贝叶斯统计过去和现在
Bayesian Statistics Then and Now
摘要：
关于布拉德利·埃夫隆（Bradley Efron）的《间接证据的未来》的讨论[arXiv：1012.1161]
英文摘要：
Discussion of "The Future of Indirect Evidence" by Bradley Efron [arXiv:1012.1161]
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
相关论文
用于经济临近预报的动态混合频率合成
Dynamic Mixed Frequency Synthesis for Economic Nowcasting
我们开发了一种新的贝叶斯框架，用于对混合频率数据进行动态建模，以预测美国季度GDP增长。引入的框架利用基础贝叶斯理论，并将以不同频率采样的数据视为后来合成的潜在因素，允许基于兴趣和效用的灵活方法规范。混合频率数据之间随时间变化的相互依赖性被学习并有效地映射到易于解释的参数上。一项使用多个月度经济变量对美国季度GDP增长进行即时预测的宏观经济研究表明，与文献中的标准相比，即时预测的表现和可解释性有所改善。该研究进一步表明，在一个季度内纳入信息显着提高性能的点和密度nowcasts。
stat.ME
贝叶斯统计实用主义
Bayesian Statistical Pragmatism
《统计推断：The Big Picture》，R. E.卡斯[arXiv：1106.2895]
stat.ME
贝叶斯限制似然方法：贝叶斯回归中统计量不足的条件
Bayesian Restricted Likelihood Methods: Conditioning on Insufficient Statistics in Bayesian Regression
贝叶斯方法已被证明在广泛的科学问题上是成功的，并且与竞争方法相比具有许多有据可查的优势。然而，这些方法遇到困难的两个主要和普遍的问题：处理数据集与离群值和处理模型误指定。我们概述了这些问题的以前的解决方案的缺点，并提出了一种新的方法作为替代。当使用新方法时，数据通过一组不充分的统计量进行汇总，目标是感兴趣的推断量，并且先验分布使用汇总统计量而不是完整的数据进行更新。通过仔细选择条件统计量，我们保留了贝叶斯方法的主要优点，同时降低了分析对条件统计量未捕获的数据特征的敏感性。为了降低对离群值的敏感性，经典的鲁棒估计（例如，M-估计）是条件统计的自然选择。这项工作的一个主要贡献是发展的数据增强马尔可夫链蒙特卡罗（MCMC）算法的线性模型和一大类的汇总统计。我们证明了模拟和真实的数据集包含离群值和模型误指定的方法。与竞争方法相比，成功表现在对感兴趣的数据点具有更好的预测性能。
stat.ME
基于含缺失症状发作日期的病例列表数据进行有效再生数实时预报的生成式贝叶斯建模
Generative Bayesian modeling to nowcast the effective reproduction number from line list data with missing symptom onset dates
本研究提出整合插补、截断调整与$R_t$估计的生成式贝叶斯模型，可从含缺失症状发作日期的病例列表数据联合推断病例数和$R_t$，避免分步方法的偏差，相关组件已整合入R包epinowcast。
stat.ME
贝叶斯现期预测数据泄露 IBNR 事件
Bayesian Nowcasting Data Breach IBNR Incidents
针对数据泄露事件报告延迟导致的 IBNR 准备金估计难题，本文提出一种整合时间与异质性效应的贝叶斯现期预测模型，有效提升了预测准确性，为精算实践提供了有力支持。
stat.AP
贝叶斯统计：面向实践可靠性工程师的回顾与提醒
Bayesian Statistics: A Review and a Reminder for the Practicing Reliability Engineer
本文回顾了贝叶斯可靠性原理，重点讨论成功/不成功数据分析，并介绍一种蒙特卡洛算法，用于在仅有系统级数据时基于子组件可靠性计算系统可靠性的后验分布。
stat.ME
更多相关论文收起更多论文
分层贝叶斯ANOVA中的共轭分布，用于计算效率以及实际和统计意义的评估
Conjugate distributions in hierarchical Bayesian ANOVA for computational efficiency and assessments of both practical and statistical significance
根据数据中的不同因素评估变异性是统计学的基本技术。然而，通常被认为是方差分析（ANOVA）的方法通常仅限于数据中存在因子的所有水平（即因子水平的总体已经用尽）的情况。随机和混合效应模型用于更复杂的情况，但需要不同的术语，概念和理论，以及不同的推理程序。分层贝叶斯方法后，一个全面的方差分析框架，它统一了上述统计模型，强调实际而不是统计意义，解决了随机效应的参数可识别性问题，并提供了直接的计算程序的推理步骤。虽然这是以严格的方式完成的，但本文的内容可以被视为支持向方差分析转变的方法的意识形态。
stat.ME
通过经典和贝叶斯统计构建复杂网络-比较
Building complex networks through classical and Bayesian statistics - a comparison
本研究是关于研究和比较两种不同的方法来构建复杂网络。我们研究的主要目标是找到一种有效的方法来构建网络，特别是当我们的观测值比变量少的时候。我们构建网络估计部分相关系数经典统计（逆方法）和贝叶斯统计（正常-逆Wishart共轭先验）。在本研究中，为了解决观测值少于变量的问题，我们提出了一种称为局部偏相关的新方法，该方法包括为每对变量选择与该对变量最相关的其他变量。我们将这些方法应用于模拟数据，并通过ROC曲线进行比较。最有吸引力的结果是，即使它有很高的计算成本，使用贝叶斯推断的树是更好的，当我们有更少的观察比变量。在其他情况下，这两种方法都取得了令人满意的结果。
stat.ME
从先验到性能：利用贝叶斯动态借用提升统计效率
From priors to performance: enhancing statistical efficiency with Bayesian dynamic borrowing
University of North Carolina Chapel Hill（北卡罗来纳大学教堂山分校）；Getulio Vargas Foundation（热图利奥·瓦加斯基金会）
本文全面回顾贝叶斯动态借用方法，并展示如何利用公开软件实现模型选择、效应估计和敏感性分析，以增强分析人员整合外部数据的信心。
stat.ME
假设检验的简单双样本贝叶斯t检验
A simple two-sample Bayesian t-test for hypothesis testing
本文针对两样本假设检验问题，提出了一种显式的封闭形式贝叶斯因子。所提出的方法可以被看作是贝叶斯版本的合并方差的t-统计量，并在实际应用中有各种吸引人的属性。它仅依赖于通过t统计量的数据，因此可以使用Excel电子表格或袖珍计算器进行计算。它避免了几个不希望的悖论，这可能会遇到以前的贝叶斯方法的Gonen等人。（2005）。具体来说，所提出的方法可以很容易地教在一个入门统计课程，重点是贝叶斯思维。为了说明的目的，提供了模拟和真实数据的例子。
stat.ME
构建遗传风险评分：通过投影汇总统计量和灵活收缩的稳健贝叶斯方法
Constructing Genetic Risk Scores: Robust Bayesian Approach through Projected Summary Statistics and Flexible Shrinkage
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于投影汇总统计量和灵活收缩的贝叶斯方法，用于构建更稳健的遗传风险评分，通过广泛实验验证其在不同场景下的优越性能。
stat.ME
非参数贝叶斯统计学主题
Topics in Nonparametric Bayesian Statistics
University of Oslo（奥斯陆大学）
本文综述了非参数贝叶斯统计学领域内的各种理论和应用研究主题，补充和扩展了最近的综述文献，旨在探讨感兴趣的研究所涉及的领域。
stat.ME
基于集合函数数据的贝叶斯小波收缩方法的仿真研究
Simulation studies to compare bayesian wavelet shrinkage methods in aggregated functional data
目前的工作描述了模拟研究，比较性能的baidu小波收缩方法估计从聚集的功能数据的分量曲线。为此，考虑了五种方法：Sousa（2020）的logistic先验下的贝叶斯收缩规则，Sousa等人（2020）的beta先验下的贝叶斯收缩规则，Cutillo等人（2008）的大后验模式方法，Figueiredo和Nowak（2001）的幅度尺度不变贝叶斯估计以及Vidakovic和Ruggeri（2001）的贝叶斯自适应多分辨率平滑器。此外，所谓的Donoho-Johnstone测试功能，Logit和SpaHet功能被认为是组件功能。据观察，数据的信噪比对方法的性能有影响。
stat.ME
贝叶斯统计模型的若干实例研究
Some Case Studies Using Bayesian Statistical Models
我们提供了四个案例研究，使用贝叶斯机器进行归纳推理。我们的主要动机在于提供几个实例，其中贝叶斯数据分析方法被最好地利用来执行复杂的任务，例如描述，测试，估计和预测。这项工作并不意味着是一个参考文本或调查在贝叶斯统计推断。我们的目标只是提供几个使用贝叶斯方法来解决数据驱动问题的例子。我们在这里涉及的主题，包括贝叶斯非参数，时间序列的贝叶斯分析和空间数据的贝叶斯分析的问题。
stat.APstat.ME
在报告滞后条件下，用于临近预报的COVID-19阳性测试计数的贝叶斯插补
Bayesian imputation of COVID-19 positive test counts for nowcasting under reporting lag
由于出现COVID-19症状的人的阳性检测结果报告滞后，因此无法获得有关英国COVID-19区域感染人数的最新信息。在英国，对于那些表现出症状的“支柱2”拭子测试，可能需要长达五天的时间来整理结果。我们利用报告过程随时间的稳定性来激励一个统计时间模型，该模型在部分计数信息到达时推断最终的总计数。我们采用贝叶斯方法，提供了一个潜在的潜在强度过程的感染计数的参数和层次结构的主观先验。这导致平滑的时间序列表示，现在预测具有可用于辅助决策的不确定性带的阳性测试的每日计数的预期数量。使用序贯蒙特卡罗进行推断。
