贝叶斯模型平均（BMA）例程
描述
本仓库提供了一个用于贝叶斯模型平均（Bayesian Model Averaging, BMA）的资源文件。BMA 是一种在模型空间（例如线性回归模型）中搜索有前途的模型，并计算该空间上的后验概率分布的方法。然后，根据模型空间上的加权平均值来估计系数。运行 BMA 就像拟合回归模型一样简单。估计结果将接近通过拟合“真实的”嵌套模型所获得的估计，并且不需要该模型的知识。
目录结构
以下脚本与最终用户有关：
linear_regression.py：包含用于贝叶斯线性回归的例程。linear_averaging.py：包含线性 BMA 的例程。sim.py：演示了线性 BMA 的基本用法。
如果要使 BMA 适应其他模型空间，以下脚本很有用：
core.py：包含通用 BMA 的例程。mcmc.py：包含通用 MCMC 例程。
用法
我使用的特定贝叶斯回归模型期望 2 个超参数：
g：是惩罚模型大小的参数。建议将其设置为max(n_obs, n_dim^2)。p：是您对模型的先验概率分布的参数。
通过调整这些参数，您可以更好地适应不同的模型空间和数据集。