Robust Bayesian Modeling of Counts with Zero inflation and Outliers: Theoretical Robustness and Efficient Computation
针对零膨胀与大型异常值导致标准计数模型后验失真的问题，提出基于重标度 beta 分布的稳健贝叶斯框架，配合定制 Gibbs 采样实现高效计算与理论后验稳健性。
2024-05-08 stat.ME
Bayesian Modeling of the Stochastic Block Model for Weighted Network Data with Zero-Inflated Negative Binomial Distribution
Department of Mathematics, Hiroshima University（广岛大学数学系）
本文提出基于零膨胀负二项分布的贝叶斯块模型，以应对加权网络中的过分散数据，通过零膨胀自然处理缺失交互，并利用多项式伽玛数据增强实现高效后验计算，提升社区检测和链接预测性能。
2026-04-27 stat.ME
Correcting Measurement Error and Zero Inflation in Functional Covariates for Scalar-on-Function Quantile Regression
Indiana University School of Public Health（印第安纳大学公共卫生学院）；Oregon State University（俄勒冈州立大学）；Marmara University（马尔马拉大学）；Texas A&M University School of Public Health（德克萨斯农工大学公共卫生学院）；Columbia University Mailman School of Public Health（哥伦比亚大学米尔曼公共卫生学院）
本文提出了一种校正功能协变量中测量误差和零膨胀问题的新方法，通过有效性指标和联合分位数回归提高了估计准确性。
2026-02-05 stat.ME
A general framework for modelling zero inflation
我们提出了一个新的框架，展示零通货膨胀（ZI）的计数数据建模。这个框架的主要部分包括一个新的和更一般的ZI模型，其中自然包括过度和通货膨胀不足的参数化。它进一步揭示了新的理论建模和推理，并允许一个更简单的替代方案，我们称之为乘法，在占主导地位的混合物和障碍模型。我们的方法使统计学家能够获得新类型的ZI，其中混合物和障碍是特例。我们概述了一个简单的参数化建模方法，它可以帮助推断两个ZI类型和程度，并提供了一个基本的治疗，表明目前的ZI模型本身通常在指数家庭，从而允许更简单的理论，计算和经典的推理。我们概述了一些可能性的自然贝叶斯推理框架和丰富的基础上相关的ZI计数工作。本文是一个不完整的报告的基本理论。稍后的版本将包括计算问题，并提供更多的例子。
2018-05-01 stat.ME
Bayesian semi-parametric inference for clustered recurrent events with zero-inflation and a terminal event/4163305
复发性事件数据在临床研究中很常见，当受试者纵向随访时，经常发生终末事件。随着具有异质性来源人群的大型实用性试验的日益普及，参与者通常嵌套在诊所中，并且可能对复发过程敏感或结构上不敏感。这些复杂性需要新的建模策略，以适应潜在的零事件膨胀以及分层数据结构的终端和非终端事件过程。在本文中，我们开发了一个贝叶斯半参数模型，以联合特征的零膨胀的复发事件过程和终端事件过程。我们使用一个点质量混合的非齐次泊松过程来描述经常性的强度，并引入共享的随机效应从不同的来源来桥接非终端和终端事件过程。为了实现鲁棒性，我们考虑非参数Dirichlet过程建模的剩余的加速失效时间模型的生存过程以及集群特定的脆弱性分布，并开发一个马尔可夫链蒙特卡罗算法的后验推理。我们证明了我们提出的模型与竞争模型相比，通过模拟的优越性，并将我们的方法应用到一个务实的集群随机试验中的老年人跌倒伤害预防。
2022-12-05 stat.ME
A common zero-inflation bivariate Poisson model with comonotonic and counter-monotonic shocks
本文提出一种含公共零质量的二元零膨胀 Poisson 混合模型，通过潜在 Poisson 对的同单调与反单调冲击刻画正负相依，并给出矩估计与最大似然估计、渐近及模拟性质和两个实例。
2025-09-26 stat.ME
Generally-Altered, -Inflated, -Truncated and -Deflated Regression, With Application to Heaped and Seeped Data