stat.AP
关于泊松统计的频率论方法和贝叶斯方法之间的关系
On the relation between frequentist and Bayesian approaches for the case of Poisson statistics
我们提出了修改后的频率论定义的情况下，泊松统计的置信区间的确定。即，我们要求1-β' \geq \sum_{n=o}^{n_{obs}+k} P（n| λ）\geq“。我们证明了这个定义等价于先验为π（λ）\sim λ^{k}的贝叶斯方法。对于非零背景的情况，我们还提出了修正的频率论定义。
physics.data-anstat.ME
贝叶斯混合频率分位数向量自回归：每月US GDP的尾部风险
Bayesian Mixed-Frequency Quantile Vector Autoregression: Eliciting tail risks of Monthly US GDP
及时描述经济和金融体系中的风险在经济政策和私营部门的决策中发挥着至关重要的作用。然而，低频变量的信息含量和条件均值模型的结果只提供了有限的证据来研究这个问题。我们提出了一种新的混合频率分位数向量自回归（MF-QVAR）模型来解决这个问题。受单变量贝叶斯分位数回归文献的启发，在贝叶斯框架下利用多变量非对称拉普拉斯分布来形成似然。一个数据增强的方法，加上一个精确的采样器有效地估计丢失的低频变量在较高的频率下的状态空间表示。所提出的方法使我们能够预测多个感兴趣的变量的条件分位数，并获得高频率的分位数相关的风险措施，从而使及时的政策干预。该模型的主要应用是预测美国GDP的条件分位数，这与风险价值和预期短缺的量化密切相关。
econ.EMstat.ME
对D. Spiegelhalter等人，2002年3月13日，星期三，在皇家统计学会研究部组织的会议上阅读
Two discussions of the paper "Bayesian measures of model complexity and fit" by D. Spiegelhalter et al., Read before The Royal Statistical Society at a meeting organized by the Research Section on Wednesday, March 13th, 2002
这些是对D。Spiegelhalter et al.（2002），根据2013年9月3日在泰恩河畔纽卡斯尔举行的皇家统计学会年会上的讨论。
stat.MEstat.ML
基于贝叶斯模型批判的可复制性统计评估
Statistical Assessment of Replicability via Bayesian Model Criticism
评估可复制性对于确保科学研究的质量和严谨性至关重要。在本文中，我们讨论了可复制性评估的推理和建模原则。针对不同的应用场景，我们提出了两种类型的贝叶斯模型的批评方法，以确定在科学实验中潜在的不可重现的结果。它们的动机是建立贝叶斯先验和后验预测模型检查程序，并概括了许多现有的可复制性评估方法。最后，我们讨论了所提出的可复制性评估方法的统计特性，并通过模拟和真实数据分析的示例来说明它们的用法，包括来自生殖项目的数据：心理学和预先存在的心血管疾病对COVID-19结果的影响的系统综述。
stat.APstat.ME
高斯-对数-高斯小波树的频率论和贝叶斯推断及统计信号处理应用
Frequentist and Bayesian inference for Gaussian-log-Gaussian wavelet trees, and statistical signal processing applications
我们引入新的估计方法的子类的高斯尺度混合模型的小波树Wainwright，Simoncelli和Willsky依赖于现代的结果，复合似然和近似贝叶斯推理。我们的方法说明在二维图像中的去噪和边缘检测问题。
math.STstat.MEstat.TH
具有难处理归一化常数的统计模型的贝叶斯计算
Bayesian computation for statistical models with intractable normalizing constants
本文讨论了具有难处理的归一化常数的统计模型的贝叶斯分析中的一些计算问题。当似然函数中存在难以处理的归一化常数时，传统的MCMC方法无法应用。我们提出了一种方法，从这样的后验分布的样本。该方法可以被认为是Geyer和Thompson（1992）的MCMCMC-MLE方法的贝叶斯版本。据我们所知，这是第一个一般的和渐近一致的蒙特卡罗方法，这样的问题。我们用图像分割和社会网络建模的例子来说明该方法。我们还研究了算法的渐近性态，得到了经验平均值的一个强大数定律。
stat.COstat.ME
关于贝叶斯统计方法的相关性
On the relevance of the Bayesian approach to Statistics
我们在这里争论的相关性和最终统一的贝叶斯方法在一个中立和不可知论的方式。我们的主题是贝叶斯数据分析是处理复杂模型的有效工具，正如应用科学中越来越多的贝叶斯研究所证明的那样。在这篇文章中，我们忽略了关于概率的深层含义和参数的随机性的哲学辩论，因为这些辩论是过去的事情，对这种方法有害，并且对大多数旁观者来说是不可理解的。
