¿Qué hace bayesselect?

El comando estima simultáneamente:

• La probabilidad de que cada variable forme parte del modelo

• El tamaño del coeficiente asociado a cada predictor

Si una variable tiene baja probabilidad de incluirse, su coeficiente se reduce de forma natural, impulsando modelos más parsimoniosos y robustos.

Priors disponibles en bayesselect

Stata implementa dos grandes familias de priors usados para selección bayesiana:
 

1. Global–local shrinkage

Permiten “encoger” coeficientes irrelevantes sin eliminar variables explícitamente.

Incluyen:

• Horseshoe priors (hshoe)

• Bayesian lasso (blasso)

Ambos utilizan un prior Half-Cauchy para el parámetro global de contracción, combinado con parámetros locales que ajustan cada coeficiente.
 

Ejemplo en Stata:

webuse bmaintro

bayesselect y x*, hshoe

Resultados clave:
Las variables x10 y x2 obtuvieron probabilidades de inclusión superiores a 0.5, lo que las identifica como los predictores más importantes del modelo.

2. Spike-and-slab priors

Separan explícitamente los coeficientes entre dos grupos:

• Spike: cerca de cero (coeficientes irrelevantes).

• Slab: con mayor varianza (coeficientes importantes).

Opciones:

• Mezcla de normales (ssnormal)

• Mezcla de Laplace (sslaplace)

Ejemplo en Stata:

bayesselect y x*, ssnormal

Hallazgos:
Nuevamente, x10 y x2 emergen como predictores relevantes, coincidiendo con el método anterior.
 

📌 Conclusión

La llegada de bayesselect convierte a Stata en una plataforma aún más completa para análisis bayesiano. Su capacidad para estimar tanto coeficientes como probabilidades de inclusión proporciona:

• Modelos más interpretables

• Selección de variables más flexible

• Mejor rendimiento predictivo

• Opciones de priors modernos usados en investigación de punta

Si trabajas con modelos donde hay muchas variables y necesitas separar las relevantes de las que no aportan, bayesselect se vuelve una herramienta indispensable.

https://www.stata.com/stata-news/news39-5/bayesian-variable-selection/