Bayesian Estimation of Kendall's tau Using a Latent Normal Approach
两个变量之间基于秩的关联可以通过向有序数据引入潜在正态水平来建模。我们演示了这种方法如何产生贝叶斯推断肯德尔的秩相关系数,改善最近的贝叶斯解的渐近性质的检验统计量。
2018-05-24 stat.ME
Bayesian Nonparametric Approaches to Ordinal Drought Modeling in the United States
Wake Forest University(维克森林大学)
本文提出贝叶斯非参数方法增强高斯潜在模型,用于美国时空有序干旱数据建模,通过狄利克雷过程先验捕获时间聚类,以合理计算成本优于参数方法。
2026-09-24 stat.AP stat.ME
Penalty parameter selection and asymmetry corrections to Laplace approximations in Bayesian P-splines models
本文提出改进的LPS方法,通过将潜空间二分以分别处理潜变量和未惩罚参数,结合非高斯不对称近似与Laplace近似,在保持无采样快速计算的同时显著提升了后验估计精度。
2022-10-04 stat.ME
Bayesian Machine Learning for Estimating Optimal Dynamic Treatment Regimes with Ordinal Outcomes
本文提出将有序贝叶斯加性回归树(OBART)纳入贝叶斯机器学习框架,用于估计有序结局下的最优动态治疗方案并量化不确定性,通过模拟和戒烟试验数据验证了方法的有效性。
2025-03-08 stat.ME
Learning Bayesian Networks from Ordinal Data
贝叶斯网络是研究复杂系统中变量依赖结构的有力框架。贝叶斯网络的学习问题与给定的数据类型紧密相关。有序数据,如癌症的阶段,评级量表调查问题,以及考试的字母等级,在应用研究中无处不在。然而,现有的解决方案主要针对连续和标称数据。在这项工作中,我们提出了一个迭代的评分和搜索方法-称为有序结构EM(OSEM)算法-学习贝叶斯网络从有序数据。与为名义数据设计的传统方法不同,我们明确尊重类别之间的排序。更确切地说,我们假设有序变量起源于边缘离散化的一组高斯变量,其在潜在空间中的结构依赖遵循有向非循环图。然后,我们采用结构期望最大化算法,并推导出封闭形式的评分函数,有效的图搜索。通过仿真研究,我们说明了OSEM算法的优越性能相比的替代品,并分析了各种因素,可能会影响学习精度。最后,我们证明了我们的方法的实用性与现实世界中的应用心理调查数据,从408例共病症状的强迫症和抑郁症。
2021-11-12 stat.ME
Flexible latent variable models on graphs: Laplace approximated inference for multiview network data
Research Institute for Statistics and Information Science, GSEM(统计与信息科学研究所以及GSEM);University of Geneva(日内瓦大学)
提出一种基于图拉普拉斯近似推断的灵活潜变量模型,用于多视图网络数据降维,在理论和实证上优于传统泊松伪最大似然估计。
2026-09-23 stat.ME
Scalable skewed Bayesian inference for latent Gaussian models
针对潜在高斯模型,提出基于INLA的偏态拉普拉斯变分推断扩展,兼顾偏态与高斯边缘及依赖保持,可扩展处理重尾似然和类别不平衡数据,经模拟和罕见病案例验证。
2025-02-26 stat.ME
Learning Heterogeneous Ordinal Graphical Models via Bayesian Nonparametric Clustering
KLATASDS-MOE, School of Statistics, East China Normal University(华东师范大学统计学院);Department of Statistics & Probability, Michigan State University(密歇根州立大学统计与概率系)
本文提出一种非参数贝叶斯框架,通过混合有限混合方法,解决有序数据建模中的异质性问题,实现灵活的子群体发现和参数估计,适用于体育分析中的潜在模式识别。
2025-12-04 stat.ME
Laplace Approximations for Mixed-Effects and Gaussian Process Quantile Regression
ETH Zurich(苏黎世联邦理工学院);Lucerne University of Applied Sciences and Arts(卢塞恩应用科学与艺术大学)
本文提出了一种适用于混合效应和高斯过程分位数回归的拉普拉斯近似方法,通过分析信息和预期损失的曲率来克服非对称拉普拉斯似然下的计算障碍,提高了计算效率和准确性。
2026-08-20 stat.ME
Variational Gaussian Process Auto-Encoder for Ordinal Prediction of Facial Action Units
Imperial College London(帝国理工学院);University of Twente(特文特大学)
我们解决的任务,同时特征融合和离散有序输出建模。提出了一种新的高斯过程(GP)自动编码器建模方法。特别是,我们引入GP编码器将多个观察到的特征投影到潜在空间上,而GP解码器负责重建原始特征。推理是在一个新的变分框架中进行的,其中恢复的潜在表示进一步受到序数输出标签的约束。通过这种方式,我们无缝地将有序结构集成到学习的流形中,同时实现输入特征的鲁棒融合。我们展示了我们的模型在来自机器学习和影响分析的基准数据集上的表示能力。我们进一步评估模型的面部动作单元的特征融合和联合顺序预测的任务。我们的实验证明了所提出的方法相比,最先进的好处。
2016-09-05 cs.CV stat.ML
Laplace approximation for fast Bayesian inference in generalized additive models based on penalized regression splines
广义可加模型(GAM)是一种成熟的统计工具,用于对协变量与假设具有指数族条件分布的响应之间的复杂非线性关系进行建模。在这篇文章中,P-样条和拉普拉斯近似耦合的灵活和快速的近似贝叶斯推断的GAM。建议的拉普拉斯-P-样条模型有助于开发一种新的方法来探索后验惩罚空间,通过考虑一个确定性的基于网格的策略或马尔可夫链采样器,根据预测中的平滑加法项的数量。我们的方法的优点是依赖于封闭形式的分析表达式的梯度和Hessian的近似后验惩罚向量,这使得能够构建准确的后验逐点和可信的集合估计的潜在字段变量在一个相对较低的计算预算,即使是大量的光滑的附加组件。基于简单的高斯近似的条件潜在字段后验,建议的方法具有良好的统计特性。通过不同的模拟场景,拉普拉斯P样条模型的性能得到证实,并在两个真实数据集上说明了该方法。
2020-03-16 stat.ME
An Ordinal Latent Variable Model of Conflict Intensity
ETH Zürich(苏黎世联邦理工学院);MIT(麻省理工学院);University of Cambridge(剑桥大学);EPFL(洛桑联邦理工学院);The University of Chicago(芝加哥大学)
针对Goldstein量表忽略事件主体、客体及伤亡等背景信息的问题,本文提出带有序数潜强度类别的概率生成模型,并通过内在与外在评估验证其留出预测性能。
2023-06-04 cs.LG stat.AP
Bayesian model averaging with the integrated nested Laplace approximation
贝叶斯推断的集成嵌套拉普拉斯近似(INLA)是估计贝叶斯分层模型参数和潜在效应的后验边缘分布的有效方法,该模型可以表示为潜在高斯马尔可夫随机场(GMRF)。作为GMRF的表示允许相关软件R-INLA在一小部分时间内估计后边缘作为典型的马尔可夫链蒙特卡罗算法。INLA可以通过贝叶斯模型平均(BMA)来扩展,以增加可以拟合条件潜在GMRF的模型数量。在本文中,我们回顾了使用BMA与INLA,并提出了一个新的例子空间计量经济学模型。
2019-11-02 stat.CO stat.ME
Bayesian models for missing and misclassified variables using integrated nested Laplace approximations
本文提出将INLA与重要性采样结合以拟合含误分类协变量的贝叶斯模型,并展示直接使用INLA处理误分类响应变量的方法,通过模拟和真实数据验证了有效性。
2024-11-25 stat.ME
Sequential Bayesian Inference for Factor Analysis
我们开发了一个有效的贝叶斯序贯推理框架,通过各种数据类型,如连续,二进制和有序数据的因素分析模型观察。在连续数据的情况下,它是可能的边缘化的潜在因素,建议的方法量身定制的迭代批量重要性抽样(IBIS)的肖邦(2002年)来处理这样的模型,我们将汉密尔顿马尔可夫链蒙特卡罗。对于二进制和有序数据,我们开发了一个有效的IBIS计划来处理参数和潜在的因素,结合拉普拉斯或变分贝叶斯近似。该方法可用于通过贝叶斯因子进行序贯假设检验的背景下,已知贝叶斯因子比传统的原假设检验具有优势。此外,开发的顺序框架提供了多种好处,即使在非顺序的情况下,通过提供后验分布,模型证据和评分规则(在先决框架下),并通过提供一个更强大的替代计算方案,马尔可夫链蒙特卡罗,可以在有问题的目标分布是有用的。
2022-01-26 stat.ME
What is an Ordinal Latent Trait Model?
