•  Persian
    • Persian
    • English
  •   ورود
  • دانشگاه فردوسی مشهد
  • |
  • مرکز اطلاع‌رسانی و کتابخانه مرکزی
    • Persian
    • English
  • خانه
  • انواع منابع
    • مقاله مجله
    • کتاب الکترونیکی
    • مقاله همایش
    • استاندارد
    • پروتکل
    • پایان‌نامه
  • راهنمای استفاده
View Item 
  •   کتابخانه دیجیتال دانشگاه فردوسی مشهد
  • Fum
  • Articles
  • Latin Articles
  • View Item
  •   کتابخانه دیجیتال دانشگاه فردوسی مشهد
  • Fum
  • Articles
  • Latin Articles
  • View Item
  • همه
  • عنوان
  • نویسنده
  • سال
  • ناشر
  • موضوع
  • عنوان ناشر
  • ISSN
  • شناسه الکترونیک
  • شابک
جستجوی پیشرفته
JavaScript is disabled for your browser. Some features of this site may not work without it.

Bayesian lasso binary quantile regression

نویسنده:
Benoit, D.F. - Alhamzawi, R. - Yu, K.
ناشر:
Springer-Verlag
سال
: 2013
شناسه الکترونیک: 10.1007/s00180-013-0439-0
یو آر آی: http://libsearch.um.ac.ir:80/fum/handle/fum/578141
کلیدواژه(گان): Binary,Gibbs sampler,Lasso,Quantile regression,Variable selection
کالکشن :
  • Latin Articles
  • نمایش متادیتا پنهان کردن متادیتا
  • آمار بازدید

    Bayesian lasso binary quantile regression

Show full item record

contributor authorBenoit, D.F. - Alhamzawi, R. - Yu, K.
date accessioned2020-03-11T15:33:32Z
date available2020-03-11T15:33:32Z
date issued2013
identifier issn0943-4062
identifier other10.1007-s00180-013-0439-0.pdf
identifier urihttp://libsearch.um.ac.ir:80/fum/handle/fum/578141?locale-attribute=fa
formatgeneral
languageEnglish
publisherSpringer-Verlag
titleBayesian lasso binary quantile regression
typeJournal Paper
contenttypeMetadata Only
identifier padid4431293
subject keywordsBinary
subject keywordsGibbs sampler
subject keywordsLasso
subject keywordsQuantile regression
subject keywordsVariable selection
identifier doi10.1007/s00180-013-0439-0
journal titleComputational Statistics
journal volume28
journal issue6
filesize252012
citations3
  • درباره ما
نرم افزار کتابخانه دیجیتال "دی اسپیس" فارسی شده توسط یابش برای کتابخانه های ایرانی | تماس با یابش
DSpace software copyright © 2019-2022  DuraSpace