stat.COstat.ME
在21世纪20年代成为贝叶斯派：现代应用贝叶斯统计实践中机遇与挑战
Being Bayesian in the 2020s: opportunities and challenges in the practice of modern applied Bayesian statistics
Queensland University of Technology（昆士兰科技大学）；The University of Queensland（昆士兰大学）
本文探讨了现代应用贝叶斯统计中的六个机遇与挑战，包括智能数据收集、新数据源、联邦分析、隐式模型推断、模型迁移及有目的的软件产品。
stat.AP
贝叶斯非参数统计，圣弗卢尔讲义
Bayesian nonparametric statistics, St-Flour lecture notes
本文为2023年圣弗卢尔暑期学校讲义，系统介绍贝叶斯非参数统计的理论与方法。
math.STstat.TH
最好的更好吗？自然语言处理的贝叶斯统计模型比较
Is the Best Better? Bayesian Statistical Model Comparison for Natural Language Processing
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；City University of New York（纽约城市大学）
最近的工作引起了人们对使用标准分割来比较自然语言处理模型的关注。我们提出了一种贝叶斯统计模型比较技术，该技术使用跨多个数据集的k折交叉验证来估计一个模型将优于另一个模型的可能性，或者两个模型将产生几乎等同的结果。我们使用这种技术来排名六个英语词性标注在两个数据集和三个评价指标。
cs.CLcs.LGstat.ME
基于深度神经网络的近似贝叶斯计算学习汇总统计量
Learning Summary Statistic for Approximate Bayesian Computation via Deep Neural Network
近似贝叶斯计算（ABC）方法用于近似具有未知或计算上难以处理的似然模型中的后验分布。ABC的准确性和计算效率都取决于汇总统计量的选择，但在已知最佳汇总统计量的特殊情况之外，尚不清楚可以使用哪些指导原则来构建有效的汇总统计量。在本文中，我们探索了通过训练深度神经网络来自动化构建汇总统计量的过程的可能性，以从人工生成的数据中预测参数：所得到的汇总统计量近似为参数的后验均值。通过最小的模型特定调整，我们的方法为伊辛模型和移动平均模型构建了汇总统计量，这些模型在所得后验的准确性方面匹配或超过了理论激励的汇总统计量。
stat.COstat.MEstat.ML
BMW：基于赢比统计量的贝叶斯模型辅助适应性II期临床试验设计
BMW: Bayesian Model-Assisted Adaptive Phase II Clinical Trial Design for Win Ratio Statistic
Indiana University（印第安纳大学）
BMW设计提出一种基于赢比统计量的贝叶斯模型辅助适应性II期临床试验设计，通过联合渐近分布计算后验概率，实现灵活的中期监控和FWER控制，减少样本量并保持统计功效。
stat.APstat.ME
本科统计学课程中的贝叶斯计算
Bayesian Computing in the Undergraduate Statistics Curriculum
自20世纪90年代计算发展以来，贝叶斯统计获得了巨大的发展势头。逐渐地，贝叶斯方法和软件的进步使得贝叶斯技术更容易被应用统计学家所使用，反过来，也可能改变本科阶段的贝叶斯教育。本文概述了实现贝叶斯计算方法的各种选择，以实现特定的学习成果。根据作者在课堂上使用这些方法的经验，描述了每种计算方法的优点和缺点。我们的目标是目前的指导计算的教师谁是介绍贝叶斯方法在他们的本科统计课程的选择。
stat.CO
实证软件工程研究中的贝叶斯数据分析
Bayesian Data Analysis in Empirical Software Engineering Research
本文针对频率统计在异构软件工程数据分析中灵活性不足、结果难解释的问题，介绍贝叶斯数据分析，并通过重新分析自动生成测试和编程语言性能两项研究展示其优势。
cs.SEstat.ME
bayesics：通过贝叶斯推断在R中实现核心统计方法
bayesics: Core Statistical Methods via Bayesian Inference in R
University of Iowa（爱荷华大学）；JANE LLC（JANE有限责任公司）
bayesics通过贝叶斯推断在R中实现核心统计方法，提供统一框架和关键推断量，支持多种统计程序和模型评估。
stat.COstat.ME
基于贝叶斯镜像统计的错误发现率控制
False Discovery Rate Control via Bayesian Mirror Statistic
针对高维模型中变量选择与推断同步进行的难题，提出基于贝叶斯框架的镜像统计FDR控制方法，利用系数后验分布构建统计量，无需拆分数据，适配多类场景且支持高维扩展。
stat.MEstat.ML
