Equivalence tests for binary efficacy-toxicity responses
临床试验通常旨在根据协变量（例如，药物的剂量水平）在疗效和/或毒性方面将新药与参考治疗进行比较。如果平均结局的差异低于协变量范围内的特定阈值，则可以声明这些治疗的等效性。在本文中，我们假设治疗的疗效和毒性是作为二元结果变量来衡量的，我们解决了两个问题。首先，我们开发了一种新的检验程序，用于评估两种治疗方法在单个二元终点的整个协变量范围内的等效性。我们的方法是基于一个参数的引导，它生成的约束下，曲线之间的距离等于预先指定的等价阈值的数据。其次，我们通过扩展以前的单变量响应方法来解决双变量二元（相关）结果的等效性。为此，我们使用二维Gumbel模型进行二元疗效-毒性反应。我们调查所提出的方法通过模拟研究的操作特性，并提出了一个案例研究作为说明。
2019-10-19 stat.ME
A latent variable model with mixed binary and continuous response variables
我们提出了一种方法来获得最大似然估计在一个模型中的连续和二元的结果。左和右删失观测的组合也自然地在这个框架中建模。该模型和估计过程已在R软件包lava.tobit中实现。大脑成像和个性数据的预测变量的测量误差处理在一个潜在的变量框架的方法被证明。模拟研究进行比较的小样本性质的极大似然估计与有限的信息估计。
2015-07-05 stat.ME
A reduced-rank approach to predicting multiple binary responses through machine learning
针对多二元响应同步预测问题，提出结合机器学习的降秩伪贝叶斯方法，用PAC-贝叶斯界分析预测误差，经朗之万蒙特卡洛实现，效果媲美甚至优于现有最优方法。
2024-03-06 stat.ME
Handling outcome-dependent missingness with binary responses: A Heckman-like model
University of Florence（佛罗伦萨大学）；University of Perugia（佩鲁贾大学）
针对结果依赖性缺失导致的选择偏差问题，本研究将Heckman模型扩展到二元结果场景，通过逻辑回归建模选择过程与结果并基于相对风险推导校正项，为信息性缺失下的偏差校正提供有效工具。
2025-11-14 stat.ME
Robust Joint Modeling for Data with Continuous and Binary Responses
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Virginia Tech（弗吉尼亚理工大学）
本文提出了一种基于密度幂分歧损失函数和ℓ1正则化的稳健联合建模框架，用于同时预测连续和二元响应，提高预测性能和鲁棒性。
2026-03-12 stat.ME
Log-mean linear regression models for binary responses with an application to multimorbidity
在分类数据的回归模型中，线性模型通常通过称为链接函数的概率变换与响应变量相关。我们介绍了一种方法的基础上的两个链接函数的二进制数据命名的对数均值（LM）和对数均值线性（LML）。链接函数的选择对模型的解释起着关键作用，我们的方法在解释协变量对响应关联的影响方面特别有吸引力。与泊松回归相似，单个结果的LM和LML回归系数是对数相关风险，我们表明，在响应相关性的回归中也保持了相对风险解释。此外，零LML回归系数的某些集合意味着联合响应的相对风险相对于边际响应的相应相对风险进行因子分解。这项工作的动机是从病例对照研究中获得的数据集的分析，旨在调查艾滋病毒感染对多发病的影响，即同时存在两个或两个以上的非感染性合并症在一个病人。
2016-05-16 stat.ME
Flexible Bayesian Modeling for Longitudinal Binary and Ordinal Responses
本文提出一种基于函数型数据分析的灵活贝叶斯方法，利用高斯过程与Inverse-Wishart过程先验非参数建模纵向二分类及有序分类响应的均值和协方差结构，并通过continuation-ratio logits分解实现高效推断。
2024-08-31 stat.ME
Optimal Differentially Private Randomized Response Designs to Collect Sensitive Binary Data
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）
