BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Biskup Dariusz (Wrocław University of Economics, Poland)
Tytuł
Bayesian Approach to Variable Selection in Linear Regression Model and Its Application
Podejście Bayesowskie do wyboru zmiennych w modelu regresji oraz jego zastosowanie
Źródło
Prace Naukowe Akademii Ekonomicznej we Wrocławiu, 2007, nr 1162, s. 11-18, tab., bibliogr. 12 poz.
Tytuł własny numeru
Application of Mathematics and Statistics in Economics
Słowa kluczowe
Modele regresji, Dobór zmiennych
Regression models, Variables selection
Uwagi
streszcz.
Abstrakt
W artykule ukazano bayesowskie podejście do problemu doboru zmiennych w modelu regresji liniowej. W tym podejściu dobór zbioru zmiennych dokonuje się przez poszukiwanie modelu o największym prawdopodobieństwie zaistnienia. Ponieważ analityczne obliczenie tego prawdopodobieństwa jest w większości przypadków niemożliwe, została wykorzystana metoda reversible jump. Metoda ta należy do klasy algorytmów typu MCMC (Markov Chain Monte Carlo) przystosowanych do przestrzeni o zmiennej liczbie wymiarów. W artykule przedstawiony jest przykład symulacyjny ze współliniowymi zmiennymi, a także przykład z rzeczywistymi danymi dotyczący predykcji PKB. (abstrakt oryginalny)

Selection of a proper set of variables in linear regression model is advisable at least for two reasons. First, the estimates of model parameters for the model with reduced number of variables tend to have smaller variance. The second reason is interpretability of the model parameters, which is possible only in the case when the model contains the variables which really influence the dependent variable. Selection of the model variables can be also seen as a method of identification of factors influencing the dependent variable. The paper presents Bayesian approach to the variable selection (or more generally of model choice) in the linear regression model. There are several practical solutions in this approach. The one used here will be the Reversible Jump Markov Chain Monte Carlo algorithm which has been proposed in. The paper shows an application of this method with the usage of the so-called data prior which utilizes part of the data to produce an informative prior. (fragment of text)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Bibliografia
Pokaż
  1. Aitkin M., "Posterior Bayes Factors", Journal of the Royal Statistical Society: Series В (Statistical Methodology) 1991, 53, 111-142.
  2. Berger J., Pericchi L., The Intrinsic Bayes Factor for Model Selection and Prediction, "Journal of the American Statistical Association" 1996, 91, 109-122.
  3. Carlin B., Chib S., Bayesian Mode! Choice via Markov Chain Monte Carlo Methods, "Journal of the Royal Statistical Society", Series В 1995, 75 (3), 473-484.
  4. Dellaportas P., Forster J.J., Ntzoufras I., On Bayesian Model and Variable Selection Using MCMC, "Statistics and Computing" 2002, 12, 27-36.
  5. Fernandez C., Ley E., Steel M., Model Uncertainty in Cross-country Growth Regressions, "Journal of Applied Econometrics" 2001, 16, 563-576.
  6. George E., McCulloch R., Variable Selection via Gibbs Sampling, "Journal of the American Statistical Association" 1993, 88 (423), 881-889.
  7. Green P., Reversible Jump Markov Chain Monte Carlo Computation and Bayesian Model Determination, "Biometrika" 1995, 82, 711-732.
  8. Han C., Carlin B.P., MCMC Methods for Computing Bayes Factors: A Comparative Review, "Journal of the American Statistical Association" 2001, 96, 1122-1132.
  9. O'Hagan A., Fractional Bayes Factors for Model Comparison, "Journal of the Royal Statistical Society", Series В 1995, 57, 99-138.
  10. Perez J.M., Berger J., Expected Posterior Prior Distributions for Model Selection, "Biometrika", 2002, 89, 491-512.
  11. Raftery E.A., Madigan D., Hoeting A., Bayesian Model Averaging for Linear Models, "Journal of the American Statistical Association" 1997, 92, 179-191.
  12. Spiegelhalter D.J., Smith A.F.M., Bayes Factors for Linear and Log-Linear Models with Vague Prior Information, "Journal of the Royal Statistical Society", Series В 1982, 44, 377-387.
Cytowane przez
Pokaż
ISSN
0324-8445
Język
eng
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu