基于后验贝耶斯拟似然线性模型变量挑选.pdfVIP

摘 要 在构造一般的回归模型过程中，包括线形模型，广义线形模型和非线性回归模型，在最 初的阶段需要大量的预测数据来减少可能的偏差．为了提高可预测性和减少估计和预测 的方差，我们通常可以删除一些不显著的变量，来获得一个最优的变量子集。对于这个 问题的一些选择准则，如： AIc，cp，BIc，RIc等，都是基于选择最大后验模型的一种 特殊的贝耶斯方法．但是这些存在的变量选择的判别准则是依赖于似然函数的，如果数 据的分布是未知的，这些准则就是无效的了．在这篇文章中，我们提出了一种新的变量 选择方法一后验贝耶斯拟似然．这个方法不需要关于数据分布的任何假设，并且，这个 方法可以同时进行变量选择和参数估计。特别的，对于线形回归模型，通过后验密度的 变量选择与通过判别残差平方和后者回归平方和是等效的． 关键词： 变量选择，贝耶斯拟似然，后验拟分布函数，后验拟得分函数，贝耶斯后验拟 似然 Abstract I矗the of model8 1inear lincarand produce generalregression g