國立高雄大學圖資館 |

語系: 繁體中文

說明(常見問題)

圖資館首頁

登入

回首頁

切換: 標籤 | MARC模式 | ISBD

針對p大n小時的貝氏變數選取 = Bayesian Variable S...

國立高雄大學統計學研究所

針對p大n小時的貝氏變數選取 = Bayesian Variable Selection for Large p Small n Problems

紀錄類型:	書目-語言資料,印刷品 : 單行本
並列題名:	Bayesian Variable Selection for Large p Small n Problems
作者:	朱基祥,
其他團體作者:	國立高雄大學
出版地:	[高雄市]
出版者:	撰者;
出版年:	2008[民97]
面頁冊數:	34面圖，表 : 30公分;
標題:	Metropolis演算法
標題:	Stochastic search variable selection
電子資源:	http://handle.ncl.edu.tw/11296/ndltd/86138862850223905439
附註:	指導教授：陳瑞彬
附註:	參考書目：面27-28
摘要註:	在貝氏變數選取的方法中，馬可夫鏈的蒙地卡羅演算法是常被用來得到事後樣本。通常馬可夫鏈的蒙地卡羅演算法在每一個反覆的步驟中均需要計算一個p×p的事後相關矩陣，其中p為候選的迴歸因子個數。然而，計算一個反矩陣是成本相當昂貴的，特別是當候選的迴歸因子個數很多的時候。為了降低計算上的花費，陳和賴(2007)提出兩個有效率的隨機選取方法。他們成功的將這兩個方法應用在n大p小的情況。基於這兩個變數選取方法，我們做了一些修改而提出兩個貝氏選取的方法。除了應用在n大p小的情況，我們將焦點放在p大n小的問題上。這裡我們會舉出一些模擬和實際的例子來驗證我們所提出新的貝氏選取方法的效能。從我們的模擬結果可以看出我們的方法有很好的效能。 In Bayesian variable selection methods, MCMC algorithms are used toobtained the posterior samples. Usually at each iteration these MCMCalgorithms require computing a p×p posterior covariancematrix, where p is the number of the potential regressors.However, the computational cost of computing inverse matrices isvery expensive, especially when p is large. In order to avoidcomputing inverse matrices, Chen and Lai (2007) have proposed twoefficient stochastic variable selection procedures. Theysuccessfully applied these two stochastic methods in to the cases oflarge n and small p. Based on these two procedures, some minormodifications are made, and then we propose two new Bayesianalgorithms. Besides the case of large n and small p, we are alsointerested in the problems of large p and small n. Severalsimulations and real examples are used to show the performances ofour new Bayesian algorithms. From our simulation results, these twoalgorithms work well.

針對p大n小時的貝氏變數選取 = Bayesian Variable Selection for Large p Small n Problems
朱, 基祥

針對p大n小時的貝氏變數選取 = Bayesian Variable Selection for Large p Small n Problems / 朱基祥撰 - [高雄市] : 撰者, 2008[民97]. - 34面 ; 圖，表 ; 30公分.
指導教授：陳瑞彬參考書目：面27-28.
Metropolis演算法Stochastic search variable selection

針對p大n小時的貝氏變數選取 = Bayesian Variable Selection for Large p Small n Problems
LDR:03003nam0a2200289 450 001 133586
005 20170214094548.0
009 133586
010 0 $b 精裝
010 0 $b 平裝
100 $a 20170214y2008 k y0chiy09 b
101 1 $a eng $d chi $d eng
102 $a tw
105 $a ak am 000yy
200 1 $a 針對p大n小時的貝氏變數選取 $d Bayesian Variable Selection for Large p Small n Problems $z eng $f 朱基祥撰
210 $a [高雄市] $c 撰者 $d 2008[民97]
215 0 $a 34面 $c 圖，表 $d 30公分
300 $a 指導教授：陳瑞彬
300 $a 參考書目：面27-28
328 $a 碩士論文--國立高雄大學統計學研究所
330 $a 在貝氏變數選取的方法中，馬可夫鏈的蒙地卡羅演算法是常被用來得到事後樣本。通常馬可夫鏈的蒙地卡羅演算法在每一個反覆的步驟中均需要計算一個p×p的事後相關矩陣，其中p為候選的迴歸因子個數。然而，計算一個反矩陣是成本相當昂貴的，特別是當候選的迴歸因子個數很多的時候。為了降低計算上的花費，陳和賴(2007)提出兩個有效率的隨機選取方法。他們成功的將這兩個方法應用在n大p小的情況。基於這兩個變數選取方法，我們做了一些修改而提出兩個貝氏選取的方法。除了應用在n大p小的情況，我們將焦點放在p大n小的問題上。這裡我們會舉出一些模擬和實際的例子來驗證我們所提出新的貝氏選取方法的效能。從我們的模擬結果可以看出我們的方法有很好的效能。 In Bayesian variable selection methods, MCMC algorithms are used toobtained the posterior samples. Usually at each iteration these MCMCalgorithms require computing a p×p posterior covariancematrix, where p is the number of the potential regressors.However, the computational cost of computing inverse matrices isvery expensive, especially when p is large. In order to avoidcomputing inverse matrices, Chen and Lai (2007) have proposed twoefficient stochastic variable selection procedures. Theysuccessfully applied these two stochastic methods in to the cases oflarge n and small p. Based on these two procedures, some minormodifications are made, and then we propose two new Bayesianalgorithms. Besides the case of large n and small p, we are alsointerested in the problems of large p and small n. Severalsimulations and real examples are used to show the performances ofour new Bayesian algorithms. From our simulation results, these twoalgorithms work well.
510 1 $a Bayesian Variable Selection for Large p Small n Problems $z eng
610 0 $a Metropolis演算法 $a 中位數模型 $a 吉布斯抽樣 $a 隨機搜尋選擇
610 1 $a Stochastic search variable selection $a Metropolis algorithm $a Median probability model $a Gibbs sampler
681 $a 008M/0019 $b 343201 2543 $v 增訂八版
700 1 $a 朱 $b 基祥 $4 撰 $3 166080
712 0 2 $a 國立高雄大學 $b 統計學研究所 $3 166081
801 0 $a tw $b NUK $c 20081009 $g CCR
801 1 $a tw $b NUK $c 20081009 $g CCR
856 7 $z 電子資源 $2 http $u http://handle.ncl.edu.tw/11296/ndltd/86138862850223905439