贝叶斯统计中的漏洞
Holes in Bayesian Statistics
每一种哲学都有漏洞，指出这些问题是哲学支持者的责任。以下是贝叶斯数据分析中的一些漏洞：（1）条件概率的通常规则在量子领域失败，（2）平坦或弱先验导致对我们关心的事情的可怕推断，（3）主观先验是不连贯的，（4）贝叶斯决策选择了错误的模型，（5）贝叶斯因子在平坦或弱先验存在的情况下失败，（6）由于Cantorian的原因，我们需要检查我们的模型，但这破坏了贝叶斯推理的一致性。贝叶斯统计的一些问题是由于人们试图做他们不应该做的事情而产生的，但其他漏洞并不那么容易修补。特别是，避免平坦的、弱的或传统的先验可能是一个好主意，但如果遵循这样的建议，将违背绝大多数贝叶斯实践，并要求我们面对贝叶斯推理的基本不一致性。这并不意味着我们认为贝叶斯推理是一个坏主意，但它确实意味着贝叶斯逻辑和贝叶斯工作流之间存在紧张关系，我们认为只有将贝叶斯逻辑视为一种工具，一种揭示模型假设中不可避免的不匹配和不连贯性的方式，而不是将其本身视为目的，才能解决这一问题。
math.STstat.MEstat.TH
组合主动推理I：贝叶斯透镜。统计游戏
Compositional Active Inference I: Bayesian Lenses. Statistical Games
我们引入了贝叶斯透镜的概念，描述了精确贝叶斯推理的双向结构，以及统计博弈，形式化了近似推理问题的优化目标。我们证明了贝叶斯反演是根据组合透镜模式进行组合的，并将统计博弈与一些经典的统计概念结合起来，从极大似然估计到广义变分贝叶斯方法。本文是第一个系列奠定了基础的积极推理理论的组成帐户，因此，我们特别注意统计游戏的自由能目标。
math.CTmath.STnlin.AO
关于行为个体差异约束贝叶斯模型正态性假设的注记
A note on the normality assumption for Bayesian models of constraint in behavioral individual differences
为了研究行为任务表现的个体差异结构，Haaf和Rouder（2017）开发了一类分层贝叶斯混合模型，对个体效应具有不同程度的约束。然后通过贝叶斯因子比较模型，告诉我们哪个模型最能预测观测数据。对他们的方法的一个常见的批评是假设观测数据是从正态分布中得出的。然而，对于大多数认知任务，性能的主要衡量标准是响应时间，众所周知，其分布不是正态的。本文研究了数值认知中两个数据集的正态性假设。具体来说，我表明，使用移位对数正态模型的响应时间不会改变推理的整体模式。此外，由于模型估计的效应现在处于对数尺度，因此建模的解释变得更加困难，特别是因为估计的效应现在是乘法而不是加法。因此，我建议即使响应时间一般不是正态分布的，Haaf和Rouder（2017）方法提供的简化提供了一种实用的方法来建模行为任务中的个体差异。
stat.APstat.ME
贝叶斯模型选择的相关统计
Relevant statistics for Bayesian model choice
在贝叶斯推断中，特别是在ABC算法中使用的汇总统计量的选择对所得到的推断的验证有影响。然而，这些统计数据通常用于ABC算法中，而不进行一致性检查。我们得到了相应的Bayes因子收敛的汇总统计量的充要条件，即渐近选择真模型。这些条件相当于两种模型下汇总统计量的期望渐近不同，是非常自然的，可以在ABC设置中利用，通过Monte Carlo验证来推断汇总统计量的选择是否合适。
math.STq-bio.PEstat.CO
本科生贝叶斯统计课程：贝叶斯思维、计算与研究
A Bayesian Statistics Course for Undergraduates: Bayesian Thinking, Computing, and Research
我们提出了一个学期的贝叶斯统计过程中，微积分和概率背景的本科生。通过将贝叶斯方法应用于实际数据问题，培养学生的贝叶斯思维。我们利用现代贝叶斯计算技术，不仅实现贝叶斯方法，而且加深学生对方法的理解。合作案例研究进一步丰富了学生的学习，并提供解决开放式应用问题的经验。本课程强调本科生的研究，在课堂上阅读，讨论和评论可访问的学术期刊文章。随着信心和熟悉程度的提高，学生们接受阅读，实施，有时扩展期刊文章中的方法的挑战，以完成他们的课程项目。
stat.OT
模糊数据统计分析中模糊性的贝叶斯化
Bayesianize Fuzziness in the Statistical Analysis of Fuzzy Data
本文提出一种基于近似贝叶斯和 Gibbs 采样的回归框架，将模糊数据视为统计粗化结果，通过条件概率方法连接观测模糊统计量与潜在统计模型，从而提升模糊统计方法的可解释性与适用性。
stat.APstat.ME
非贝叶斯似然推理的内在困难--对Aitkin新书的考察
Inherent Difficulties of Non-Bayesian Likelihood-based Inference, as Revealed by an Examination of a Recent Book by Aitkin
几十年来，统计学家一直试图在不打破贝叶斯鸡蛋的情况下准备贝叶斯煎蛋卷;也就是说，在不依赖信息丰富的先验分布的情况下获得基于概率似然的推断。最近的一个例子是Murray Aitkin的新书《{ \em统计推断}》，其中提出了一种基于竞争模型下可能性的后验分布比较的统计假设检验方法。Aitkin通过一些简单的例子，从iid数据和双向独立性测试中推断出他的方法。我们在这份说明中分析了其中采用的推理范式的一些后果，讨论了为什么这种方法是不兼容的贝叶斯的角度来看，为什么我们不认为它相关的应用工作。
stat.MEstat.OT
局部先验支持条件下贝叶斯收敛速度的一个注记
A note on Bayesian convergence rates under local prior support conditions
贝叶斯后收敛速度的界限，假设先验满足局部和全局支持条件，现在很容易获得。在本文中，我们探讨，在密度估计的背景下，贝叶斯收敛速度假设只有当地的先验支持条件。我们的研究结果给出了最优利率在最小条件下使用非常简单的参数。
math.STstat.TH
BNT162b2新冠疫苗3期试验贝叶斯设计与分析的经验教训
Lessons Learned from the Bayesian Design and Analysis for the BNT162b2 COVID-19 Vaccine Phase 3 Trial
The University of Chicago（芝加哥大学）；Laiya Consulting Inc.（来亚咨询公司）
针对BNT162b2新冠疫苗3期贝叶斯试验结果表述的混淆问题，阐明贝叶斯与常规统计报告的差异，提出四项规范建议及用BI区分贝叶斯可信区间与CI的方案，以提升临床决策支持效果。
stat.APstat.ME
非贝叶斯和贝叶斯统计中的双信封悖论
The two envelopes paradox in non-Bayesian and Bayesian statistics
本文的目的是澄清（非贝叶斯和贝叶斯）双信封问题的量子语言（或测量理论），这是最近提出的量子力学的语言转向（哥本哈根解释）。两个信封悖论只是一种高中生的概率难题，说这是一个未解之谜可能有些夸张。然而，由于我们确信量子语言只是未来的统计，我们相信没有量子语言的描述就没有明确的答案。从这个意义上说，读者会发现量子语言提供了最终的答案（即，最简单和最深刻的理解）的两个问题，在非贝叶斯和贝叶斯统计。此外，我们还增加了对圣彼得堡双信封悖论的讨论。
quant-phstat.OT
潜在合取贝叶斯网络：面向认知诊断的属性层级与贝叶斯网络统一方法
Latent Conjunctive Bayesian Network: Unify Attribute Hierarchy and Bayesian Network for Cognitive Diagnosis
针对传统属性层级方法参数复杂度高、缺乏统计依赖性解释的问题，提出统一属性层级与贝叶斯网络的潜在合取贝叶斯网络，搭配两步EM算法，在国际教育评估数据集上得到可解释的认知诊断结果。
stat.APstat.ME
第一次概率/统计课程的贝叶斯重新设计
A Bayesian Redesign of the First Probability/Statistics Course
传统的以微积分为基础的统计推断介绍包括一个学期的概率，然后是一个学期的频率论推断。Cobb（2015）挑战统计教育界重新思考本科统计课程。特别是，他建议我们应该专注于两个目标：使基本概念易于理解，并最大限度地减少研究的先决条件。使用五个基本原则的Cobb，我们描述了一个新的微积分为基础的介绍，以模拟为基础的贝叶斯计算的统计。
stat.OT
非参数贝叶斯统计校准过程的解的连续性
Continuity of the Solution of a Non-Parametric Bayesian Statistical Calibration Procedure
Simon Fraser University（西蒙菲莎大学）
研究非参数贝叶斯校准方法中解算子对输入参数分布的连续性，证明其在总变差度量下一致连续且在广泛分布类中弱连续。
math.STstat.MEstat.TH
精确统计假设的全贝叶斯显著性测度e值及其研究方案
The e-value: A Fully Bayesian Significance Measure for Precise Statistical Hypotheses and its Research Program
这篇文章给出了一个调查的e值，一个统计显著性措施a.k.a.由观测数据X提供的支持统计假设H的证据，或者反过来，给定X的H的认识价值。$e$值和随附的FBST（全贝叶斯显著性检验）构成了IME-USP启动的研究项目的核心，该项目由全球20多名研究人员开发，迄今为止已被200多份出版物引用。e值和FBST符合贝叶斯推断的最佳原则，包括似然原理、完全不变性、渐近一致性等。此外，它们在需要比较或组成不同假设的情况下表现出强大的逻辑或代数性质，这些假设可以在相同或不同的统计模型中制定。此外，它们毫不费力地适应尖锐或精确假设的情况，在这种情况下，替代方法往往需要特别和复杂的程序。最后，FBST具有突出的鲁棒性和可靠性的特点，在统计建模和运筹学的许多实际应用中优于传统的假设检验。
math.STstat.MEstat.TH
二维和三维形状的贝叶斯框架中的统计形状分析
Statistical shape analysis in a Bayesian framework for shapes in two and three dimensions
