Transporting Predictions via Double Machine Learning: Predicting Partially Unobserved Students' Outcomes
University of California, Los Angeles (UCLA)（加州大学洛杉矶分校）；Colorado School of Public Health（科罗拉多公共卫生学院）；Open Universiteit（荷兰开放大学）；KU Leuven（荷语鲁汶大学）；European Commission（欧盟委员会）；UNU-Merit, Maastricht University（联合国大学马斯特里赫特研究所）
本文提出利用双重机器学习进行协变量偏移加权模型，通过估计重叠分数和平衡权重来提高预测的可移植性，展示了在学生标准化金融素养评分数据上的应用。
2026-04-02 stat.AP stat.ME
Conformal Prediction for Network-Assisted Regression
网络分析中的一个重要问题是使用网络协变量（如图嵌入坐标或局部子图计数）和常规节点协变量（如人口统计特征）来预测节点属性。虽然利用两种类型的协变量的标准回归方法可用于预测，但由于节点汇总统计量通常以复杂的方式相关，因此统计推断复杂。我们表明，在一个温和的联合交换假设下，网络模拟的共形预测实现有限的样本有效性为广泛的网络协变量。我们还表明，渐近条件有效性的形式是可以实现的。这些方法在模拟网络和引用网络数据集上都得到了说明。
2023-02-23 math.ST stat.ME stat.ML
Predicting Dengue Outbreaks: A Dynamic Approach with Variable Length Markov Chains and Exogenous Factors
本研究扩展beta-context算法构建多源统一树结构的VLMCX模型，纳入多类外生协变量分析巴西登革热发病影响因素，为登革热传播动力学研究提供新方法与见解。
2024-10-09 stat.ME
Modeling Binary Time Series Using Gaussian Processes with Application to Predicting Sleep States
受睡眠状态预测问题的启发，我们建立了一个二进制时间序列的混合效应模型，其中随机成分由高斯过程表示。固定分量捕获协变量对二进制值响应的影响。高斯过程捕获二进制响应中未被协变量和过去实现解释的残差变化。我们开发了一个频率建模框架，提供有效的推理和更准确的预测。结果表明，改进的预测率比现有的方法，如逻辑斯谛回归，广义加法混合模型，有序数据模型，梯度提升，决策树和随机森林的优势。使用我们提出的模型，我们表明，以前的睡眠状态和心率是未来睡眠状态的重要预测因素。仿真研究也表明，我们提出的方法是有前途的和强大的。为了处理计算复杂度，我们利用拉普拉斯近似，黄金分割搜索和逐次抛物线插值。在本文中，我们还提交了一个R-包（HIBITS），实现了所提出的程序。
2018-10-21 stat.ME
Distributional Extrapolation for Interactions
Seminar for Statistics, ETH Zürich（苏黎世联邦理工学院统计研究所）；Department of Statistics, University of Washington（华盛顿大学统计学系）
针对从有限观测预测组合效应的挑战，提出DExtrI方法实现交互效应外推，经理论保证与实验验证可泛化至未见过的协变量组合，支撑药物组合预测与超参数优化等应用。
2026-08-21 stat.ME stat.ML
Modeling Multivariate Degradation Data with Dynamic Covariates Under a Bayesian Framework
本文提出一个贝叶斯框架，结合混合效应非线性一般路径模型和形状约束P样条，对含动态协变量的多元退化数据进行建模，并通过模拟验证及有机涂层寿命预测展示其有效性。
2025-04-07 stat.AP stat.ME
Functional Accelerated Failure Time Models for Predicting Time Since Cannabis Use
针对大麻使用时间预测，提出两种函数加速失效时间模型，利用瞳孔光反应曲线，兼具可解释性与灵活性，模拟验证有效，并在真实数据中展现预测价值。
2025-10-25 stat.ME
Binary AddiVortes: (Bayesian) Additive Voronoi Tessellations for Binary Classification with an application to Predicting Home Mortgage Application Outcomes
Durham University（杜伦大学）
本文扩展AddiVortes模型至二分类，采用潜变量probit和数据增强技术，在抵押贷款审批预测中优于随机森林和BART，提升决策质量。
2025-03-18 cs.LG stat.AP stat.CO
Likelihood-based Modeling of Covariate-Specific Time-Dependent ROC Curves
针对纵向研究中难以调整协变量的时间依赖性ROC分析问题，提出非参正态预后生物标志物（NPB）框架，通过建模生物标志物与事件时间的联合分布估计协变量特定的ROC曲线，并在ALS中验证了其提升风险分层和临床试验设计的潜力。
