Bayesian binomial mixture models for estimating abundance in ecological monitoring studies
物种多度调查已成为许多生态监测研究的重要组成部分。这些研究的主要目的是了解特定物种如何在研究领域中分布，以及检测这些物种的抽样效率的量化。为了实现这些目标，在预定的访问期间对预选地点进行了取样，记录在每个地点观察到的物种数量。这导致空间参考的复制计数数据通常在结构上不平衡并表现出过度分散。巴尔的摩生态系统研究的动机，我们提出贝叶斯分层二项式混合模型，包括二项式康威-麦克斯韦泊松（Bin-CMP）混合模型，正式占不同程度的空间分散。我们提出的模型还允许通过实施可逆跳马尔可夫链蒙特卡罗方法的模型协变量和分散参数的分组的变量选择。最后，使用人口统计协变量从美国社区调查，我们证明了我们的方法的有效性，通过估计丰富的美国知更鸟（Turdus migratorius）在巴尔的摩生态系统研究。
2015-05-11 stat.AP
Robust Estimating Method for Propensity Score Models and its Application to Some Causal Estimands: A review and proposal
在观察性研究中，倾向得分在估计因果效应方面具有核心作用。由于倾向得分通常是未知的，通过适当的程序进行估计是必不可少的步骤。需要注意的一点是，如果错误指定了倾向得分模型，则因果效应估计量可能存在一定偏倚;有效的模型构建很重要。为了克服这个问题，已经提出了各种有趣的方法。本文综述了四种方法：普通的逻辑斯谛回归方法; Imai和Ratkovic提出的CBPS方法; McCaffrey等人提出的boosted CART方法; Liu等人提出的半参数方法。此外，我们提出了新的鲁棒两步策略：在第一步中估计每个候选模型，并在第二步中集成它们。我们通过模拟实例，通过估计李和同事提出的ATE和ATO，证实了这些方法的性能。仿真结果表明，高阶平衡条件下的提升CART和CBPS具有较好的性能，ATE和ATO的估计方差和偏差绝对值均较小。提升CART和CBPS是有用的各种估计和估计程序。
2023-01-18 stat.ME
A Review of Brown 1971 (in)admissibility results under scale mixtures of Gaussian priors
布朗1971年的论文“Admissible Estimators，Recurrent Diffusions and Unsolved边值问题“是可容许性文献中的一个里程碑。它几乎完全解决了误差平方和损失下协方差一致的多元正态分布均值估计的容许/不容许问题。我们重新审视这一美妙的巡回演出的力量在其成立50周年，并提出了一种替代和更直接的证明结果的广义贝叶斯估计对应的先验是一个子类的规模混合球法线。
2021-10-05 math.ST stat.TH
Estimating the Variance of Measurement Errors in Running Variables of Sharp Regression Discontinuity Designs
当运行变量包含测量误差时，通过回归不连续性设计估计处理效应面临严峻的挑战，因为这些误差平滑了识别所依赖的不连续性。已有的研究表明，在这种情况下，测量误差的方差在偏差校正和辨识中起着至关重要的作用。然而，从数据估计方差的方法相对不发达。本文对锐回归连续性设计中运行变量的测量误差的方差提出了两个估计。所提出的估计量可以仅仅从观察到的运行变量和治疗分配的数据构建，并且不需要任何其他外部信息源。
2019-09-23 stat.ME
A Short Review of Estimators for the GLM predictive of Laplace Bayesian Neural Networks
本文简评Laplace近似贝叶斯神经网络的预测分布估计方法，聚焦广义线性模型（GLM）形式，涵盖从精确GLM计算到蒙特卡洛近似的策略，并统一阐述方法间关系及计算-统计权衡。
2026-07-02 math.ST stat.TH
Estimating uncertainty of earthquake rupture using Bayesian neural network
本文利用贝叶斯神经网络处理地震破裂模拟中的小数据问题，识别关键参数并量化不确定性，发现正应力对破裂传播影响最大且不确定性最高。
2023-04-11 cs.LG physics.geo-ph stat.ML
BART-based inference for Poisson processes
Imperial College London（伦敦帝国学院）
贝叶斯加性回归树（Bayesian Additive Regression Trees，BART）的有效性已经在包括非参数回归和分类在内的各种环境中得到了证明。提出了一种估计非齐次Poisson过程强度的BART格式。泊松强度估计在医学成像、天体物理学和网络流量分析等应用中是一项重要的任务。新的方法使完整的后验推断的强度在非参数回归设置。新方案的性能证明通过模拟研究的合成和真实数据集高达五个维度，并与替代方法的新方案进行了比较。
2022-11-12 cs.LG math.ST stat.TH
Estimating Individual Treatment Effects using Non-Parametric Regression Models: a Review
University College London（伦敦大学学院）
在卫生、经济和社会科学等学科中，大量的观测数据越来越多，研究人员对因果问题而不是预测感兴趣。在本文中，我们研究的问题，估计异质性处理效应使用非参数回归为基础的方法，从一个实证研究，旨在调查参与学校供餐计划对健康指标的影响。首先，我们介绍了与观察或非完全随机化数据进行因果推断相关的设置和问题，以及如何在统计学习工具的帮助下解决这些问题。然后，我们回顾并开发了一个统一的分类现有的国家的最先进的框架，允许个人处理效应估计通过非参数回归模型。在简要概述了模型选择的问题后，我们说明了一些方法在三个不同的模拟研究中的性能。最后，我们通过对学校供餐计划数据的实证分析，展示了一些方法的使用。