在本文中，我们描述了一种新的形状分类方法，它是嵌入在贝叶斯范式。我们讨论的建模和由此产生的形状分类算法的二维和三维数据的形状。最后，我们评估所提出的算法的效率和功效的Kimia形状数据库的二维情况下。
math.STstat.APstat.ME
基于贝叶斯推理的主动学习：入门统计学中的POGIL教学法
Active Learning with Bayesian Reasoning: A POGIL-Based Pedagogy in Introductory Statistics
Marquette University（马凯特大学）；Wisconsin Lutheran College（威斯康星路德学院）
本文介绍一种面向过程的引导探究学习（POGIL）活动，用于在入门统计学中通过条件概率、贝叶斯定理和信念更新教授贝叶斯推理，并通过准实验比较POGIL与讲授式教学的效果，发现两者在考试表现和满意度上无显著差异。
stat.APstat.MEstat.OT
将统计思维与开放的科学实践相结合：贝叶斯研究项目协议
Combine Statistical Thinking With Open Scientific Practice: A Protocol of a Bayesian Research Project
统计界目前的发展情况表明，现代统计教育应该从整体上进行，即允许学生使用真实数据并回答具体的统计问题，但也要教育他们了解其他框架，如贝叶斯推断。在这篇文章中，我们描述了我们如何将这样一个整体的结构在有序二项概率的贝叶斯研究项目。该项目由三名心理学本科生组成，他们具有贝叶斯统计和编程的基础知识，但缺乏正式的数学训练。该研究项目旨在（1）传达贝叶斯推断的基本数学概念;（2）让学生体验整个经验周期，包括数据的收集，分析和解释;（3）教学生开放科学实践。
stat.AP
通过贝叶斯分层模型进行分类器的统计比较
Statistical comparison of classifiers through Bayesian hierarchical modelling
Istituto Dalle Molle di studi sull’Intelligenza Artificiale (IDSIA)（达勒莫勒人工智能研究所 (IDSIA)）；University of Ljubljana（卢布尔雅那大学）
通常人们通过零假设显著性检验（nhst）来比较两个竞争分类器的准确性。然而，nhst测试遭受的重要缺点，这可以通过切换到贝叶斯假设检验克服。我们提出了一个贝叶斯分层模型，共同分析交叉验证结果，由两个分类器在多个数据集。它返回两个分类器的准确度实际上相等或显著不同的后验概率。分层模型的另一个优点是，通过联合分析所有数据集上获得的结果，与对给定数据集上获得的交叉验证结果进行平均的通常方法相比，它减少了估计误差。
cs.LGstat.MEstat.ML
贝叶斯统计中的计算方法
Computational Methods in Bayesian Statistics
本文着重于利用两种不同的贝叶斯方法来处理数据分析中出现的各种玩具问题。特别是，我们实现了变分贝叶斯和嵌套采样方法来解决多项式选择和高斯混合模型的问题，比较算法的处理速度和精度。在这里解决的问题，它是变分贝叶斯算法是更快的，虽然这两个结果给出了类似的结果。
stat.CO
使用自动编码器学习贝叶斯推断的汇总统计量
Learning Summary Statistics for Bayesian Inference with Autoencoders
Swiss Data Science Center（瑞士数据科学中心）；Università Svizzera italiana（瑞士意大利语区大学）；University of Insubria（因苏布里亚大学）
对于具有难处理的似然函数的随机模型，近似贝叶斯计算提供了一种通过重复比较观测值与模拟模型输出的一小部分汇总统计量来近似真实后验的方法。这些统计数据需要保留与约束参数相关的信息，但消除噪声。因此，它们可以被看作是一般随机模型的热力学状态变量。对于许多科学应用，我们需要比模型参数更多的汇总统计量来达到令人满意的后验近似。因此，我们建议使用基于深度神经网络的自动编码器的内部维度作为汇总统计。为了激励编码器对所有参数相关信息进行编码而不对噪声进行编码，我们向解码器提供了对关于噪声的显式或隐式信息的访问，该噪声已被用于生成训练数据。我们验证了两种类型的随机模型的经验方法。
cs.LGstat.MEstat.ML
贝叶斯方法：不确定性、学习与统计推理
The Bayesian Way: Uncertainty, Learning, and Statistical Reasoning
Universidad Nacional de Colombia（哥伦比亚国立大学）
本文介绍了贝叶斯推断的基础理论与应用，涵盖从贝叶斯定理到现代模拟方法的全面内容，旨在为统计实践中的贝叶斯方法提供入门指导。
math.STstat.MEstat.TH
渐近良好的贝叶斯 p 值使用 Kolmogorov-Smirnov 统计量
Asymptotically well-calibrated Bayesian $p$-value using the Kolmogorov-Smirnov statistic
Duke University（杜克大学）
本文提出了一种基于 Kolmogorov-Smirnov 统计量的渐近良好的贝叶斯 p 值方法，适用于多种数据类型和模型检验。
