贝叶斯模型平均

(学习这部分内容大约需要1.1小时)

摘要

在模型选择中, 我们通常从一组候选模型中选择一个"最优"的模型(基于某种模型评价准则, 比如AIC分数). 然后, 使用这个选定的"最优"模型进行预测. 与这种选择单一最优模型不同的是, 贝叶斯模型平均给每个模型赋予权重, 并进行加权平均确定最终的预测值. 其中, 给某个模型赋予的权重是该模型的后验概率.

预备知识

学习贝叶斯模型平均需要以下预备知识:

• 贝叶斯模型比较(Bayesian model comparison): 贝叶斯模型平均基于与贝叶斯模型比较相同的思想.

核心资源

(阅读/观看以下资源的其中一个)

免费

• Bayesian Model Selection and Model Averaging
  位置: All sections except 6 and 9
  [链接]
  作者: Larry Wasserman

增补资源

(以下内容可根据您的情况自由选择, 你可能发现它们很有用)

免费

• Bayesian Model Averaging: A Tutorial
  位置: Sections 1-3 提供了核心材料 sections 4-7 提供了示例和进一步的技术细节
  [链接]

  作者: Jennifer A. Hoeting,David Madigan,Adrian E. Raftery,Chris T. Volinsky

相关知识

• 可逆跳跃MCMC(Reversible jump MCMC)是一类常被用于贝叶斯模型平均的采样算法.