• français
    • English
  • English 
    • français
    • English
  • Login
JavaScript is disabled for your browser. Some features of this site may not work without it.
BIRD Home

Browse

This CollectionBy Issue DateAuthorsTitlesSubjectsJournals BIRDResearch centres & CollectionsBy Issue DateAuthorsTitlesSubjectsJournals

My Account

Login

Statistics

View Usage Statistics

Sélection bayésienne de variables en régression linéaire

Thumbnail
Date
2006
Link to item file
http://hal.inria.fr/inria-00077857/en/
Dewey
Probabilités et mathématiques appliquées
Sujet
Modèle de régression linéaire; Sélection bayésienne de variables; Loi a priori de Zellner; Lois a priori compatibles; Modèles hiérarchiques; Echantillonneur de Gibbs
JEL code
C11
Journal issue
Journal de la Société française de statistique
Volume
147
Number
1
Publication date
2006
Article pages
59-80
Publisher
Société française de statistiques
URI
https://basepub.dauphine.fr/handle/123456789/857
Collections
  • CEREMADE : Publications
Metadata
Show full item record
Author
Celeux, Gilles
Marin, Jean-Michel
Robert, Christian P.
Type
Article accepté pour publication ou publié
Abstract (FR)
Nous nous intéressons à la sélection bayésienne de variables en régression linéaire. Nous en abordons tous les aspects afin de fournir au lecteur un guide précis. Nous étudions successivement les cas où les loi a priori sur les paramètres des modèles sont informatives et non informatives. Dans le cas informatif, nous proposons d'utiliser la loi a priori de Zellner pour le modèle contenant toutes les variables et une loi a priori de Zellner compatible avec la précédente pour chaque sous-modèle. Dans le cas non informatif, nous montrons d'abord que l'inférence bayésienne utilisant des loi a priori faiblement informatives construites à partir de la loi de Zellner est très sensible à la valeur prise par un hyperparamètre, ce qui nous amène à déconseiller son utilisation. Nous proposons alors une nouvelle loi a priori hiérarchique basée sur la loi de Zellner. Nous montrons que l'utilisation de cette loi a priori assure d'excellentes performances de sélection, d'un point de vue explicatif, par rapport aux critères fréquentiels classiques. Enfin, lorsque le nombre de variables est important, nous considérons les aspects algorithmiques et, en particulier, nous montrons que l'échantillonneur de Gibbs fonctionne parfaitement bien pour sélectionner les variables pertinentes, contrairement à ce qui est parfois affirmé.

  • Accueil Bibliothèque
  • Site de l'Université Paris-Dauphine
  • Contact
SCD Paris Dauphine - Place du Maréchal de Lattre de Tassigny 75775 Paris Cedex 16

 Content on this site is licensed under a Creative Commons 2.0 France (CC BY-NC-ND 2.0) license.