虽然各种多分类项目反应模型被认为是有序模型,但似乎没有可用的有序模型的一般定义。序数模型的替代概念进行了讨论,它表明,它们符合经典的一维模型。对于多维模型,有序模型的定义是指多维特征空间中的特定特征。目的是为有序模型提供一个理论框架。关于潜在特征和范畴顺序之间联系的强度的实际考虑被简要地考虑。
2019-02-17 stat.ME
Ordinal Bayesian Optimisation
贝叶斯优化是一个强大的工具,以解决昂贵的黑箱问题,但失败时,对目标函数的静态假设是强烈违反,这是特别是病态或不连续的目标的情况。我们解决这个问题,提出了一个新的贝叶斯优化框架,只考虑变量的顺序,在输入和输出空间,以适应一个高斯过程的潜在空间。通过这样做,我们的方法对原始空间上的原始度量是不可知的。我们提出了两种算法,分别基于乐观策略和汤普森采样。对于乐观策略,我们证明了一个最优性能下的后悔措施的潜在空间。我们说明了我们的框架上的几个具有挑战性的玩具问题的能力。
2019-12-05 cs.LG math.OC stat.ML
Clustering South African households based on their asset status using latent variable models
阿金库尔卫生和人口监测系统自2001年以来进行了半年一次的家庭资产调查,以量化生活在南非东北部农村人口的家庭社会经济状况。该调查包含二进制,序数和名义项目。在没有收入或支出数据的情况下,研究人口中的SES景观进行了探索和描述,根据其资产状况将家庭聚类为同质组。基于隐变量模型,提出了一种基于模型的方法来聚类的阿金库尔家庭。在对二元或有序项建模的情况下,采用项目反应理论模型。对于名义调查项目,使用了一个因素分析模型,其性质类似于多项概率模型。这两种模型类型都有一个潜在的潜在变量结构--这种相似性被利用,模型被组合起来产生一个能够处理混合数据类型的混合模型。此外,混合模型的混合物被认为是在混合的二进制,有序和标称响应数据的上下文中提供聚类能力。该模型被称为混合数据混合因子分析器(MFA-MD)。MFA-MD模型适用于调查数据的Agincourt家庭聚类成同质组。该模型估计贝叶斯范式内,使用马尔可夫链蒙特卡罗算法。直观的分组结果,提供了对阿金库尔地区不同社会经济阶层的洞察力。
2014-07-31 stat.AP stat.ME
Fast, Scalable Approximations to Posterior Distributions in Extended Latent Gaussian Models
我们定义了一类新的加性模型,称为扩展的潜在高斯模型,允许广泛的响应分布和灵活的加性预测和平均响应之间的关系。新课程涵盖了广泛的有趣的模型,包括多分辨率空间过程,部分基于似然的生存模型,和多变量测量误差模型。由于精确的后验分布的计算是不可行的,我们开发了一个快速的,可扩展的近似贝叶斯推断方法,这一类的基础上嵌套高斯,拉普拉斯,自适应正交近似。我们证明了在标准条件下,这些近似后验的误差是op(1),并提供了数值证据表明,我们的方法比基于集成嵌套拉普拉斯近似和马尔可夫链蒙特卡罗的方法运行更快,可扩展到更大的数据集,具有可比的精度。我们应用新的方法来映射的疟疾发病率在连续空间中使用聚合数据,映射白血病生存的危险使用一个连续变化的空间过程的考克斯比例风险模型,并估计银河系的质量使用嘈杂的多变量测量的位置和速度的星团在其轨道上。
2022-07-12 stat.ME
Identification and Scaling of Latent Variables in Ordinal Factor Analysis
University of Missouri(密苏里大学)
本文提出整数约束,用于有序因子分析中潜在变量的识别与标定,使模型参数化更符合研究者对有序变量的连续性假设。
2026-01-08 stat.ME
Laplace Matching for fast Approximate Inference in Latent Gaussian Models
University of Tübingen(蒂宾根大学)
非高斯数据上的贝叶斯推断通常是非分析的,并且需要计算上昂贵的近似,例如采样或变分推断。我们提出了一个近似推理框架,主要设计为计算成本低,同时仍然实现高近似质量。这个概念,我们称之为拉普拉斯匹配,涉及封闭形式,近似,指数族的参数空间之间的双向变换。这些是根据定制设计的基础变换从拉普拉斯近似构造的。然后可以利用映射来有效地将潜在高斯分布转换为丰富的可观测变量类别之前的近似共轭。这使我们能够训练潜在的高斯模型,如非高斯数据上的高斯过程,几乎没有额外的成本。该方法可以被认为是一个预处理步骤,可以在不到5行代码中实现,并在不到一秒的时间内运行。此外,拉普拉斯匹配产生了一种简单的方法来将相似的数据点分组在一起,例如为GP产生诱导点。我们经验评估的方法与实验为四个不同的指数分布,即贝塔,伽玛,狄利克雷和逆Wishart,显示近似质量相媲美的最先进的近似推理技术在大幅降低计算成本。
2022-10-11 cs.LG stat.ML
A Restricted Latent Class Hidden Markov Model for Polytomous Responses, Polytomous Attributes, and Covariates: Identifiability and Application
