Bayesian Approaches to Shrinkage and Sparse Estimation
Bayesian Approaches to Shrinkage and Sparse Estimation a modern zsugorítási és változóválasztási algoritmusok és módszerek áttekintésével vezeti be az olvasót a bayesi modellmeghatározás világába.
A bayesi következtetés természetes valószínűségi keretrendszer a bizonytalanság számszerűsítésére és a modellparaméterek megismerésére, és ez a tulajdonsága különösen fontos a nagy dimenziójú és fokozottan összetett modern modellekben történő következtetés szempontjából. A szerzők a lineáris regressziós beállítással kezdik, hogy bemutassák a priorok különböző osztályait, amelyek a népszerű büntetett valószínűségi becslőkhöz (pl.
ridge, LASSO) hasonló értékű zsugorított/ritkított becslőkhöz vezetnek. Megvizsgálják az egzakt és közelítő következtetés különböző módszereit, és megvitatják ezek előnyeit és hátrányait. Végezetül megvizsgálják, hogy az egyszerű regressziós környezetre kidolgozott priorok hogyan terjeszthetők ki egyszerű módon az érdekes ökonometriai modellek különböző osztályaira.
Különösen a következő esettanulmányokat vizsgálják, amelyek a Bayes-féle zsugorítási és változószelekciós stratégiák alkalmazását mutatják be népszerű ökonometriai kontextusokban: i) vektoros autoregresszív modellek; ii) faktormodellek; iii) időben változó paraméterű regressziók; iv) zavaró tényezők kiválasztása kezelési hatásmodellekben; és v) kvantilis regressziós modellek. A MATLAB-csomag és a hozzá tartozó technikai kézikönyv lehetővé teszi az olvasó számára, hogy az ebben az áttekintésben leírt algoritmusok közül sokat megismételje.