研究在收集敏感二进制数据时，考量统计功效与差分隐私，揭示常见随机响应设计的不足，给出满足功效和隐私约束的最优参数选择，并通过模拟研究评估，提供网络应用。
2026-07-07 stat.ME
Tree-Structured Scale Effects in Binary and Ordinal Regression
在二元和有序回归中，可以区分位置分量和缩放分量。虽然前者决定了响应类别范围内的位置，但标度表示方差异质性。特别是，因为它已被证明，误导性的影响，可能会发生，如果一个忽略的缩放组件的存在，重要的是要考虑潜在的缩放效应的回归模型，这是不可能在现有的递归分区方法。建议的递归分区方法产生两棵树，一个用于位置，一个用于缩放。它们以一种简单的可解释的方式显示变量如何相互作用以确定二元或有序响应。所开发的算法控制全局显著性水平，并自动选择对响应有影响的变量。几个现实世界的应用程序的建模方法说明。
2019-10-30 stat.ME
A Modification of McFadden's $R^2$ for Binary and Ordinal Response Models
许多关于分类响应模型预测强度的汇总指标的研究认为似然比指数（LRI），也称为McFadden- $R^2$，是比许多其他指标更好的选择。我们提出了一个简单的修改的LRI的响应类别的数量对措施的影响进行调整，也重新调整其值，模仿一个潜在的措施。修改后的措施是适用于二进制和有序响应模型拟合的极大似然。从模拟研究和一个真实的数据实例对猪的气味感知的结果表明，所提出的措施优于大多数广泛使用的拟合优度的二元和有序模型的措施。建议的$R^2$有趣地证明相当不变的序数模型的响应类别的数量不断增加。
2023-02-02 stat.AP stat.ME
A Fully Nonparametric Modelling Approach to Binary Regression
我们提出了一个一般的非参数贝叶斯框架的二元回归，这是建立从联合响应协变量分布建模。假设观察到的二进制响应通过离散化从潜在的连续随机变量中产生，并且我们使用多变量正态分布的Dirichlet过程混合来建模这些潜在响应和协变量的联合分布。我们表明，内核的诱导混合模型的观测数据是可识别的限制后的潜变量。为了允许适当的依赖结构，同时促进可识别性，我们使用的协方差阵在正常的混合内核的平方根自由Cholesky分解。除了允许必要的限制，这种建模策略提供了大量的简化实施马尔可夫链蒙特卡罗后验模拟。我们提出了两个数据的例子，从该方法是特别适合的领域。特别是，第一个例子涉及估计环境变量之间的关系，第二个发展推理进化生物学中的自然选择表面。最后，我们讨论扩展到多元有序响应的回归设置。
2014-08-04 stat.ME
Analysis and sample-size determination for $2^K$ audit experiments with binary response and application to identification of effect of racial discrimination on access to justice
本文针对二值响应下2^K析因审计实验，提出基于随机化Neymanian推断的完整设计与分析方法，涵盖样本量、功效计算和非线性估计量，并应用于Libgober（2020）关于种族歧视影响司法救助的审计实验。
2025-03-13 stat.ME
Identifiability of restricted latent class models with binary responses
统计潜类模型在社会和心理学研究中有着广泛的应用，但模型参数的可辨识性往往难以确定。在本文中，我们考虑的可识别性问题的一个家庭的限制潜在的类模型，其中的限制结构需要反映预先指定的假设相关的评估。我们建立了严格意义上的可识别性结果，并指定哪些类型的约束结构将给出模型参数的可识别性。该结果不仅保证了许多常用模型的有效性，而且为相关的试验设计提供了指导，在当前的应用中，设计通常是基于经验的，并且不能保证可识别性。在理论上，我们发展了一种新的技术来建立可识别性的结果，它可以扩展到其他限制潜在类模型。
2016-03-14 stat.ME
A Taxonomy of Polytomous Item Response Models
提供了一个共同的框架，包括经典的顺序项目反应模型的累积，顺序和相邻类别模型，以及名义反应模型和项目反应树模型。分类法基于二进制模型可以被视为各种模型的构建块的方式。特别是，可以区分条件和无条件模型组件。到目前为止，条件模型是包含相邻类别模型和整个层次结构模型的较大类别的模型。后者被引入作为一类模型，包括二叉树和层次结构的模型，有条件地使用序数模型。对潜在特质模型中包含的二元模型的研究阐明了模型与项目参数解释之间的关系。它还用于通过给出有序模型的概念化来区分有序模型和名义模型。该分类法与以前的分类法不同，它侧重于二分法的结构化使用，而不是参数化的作用。
