J. Jewson

A challenge when using graphical models in applications is that the sample size is limited relative to the number of parameters. Our motivation stems from applications where one has external data, in the form of networks between variables, that provides valuable information to help improve inference. Specifically, we depict the relation between COVID-19 cases and social and geographical network data, and between stock market returns and economic and policy networks extracted from text data. We propose a graphical LASSO framework where likelihood penalties are guided by the external network data and a spike-and-slab prior framework that depicts how partial correlations depend on the networks, which helps interpret the fitted graphical model. Our applications show how incorporating network data can improve interpretation, statistical accuracy, and out-of-sample prediction, in some instances using significantly sparser graphical models than would have otherwise been estimated

Palabras clave: GLASSO; Bayesian Inference; Spike-and-Slab

Programado

GT04.BIO1 Sesión Invitada. Datos Complejos
7 de noviembre de 2023  15:30
CC3: Sala 1


Otros trabajos en la misma sesión


Política de cookies

Usamos cookies solamente para poder idenfiticarte y autenticarte dentro del sitio web. Son necesarias para el correcto funcionamiento del mismo y por tanto no pueden ser desactivadas. Si continúas navegando estás dando tu consentimiento para su aceptación, así como la de nuestra Política de Privacidad.

Adicionalmente, utilizamos Google Analytics para analizar el tráfico del sitio web. Ellos almacenan cookies también, y puedes aceptarlas o rechazarlas en los botones de más abajo.

Aquí puedes ver más detalles de nuestra Política de Cookies y nuestra Política de Privacidad.