Hierarchical Embedded Bayesian Additive Regression Trees

要約

タイトル：階層的に埋め込まれたベイジアンアディティブ回帰木

要約：

– Hierarchical Embedded BART（HE-BART）という、ベイジアンアディティブ回帰木の単純で強力な拡張を提案する。
– モデルは、回帰木集合の末端ノードレベルにランダム効果を含めることができ、HE-BARTはミックスド効果モデルの非パラメトリックな代替となり、ランダム効果の構造をユーザーが指定する必要がなく、標準BARTの予測と不確実性の正確性を維持する。
– シミュレーションおよび実世界の例を使用して、この新しい拡張が、標準ミックスド効果モデルの例のデータセットの多くで優れた予測を提供し、ランダム効果の分散の一貫した推定値を提供することを示す。
– この論文の将来のバージョンでは、より大規模で高度なデータセットと構造での使用方法を概説する。

要約(オリジナル)

We propose a simple yet powerful extension of Bayesian Additive Regression Trees which we name Hierarchical Embedded BART (HE-BART). The model allows for random effects to be included at the terminal node level of a set of regression trees, making HE-BART a non-parametric alternative to mixed effects models which avoids the need for the user to specify the structure of the random effects in the model, whilst maintaining the prediction and uncertainty calibration properties of standard BART. Using simulated and real-world examples, we demonstrate that this new extension yields superior predictions for many of the standard mixed effects models’ example data sets, and yet still provides consistent estimates of the random effect variances. In a future version of this paper, we outline its use in larger, more advanced data sets and structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI