A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Efficient Bayesian generalized linear models with time-varying coefficients : The walker package in R (2022)

Helske, J. (2022). Efficient Bayesian generalized linear models with time-varying coefficients : The walker package in R. SoftwareX, 18, Article 101016. https://doi.org/10.1016/j.softx.2022.101016

JYU-tekijät tai -toimittajat

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Helske, Jouni

Lehti tai sarja: SoftwareX

eISSN: 2352-7110

Julkaisuvuosi: 2022

Ilmestymispäivä: 24.02.2022

Volyymi: 18

Artikkelinumero: 101016

Kustantaja: Elsevier BV

Julkaisumaa: Alankomaat

Julkaisun kieli: englanti

DOI: https://doi.org/10.1016/j.softx.2022.101016

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/80507

Rinnakkaistallenteen verkko-osoite (pre-print): https://arxiv.org/abs/2009.07063

Lisätietoja: Original software publication.

Tiivistelmä

The R package walker extends standard Bayesian general linear models to the case where the effects of the explanatory variables can vary in time. This allows, for example, to model the effects of interventions such as changes in tax policy which gradually increases their effect over time. The Markov chain Monte Carlo algorithms powering the Bayesian inference are based on Hamiltonian Monte Carlo provided by Stan software, using a state space representation of the model to marginalize over the regression coefficients for efficient low-dimensional sampling.

YSO-asiasanat: aikasarjat; regressioanalyysi; lineaariset mallit; bayesilainen menetelmä; Markovin ketjut; Monte Carlo -menetelmät; R-kieli

Vapaat asiasanat: Bayesian inference; time-varying regression; R; Markov chain Monte Carlo

Liittyvät organisaatiot

Hankkeet, joissa julkaisu on tehty

OKM-raportointi: Kyllä

Raportointivuosi: 2022

JUFO-taso: 1