論文の概要: Horseshoe Prior Bayesian Quantile Regression
- arxiv url: http://arxiv.org/abs/2006.07655v2
- Date: Thu, 18 Mar 2021 22:31:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 21:27:30.043265
- Title: Horseshoe Prior Bayesian Quantile Regression
- Title(参考訳): ベイジアン量子回帰以前のホースシュー
- Authors: David Kohns and Tibor Szendrei
- Abstract要約: 提案するHS-BQRの性能はモンテカルロシミュレーションと高次元Growth-at-Risk(GaR)予測を用いて評価した。
HS-BQRは特にスパース設計や極端量子化を推定するのに強力である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper extends the horseshoe prior of Carvalho et al. (2010) to Bayesian
quantile regression (HS-BQR) and provides a fast sampling algorithm for
computation in high dimensions. The performance of the proposed HS-BQR is
evaluated on Monte Carlo simulations and a high dimensional Growth-at-Risk
(GaR) forecasting application for the U.S. The Monte Carlo design considers
several sparsity and error structures. Compared to alternative shrinkage
priors, the proposed HS-BQR yields better (or at worst similar) performance in
coefficient bias and forecast error. The HS-BQR is particularly potent in
sparse designs and in estimating extreme quantiles. As expected, the
simulations also highlight that identifying quantile specific location and
scale effects for individual regressors in dense DGPs requires substantial
data. In the GaR application, we forecast tail risks as well as complete
forecast densities using the McCracken and Ng (2020) database. Quantile
specific and density calibration score functions show that the HS-BQR provides
the best performance, especially at short and medium run horizons. The ability
to produce well calibrated density forecasts and accurate downside risk
measures in large data contexts makes the HS-BQR a promising tool for
nowcasting applications and recession modelling.
- Abstract(参考訳): 本稿では,carvalho et al. (2010) に先立って,bayesian quantile regression (hs-bqr) を拡張し,高次元計算のための高速サンプリングアルゴリズムを提案する。
提案するHS-BQRの性能はモンテカルロシミュレーションと高次元Growth-at-Risk(GaR)予測を用いて評価した。
モンテカルロの設計はいくつかのスパーシティとエラー構造を考慮している。
代替収縮前処理と比較して,提案するhs-bqrは,係数バイアスと予測誤差において良好な(あるいは最悪の場合)性能をもたらす。
HS-BQRは特にスパース設計や極端量子化を推定するのに強力である。
予想通り、シミュレーションは密度の高いDGPにおける個々の回帰器の量子的特定の位置とスケール効果を特定するには、かなりのデータが必要であることも強調した。
GaRアプリケーションでは、McCracken and Ng (2020) データベースを用いて、テールリスクと完全な予測密度を予測します。
量子比および密度校正スコア関数は、HS-BQRが特に短距離および中距離の水平線において最高の性能を提供することを示す。
高度に校正された密度予測と、大規模なデータコンテキストにおける正確なダウンサイドリスク対策を作成できる能力により、hs-bqrは、現在のアプリケーションとリセッションモデリングの有望なツールとなる。
関連論文リスト
- Simulation-Based Inference with Quantile Regression [0.0]
条件付き量子化回帰に基づく新しいシミュレーションベース推論(SBI)手法であるニューラル量子化推定(NQE)を提案する。
NQEは、各後次元の個々の1次元量子を自己回帰的に学習し、データとそれ以前の後次元に条件付けする。
提案手法は, 様々なベンチマーク問題に対して, 最先端性能を実現することを実証する。
論文 参考訳(メタデータ) (2024-01-04T18:53:50Z) - Quantifying predictive uncertainty of aphasia severity in stroke
patients with sparse heteroscedastic Bayesian high-dimensional regression [49.504432873468254]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳(メタデータ) (2023-09-15T22:06:29Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳(メタデータ) (2023-07-26T08:25:46Z) - Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。
信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
論文 参考訳(メタデータ) (2023-01-25T19:35:23Z) - Approximate Gibbs Sampler for Efficient Inference of Hierarchical
Bayesian Models for Grouped Count Data [0.0]
本研究は、推定精度を維持しつつ、HBPRMを効率的に学習するための近似ギブスサンプリング器(AGS)を開発した。
実データと合成データを用いた数値実験により,AGSの優れた性能を示した。
論文 参考訳(メタデータ) (2022-11-28T21:00:55Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - MQRetNN: Multi-Horizon Time Series Forecasting with Retrieval
Augmentation [1.8692254863855964]
マルチホライゾン確率的時系列予測は、需要予測のような現実世界のタスクに広く適用可能である。
ニューラルネットワークの時系列予測における最近の研究は、主にSeq2Seqアーキテクチャの使用に焦点を当てている。
本稿では,クロスエンタリティ情報を導入してモデル性能を向上させることを目的として,クロスエンタリティアテンション機構と,どのエンティティを参加させるかを選択する検索機構を提案する。
論文 参考訳(メタデータ) (2022-07-21T14:51:58Z) - Hierarchical Gaussian Process Models for Regression Discontinuity/Kink
under Sharp and Fuzzy Designs [0.0]
回帰不連続/リンク(RD/RK)を用いた因果推論のための非パラメトリックベイズ推定器を提案する。
これらの推定器は、中間ベイズニューラルネットワーク層を持つ階層型GPモデルに拡張される。
モンテカルロシミュレーションにより、我々の推定器は、精度、カバレッジ、間隔長の点で競合する推定器よりもよく、しばしばよく機能することを示した。
論文 参考訳(メタデータ) (2021-10-03T04:23:56Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z) - Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。
MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
論文 参考訳(メタデータ) (2020-10-12T17:41:44Z) - Robust Gaussian Process Regression with a Bias Model [0.6850683267295248]
既存のほとんどのアプローチは、重い尾の分布から誘導される非ガウス的確率に、外れやすいガウス的確率を置き換えるものである。
提案手法は、未知の回帰関数の雑音および偏りの観測として、外れ値をモデル化する。
バイアス推定に基づいて、ロバストなGP回帰を標準のGP回帰問題に還元することができる。
論文 参考訳(メタデータ) (2020-01-14T06:21:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。