Bayes Nicel Regresyonu
Bayesian Quantile Regression · Ayrıca şöyle bilinir: BQR, Bayesian quantile regression model, asymmetric Laplace Bayesian regression, posterior quantile regression
Bayes Nicel Regresyonu, herhangi bir seçilmiş sonuç niceliğindeki regresyon katsayılarının tam arka dağılımını tahmin eder. Asimetrik Laplace olabilirlik fonksiyonunu katsayılar üzerindeki önsel dağılımlarla birleştirerek, Gauss hataları varsaymadan medyan, 10. veya 90. persentil gibi koşullu nicellerin belirsizlik-nicelenmiş tahminlerini sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayes Nicel Regresyonu'nu şu durumlarda kullanın: (1) sonuç dağılımı çarpık, ağır kuyruklu veya heteroskedastik olduğundan ortalama regresyonu önemli özellikleri kaçırır; (2) risk eşikleri, en iyi/en kötü performans gösterenler veya risk değeri gibi aşırı nicellerle ilgilenirsiniz; (3) asimptotik standart hatalar yerine resmi belirsizlik nicemlemesi — güven aralıkları — istersiniz; veya (4) bilgilendirici önsel dağılımlar aracılığıyla önsel bilgiyi kodlama ihtiyacınız vardır veya yüksek boyutlu ayarlarda düzenlileştirme gereklidir. Ortalama tek hedef olduğunda, örneklem çok büyük ve hız önemli olduğunda (MCMC, sıkı nicel regresyondan daha yavaştır) veya sonuç ikili veya nominal olduğunda (bunun yerine Bayes lojistik veya çok değişkenli regresyon kullanın) kullanmayın. Nicel seviyesi τ kuyruğa uzak olduğunda (< 0.05 veya > 0.95) ve örneklem küçük olduğunda bundan kaçının — aşırı nicel arka dağılımları bu rejimde önsel dağılıma oldukça duyarlı olabilir.
Güçlü yönler & sınırlılıklar
- Sonuçların herhangi bir koşullu niceliğini tahmin eder, bu da onu yalnızca ortalamayı değil, dağılım kuyruklarını incelemek için ideal kılar.
- Tam arka çıkarım, büyük örneklem normalliğine dayanmadan güven aralıkları ve öngörü dağılımları sağlar.
- Aykırı değerlere ve Gauss olmayan hatalara karşı dayanıklıdır: asimetrik Laplace olabilirlik fonksiyonu aşırı artıkları otomatik olarak azaltır.
- Önsel dağılım aracılığıyla önsel bilgiyi ve düzenlileştirmeyi barındırır, küçük veya yüksek boyutlu örneklemlerde kullanışlıdır.
- Bayes çerçevesi içinde kesik veriler, boylamsal veriler ve parametrik olmayan spline terimlerine doğal olarak genişletilebilir.
- Hesaplama açısından pahalıdır: MCMC örneklemesi, klasik nicel regresyonun doğrusal programlama çözümünden kat kat daha yavaştır.
- Asimetrik Laplace olabilirlik fonksiyonu bir çalışma aracıdır, gerçek veri üreten dağılım değildir; arka güven aralıkları yaklaşık olarak geçerlidir ancak tam değildir.
- Sonuçlar önsel dağılım seçiminden etkilenir, özellikle aşırı niceller veya küçük örneklemler için — duyarlılık analizi esastır.
- Yakınsamayı doğrulamak için dikkatli MCMC tanıları (R-hat, etkili örneklem boyutu) gerektirir, bu da analist yükünü artırır.
- Birden çok nicelde eşzamanlı tahmin, ek kısıtlamalar olmadan otomatik olarak kesişmeyen nicel eğrilerini garanti etmez.
SSS
Bayes Nicel Regresyonu, klasik nicel regresyon ile aynı mıdır?
Aynı hedefi — y'nin X'e bağlı koşullu nicellerini — hedeflerler ancak çıkarımda farklılık gösterirler. Klasik nicel regresyon bir doğrusal program çözer ve asimptotik standart hatalar kullanır. Bayes Nicel Regresyonu, tam arka dağılımları elde etmek için MCMC kullanır, bu da kesin sonlu örneklem belirsizlik nicemlemesi ve önsel düzenlileştirme sağlar.
Olabilirlik fonksiyonu olarak neden asimetrik Laplace dağılımı kullanılır?
Nicel τ için asimetrik Laplace log-olabilirlik fonksiyonunu maksimize etmek, matematiksel olarak τ-ıncı niceliği tanımlayan kontrol fonksiyonu (toplu) kaybını minimize etmeye denktir. Yu ve Moyeed (2001) tarafından kurulan bu denklik, nicel tahmin probleminin uygun bir Bayes modeline gömülmesine izin verir.
Birden fazla niceliği birlikte tahmin edebilir miyim?
Evet. Her τ için ayrı Bayes QR modellerini bağımsız olarak uydurabilir veya kesişmeyen kısıtlamaları zorlayan ve nicel seviyeleri arasında bilgi paylaşan ortak nicel regresyon modelleri (örneğin, Stan'da eşzamanlı nicel regresyon aracılığıyla) kullanabilirsiniz.
Kaç gözleme ihtiyacım var?
Klasik regresyondan daha fazla, çünkü aşırı niceller daha az gözlemle tanımlanır. Kaba bir minimum, merkezi niceller (τ ≈ 0.5) için her öngörücü başına en az 50–100 gözlem ve τ = 0.05 veya 0.95 gibi aşırı niceller için önemli ölçüde daha fazladır.
Bayes Nicel Regresyonu'nu hangi yazılımlar uygular?
R'de: bayesQR paketi özel Gibbs örnekleyicileri sağlar; family = asym_laplace() ile brms, esnek model özellikleri için arka planda Stan'ı kullanır. Python'da: PyMC özel asimetrik Laplace olabilirlik fonksiyonlarını destekler. Stan herhangi bir formülasyonu doğrudan uygulayabilir.
Kaynaklar
- Kozumi, H., & Kobayashi, G. (2011). Gibbs sampling methods for Bayesian quantile regression. Journal of Statistical Computation and Simulation, 81(11), 1565–1578. DOI: 10.1080/00949655.2010.496117 ↗
- Yu, K., & Zhang, J. (2005). A three-parameter asymmetric Laplace distribution and its extension. Communications in Statistics – Theory and Methods, 34(9–10), 1867–1879. DOI: 10.1080/03610920500199018 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Quantile Regression. ScholarGate. https://scholargate.app/tr/statistics/bayesian-quantile-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayesçi Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Bayesçi Sağlam Regresyonİstatistik↔ karşılaştır
- Bayesci Tobit Modeliİstatistik↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Sağlam Kantil Regresyonuİstatistik↔ karşılaştır