2020-10-03 stat.ME
On a class of binary regression models and their robust estimation
本文提出基于β、γ散度的二元回归模型鲁棒估计统一框架，拓展传统logistic模型至一般连接函数类，兼具费希尔一致性与离群值鲁棒性，揭示新鲁棒估计类别，实验验证其在污染场景下的二元分类可靠性。
2025-02-21 stat.ME
Efficient initial designs for binary response data
在本文中，我们介绍了一个二进制搜索算法，有效地找到初始最大似然估计的连续实验，其中二进制响应是由一个连续的因素。这个问题是由超导约瑟夫森结的开关测量引起的。在这个量子力学实验中，电流是由实验者控制的因素，并且测量指示电压响应的存在或不存在的二进制响应。模型参数的先验知识通常很贫乏，这可能导致常用的初始估计方法失效。二叉搜索算法被设计为即使在先验信息非常差的情况下也能可靠地工作。该算法的性能进行了研究，在模拟和优势的初始估计与等间隔的因素水平被证明。我们还研究了二进制搜索算法的成本效率，并找到近似最佳的测量每阶段的数量时，有一个成本相关的实验中的阶段数。关键词：最优设计，二分搜索，逻辑斯谛回归，互补重对数，量子物理，开关测量
2008-02-06 math.ST stat.ME stat.TH
A Tensor-EM Method for Large-Scale Latent Class Analysis with Binary Responses
针对二元响应大规模潜类别分析中传统 EM 收敛慢且易陷局部最优的问题，提出张量幂方法初始化 EM 的 Tensor-EM 流程，并证明 N、J 同时增大时 MLE 的聚类一致性。
2022-09-14 stat.ME
Examining the robustness of a model selection procedure in the binary latent block model through a language placement test data set
本文针对法国大学外语分班考试数据，研究二元潜在块模型中初始化次数调整与模型选择程序，并通过模拟和真实数据检验其在学生人数变化下学生分组稳定性的稳健性。
2024-08-31 stat.CO stat.ME
Smoothed quantile regression processes for binary response models
本文考虑了具有线性分位数限制的二元响应模型。相当概括以前的研究在这个问题上，我们的分析集中在无限收集的分位数估计。我们得到一个统一的线性化适当标准化的经验分位数的过程中，发现一些令人惊讶的差异与设置连续观察到的反应。此外，我们表明，考虑分位数过程提供了一种有效的方法来估计二进制选择概率，而无需限制性假设的形式的链接函数，异方差或需要高维非参数平滑的方法，到目前为止。一个统一的线性表示和渐近正态性的结果，并讨论了重排的连接。
2019-04-04 math.ST stat.ME stat.TH
Robustness of Bayesian ordinal response model against outliers via divergence approach
针对有序响应模型受异常值影响的问题，提出基于密度幂散度和γ-散度的一般后验方法，实现稳健贝叶斯推断，并通过实验验证其优于普通贝叶斯方法。
2023-05-12 math.ST stat.ME stat.TH
A General Framework for Random Effects Models for Binary, Ordinal, Count Type and Continuous Dependent Variables Including Variable Selection
本文提出了一种一般随机效应混合阈值模型，支持连续、二分类、有序分类和计数等多种响应变量类型，突破了指数族分布限制并解决了过度分散问题，同时提供了参数稀疏化方法以应对高维参数挑战。
2024-04-27 stat.ME
Optimal Designs for Two-Level Factorial Experiments with Binary Response
我们考虑了在两个水平上的定性因子的析因试验中获得局部D-最优设计的问题，每个水平上都有二进制响应。我们主要关注2^2实验。在本文中，我们推导出一些特殊情况下的解析结果，并指出如何处理一般情况。均匀设计的性能进行了检查，我们表明，这种设计是非常有效的。对于一般的2^k情形，我们证明了均匀设计具有极大极小性质。
2010-05-12 math.ST stat.ME stat.TH
Zero-inflated generalized extreme value regression model for binary data and application in health study
