Статистика > Методология [представлена 24 февраля 2025 года (v1), последний пересмотренный вариант 16 сентября 2026 года (настоящий вариант, v3)] Название: Functional BART with Shape Prors: A Bayesian Drea Approach to Constreded Factory Regression View PDF HTML (экспериментальный) резюме: Вдохновленный замечательным успехом байесовских деревьев регрессии при помощи регрессионных моделей мы предлагаем новый непарометрический метод BARТ (FBART), известный как Функциональная БАРТ (ФБАРТ), специально разработанный для функционально-скалярной регрессии. FBART позволяет использовать модели на основе расщепления для функциональных ответов в сочетании с гибкой структурой разделки на базе деревьев, эффективно фиксируя сложные и неоднородные взаимосвязи между кривыми чувствительности и скалярными прогнозами. Для того чтобы облегчить эффективный задний вывод, мы разрабатываем специально разработанный байесовский алгоритм подделки. Кроме того, мы расширяем FBART путем введения ограничений в отношении формы (например, монотонность или выпуклость) кривых реагирования, что позволяет повысить эффективность оценки и прогнозирования при наличии предварительной информации о форме. Использование предпочтений формы обеспечивает соблюдение задних образцов указанных функциональных ограничений. В условиях мягкой регулярности мы устанавливаем задние скорости конвергенции как для FBART, так и для его варианта с ограниченной формой, демонстрируя скорость адаптивности к неизвестной плавности. Широкие…
Функциональный BART и Shape Prors: Байесовский подход к скомпрометированному функциональному регрессию
arXiv: 2502.16888v3 Annualce Type: заменить резюме: Мотивирован замечательным успехом байесовских деревьев регрессии присадок (BART) в регрессионном моделировании, мы предлагаем новый непараметрический метод BART (FBARТ), специально разработанный для функционально-скалярной регрессии. FBART позволяет использовать модели на основе расщепления для функциональных ответов в сочетании с гибкой структурой разделки на базе деревьев, эффективно фиксируя сложные и неоднородные взаимосвязи между кривыми чувствительности и скалярными прогнозами. Для того чтобы облегчить эффективный задний вывод, мы разрабатываем специально разработанный байесовский алгоритм подделки. Кроме того, мы расширяем FBART путем введения ограничений в отношении формы (например, монотонность или выпуклость) кривых реагирования, что позволяет повысить эффективность оценки и прогнозирования при наличии предварительной информации о форме. Использование предпочтений формы обеспечивает соблюдение задних образцов указанных функциональных ограничений. В условиях мягкой регулярности мы установим modelio