发帖
雷达卡
作为统计博士，印象中看书看教材都是应付考试的，看得最多的是论文。
我说论文影响更大是因为，不管什么教材&课程（包括博士课程），与之后科研期间中看的论文相比，也只能算是通识教育。但凡写成教材，其中内容至少已经是5yrs and above以前且比较成熟&严谨的成果了，要接触前沿问题只能多看论文。另一方面，博士科研方向太窄，博士生（除了大牛和从事科研多年又来读博的），能看好自己方向的论文已经非常不错了，很少有人能广泛涉猎各个领域的最新成果。所以除非你跟我同一个方向，否则说了你基本也不会真去看。
1. Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. 关于变量选择的。LASSO penalty太经典，虽然variable selection consistency不能保证，但仍然极具影响力，最近一次conference上我还见到某统计博士在此基础上修改提出了个partially LASSO的方法，然后以此毕业了。此外我博士期间最后一篇论文也有AE提出要与之作对比，虽然新方法将其虐出翔，但我不认为我的paper的影响力能及其十分之一（实际可能是百分之一，千分之一，甚至万分之一）。与此相关的还有很多，比如adaptive LASSO，效果会好很多，感兴趣可以去搜一下。
2. Jianqing Fan and Runze Li (2001). Variable Selection via Nonconcave Penalized Likelihood and its Oracle Properties. 同样关于变量选择，SCAD penalty，FAN太diao，提出个penalty，无解析表达式，但是好用（虽然后来不断有新方法提出，SCAD看起来已经不怎么好用了），仍然有后来者前仆后继地继续研究相关问题。
3. J. T. ORMEROD and M. P. WAND (2009). Explaining Variational Approximations. 贝叶斯统计计算范畴了，首个在统计学领域formulate了variational Bayes算法（虽然之前在cs已有一定应用），开启了其在贝叶斯统计各领域的应用，包括各种模型的估计，变量选择等，其计算速度远远快于MCMC（个人觉得非常有潜力）。但也有其短板：推导复杂度高。很多时候不得不结合如Laplace approximation一类的算法。所以就有另一篇文章相应地补充了一些有关诡异积分的计算方法：
4. M. P. Wand etl.(2012). Mean Field Variational Bayes for Elaborate Distributions. 如上所述。前人成果，对于采用VB算法估计各种模型非常有帮助，我也借鉴了一些。此外有人在搞结合VB与boosting算法做Bayesian variable selection（如果不小心透露了某些同学课题，轻拍）。
5. George, E., McCulloch, R. (1997). Approaches for Bayesian variable selection. 就上面提到的spike-and-slab prior，同样被很多人采用、修改过，应用到了各种模型的变量选择上。
6. Roˇckov′a, V., George, E. I. (2014). EMVS: the EM approach to Bayesian variable selection. 如上所述，同样可以考虑各种拓展。
（知乎 淙瀚）
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