逻辑斯谛回归模型被广泛用于研究二元反应变量$Y$和一组潜在预测因子$\mathbf X$之间的关系。二元响应可以表示例如某个感兴趣结果的发生（如果结果发生则为$Y=1$，否则为$Y=0$）。当因变量$Y$代表罕见事件时，逻辑斯谛回归模型显示出相关缺陷。为了克服这些缺点，我们提出了广义极值（GEV）回归模型。特别是，我们建议GEV分布的分位数函数作为链接函数，所以我们的注意力集中在响应曲线的尾部接近1的值。当一部分研究受试者（所谓的治愈个体，而不是合格者）无法经历感兴趣的结果时，观察样本被称为包含治愈分数。由此产生的一个问题是，除非观察到感兴趣的结果，否则通常不知道谁是治愈的受试者和谁是易感受试者。在这些情况下，对易感人群中$\mathbf X$和$Y$之间的关系进行逻辑斯谛回归分析并不简单。我们开发了一个极大似然估计程序，这个问题的基础上，联合建模的二进制响应的兴趣和治愈状态。我们调查的可识别性所产生的模型。然后，我们进行了模拟研究，调查其有限样本的行为，并应用到实际数据。
2021-05-02 stat.ME
Parametric bootstrapping in a generalized extreme value regression model for binary response
当我们研究代表罕见事件的二元响应变量$Y$和潜在预测变量$\mathbf{X}$之间的关系时，广义极值（GEV）回归往往更适合。特别地，我们使用GEV分布的分位数函数作为链接函数。Bootstrapping将准确性的度量（偏倚、方差、置信区间、预测误差、假设检验）分配给样本估计值。该技术允许使用随机抽样方法估计几乎任何统计量的抽样分布。Bootstrapping通过从近似分布中采样时测量估计量的属性来估计估计量的属性。本文首先对广义极值回归模型进行拟合，然后用参数Bootstrap方法检验假设，估计广义极值回归模型参数的置信区间，并给出一个实际数据应用。
2021-05-02 stat.AP stat.ME
A generalized Gaussian process model for computer experiments with binary time series
非高斯观测，如二进制响应，在一些计算机实验中很常见。基于对一类细胞粘附实验的分析，我们引入了一个广义的二值响应的高斯过程模型，它与标准的GP模型具有一些共同的特征。此外，所提出的模型采用了灵活的均值函数，可以捕捉不同类型的时间序列结构。导出了估计量的渐近性质，构造了最优预测量及其预测分布。他们的表现是通过两个模拟研究。该方法适用于研究细胞粘附实验的计算机模拟。拟合模型揭示了重复细胞结合中的重要生物信息，这在实验室实验中无法直接观察到。
2018-09-24 stat.ME
Boosting Distributional Copula Regression for Bivariate Binary, Discrete and Mixed Responses
本文提出面向任意边际分布的二元分布型 copula 回归统计提升框架，通过逐分量梯度提升联合建模边际与 copula 参数，并在多类生物医学数据中验证。
2024-03-04 stat.ME
Bayesian inference on high-dimensional multivariate binary responses
收集高维二进制响应数据已变得越来越普遍;例如，随着生态学中新的采样技术的出现。在较小的维度中，多变量概率单位（MVP）模型通常用于推断。然而，由于可能性的棘手性，用于拟合这样的模型的算法在按比例放大到高维时面临问题，涉及在没有解析形式的多元正态分布上的积分。虽然已经提出了各种算法来近似这个棘手的积分，这些方法是难以实现和/或不准确的高维。我们的主要重点是在容纳高维二进制响应数据与一个小到中等数量的协变量。我们提出了一个两阶段的模型参数的推断方法，同时照顾阶段之间的不确定性传播。我们使用的特殊结构的潜在高斯模型，以减少联合参数估计涉及的高成本的计算集中在边缘分布的模型参数的推断。这基本上使得该方法对于两个阶段都是并行的。我们说明了在模拟和应用程序的联合物种分布生态学建模的性能。
2022-10-24 stat.CO stat.ME
Optimal Bayesian predictive probability for delayed response in single-arm clinical trials with binary efficacy outcome
针对单臂临床试验中延迟确认响应导致决策延迟的问题，提出基于广义贝叶斯定理折减未确认结果贡献的预测概率方法，模拟验证其能做出及时且适当的中期go/no-go决策。
2024-05-23 stat.ME
Markov counting models for correlated binary responses
