Efficient leave-one-out cross-validation for Bayesian non-factorized normal and Student-t models

Paul Christian Bürkner*, Jonah Gabry, Aki Vehtari

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

Abstrakti

Cross-validation can be used to measure a model’s predictive accuracy for the purpose of model comparison, averaging, or selection. Standard leave-one-out cross-validation (LOO-CV) requires that the observation model can be factorized into simple terms, but a lot of important models in temporal and spatial statistics do not have this property or are inefficient or unstable when forced into a factorized form. We derive how to efficiently compute and validate both exact and approximate LOO-CV for any Bayesian non-factorized model with a multivariate normal or Student-t distribution on the outcome values. We demonstrate the method using lagged simultaneously autoregressive (SAR) models as a case study.

AlkuperäiskieliEnglanti
Sivumäärä19
JulkaisuComputational Statistics
Varhainen verkossa julkaisun päivämäärä2020
DOI - pysyväislinkit
TilaJulkaistu - 20 marraskuuta 2020
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki Sukella tutkimusaiheisiin 'Efficient leave-one-out cross-validation for Bayesian non-factorized normal and Student-t models'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä