Bayesian Methods for Data Integration and High Dimensional Linear Model with Non-Sparsity
Notice bibliographique
Résumé
We address data integration where correlated data are collected across multiple platforms, modeling responses and predictors linearly. We extend this framework by incorporating random errors from sub-Gaussian and sub-exponential distributions. The goal is to identify key predictors across platforms, even as the number of predictors and observations grows indefinitely. Our approach combines marginal response densities from multiple platforms into a composite likelihood and introduces a Bayesian model selection criterion. Under regularity conditions, this criterion consistently selects the true model, even with a diverging model size. When true models differ across platforms, our method recovers the union support of predictors—those relevant in at least one platform. We implement a Monte Carlo Markov Chain (MCMC) algorithm for model selection. Simulations show that integrating multiple platforms improves model selection accuracy. Applied to financial data, our method combines information from three indices, identifying key predictors and yielding a more accurate predictive model with lower mean squared error than single-source models. In high-dimensional regression, sparsity assumptions on regression coefficients often fail when most coefficients are nonzero, causing bias. To address this, we propose Bayesian Grouping-Gibbs Sampling (BGGS), which partitions coefficients into 𝑘 groups, enabling efficient high-dimensional sampling. We explore 𝑘-selection via simulations and recommend an "elbow plot" for optimal determination. Theoretical analysis ensures model selection consistency and bounded prediction error. Numerical experiments confirm BGGS’s advantage in estimation and prediction. Applied to financial data, it effectively identifies robust predictive models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».