我们提出了一类连续时间马尔可夫计数过程分析相关的二进制数据，并建立这些模型之间的对应关系和可交换的伯努利随机变量的总和。我们的方法概括了许多以前的模型相关的结果，承认容易解释的参数化，允许不同的集群大小，并采用了自然的方式确认偏差。我们展示了几个新的模型，依赖的结果，并提供算法计算最大似然估计。我们展示了如何在回归设置中纳入集群特定的协变量，并展示了对来自家族性疾病流行病学和发育毒理学的知名数据集的改进拟合。
2014-08-27 math.ST stat.ME stat.TH
Item Response Thresholds Models
提出了一个全面的一类模型，可用于连续的，二进制的，有序的分类和计数型响应。项目的难度由难度函数来描述，它取代了项目反应模型中通常使用的项目难度参数。它们决定了响应分布，并使模型在覆盖的分布范围方面非常灵活。模型类包含几个广泛使用的模型，如二进制Rasch模型和分级响应模型作为特例，允许简化，并提供了一个免费的分布替代计数类型的项目。模型的一个主要优点是，当不同类型的项目被组合起来衡量能力或态度时，它们可以用于混合项目格式。这是综合建模方法的直接结果，该方法允许难度函数自动适应响应分布。显示了模型类的基本属性。几个真实的数据集被用来说明模型的灵活性。
2021-06-24 stat.ME
A Fused Latent and Graphical Model for Multivariate Binary Data
我们考虑分析多元二进制数据的建模，推理和计算。我们提出了一个新的模型，由一个低维的潜变量组件和稀疏的图形组件。我们的研究是出于对认知评估中的项目反应数据的分析，并已应用到许多学科的项目反应数据收集。认知评估中项目反应数据的标准方法采用多维项目反应理论（IRT）模型。然而，人类认知通常是一个复杂的过程，因此可能无法通过几个因素充分描述。因此，一个低维的潜在因素模型，如多维IRT模型，往往不足以捕捉数据的结构。该模型增加了一个稀疏的图形组件，捕捉剩余的特设依赖。当图形成分退化时，它简化为一个多维IRT模型。通过构造一个伪似然函数和适当选择惩罚项，同时进行模型选择和参数估计。伪似然函数的凸性使我们能够开发出一种有效的算法，而惩罚项生成一个低维的潜在成分和稀疏的图形结构。在适当的正则条件下建立了理想的理论性质。该方法适用于修订后的艾森克人格问卷，揭示其有用的项目分析。仿真结果表明，该方法在实际应用中效果良好。
2016-06-29 stat.ME
Robust Emax Model Fitting: Addressing Nonignorable Missing Binary Outcome in Dose-Response Analysis
University of California, Davis（加州大学戴维斯分校）；Pfizer Inc.（辉瑞公司）
本文提出了一种基于惩罚似然的方法，用于解决剂量反应分析中非忽略缺失二元结局问题，通过整合修改的期望-最大化算法和非信息性先验，减少参数估计偏倚并提升模型性能。
2024-09-30 stat.AP stat.ME
A Spectral Method for Identifiable Grade of Membership Analysis with Binary Responses
本文针对二元响应下的隶属度等级（GoM）模型，提出一种基于奇异值分解的谱方法，利用数据矩阵低秩结构和单纯形几何实现可识别估计，并证明其一致性，兼具高计算效率与可扩展性。
2024-02-15 stat.ME
Bayesian Spatial Binary Classification
在空间参考数据的分析中，研究人员通常有两个目标之一：量化响应变量和协变量之间的关系，同时考虑剩余的空间依赖性或预测响应变量在未观察到的位置的值。在第二种情况下，当响应变量是分类的时，预测可以被视为分类问题。许多分类方法要么忽略响应变量/协变量关系，只依赖于空间上接近的观察分类，或者忽略空间依赖性，只使用协变量进行分类。贝叶斯空间广义线性（混合）模型提供了一种工具，以适应空间和协变量的信息来源分类问题。在本文中，我们正式定义空间分类规则的基础上，这些模型。我们还仔细研究了其中两个模型，已在文献中提出，即概率单位版本的空间广义线性模型（SGLM）和贝叶斯空间广义线性混合模型（SGLMM）。我们描述了这些模型的空间分类之间看似轻微的差异的影响，并通过模拟研究探讨了模型误指定的鲁棒性问题。我们还提供了SGLM/SGLMM为基础的分类器的替代品的概述，并说明了各种方法，使用来自东南亚的卫星土地覆盖数据。
2016-01-08 stat.ME
Robust low-rank estimation with multiple binary responses using pairwise AUC loss
Norwegian Institute of Public Health（挪威公共卫生研究院）
