Bayesian variable selection in high-dimensional ordinal quantile regression models

Mai Dao

doi:10.1007/s00362-026-01841-y

Bayesian variable selection in high-dimensional ordinal quantile regression models

2026-05-01

0

PRE

AI

DOI：10.1007/s00362-026-01841-y

原文链接

原文求助

摘要

En 中文

分位数回归（QR）为建模响应变量的整个条件分布提供了一个灵活的统计框架，使其在各个领域的分析中具有实用性。尽管其具有优势，但现有QR方法在高维设置中常遇到数值挑战，尤其是对于有序响应变量。在本文中，我们使用潜在响应框架构建贝叶斯分层模型，以进行有序QR的参数估计和变量选择。采用非对称拉普拉斯工作似然和回归系数的马蹄形先验，我们获得的后验样本通过序贯两均值聚类过程进行筛选，以识别显著预测因子。通过模拟研究和两个真实数据应用的大量数值结果表明，我们的方法相较于一些现有的贝叶斯有序数据分析方法具有竞争性能。关于青年教育成就和肝癌甲基化的说明性数据集突显了我们提出的方法在低维和高维场景中的实际应用价值。

Keyword:

Bayesian quantile regression

Ordinal response

Horseshoe prior

Sequential two-means clustering

High-dimensional data

Bayesian variable selection in high-dimensional ordinal quantile regression models

摘要

期刊

机构

引用论文