论文部分内容阅读
回归模型一般采取传统的最小二乘估计（LSE）方法,然而当数据包含非正态特征或异常值时该估计方法会导致不稳健的参数估计.与LSE方法相比,即使出现非正态误差或异常数据,复合分位回归（CQR）方法也能提供更稳健的估计结果.基于复合反对称拉普拉斯分布（CALD）,本文提出了贝叶斯框架下的加权复合分量回归（WCQR）方法.正则化方法已经被验证可以有效处理高维稀疏回归模型,它可以同时进行变量选择和参数估计.本文结合贝叶斯LASSO正则化方法和WCQR方法来拟合线性回归模型,建立了 WCQR的贝叶斯LASSO正则化分层模型,并导出了所有参数的条件后验分布以进行统计推断.最后,通过蒙特卡罗模拟和实际数据分析演示了所提出方法.