Arbeitspapier

Locally Adaptive Function Estimation for Binary Regression Models

In this paper we present a nonparametric Bayesian approach for fitting unsmooth or highly oscillating functions in regression models with binary responses. The approach extends previous work by Lang et al. (2002) for Gaussian responses. Nonlinear functions are modelled by first or second order random walk priors with locally varying variances or smoothing parameters. Estimation is fully Bayesian and uses latent utility representations of binary regression models for efficient block sampling from the full conditionals of nonlinear functions.

Sprache
Englisch

Erschienen in
Series: Discussion Paper ; No. 310

Thema
adaptive smoothing
forest health data
highly oscillating functions
MCMC
random walk priors
unsmooth functions
variable smoothing parameter

Ereignis
Geistige Schöpfung
(wer)
Jerak, Alexander
Lang, Stefan
Ereignis
Veröffentlichung
(wer)
Ludwig-Maximilians-Universität München, Sonderforschungsbereich 386 - Statistische Analyse diskreter Strukturen
(wo)
München
(wann)
2003

DOI
doi:10.5282/ubm/epub.1691
Handle
URN
urn:nbn:de:bvb:19-epub-1691-7
Letzte Aktualisierung
10.03.2025, 11:44 MEZ

Datenpartner

Dieses Objekt wird bereitgestellt von:
ZBW - Deutsche Zentralbibliothek für Wirtschaftswissenschaften - Leibniz-Informationszentrum Wirtschaft. Bei Fragen zum Objekt wenden Sie sich bitte an den Datenpartner.

Objekttyp

  • Arbeitspapier

Beteiligte

  • Jerak, Alexander
  • Lang, Stefan
  • Ludwig-Maximilians-Universität München, Sonderforschungsbereich 386 - Statistische Analyse diskreter Strukturen

Entstanden

  • 2003

Ähnliche Objekte (12)