.png){kind=icon}
.png){kind=icon}
Return
Bayesian weighted composite linear expectile regression
.png){kind=icon}
PRE
AI
DOI：10.1002/cjs.70018.png)
.png){kind=icon}
Original request for help.png){kind=icon}
Share.png){kind=icon}
Save
Abstract
En 中文
Compared with ordinary least squares (LS) estimation, expectile regression (ER) is more robust to heavy-tailed errors or outliers in the response variable. However, ER only considers single expectile information and does not determine whether the selected expectile is appropriate. To overcome this problem, we propose a weighted composite expectile regression (WCER) method, which can effectively resist the occurrence of heavy-tailed errors or outliers. This article studies weighted composite sparse linear ER under high-dimensional conditions from a Bayesian perspective and extends the linear model to the Tobit model. The benefit of the Bayesian hierarchical framework is that the weights of each component in the composite model can be treated as open parameters, which can be automatically estimated using Markov Chain Monte Carlo (MCMC) sampling. Finally, simulation and empirical analysis illustrate that this method is superior to the single expectile method. Par rapport & agrave; l'estimation par les moindres carr & eacute;s ordinaires, la r & eacute;gression expectile est plus robuste aux erreurs & agrave; queue lourde ou aux valeurs aberrantes de la variable de r & eacute;ponse. Cependant, la r & eacute;gression expectile ne prend en compte que les informations relatives & agrave; un seul expectile et ne d & eacute;termine pas si l'expectile s & eacute;lectionn & eacute; est appropri & eacute;. Pour surmonter ce probl & egrave;me, nous proposons une m & eacute;thode composite pond & eacute;r & eacute;e de r & eacute;gression par expectile, qui peut r & eacute;sister efficacement & agrave; l'apparition d'erreurs & agrave; queue lourde ou de valeurs aberrantes. Cet article & eacute;tudie la r & eacute;gression lin & eacute;aire composite pond & eacute;r & eacute;e des esp & eacute;rances & eacute;parses dans des conditions de haute dimension d'un point de vue bay & eacute;sien et & eacute;tend le mod & egrave;le lin & eacute;aire au mod & egrave;le Tobit. L'avantage du cadre hi & eacute;rarchique bay & eacute;sien est que les poids de chaque composante du mod & egrave;le composite peuvent & ecirc;tre trait & eacute;s comme des param & egrave;tres ouverts, qui peuvent & ecirc;tre automatiquement estim & eacute;s & agrave; l'aide de l'& eacute;chantillonnage par cha & icirc;ne de Markov Monte Carlo (MCMC). Enfin, la simulation et l'analyse empirique peuvent illustrer la sup & eacute;riorit & eacute; de cette m & eacute;thode par rapport & agrave; la m & eacute;thode de l'esp & eacute;rance unique.
Keywords:
MCMC algorithm
sparse
weighted composite expectile regression
Journal
C
IF:
1
Papers:
4
Citations:
1.4K
Organization
No organization information available