Resumen

Expandimos un marco para la selección de variables bayesianas para modelos de procesos gaussianos (GP) mediante la utilización de construcciones previas de procesos de Dirichlet (DP) con pico sobre particiones de conjuntos que contienen covariables. Nuestro enfoque resulta en un tratamiento no paramétrico de la distribución de los parámetros de covarianza de la matriz de covarianza de GP que a su vez induce un agrupamiento de las covariables. Evaluamos dos construcciones previas: la primera emplea una mezcla de una masa puntual y una distribución continua como la distribución central para el DP previo, por lo tanto, agrupando todas las covariables. La segunda emplea una mezcla de un pico y un DP previo con una distribución continua como distribución central, lo que induce el agrupamiento solo de las covariables seleccionadas. Los modelos DP obtienen información a través de las covariables mediante agrupamientos basados en el modelo. Nuestros resultados de simulación, en particular, muestran una reducción en la variabilidad del m

• Materias:Gestión de riesgos VAR analítico Dinámica evolutiva Conductividad dinámica Probabilidad local
• Subjects:Risk management Analytical VAR Evolutionary dynamics Dynamic conductivity Local probability
• Palabras claves:Marco de trabajo; Selección de variables bayesianas; Modelos de procesos gaussianos; Proceso de Dirichlet puntiagudo; Parámetros de covarianza; Agrupamiento.
• Keywords:Framework; Bayesian variable selection; Gaussian process models; Spiked Dirichlet process; Covariance parameters; Clustering.