“Önceden seyrek” terimi neyi ifade eder (FBProphet Paper)?

"Ölçekte Öngörü" (FBProphet öngörme aracı, bkz. Https://peerj.com/preprints/3190.pdf ) "Daha önce seyrek" terimiyle karşılaştım. Yazarlar , lojistik büyüme modelinde bir model parametresi olan bazı skaler oran hız sapması vektörünü modellemede böyle bir "seyrek öncekini" kullandıklarını açıklarlar .$\mathbf{\delta}$$k$

Bunlar belirttiği gibi bu , bir parametre ise "seyrek", sıfıra yakın elemanlarını taşıyan vektöre karşılık gelir bu doğru anlamak yapmak küçük? Kafam karıştı, çünkü tüm vektör öğelerinin regresyon parametreleri olması gerektiğini düşündüm, ancak bunları sadece ve parametrelerini serbest model parametreleri olarak bırakır gibi değil mi?$\delta_j \sim\text{Laplace}(0,\tau)$$\tau$$k$$\tau$

Ayrıca, Laplace dağılımının kullanımı daha önce kullanılan ortak mıdır? Neden normal dağılıma tercih edildiğini anlamıyorum.

Seyrek veriler , çok sayıda sıfır içeren veridir. Burada yazarlar öncekini seyrek olarak adlandırıyorlar çünkü sıfırları favoriler. Laplace (yani çift üstel) dağılımının şekline bakarsanız, bu sıfır civarında zirveye ulaşırsa, bu oldukça açıklayıcıdır.

(görüntü kaynağı Tibshirani, 1996)

Bu etki, herhangi bir değeri için geçerlidir (dağılım her zaman konum parametresinde zirve yapılır, burada sıfıra eşittir), ancak parametrenin değeri ne kadar küçükse, o kadar düzenleyici etkiye sahiptir.$\tau$

Bu sebepten ötürü Laplace önceki, düzenleyici etkiye sahip , genellikle sağlam önceki olarak kullanılır . Bunu söyledikten sonra, Laplace önceden popüler bir seçimdir, ancak gerçekten seyrek çözümler istiyorsanız, Van Erp ve diğerleri (2019) tarafından tarif edildiği gibi daha iyi seçenekler olabilir.

_{Van Erp, S., Oberski, DL ve Mulder, J. (2019). Bayes Cezalandırılmış Regresyon için Büzülme Öncelikleri. Matematiksel Psikoloji Dergisi, 89 , 31-50. doi: 10.1016 / j.jmp.2018.12.004}