La formulation de la sélection des variables a été largement développée dans la littérature bayésienne en associant un indicateur binaire aléatoire à chaque variable. Cette inférence bayésienne présente l’avantage d’explorer stochastiquement l’ensemble des sous-modèles possibles, quelle que soit leur dimension. Les approches de sélection bayésienne, appropriées pour les prédicteurs catégoriels, dépassent généralement le champ d’application de la sélection bayésienne standard des régresseurs dans le modèle linéaire, étant donné que tous les niveaux d’une variable catégorielle doivent être traités conjointement dans la procédure de sélection. Pour les covariables catégorielles, de nouvelles stratégies ont été développées pour détecter l’effet de covariables groupées plutôt que l’effet unique d’un régresseur quantitatif. Dans cet article, nous examinons trois méthodes de sélection bayésienne pour les prédicteurs catégoriels : Bayesian Group Lasso avec des prieurs Spike et Slab, Bayesian Sparse Group Selection et Bayesian Effect Fusion utilisant un modèle de regroupement. La motivation de cet article est de fournir des informations détaillées sur la mise en œuvre des trois méthodes de sélection bayésienne mentionnées ci-dessus, appropriées pour les prédicteurs catégoriels, en utilisant le logiciel JAGS. Les performances de sélection et l’analyse de sensibilité de l’accord des hyperparamètres pour les spécifications préalables sont évaluées dans le cadre de divers scénarios simulés. JAGS aide l’utilisateur à mettre en œuvre ces trois méthodes de sélection bayésienne pour des structures de modèles plus complexes telles que les modèles hiérarchiques avec des couches latentes.
Référence: Jreich R., Hatté C., Parent É., 2021. Review of Bayesian selection methods for categorical predictors using JAGS. Journal of Applied Statistics, doi: 10.1080/02664763.1902955