تعیین براوردگرهای انقباضی پارامترهای کیفیت در مدل‌های خطی بیزی تعمیم‌یافته فوق بالا بعد

یکی از مسائل اساسی در تجزیه و تحلیل‌ داده‌های فوق بالابعد، برازش مدل بهینه و براورد پارامترهای نامعلوم کیفیت آن به‌گونه‌ای است که بتواند ساختار داده‌های مورد بررسی را به‌درستی تفسیر کند. در این مقاله در انتخاب متغیر به روش‌های انقباضی بیزی برای مدل‌های خطی تعمیم‌یافته فوق بالابعد به مقایسه دو ابرپیشین ناموضعی: گشتاور ضربی و گشتاور وارون ضربی در تعیین مدل بهینه هم‌زمان با براورد پارامترهای مدل می‌پردازیم. به‌منظور محاسبه احتمال‌های پسین، از روش تقریب لاپلاس و جهت انتخاب مدل بهینه در فضای متراکم احتمال‌های پسین، از الگوریتم تکراری جستجوی تصادفی تفنگی ساده شده همراه با غربالگری استفاده شده است. در انتها از طریق مطالعه شبیه‌سازی و تحلیل داده‌‌ی واقعی، کارایی روش‌های انقباضی بیزی فوق با روش درست‌نمایی تاوانیده‌ی اسکاد و لاسو مورد ارزیابی قرار گرفته است.

bayesian shrinkage estimators of quality parameters in ultrahigh-dimensional generalized linear models

one of the basic issues in ultrahigh-dimensional data analysis is fitting the optimal model and estimating its unknown quality parameters in such a way that it can correctly interpret the structure of the investigated data. in this article, we compare two non-local hyper priors: hyper product moment and hyper product inverse moment priors in determining the optimal model at the same time as estimating the parameters in variable selection using bayesian shrinkage in ultrahigh-dimensional generalized linear models. in order to compute the posterior probabilities, the laplace approximation method was used, and to select the optimal model in the model space of posterior probabilities, simplified shotgun stochastic search algorithm with screening (s5) for glms was used along with screening. finally, through the study of simulation and real data analysis, the effectiveness of the above bayesian shrinkage methods has been evaluated with the isis-lasso and isis-scad method.