模拟表明，该方法能够准确地恢复真实维度，并且优于验证性模型，这一点通过应…