2025-08-11 stat.AP stat.ME
Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information
Brown University（布朗大学）；Academic Model Providing Access to Healthcare (AMPATH)（学术模型提供医疗保健项目（AMPATH））；Moi University（莫伊大学）
针对HIV护理留存预测与排班优化中存在的混杂因素、竞争/删失事件及协变量缺失问题，提出基于潜在返回时间的贝叶斯反事实一体化模型，并在肯尼亚AMPATH的EHR数据上验证应用价值。
2024-10-29 cs.LG stat.ME
Retarded kernels for longitudinal survival analysis and dynamic prediction
根据观察到的协变量预测患者生存概率是临床实践中的重要评估。这些患者特异性协变量通常在多次随访预约中进行测量。然后，感兴趣的是根据这些纵向测量的历史来预测生存率，并随着更多的观察结果变得可用而更新预测。这些所谓“动态预测”评估的标准方法是联合模型和地标分析。联合模型涉及高维参数化，其计算复杂性通常禁止包括多个纵向协变量。里程碑分析比较简单，但在每个“里程碑时间”丢弃一部分现有数据。在这项工作中，我们提出了一个“延迟内核”的动态预测，坐在两个标准方法之间的复杂性。通过条件风险率直接在协变量测量的观察时间范围内，我们定义了一个模型，考虑到协变量测量的全部历史，但更实用和简约比联合建模。时间依赖关联核描述了早期协变量变化对后期患者风险率的影响。在我们的模型（i）减少到标准的Cox模型的时间无关的协变量的约束下，（ii）包含作为特殊情况的瞬时Cox模型，我们得到两个自然的内核参数化。在应用到三个临床数据集，我们发现，延迟核方法的预测精度是现有的两个标准方法相媲美。
2021-11-10 stat.ME
Functional concurrent regression with compositional covariates and its application to the time-varying effect of causes of death on human longevity
本文提出一种处理成分协变量的函数并发回归模型，通过增广拉格朗日算法求解优化问题，揭示了死亡原因对预期寿命的时变影响。
2023-11-20 stat.AP stat.ME
Pseudo-value Based Mean Cumulative Count Regression
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Novartis Pharma AG（诺华制药股份有限公司）；Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系）；Hoffman La Roche Ltd（罗氏制药有限公司）
提出基于伪值的回归方法，利用影响函数伪值作为结果，通过广义估计方程估计协变量对平均累积函数及其积分的影响，并在临床试验中验证其有效性。
2026-06-24 stat.AP stat.ME
A Low-Rank Bayesian Approach for Geoadditive Modeling
本文提出一种新的贝叶斯低秩地理加性模型方法，整合样条与克里金法以处理空间相关性和协变量非线性依赖，利用Laplace近似提升计算效率，为空间数据分析提供了灵活高效的框架。
2024-07-08 stat.ME
Hierarchical Bayesian Modeling of Hitting Performance in Baseball
我们已经开发了一个复杂的统计模型，用于预测美国职业棒球大联盟球员的击球表现。贝叶斯范式提供了一个原则性的方法来平衡过去的表现与关键的协变量，如球员的年龄和位置。我们通过使用混合分布来控制收缩以提高准确性，从而跨时间和跨玩家共享信息。我们比较了我们的模型的性能，目前的sabermetric方法上举行了一个赛季（2006年），并讨论了成功和局限性。
2009-02-09 stat.AP stat.ME
Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation
UCLA（加州大学洛杉矶分校）
本文提出利用高斯过程在模型依赖、重叠差和外推情况下建模和推断，通过后验分布保留模型范围以提高不确定性估计。
2025-12-30 stat.ME stat.ML
Semiparametric Functional Multistate Modeling of Alzheimer's Disease Progression with Imaging Biomarkers
University of Hong Kong（香港大学）；Sun Yat-sen University（中山大学）
该研究针对阿尔茨海默病进展预测，提出结合影像生物标志物的半参数函数多状态模型，经模拟和ADNI数据验证，其预测性能优于对比方法。
2026-08-10 stat.AP stat.ME
Dynamic prediction intervals for survival times
University of Bologna（博洛尼亚大学）；Leiden University（莱顿大学）
针对纵向数据下的生存时间动态预测，提出基于惩罚回归校准与保形校准的预测区间方法，相比朴素反转更稳定可靠。
2026-09-10 stat.ME
