Robust Bayesian model selection for heavy-tailed linear regression using finite mixtures

Abstract

Neste artigo, apresentamos uma nova metodologia para realizar a seleção de modelos bayesianos em modelos lineares com distribuições de cauda pesada. Consideramos uma mistura finita de distribuições para modelar uma variável latente onde cada componente da mistura corresponde a um modelo possível dentro da classe simétrica de distribuições normais independentes. Naturalmente, o modelo gaussiano é uma das possibilidades. Isso permite uma análise simultânea baseada na probabilidade posterior de cada modelo. A inferência é realizada através da cadeia de Markov Monte Carlo - um amostrador de Gibbs com etapas Metropolis-Hastings para uma classe de parâmetros. Exemplos simulados destacam as vantagens desta abordagem em comparação com uma análise segregada baseada em critérios de seleção de modelos escolhidos arbitrariamente. Exemplos com dados reais são apresentados e uma extensão da regressão linear censurada é introduzida e discutida.