Titre original :
Bayesian Approaches to Shrinkage and Sparse Estimation
Contenu du livre :
L'ouvrage Bayesian Approaches to Shrinkage and Sparse Estimation introduit le lecteur dans le monde de la détermination de modèles bayésiens en passant en revue les algorithmes et méthodologies modernes de sélection de variables et de réduction de la taille des modèles. L'inférence bayésienne est un cadre probabiliste naturel pour la quantification de l'incertitude et l'apprentissage des paramètres du modèle, et cette caractéristique est particulièrement importante pour l'inférence dans les modèles modernes de haute dimension et de complexité accrue.
Les auteurs commencent par un cadre de régression linéaire afin d'introduire diverses classes d'antécédents qui conduisent à des estimateurs rétrécis/épars de valeur comparable aux estimateurs de vraisemblance pénalisés populaires (par exemple, ridge, LASSO). Ils examinent diverses méthodes d'inférence exacte et approximative et discutent de leurs avantages et inconvénients. Enfin, ils étudient comment les prieurs développés pour le cadre de la régression simple peuvent être étendus de manière directe à diverses classes de modèles économétriques intéressants.
En particulier, les études de cas suivantes sont examinées et démontrent l'application des stratégies bayésiennes de réduction et de sélection des variables à des contextes économétriques populaires : i) modèles vectoriels autorégressifs ; ii) modèles factoriels ; iii) régressions à paramètres variables dans le temps ; iv) sélection des facteurs de confusion dans les modèles d'effets de traitement ; et v) modèles de régression par quantile. Un package MATLAB et un manuel technique d'accompagnement permettent au lecteur de reproduire un grand nombre des algorithmes décrits dans cette revue.
Autres informations sur le livre :
| ISBN : | 9781638280347 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