在现代回归分析中，诸如零膨胀和零改变泊松以及零截断二项分布等模型是公认的。我们提出了一个超级模型，共同和最大限度地统一的变更，通货膨胀，截断和通货紧缩的计数，给定一个1或2参数的父（基）分布。七个不相交的特殊值类型的集合被容纳，因为除了截断之外，所有的都有参数和非参数变量。一些亮点包括：（i）混合分布非常灵活，例如，多达7种模式;（ii）可以使用负二项（NB）父项来处理欠分散、等分散和过分散，其中欠分散由新的一般截断扩展方法处理;（iii）可以根据四个算子来整体地研究过分散;（iv）重要的应用：容易处理来自回顾性自报告调查的堆积和渗出数据，例如，峰值和下降，几乎位于任何地方;（v）虽然一般改变回归解释了为什么观察存在，一般膨胀回归解释了为什么它们过量存在，一般收缩回归解释了为什么观察不存在;（vi）VGAM R软件包实现了基于Fisher评分和多项logit模型的方法（实现了Poisson，NB，zeta和对数父母）。GAITD-NB有可能成为计数分布的瑞士军刀。
2022-08-27 stat.ME
Modeling Zero-Inflated Correlated Dental Data through Gaussian Copulas and Approximate Bayesian Computation
针对零膨胀和时空相关的纵向牙齿数据，提出结合hurdle模型与高斯Copula的回归模型，并采用近似贝叶斯计算推断，揭示龋齿风险因素及相关性结构。
2024-12-25 stat.AP stat.ME
Zero-inflated stochastic volatility model for disaggregated inflation data with exact zeros
The University of Tokyo（东京大学）
本文提出零膨胀随机波动模型，用于处理包含精确零的分解通胀数据，通过联合动态零生成过程提升时变趋势和波动率估计的准确性，并在预测中表现更优。
2026-03-03 stat.AP stat.ME
Semiparametric discrete data regression with Monte Carlo inference and prediction
离散数据是丰富的，往往出现计数或舍入数据。这些数据通常表现出复杂的分布特征，如零通货膨胀，过度/欠分散，有界性和堆积，使许多参数模型不足。然而，即使是参数回归模型，近似，如MCMC通常需要后验推理。本文介绍了一种贝叶斯建模和算法框架，使半参数回归分析离散数据与蒙特卡罗（不是MCMC）抽样。该方法将非参数边际模型与潜在的线性回归模型配对，以鼓励灵活性和可解释性，即使在模型错误指定的情况下也能提供后验一致性。对于这个模型的参数或大样本近似，我们确定了一类共轭先验与（伪）封闭形式的后验。所有后验分布和预测分布都可以通过分析或直接蒙特卡罗抽样获得。这些工具广泛用于线性回归、通过基展开的非线性模型以及离散数据的变量选择。模拟研究表明，在计算，预测，估计和选择相对于现有的替代品显着的优势。这种新的方法被成功地应用到自我报告的心理健康数据，表现出零通货膨胀，过度分散，有界性和堆积。
2023-02-24 math.ST stat.CO stat.ME
A Bayesian Zero-Inflated Dirichlet-Multinomial Regression Model for Multivariate Compositional Count Data
狄利克雷多项分布在现代统计方法学的发展和应用中起着基础性的作用。最近，DM分布及其变体已被广泛用于对组学研究中由高通量测序技术产生的多变量计数数据进行建模，这是由于其能够适应数据的组成结构以及过度分散。DM分布的一个主要限制是它无法处理通常在实践中发现的可能会导致推断偏差的多余零。为了填补这一空白，我们提出了一种新的贝叶斯零膨胀DM模型的多变量组成计数数据与多余的零。然后，我们将我们的方法扩展到回归设置，并嵌入稀疏诱导先验来执行高维协变量空间的变量选择。在整个过程中，建模决策是为了提高可伸缩性，而不牺牲可解释性或强加限制性假设。广泛的模拟和应用程序的人类肠道微生物组数据集的性能比较所提出的方法，现有的方法。我们提供了一个附带的R包，其中包含一个用户友好的小插曲，可以将我们的方法应用于其他数据集。
2023-02-23 stat.AP stat.CO stat.ME
Bayesian Joint Modeling of Zero-Inflated Longitudinal Data and Survival with a Cure Fraction: Application to AIDS Data
针对零膨胀纵向计数数据与含治愈组分的生存数据，提出贝叶斯联合建模框架，纵向用混合效应Hurdle模型、生存用Cox-混合治愈模型并通过纵向值线性组合连接，经模拟与HIV数据验证，可支持个性化医疗决策。