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出了一种受限潜在类隐马尔可夫模型,用于处理多项响应、属性和协变量,通过模拟和实际数据验证了其可识别性和应用效果。
2026-03-10 stat.ME
A Restricted Latent Class Model with Polytomous Attributes and Respondent-Level Covariates
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出了一种具有多项属性和受访者层面协变量的受限潜在类别模型,用于更精确地识别抑郁症的潜在结构。
2026-03-09 stat.ME
Modeling for Dynamic Ordinal Regression Relationships: An Application to Estimating Maturity of Rockfish in California
我们开发了一个贝叶斯非参数框架,用于建模离散时间演化的有序回归关系。动机的应用涉及渔业研究中的一个关键问题,估计动态演变的年龄,长度和成熟度之间的关系,后者记录在一个有序的规模。该方法建立从非参数混合建模的协变量和潜在的连续响应的联合随机机制。这种方法产生了高度灵活的顺序回归函数的推理,同时避免了参数模型的计算挑战。一个新的依赖Dirichlet过程的时间依赖混合分布的先验扩展模型的动态设置。该方法用于详细研究辣椒岩鱼的成熟度,年龄和长度之间的关系,使用15年来收集的数据沿加利福尼亚州海岸。
2015-07-05 stat.AP
Iterative Methods for Vecchia-Laplace Approximations for Latent Gaussian Process Models
Lucerne University of Applied Sciences and Arts(卢塞恩应用科学与艺术大学);University of Basel(巴塞尔大学);ETH Zurich(苏黎世联邦理工学院)
针对 Vecchia-Laplace 近似在大规模潜变量 GP 模型中依赖直接求解器导致的超线性计算瓶颈,提出迭代方法、预条件子、收敛分析与预测方差近似,实现显著加速和精度提升。
2024-12-06 cs.LG stat.ME stat.ML
Bayesian sequential parameter estimation with a Laplace type approximation
提出了一种基于迭代拉普拉斯近似的动态隐高斯模型固定参数的序贯推断方法。该方法提供了一个有用的计算性能和准确性之间的权衡近似真实的后验分布。近似校正,以提高模拟研究中的近似精度。基于人口的方法也被证明提供了一个更强大的推理方法。
2015-09-25 stat.CO stat.ME
Bayesian Rank-Based Hypothesis Testing for the Rank Sum Test, the Signed Rank Test, and Spearman's $ρ$
贝叶斯推断的秩序问题是挫败的情况下,一个明确的似然函数。这一障碍可以通过假设与数据中的序数信息一致的潜在正态表示来克服:观察到的等级被概念化为底层连续尺度的贫困反映,并且推断涉及管理潜在表示的参数。我们应用这种通用的数据增强方法来获得贝叶斯因子的三个流行的基于秩的测试:秩和检验,符号秩检验,和斯皮尔曼的$ρ_s$。
2019-05-17 stat.ME
An efficient adaptive dimension selection algorithm for multidimensional probit graded response models
KLATASDS-MOE;School of Statistics, East China Normal University(东华大学统计学院);Zhiyuan School of Liberal Arts,Beijing Institute of Petrochemical Technology(北京石油化学工业技术学院人文学院)
针对多维概率等级响应模型应用中确定潜在维度数量的挑战,提出自适应贝叶斯维度选择框架,基于累积收缩过程分配先验,结合多种更新形成自适应采样器,经模拟和真实数据验证能准确恢复潜在结构且计算高效。
2026-07-21 cs.LG stat.ME stat.ML
Beyond Local Independence: High-Dimensional Latent Class Graphical Models with Shared Block Structure
Department of Statistics, Columbia University(哥伦比亚大学统计学系)
针对高维序数响应数据,提出一种具有块结构局部依赖的高维潜在类别图模型,通过三步估计器同时恢复潜在类别、共享块划分和类内稀疏精度矩阵,并建立端到端一致性理论。
2026-06-28 stat.ME