math.STstat.MEstat.TH
贝叶斯联合机会约束优化：近似与统计一致性
Bayesian Joint Chance Constrained Optimization: Approximations and Statistical Consistency
Texas A& M University（得克萨斯农工大学）；Purdue University（普渡大学）
本文研究贝叶斯框架下机会约束随机优化问题，证明使用近似后验分布所得最优值具有频率学派统计一致性并给出概率收敛速率，同时证明问题的凸可行性，并在M/M/c排队模型上验证了方法有效性。
cs.LGmath.OCmath.ST
贝叶斯统计先验影响的一般测度--Stein方法
A general measure of the impact of priors in Bayesian statistics via Stein's Method
我们提出了一个措施的影响，任何两个选择的先验分布量化的Wasserstein距离之间的各自产生的后验分布在任何固定的样本量。我们说明了这一措施的正常，二项和泊松模型。
math.STstat.TH
反问题中UQ贝叶斯方法的后验分布存在性和差错控制
Posterior distribution existence and error control in Banach spaces in the Bayesian approach to UQ in inverse problems
当考虑Banach函数空间和现在的先验设置时，我们将\cite{Capistran2016}关于预期贝叶斯因子（BF）的结果进行了推广，以将后验分布中的数值误差控制到无限维设置。主要结果是正向映射数值解算器容许的绝对全局误差的界限，以保持数值模型与理论模型的BF接近1，现在在该更一般的设置中，可能包括截断的有限维近似先验测量。在这样做时，我们发现了一个更一般的设置来定义和证明存在的无穷维后验分布比所描绘的，例如，\cite{Stuart2010}。离散化的一致性和收敛速度也研究在此一般设置的贝叶斯逆问题。
math.STstat.TH
贝叶斯统计的哲学与实践
Philosophy and the practice of Bayesian statistics
科学哲学中的一个重要学派将贝叶斯推理与归纳推理甚至合理性等同起来，并且似乎因贝叶斯统计的兴起和实际成功而得到加强。我们认为，贝叶斯统计的最成功的形式实际上并不支持这种特定的哲学，而是更符合复杂形式的假设演绎。我们研究了先验分布在贝叶斯模型中所起的实际作用，以及模型检查和模型修正的关键方面，这些方面超出了贝叶斯确认理论的范围。我们利用文献的一致性贝叶斯更新，也对我们的经验，在社会科学中的应用工作。对这些问题的澄清不仅有利于科学哲学，也有利于统计实践。最好的情况是，归纳主义的观点鼓励研究人员在不检查模型的情况下拟合和比较模型;最坏的情况是，理论家积极阻止实践者进行模型检查，因为它不适合他们的框架。
math.STphysics.data-anstat.TH
统计学家在统计方法与教学法方面培训STEM教育者：贝叶斯方法教师培训的案例研究
Statisticians Training STEM Educators in Statistics Methods and Pedagogy: A Case Study of Instructor Training in Bayesian Methods
本文以贝叶斯方法教师培训为案例，介绍由统计学家主导的“培训培训者”模式，并总结设计实施中的挑战、机会与建议。
stat.OT
使用密度算子的贝叶斯统计学习
Bayesian statistical learning using density operators
CCNU Wollongong Joint Institute（华中师范大学伍伦贡联合研究院）；Central China Normal University（华中师范大学）
这个简短的研究使用量子力学框架重新制定了统计贝叶斯学习问题。代表样本波函数的纯态系综的密度算子被用来代替概率密度。我们表明，这种表示允许制定统计贝叶斯学习问题在不同的坐标系上的样本空间。我们进一步表明，这样的表示允许使用内核技巧来学习密度算子的投影。特别是，这项研究强调，分解波函数，而不是概率密度，因为它是在内核嵌入，允许保留概率算子的性质。结果示出了一个简单的例子，使用离散正交小波变换的密度算子。
cs.LGmath.STquant-ph
高斯贝叶斯网络融合
Towards Gaussian Bayesian Network Fusion
Universidad Politécnica de Madrid（马德里理工大学）
由于我们现在拥有越来越多的生成和存储数据的设施，数据集的复杂性正在增长。这对机器学习提出了许多挑战，这些挑战导致新方法和范式的提出，以便能够处理现在所谓的大数据。在本文中，我们提出了一种方法，用于聚合不同的贝叶斯网络结构，已经从不同的数据集学习，作为第一步，对挖掘数据集，需要在一个水平的方式进行分区，即相对于实例，以便进行处理。讨论了在处理这种情况时应考虑的因素。贝叶斯网络的可扩展学习正在慢慢出现，我们的方法构成了对不同来源的高斯贝叶斯网络聚合的第一个见解之一。在合成数据上进行测试，取得了优于个体学习的良好效果。未来的研究将集中在扩展该方法和测试更多样化的数据集。
cs.LGstat.ML