2021-11-23 cs.LG stat.ME stat.ML
Estimating Causal Effects of Multi-Aspect Online Reviews with Multi-Modal Proxies
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
在线评论使消费者能够与公司互动并提供重要的反馈。由于高维文本的复杂性，这些评论通常被简化为单个数值分数，例如，评级或情感得分。这项工作从经验上研究了用户生成的在线评论在粒度级别上的因果影响：我们考虑了多个方面，例如，餐厅的食物和服务。了解消费者对不同方面的意见，有助于详细评估企业绩效，并有效地制定企业运营战略。具体来说，我们的目标是回答干预问题，如什么将餐厅的人气，如果质量w.r.t.它的方面服务增加了10%？用观察数据进行因果推断的定义性挑战是存在“混杂因素”，这可能无法观察或测量，例如，消费者对食品类型的偏好，使估计的效果有偏差和高方差。为了应对这一挑战，我们求助于多模式代理，例如消费者个人资料信息以及消费者与企业之间的互动。我们展示了如何有效地利用丰富的信息来识别和估计嵌入在在线评论中的多个方面的因果关系。对合成和真实世界数据的实证评估证实了所提出的方法的有效性，并阐明了可操作的见解。
2022-01-02 cs.AI cs.LG stat.ME
A review of some recent advances in causal inference
我们给出了一个有选择性的审查因果推断，为研究人员谁不熟悉图形模型和因果关系的一些最新进展，并侧重于适用于大数据集的方法。我们主要解决从观测数据估计因果效应的问题。例如，可以考虑从野生型基因表达数据，即从不进行任何基因敲除实验而获得的基因表达测量值，来估计单个或多个基因敲除的影响。我们假设观测数据是从一个因果结构中产生的，这个因果结构可以用一个有向无环图（DAG）来表示。首先，我们讨论了因果效应的估计时，潜在的因果DAG是已知的。然而，在大规模网络中，因果DAG通常是未知的。接下来，我们讨论因果结构学习，即从观察数据中学习有关因果结构的信息。然后，我们结合这两个部分，并讨论方法来估计（上界）的因果关系的因果结构是未知的时，从观测数据。我们还说明了这种方法上的酵母基因表达数据集。最后，我们提到几个扩展所讨论的工作。
2015-06-25 stat.ME
Estimating causal effects with optimization-based methods: A review and empirical comparison
HEC Montréal（蒙特利尔高等商学院）；Michigan State University（密歇根州立大学）；Harvard University（哈佛大学）；McGill University（麦吉尔大学）
在没有随机对照和自然实验的情况下，有必要平衡给药组和对照组（可观察）协变量的分布，以获得感兴趣的因果效应的无偏估计;否则，可能会估计不同的效应量，并可能给出不正确的建议。为了实现这种平衡，存在各种各样的方法。特别是，最近在因果推断文献中提出了几种基于优化模型的方法。虽然这些优化为基础的方法经验表明，改善了有限数量的其他因果推断方法在其相对能力，以平衡协变量的分布和估计因果关系的影响，他们还没有彻底比较彼此和其他值得注意的因果推断方法。此外，我们认为，存在几个未解决的机会，业务研究人员可以贡献他们的先进知识的优化，为应用研究人员的利益，使用因果推断工具。在这篇综述论文中，我们提出了一个概述的因果推断文献和更详细地描述了基于优化的因果推断方法，提供了一个比较分析的流行的基于优化的方法，并讨论新方法的机会。
2022-02-28 cs.AI cs.LG econ.EM
Estimating Subnational Under-Five Mortality Rates Using a Spatio-Temporal Age-Period-Cohort Model
本研究提出一种新颖的时空年龄-时期-队列贝叶斯层次模型，用于估计肯尼亚次国家级五岁以下儿童死亡率，并验证了队列效应的有用性。
2023-09-05 stat.AP stat.ME
Survey on Algorithms for multi-index models
Courant Institute of Mathematical Sciences（数学科学学院）；Center for Data Science, New York University（数据科学中心，纽约大学）；Department of Computer Science（计算机科学系）；Data Science Institute, Columbia University（数据科学学院，哥伦比亚大学）
该综述梳理多指标模型指标空间估计算法，聚焦高斯空间多项式时间高效算法的一致性假设与样本复杂度，指出其与信息论下界的差距，同时覆盖梯度张成非参数估计及梯度下降神经网络拟合两类算法。
2025-06-14 cs.LG stat.ME stat.ML
Estimating the size of a hidden finite set: large-sample behavior of estimators
一个有限集是“隐藏”的，如果它的元素是不能直接确定的，或者如果它的大小不能通过确定性查询确定。在公共卫生、流行病学、人口学、生态学和情报分析领域，研究人员已经开发了各种间接统计方法，根据不同的抽样和观察模型，用于估计隐藏集的大小。一些方法利用已知或可估计的抽样概率进行随机抽样，而另一些方法则对构成隐藏集合的元素之间的关系（例如排序或网络信息）进行结构性假设。在这篇综述中，我们描述了学习隐藏有限集的大小的模型和方法，特别注意估计量的渐近性质。我们研究了这些方法的性质下两个渐近制度，“填充”中的固定大小的样本的数量增加，但总体规模保持不变，和“溢出”中的样本量和总体规模一起增长。在这两种制度下的统计特性可能会有很大的不同。
2019-10-15 math.ST stat.AP stat.ME