Multilevel latent Gaussian process model for mixed discrete and continuous multivariate response data
我们提出了一个混合有序和连续多元数据的贝叶斯模型来评估一个潜在的空间高斯过程。我们提出的模型可以用于在许多情况下,在努力量化一个不可观察的连续测量观察到的混合连续和离散的多变量响应。在我们的例子中,潜在的,或不可观察的测量是湿地条件。虽然在每个位置的模型产生的潜在的湿地条件变量的预测值不持有任何内在的价值,湿地条件值的相对大小的兴趣。此外,通过在模型中包含点参考协变量,我们能够在新位置对潜在随机变量和多变量响应进行预测。最后,该模型生成与未观察到的潜在随机场相关的多变量响应的秩。这是一个重要的结果,因为它使我们能够确定哪些响应变量与潜变量最密切相关。我们的方法提供了一种替代传统的指数的基础上最好的专业判断,经常使用的生态学。我们应用我们的模型来评估在科罗拉多州的北普拉特河和格兰德河流域的湿地条件。该模型有利于在多个地点的湿地条件的比较,并在现场测量的重要性排名。
2013-03-23 stat.ME
Enhanced Laplace Approximation
拉普拉斯近似(LA)是一种近似具有潜在变量的统计模型的边缘似然的方法。然而,基于LA的近似极大似然估计(MLE)往往是有偏的二进制或空间数据,相应的Hessian矩阵低估了这些近似MLE的标准误。已经提出了高阶近似;但是,它不能应用于复杂的模型,如相关随机效应模型,并且不能提供一致的方差估计。在本文中,我们提出了一个增强的LA(ELA),提供了真正的MLE和一致的方差估计。我们研究它的关系,变分贝叶斯方法。我们还介绍了一个新的限制极大似然估计(REMLE)估计色散参数。数值研究结果表明,ELA提供了一个令人满意的MLE和REMLE,以及它们的方差估计固定参数。在平坦先验条件下,MLE和REMLE分别可以看作是后验模态和边缘后验模态。在不同的先验条件下,与贝叶斯方法进行了比较。
2022-07-20 stat.ME
Estimating the marginal likelihood with Integrated nested Laplace approximation (INLA)
边际似然是贝叶斯统计学中一个公认的模型选择准则。它还允许有效地计算边缘后验模型概率,该概率可用于对感兴趣的量进行贝叶斯模型平均。然而,对于许多复杂的模型,包括潜在建模方法,边缘似然性难以计算。最近一个有前途的方法近似的边缘可能性是集成嵌套拉普拉斯近似(INLA),设计的模型与潜在的高斯结构。在这项研究中,我们比较了近似与INLA获得一些不同复杂性的例子上的替代方法。特别是,我们讨论了简单的线性潜在模型、贝叶斯线性回归模型、具有probit和logit链接的逻辑贝叶斯回归模型以及Poisson纵向广义线性混合模型。
2016-11-04 stat.CO
A general framework for modeling Gaussian process with qualitative and quantitative factors
School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院)
本文提出了一种通用框架,用于将标准核函数应用于连续潜在变量,以改进高斯过程模型对包含定性和定量因素的计算机实验的建模能力。
2026-02-18 stat.ME
Fast, universal estimation of latent variable models using extended variational approximations
广义线性潜变量模型(GLLVMs)是近年来在多响应数据分析中得到广泛应用的一类方法,例如在生态学中的多变量丰度数据分析中。GLLVM的主要特征之一是它们能够处理各种响应类型,例如(过度分散)计数、二项响应、(半)连续和比例数据。另一方面,潜在的潜在变量的引入提出了一些主要的计算挑战,作为结果的边缘似然函数涉及到一个棘手的积分非正态分布的响应。这促使人们研究近似方法来克服这种积分,最近的一个特别是计算可扩展的方法是变分近似(VA)。然而,研究使用VA的GLLVMs和相关的模型一直受到阻碍的事实,封闭形式的近似只得到了某些对的响应分布和链接函数。在这篇文章中,我们提出了一个扩展的变分近似(EVA)的方法,大大拓宽了VA适用的GLLVM集。EVA的灵感来自于拉普拉斯近似的基本思想:通过将完整数据的似然函数替换为关于变分分布均值的二阶泰勒近似,我们可以获得对任何响应类型和链接函数的GLLVM的边际似然的封闭形式近似。通过模拟研究和应用程序的有遗嘱变形虫的数据集在生态学中,我们展示了如何EVA的结果在一个通用的方法来拟合GLLVM,这仍然是有竞争力的估计和推理性能相对于标准VA和拉普拉斯近似的方法,而在计算上更可扩展性比在实践中。
2021-07-06 stat.ME
Employing latent variable models to improve efficiency in composite endpoint analysis