2025-08-26 stat.AP stat.ME
Two-stage Circular-circular Regression with Zero-inflation: Application to Medical Sciences
本文考虑了零膨胀圆形测量的建模，涉及来自医学科学的真实案例研究。循环-循环回归模型已经在统计文献中进行了讨论，并通过各种实际应用进行了说明。然而，没有模型同时处理零膨胀响应和协变量。提出了基于Mobius变换的两阶段循环-循环回归模型，并利用MCMC算法给出了模型参数的贝叶斯估计。仿真结果表明，该方法的性能优于现有的竞争对手。该方法被应用于分析真实的数据集散光，由于白内障手术和异常步态相关的骨科障碍。所提出的方法可以帮助在治疗或术后护理期间做出有效的决策。
2020-12-17 stat.CO stat.ME
Zero-inflation in the Multivariate Poisson Lognormal Family
针对高维计数数据中的零膨胀问题，提出ZIPLN模型，通过伯努利潜在变量扩展PLN，利用变分推断估计参数，在合成数据及含90.6%零值的微生物组数据上验证了其有效性，提高了模型拟合与判别能力。
2025-09-12 stat.AP stat.ME stat.ML
Stochastic EM Estimation and Inference for Zero-Inflated Beta-Binomial Mixed Models for Longitudinal Count Data
IE University（IE大学）
本文提出了一种零膨胀贝塔-二项混合模型，用于处理纵向计数数据中的过度分散和零膨胀问题，通过随机近似EM算法实现高效估计，并通过案例研究验证了其在小样本情况下的优越性。
2026-02-09 math.ST stat.ME stat.TH
Latent variable models for multivariate dyadic data with zero inflation: Analysis of intergenerational exchanges of family support
本文提出结合连续潜变量与二元潜类别变量的多变量零膨胀潜变量模型，用MCMC和定制数据增广估计，并基于英国家庭纵向研究分析代际家庭支持交换。
2021-04-23 stat.AP stat.ME
A zero-inflated endemic-epidemic model with an application to measles time series in Germany
针对传染病监测数据中的零膨胀问题，提出带随机效应的多元零膨胀地方性-流行性模型扩展HHH框架，新模型参数可通过极大似然高效联合估计，模拟与德国麻疹数据应用均验证了其收敛性与预测提升。
2022-01-18 stat.AP stat.ME
Empirical Networks are Sparse: Enhancing Multi-Edge Models with Zero-Inflation
本文针对现实网络稀疏性导致经典多边模型失真的问题，提出将零膨胀机制引入传统网络模型，并在 Sociopatterns 数据集上验证其能更准确刻画稀疏性与重尾边计数分布。
2025-01-02 cs.SI math.ST physics.soc-ph
A Comparison of Zero-Inflated Models for Modern Biomedical Data
本文通过模拟和实际数据比较零膨胀负二项、栅栏负二项和截断潜在高斯copula模型，研究变量依赖性、零膨胀水平及方差对模型选择的影响。
2024-11-18 stat.AP stat.ME
Zero Inflation as a Missing Data Problem: a Proxy-based Approach
Johns Hopkins Whiting School of Engineering（约翰斯·霍普金斯大学惠廷工程学院）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）；Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学布隆伯格公共卫生学院）；Johns Hopkins Medicine（约翰斯·霍普金斯医学）；Johns Hopkins Health System（约翰斯·霍普金斯卫生系统）；Vassar Brothers Medical Center（瓦萨兄弟医疗中心）
本文将零膨胀数据重新表述为缺失数据问题，利用缺失指示变量的代理变量修改效应恢复方法，实现参数识别、估计及未知关系下的部分识别敏感性分析。
2024-07-02 cs.AI stat.ME