本文提出了一种基于成对AUC损失的鲁棒低秩估计框架，用于处理多个二元响应问题，通过低秩约束和高效算法提升了模型的判别性能和鲁棒性。
2026-01-13 cs.LG stat.ME stat.ML
Modeling of Multisite Precipitation Occurrences Using Latent Gaussian-based Multivariate Binary Response Time Series
建立了一个新的多点观测日降水过程的随机模式。模型的概念是用指示函数和多元高斯分布的椭圆形状来表示日降水发生的联合概率。通过使用这个概念，所需的降水发生建模的参数的数量可以大大减少时，常用的两个状态的马尔可夫链的方法相比。通过这种参数的减少，模拟不同地点观测到的日降水发生过程的时空依赖性不再困难。一个说明性的应用程序，使用的降水记录从网络的10个雨量计在魁北克省南部地区的结果，也证明了所提出的模型的准确性和可行性。
2020-03-18 stat.AP stat.ME
perms: Likelihood-free estimation of marginal likelihoods for binary response data in Python and R
本文介绍 Python/R 软件包 perms，用无似然的排列计数方法估计可交换二元响应模型的边际似然，支持非参数模型与大数据，并通过示例和模拟验证其效率。
2023-12-10 stat.CO stat.ME
Methods for Bayesian Variable Selection with Binary Response Data using the EM Algorithm
高维贝叶斯变量选择问题通常使用计算昂贵的马尔可夫链蒙特卡罗（MCMC）技术来解决。最近，贝叶斯变量选择技术被开发用于连续数据，使用称为EMVS的期望最大化算法。我们提出了一个逻辑和概率扩展的EMVS方法，以二进制数据。为了保持EMVS的计算速度，我们还实现了随机双坐标下降（SDCA）算法。此外，我们进行了两个广泛的模拟研究，以显示这两种方法的计算速度。这些模拟研究揭示了这两种方法快速识别正确稀疏模型的能力。当将这些EMVS方法与随机搜索变量选择（SSVS）进行比较时，EMVS方法在计算速度和正确识别重要变量方面都超过SSVS。最后，我们在两个著名的基因表达数据集上说明了这两种方法的有效性。我们的结果反映了这些数据集的先前检查的结果，计算成本要低得多。
2016-05-18 stat.CO stat.ME
Evaluating Bias Reduction Methods in Binary Emax Model for Reliable Dose-Response Estimation
University of California, Davis（加州大学戴维斯分校）；Pfizer Inc.（辉瑞公司）
本文通过评估三种偏倚减少方法，提出使用Jeffreys先验的MPLE在小样本和模型假设违反情况下提供更稳健的剂量-反应估计。
2025-09-22 stat.AP stat.ME
Heywood cases in unidimensional factor models and item response models for binary data
Heywood案例在线性因子分析文献中被认为是公共性大于1.00的变量，在当今的因子模型中，这个问题也表现在负残差方差上。对于二进制数据，有序因子模型可以应用delta参数化或theta参数化。前者比后者更常见，并且当使用有限信息估计时可以产生Heywood情况。同样的问题在θ参数化因子模型中表现为非收敛情况，在项目反应理论（IRT）模型中表现为极大的歧视。在这项研究中，我们解释了为什么同样的问题会以不同的形式出现，这取决于分析方法。我们首先讨论这个问题，使用方程，然后说明我们的结论，使用一个小的模拟研究，其中所有三种方法，三角洲和θ参数化的有序因子模型（估计基于多元相关性）和IRT模型（全信息估计），用于分析相同的数据集。我们还比较了序因子模型的WLS，WLSMV和ULS估计的性能。最后，我们用同样的三种方法分析真实数据。仿真研究和实际数据分析的结果证实了理论结论。
2021-08-12 stat.AP stat.ME
A Multinomial Canonical Decomposition Model, with emphasis on the analysis of Multivariate Binary data
Leiden University（莱顿大学）
本文提出将多项式模型的广义参数分解为参与者和类别分数，利用外部信息限制这些分数，通过主要化-最小化算法估计参数，特别关注类别表示二元响应变量配置的情况，推导了解释规则并讨论了与loglinear模型等的联系。
2025-01-22 stat.CO stat.ME