在临床试验中,特别是在慢性疾病中,结合不同尺度上的多种结局的复合终点很常见。在许多情况下,患者必须在每个结局中超过预定义的应答者阈值,才能被归类为总体应答者。这种情况发生在系统性红斑狼疮(SLE)中,其中应答者终点结合了两个连续的,一个序数和一个二元测量。通常使用逻辑斯谛回归分析总体二元应答者终点,导致大量信息丢失。我们提出了一个潜在的变量模型的SLE终点,它假设离散的结果是潜在的连续措施的表现,并可以继续联合建模的组成部分的复合。我们进行了模拟研究,并找到了方法,以提供大的效率增益超过标准的分析。我们发现,精度增益的大小高度依赖于哪些组件是驱动响应。当联合正态性假设不满足时,引入偏差,我们使用自助程序进行校正。该方法适用于IIb期MUSE试验中的中度至重度SLE患者。我们表明,它估计的处理效应2.5倍更精确,提供了60%的减少所需的样本量。
2019-02-19 stat.ME
Using Integrated Nested Laplace Approximation for Modeling Spatial Healthcare Utilization
近年来,空间和时空建模已成为许多领域(流行病学,环境研究,疾病地图)的重要研究领域。在这项工作中,我们提出了不同的空间模型来研究医院招聘,包括一些潜在的解释变量。感兴趣的是每个地理单元的分布,即居住在该地理单元的患者人数与同一地理单元的人口之间的比例。模型考虑的框架内的贝叶斯潜在高斯模型。我们的响应变量假设遵循具有logit链接的二项分布,其参数是地理单元中的人群和相应的相对风险。结构化加性预测因子以加性方式解释各种协变量的效应,包括协变量的平滑函数(例如空间效应),协变量的线性效应。为了近似后边缘,这不是在封闭的形式,我们使用集成嵌套拉普拉斯近似(INLA),最近提出的近似贝叶斯推断在潜在的高斯模型。INLA的优点是给出非常精确的近似值,并且当参数的数量不超过6时(就像我们的情况一样),比McMC方法更快。使用DIC标准评估模型比较。
2010-06-18 stat.AP stat.ME
Corrected Integrated Laplace Approximation for Bayesian Inference in Latent Gaussian Models
Manning College of Information and Computer Sciences University of Massachusetts Amherst(信息与计算机科学学院 马萨诸塞大学阿姆赫斯特分校);Department of Statistics University of British Columbia(统计学系 不列颠哥伦比亚大学)
本文提出了一种重要性采样方案来纠正积分拉普拉斯近似法(ILA)在潜在高斯模型(LGMs)中引入的误差,通过增加重要性采样的样本数使近似后验收敛到正确后验,并在自动微分框架中实现该方法以支持超参数推断中的梯度基算法,特别是哈密顿蒙特卡洛方法。
2026-11-13 cs.LG stat.ML
A Regularised Latent-Class Item Response Model for Detecting Measurement Non-Invariance in Ordinal Response Scales
Lancaster University(兰卡斯特大学);Purdue University(普渡大学)
提出一种正则化潜在类别项目反应模型,通过ℓ1惩罚边际似然和EM算法检测有序量表上的差异项目功能,无需已知分组标签或锚定项目。
2026-06-05 stat.ME
A class of Multidimensional Latent Class IRT models for ordinal polytomous item responses
我们提出了一类项目反应理论模型的项目有序多项反应,扩展了现有的一类多维模型的二分法评分项目测量一个以上的潜在特质。在该方法中,用于表示潜在性状的随机向量被假定为具有离散分布,其支持点对应于群体中的不同潜在类别。我们还允许不同的参数化的条件分布的响应变量的潜在特质-如采用分级响应模型,在部分信用模型,并在评级量表模型-这取决于类型的链接函数和项目参数上施加的约束。对于所提出的模型,我们概述了如何执行极大似然估计通过期望最大化算法。此外,我们提出了一种策略,模型选择,这是基于一系列的步骤,包括选择特定的功能,如潜在的维度的数量,潜在的类的数量,和特定的参数化。为了说明所提出的方法,我们分析来自一项研究的焦虑和抑郁的肿瘤患者所感知的数据。
2012-01-23 stat.ME
Modelling Ordinal Responses with Uncertainty: a Hierarchical Marginal Model with Latent Uncertainty components
在回答评级问题时,个人可能会根据他/她的知识/意识或他/她的犹豫不决/不确定性水平给出答案,通常由回答风格驱动。由于忽略这种双重行为可能会导致误导性的结果,我们定义了一个多变量模型的顺序评级反应,通过引入,为每个项目,一个二元潜变量,区分意识不确定的反应。潜在变量和可观察变量之间的一些独立假设描述了不确定行为,并使模型更容易解释。通过指定概率分布来模拟不确定的响应,这些概率分布可以描述表征不确定评定者的不同响应风格。边际参数化允许一个简单和直接的解释的参数之间的关联意识到的反应和他们的依赖解释因素。该模型的有效性证明通过应用到实际数据和支持的蒙特卡罗研究。
