Bayesian Approaches to Shrinkage and Sparse Estimation
Bayesian Approaches to Shrinkage and Sparse Estimation führt den Leser in die Welt der Bayes'schen Modellbestimmung ein, indem es moderne Algorithmen und Methoden zur Schrumpfung und Variablenauswahl vorstellt. Die Bayes'sche Inferenz ist ein natürlicher probabilistischer Rahmen für die Quantifizierung von Unsicherheit und das Lernen über Modellparameter, und diese Eigenschaft ist besonders wichtig für die Inferenz in modernen Modellen mit hoher Dimension und erhöhter Komplexität.
Die Autoren beginnen mit einer linearen Regression, um verschiedene Klassen von Prioren vorzustellen, die zu schrumpfenden/sparsamen Schätzern führen, die mit populären bestraften Likelihood-Schätzern (z. B. Ridge, LASSO) vergleichbar sind.
Sie untersuchen verschiedene Methoden der exakten und approximativen Inferenz und diskutieren deren Vor- und Nachteile. Schließlich wird untersucht, wie die für die einfache Regression entwickelten Prioritäten auf einfache Weise auf verschiedene Klassen interessanter ökonometrischer Modelle ausgedehnt werden können.
Insbesondere werden die folgenden Fallstudien betrachtet, die die Anwendung von Bayes'schen Schrumpfungs- und Variablenauswahlstrategien in populären ökonometrischen Kontexten demonstrieren: i) vektorautoregressive Modelle; ii) Faktormodelle; iii) Regressionen mit zeitvariablen Parametern; iv) Auswahl von Störfaktoren in Behandlungseffektmodellen; und v) Quantilsregressionsmodelle. Ein MATLAB-Paket und ein begleitendes technisches Handbuch ermöglichen es dem Leser, viele der in dieser Übersicht beschriebenen Algorithmen nachzuvollziehen.
| ISBN: | 9781638280347 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
