Resumen

La distribución es una útil extensión de la distribución normal, que puede ser utilizada para el modelado estadístico de conjuntos de datos con colas pesadas, y proporciona una estimación robusta. En este artículo, en vista de las ventajas del análisis bayesiano, proponemos un nuevo método de estimación robusta de coeficientes y selección de variables basado en la regresión Lasso adaptativa bayesiana. Se desarrolla un muestreador de Gibbs basado en el marco del modelo jerárquico bayesiano, donde tratamos la distribución como una mezcla de distribuciones normales y gamma y asignamos diferentes parámetros de penalización para diferentes coeficientes de regresión. También consideramos la regresión bayesiana con Lasso de grupo adaptativo y obtenemos el muestreador de Gibbs a partir de las distribuciones posteriores. Tanto los estudios de simulación como el ejemplo de datos reales muestran que nuestro método funciona bien en comparación con otros métodos existentes cuando la distribución de errores tiene colas pesadas y/o valores atípicos.

• Materias:Estabilidad robusta Procesos gaussianos Media poblacional Entropía residual Distribuciones discretas
• Subjects:Robust stability Gaussian processes Population mean Residual entropy Discrete distributions
• Palabras claves:Distribución; Modelado estadístico; Análisis bayesiano; Estimación de coeficientes; Selección de variables; Muestreador de Gibbs
• Keywords:Distribution; Statistical modeling; Bayesian analysis; Coefficient estimation; Variable selection; Gibbs sampler