2018-05-16 stat.ME
Marginal likelihood and model selection for Gaussian latent tree and forest models
高斯潜在树模型,或更一般地说,高斯潜在森林模型具有费舍尔信息矩阵,该矩阵沿着有趣的子模型(即对应于子森林的模型)变得奇异。对于这些奇异点,我们计算真实的对数正则阈值(也称为随机复杂度或学习系数),这些阈值量化了贝叶斯推理中边际似然的大样本行为。这提供了所需的信息,最近推出的推广贝叶斯信息标准。我们的数学发展对待拉普拉斯积分的相位函数是单项式和常数之间的平方差的总和的一般设置。我们澄清如何在这种情况下,真正的对数正则阈值可以使用多面体几何计算,我们展示了如何将一般理论与高斯潜在树和森林模型的拉普拉斯积分。在模拟和数据示例中,我们演示了如何将数学知识应用于模型选择。
2015-12-23 math.ST stat.ME stat.ML
Approximate Bayesian Inference for Structural Equation Models using Integrated Nested Laplace Approximations
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Universiti Brunei Darussalam(文莱达鲁萨兰国大学)
本文提出了一种基于集成嵌套拉普拉斯近似法框架的近似贝叶斯方法,用于结构方程模型的推断,通过简化拉普拉斯近似和变分贝叶斯修正,提高了推断效率和准确性。
2026-09-18 stat.ME
Spatial Bayesian Hierarchical Modelling with Integrated Nested Laplace Approximation
我们认为潜在的高斯场建模空间依赖的背景下,空间点模式和面积数据,提供两个不同的应用。利用随机偏微分方程,建立了描述希腊地震序列的非齐次对数高斯Cox过程模型。Besag-York-Mollie模型适用于意大利北部Covid-19感染的疾病映射。这两个模型都属于贝叶斯分层模型类的潜在高斯字段,其后验是不可用的封闭形式。因此,使用集成嵌套拉普拉斯近似执行推断,该集成嵌套拉普拉斯近似为感兴趣的后验量提供准确且相对快速的分析近似。
2020-09-08 stat.AP
A Bayesian Survival Tree Partition Model Using Latent Gaussian Processes
生存模型用于分析各种学科中的事件发生时间数据。比例风险模型提供了可解释的参数估计值,但比例风险假设并不总是合适的。非参数模型更灵活,但往往缺乏明确的推理框架。我们提出了一个贝叶斯树划分模型,这是灵活和推理。通过后验树结构获得推断,并且通过使用潜在指数化高斯过程对每个分区中的风险函数进行建模来保持灵活性。通过拉普拉斯近似对每个划分元素中的参数进行边缘化,实现了一种高效的可逆跳马尔可夫链蒙特卡罗算法。建立了估计量的一致性性质。该方法可用于帮助确定亚组以及事件发生时间数据中的预后和/或预测生物标志物。该方法被应用到肝脏存活数据集,并与一些现有的方法模拟数据进行了比较。
2022-07-07 stat.ME
A Latent Causal Inference Framework for Ordinal Variables
提出一个基于潜在高斯DAG模型的序数因果推断框架,推导闭式干预效应公式,并结合序数结构EM算法,在模拟和408名患者调查数据上验证了其有效性。
2025-02-24 stat.ME stat.ML
Log-regularly varying scale mixture of asymmetric Laplaces for robust Bayesian quantile regression
Meiji University(明治大学);Keio University(庆应义塾大学)
该研究针对基于非对称拉普拉斯分布的贝叶斯分位数回归对极端观测值敏感的问题,提出AL-LPAL混合分布,建立后验稳健性并开发后验计算方法,经模拟和实际数据验证其预测性能良好。
2026-10-15 stat.ME
Bayesian Computing with INLA: A Review
贝叶斯推断的关键运算是计算高维积分。一个古老的近似技术是拉普拉斯方法或近似,它可以追溯到皮埃尔-西蒙拉普拉斯(1774年)。这个简单的想法近似的被积函数与二阶泰勒展开周围的模式和计算积分解析。通过发展这一经典思想的嵌套版本,结合稀疏矩阵的现代数值技术,我们得到了集成嵌套拉普拉斯近似(INLA)的方法来做近似贝叶斯推断潜在高斯模型(LGM)。LGM代表了贝叶斯推断的重要模型抽象,并且包括了当今使用的大部分统计模型。在这篇综述中,我们将讨论INLA方法成功的原因,R-INLA包,为什么它是如此准确,为什么近似计算非常快,为什么LGM使贝叶斯计算这样一个有用的概念。
2016-09-19 stat.ME
Vecchia-Laplace approximations of generalized Gaussian processes for big non-Gaussian spatial data