Constrained Markov decision processes for response-adaptive procedures in clinical trials with binary outcomes
本研究提出用于二分类结局临床试验响应自适应程序的CMDP方法，可在约束下实现特定目标，开发了最优及近优求解方法，实验表明其在I、II类错误相关场景下性能优于现有CRDP程序。
2024-01-28 math.OC stat.ME
Commentary: analyzing binary data using MCPMod when zero counts are expected
Bretz et al（2005）提出了多重比较程序和建模（MCPMod）方法来设计和分析剂量探索研究。Pinheiro（2014）随后将其推广到各种类型的终点，包括但不限于二元终点、生存终点、计数数据和纵向数据。Pinheiro（2013）建议使用来自观察数据的估计协方差阵重新计算最佳对比度和检验临界值。对于许多II期研究，每组样本量较小且安慰剂应答率较低是常见的。在这种情况下，不能排除观察到零计数。例如，当安慰剂应答率为10%时，在安慰剂组或与安慰剂具有相似应答率的其他剂量组中观察到零应答者的可能性约为4%。在这篇手稿中，我们想用案例研究和模拟来说明Pinheiro（2013）的潜在问题。评价了使用Firth逻辑斯谛回归的替代方法，以获得每个剂量组的反应稳定估计值。此外，我们评估了两个选项，以解决有问题的对比度系数的问题。
2022-02-17 stat.AP stat.ME
Robustness against outliers in ordinal response model via divergence approach
本文研究了有序反应模型中的离群值问题。有序反应模型是以有序分类数据为反应变量的回归模型。“离群值”是指有序分类数据及其协变量的组合与其他对相比是异质的。虽然有序响应模型对于医学和社会科学等各个领域的数据分析都很重要，但众所周知，经常使用的具有probit、logit、log-log和互补log-log链接函数的极大似然方法受到异常值的强烈影响，当数据中可能存在异常值时，统计分析人员被迫限制他们的分析。针对这一问题，提出了两种鲁棒发散（密度-幂发散和$γ$ -发散）的推理方法。我们还推导出所提出的方法的影响函数，并显示条件的链接功能，他们是有界的和redendence。由于常用的链接函数满足这些条件，分析人员可以进行强大的和灵活的分析与我们的方法。此外，这是一个结果，进一步突出了我们的贡献，我们表明，在极大似然方法中的影响函数不具有递减的顺序响应模型中的任何链接函数。通过人工和两个真实数据的数值实验，我们表明，所提出的方法比极大似然方法在各种链接函数的数据中有和没有离群值。
2022-12-27 math.ST stat.ME stat.TH
Design of phase III trials with long-term survival outcomes based on short-term binary results
病理学完全缓解（pCR）是II期试验的常见主要终点，甚至是新辅助癌症治疗的加速批准。如果获得批准，通常需要进行两组确证性试验，以证明疗效和至事件发生时间结局，如总生存期。然而，基于先前关于pCR效应的信息的后续III期试验的设计并不简单。为了设计这样的III期临床试验，总生存期作为主要终点使用pCR信息从以前的试验，我们考虑了一个混合模型，将生存期和二元终点。我们建议根据限制平均生存时间的差异进行组间比较，并说明总生存期的效应量和样本量如何依赖于每个治疗组的二元应答概率和应答状态的生存分布。我们提供了不同场景下的样本量计算，并随附了一个R软件包，其中所有计算都已实现。我们评估我们的建议与模拟研究，并说明其应用通过新辅助乳腺癌试验。
2021-05-24 stat.AP stat.ME
Binary regression analysis with network structure of respondent-driven sampling data
响应者驱动抽样（RDS）是一种从难以接触的人群中抽样的程序。它已在一些国家广泛使用，特别是在监测艾滋病毒/艾滋病和其他性传播感染方面。难以接触到的人群在此类流行病的动态中发挥着关键作用，必须为旨在遏制其传播的循证举措提供信息。在本文中，我们提出了一个简单的测试网络依赖的二进制响应变量。我们估计响应变量的患病率。我们还提出了一个二元回归模型，考虑到RDS结构，这是包括在模型中，通过一个潜在的随机效应与相关结构。拟议的模式是说明在RDS研究艾滋病毒和梅毒的男性发生性行为的男子在坎皮纳斯（巴西）。
2012-06-25 stat.AP stat.ME
The Finite-Horizon Two-Armed Bandit Problem with Binary Responses: A Multidisciplinary Survey of the History, State of the Art, and Myths
