Bayesian variable selection in sample selection models using spike-and-slab priors

Adam Iqbal

doi:10.1007/s00180-026-01745-3

Bayesian variable selection in sample selection models using spike-and-slab priors

2026-05-13

0

OA

AI

DOI：10.1007/s00180-026-01745-3

原文链接

原文求助

摘要

En 中文

样本选择模型是一种广泛应用于修正非随机缺失数据引起的偏差的方法。其构建需要指定影响结果和驱动选择过程的变量。这种指定通常基于专家知识，可能导致包含无关变量或遗漏重要变量。此外，为避免推断问题（如实际不可识别性），实践者常施加排除限制，即模型设定中某些变量预测选择但对目标结果无影响。近期一项研究采用自适应LASSO选择进入结果方程和选择方程的变量，但其性能依赖于所谓的协方差假设，该假设在小样本或中等样本中可能被违反。为应对这些挑战，我们提出两类尖峰-平板先验，以在样本选择模型中进行贝叶斯变量选择。这些先验结构允许构建具有可解条件分布的Gibbs采样器，可扩展至实际感兴趣的维度。我们通过模拟研究说明所提方法的表现，并与自适应LASSO和逐步选择进行比较。此外，我们还提供了两个基于公开真实数据的实际应用。

Keyword:

Gibbs sampling

Heckman correction

Missing data

Prior elicitation

Scale mixtures

Bayesian variable selection in sample selection models using spike-and-slab priors

摘要

期刊

机构