广义高斯过程(GGP)是一种高度灵活的模型,它将潜在的GP与来自指数族的潜在非高斯似然相结合。GGP可以用于各种设置,包括GP分类,非参数计数回归,非高斯空间数据建模和分析点模式。然而,对GGP的推断在分析上可能是难以处理的,并且由于GP协方差阵的求逆,大型数据集带来计算挑战。我们提出了一个Vecchia-拉普拉斯近似的GGP,它结合了一个拉普拉斯近似的非高斯似然与计算效率的Vecchia近似的GP,从而在一个简单的,一般的,可扩展的,和准确的方法。我们提供模拟和真实空间数据的数值研究和比较。我们的方法在一个免费的R包中实现。
2020-06-04 stat.CO stat.ME
Bayesian Quantile Regression for Ordinal Models
本文介绍了一元有序模型中分位数回归的贝叶斯估计方法。两个算法,利用潜在变量推理框架的阿尔伯特和Chib(1993年)和正常指数混合表示的非对称拉普拉斯分布。估计使用马尔可夫链蒙特卡罗模拟-吉布斯采样与梅特罗波利斯-黑斯廷斯算法或仅吉布斯抽样。该算法在两个模拟研究和实施的问题,在经济学(教育程度)和政治经济学(公众舆论延长“布什税”削减)的分析。模型比较的研究证明了分位数序模型的实用性。
2022-09-29 stat.ME
Bayesian leave-one-out cross-validation approximations for Gaussian latent variable models
贝叶斯模型的未来预测性能可以使用贝叶斯交叉验证来估计。在这篇文章中,我们考虑高斯潜变量模型,其中使用拉普拉斯方法或期望传播(EP)来近似潜值的积分。我们研究了几个贝叶斯留一法(LOO)交叉验证近似的性质,在大多数情况下,可以计算出一个小的额外成本后形成的后验近似给定的全部数据。我们的主要目标是评估近似LOO交叉验证估计的准确性。也就是说,对于每种方法(拉普拉斯和EP),我们将近似快速计算与精确的蛮力LOO计算进行比较。其次,我们评估的拉普拉斯和EP近似本身对地面真理建立通过广泛的马尔可夫链蒙特卡罗模拟的准确性。我们的经验结果表明,基于LOO边缘分布(所谓的空腔分布)高斯近似的方法在快速方法中给出了最准确和可靠的结果。
2016-05-23 stat.CO stat.ML
Modeling Ordinal Survey Data with Unfolding Models
Michigan State University(密歇根州立大学);University of Washington(华盛顿大学)
本文提出了一种新的顺序概率投影像模型,用于处理顺序调查数据中的单调和非单调响应函数问题。
2026-10-20 stat.ME
Endogeneity-Aware Cognitive Diagnostic Model for Multidomain Ordinal Assessments
Sun Yat-sen University(中山大学);University of Hong Kong(香港大学)
针对传统认知诊断模型无法表征多域潜在属性定向依赖的问题,提出内生性感知认知诊断模型EACDM,通过联合估计实现更准确的属性关系分析,在模拟与帕金森病数据中验证了其有效性。
2026-08-12 stat.ME
A Novel Bayesian Approach for Latent Variable Modeling from Mixed Data with Missing Values
Institute for Computing and Information Sciences(计算与信息科学研究所);Radboud University Nijmegen(拉德堡德大学奈梅亨分校)
本文研究了隐变量模型的参数学习问题。我们提出了一种新的贝叶斯高斯copula因子(BGCF)的方法,在一定的条件下是一致的,这是相当强大的违反这些条件。在模拟中,BGCF大大优于两个国家的最先进的替代方法。“Holzinger & Swineford 1939”数据集上的一个例子表明,即使数据与MLR的假设相匹配,BGCF也优于所谓的鲁棒极大似然(MLR)。
2018-06-12 cs.LG stat.ML
Laplace approximation for logistic Gaussian process density estimation and regression
逻辑高斯过程(LGP)先验为建模未知密度提供了灵活的替代方案。密度估计的平滑性可以通过LGP的先验协方差结构来控制,但挑战在于分析上难以处理的推断。在本文中,我们提出了近似贝叶斯推断的LGP密度估计在一个网格中使用拉普拉斯的方法来整合在非高斯后验分布的潜函数值,并确定协方差函数参数与类型II的最大后验概率(MAP)估计。我们证明,拉普拉斯的方法与MAP是足够快的实际互动可视化的1D和2D密度。我们的实验与模拟和真实的一维数据集表明,估计精度接近马尔可夫链蒙特卡罗近似和国家的最先进的分层无限高斯混合模型。我们还构建了一个降秩近似,以加快密集的二维网格的计算,并证明密度回归与建议的拉普拉斯方法。
2013-10-07 stat.CO stat.ME stat.ML