Lancaster University（兰卡斯特大学）
在本文中，我们考虑的两个武装土匪问题，这往往自然出现本身或作为一个子问题，在一些多武装的推广，并作为一个起点，引入额外的问题功能。考虑二元反应的动机是其广泛的适用性和被研究最多的设置之一。我们专注于未贴现的有限时域目标，这是在许多应用中最相关的。我们试图统一的术语，因为这是不同的学科，已经考虑到这个问题，并提出了一个统一的模型投在马尔可夫决策过程框架，受试者响应建模使用伯努利分布，和相应的β分布贝叶斯更新。我们从几个学科的方法，包括实验设计，贝叶斯决策论，朴素设计，强化学习，生物统计学和组合设计的历史和国家的艺术进行了广泛的说明。我们评估这些设计，连同一些新提出的，准确的计算（使用作者在Julia编程语言中新编写的包），以比较它们的性能。我们表明，结论是不同的温和的视野（典型的实践）比小视野（典型的学术文献报告计算结果）。我们进一步列出并澄清了关于这个问题的一些神话，例如，我们表明，在计算上，更大的问题可以设计到贝叶斯最优比通常认为的。
2019-06-20 cs.LG math.OC stat.CO
The MELODIC family for simultaneous binary logistic regression in a reduced space
本文提出MELODIC族用于联合二元逻辑回归建模，通过在降维欧几里得空间中基于距离规则定义模型，并采用快速迭代优化算法进行参数估计，提升了预测准确性，且可通过回归系数或双标图解释。
2022-06-24 stat.CO stat.ME stat.ML
Revisiting Optimal Allocations for Binary Responses: Insights from Considering Type-I Error Rate Control
本研究针对响应自适应设计加剧I类错误率膨胀的未被记录问题，推导两种结合得分检验与有限样本估计量的最优分配比例，经模拟验证可在控错的同时提升患者结局，且框架可拓展至多类场景。
2025-06-01 math.ST stat.AP stat.ME
Sparse Partitioning: Nonlinear regression with binary or tertiary predictors, with application to association studies
本文介绍了稀疏分割，贝叶斯方法识别预测，无论是单独或与其他影响响应变量的组合。该方法是专为回归问题，涉及二元或三元预测，并允许预测的数量超过样本的大小，两个属性，使其非常适合关联研究。稀疏划分与其他回归方法不同，它对预测因子如何影响响应没有限制。为了弥补这种普遍性，稀疏划分实现了一种探索模型空间的新方法。它搜索预测器集合的高后验概率分区，其中每个分区定义共同影响响应的预测器组。其结果是一个强大的方法，不需要真正的预测-响应关系的先验知识。对模拟数据的测试表明，稀疏分区通常会在遵守现有方法模型假设的数据集上匹配现有方法的性能。当违反这些假设时，稀疏分区通常会提供更好的性能。
2011-08-30 q-bio.QM stat.AP stat.ME
Nonregular and Minimax Estimation of Individualized Thresholds in High Dimension with Binary Responses
给定大量的协变量$Z$，我们考虑在连续变量$X$的个体化线性阈值$θ^T Z$中估计高维参数$θ$，其最小化$\text{sign}(X-θ^TZ)$和二进制响应$Y$之间的不一致。虽然这个问题可以用M-估计框架来表示，但由于符号函数的不连续性，最小化相应的经验风险函数在计算上是难以处理的。此外，估计$θ$，即使在固定的维度设置被称为非正规的问题，导致非标准的渐近理论。为了解决高维参数$θ$估计的计算和理论挑战，我们提出了一种经验风险最小化方法的基础上正则化平滑损失函数。该算法的统计和计算的权衡进行了研究。统计上，我们表明，估计$θ$在$\ell_2$范数的有限样本误差界是$(s\log d/n)^{β/(2β+1)}$，其中$d$是$θ$的维数，$s$是稀疏水平，$n$是样本大小和$β$是$X$的条件密度的平滑度给定的响应$Y$和协变量$Z$。收敛速度是非标准的，比经典的Lasso问题的收敛速度慢。此外，我们证明了由此产生的估计是极小极大率最优的对数因子。Lepski的方法被发展以实现对未知稀疏度$s$和光滑度$β$的自适应。在计算上，提出了一种有效的路径跟踪算法来计算解的路径，证明了该算法在计算整个路径时具有几何收敛速度，最后，通过仿真研究和实际数据分析，对所提出的估计器的有限样本性能进行了评估.
2019-05-26 math.ST stat.ME stat.ML
