Model-based Inference for Rare and Clustered Populations from Adaptive Cluster Sampling using Auxiliary Variables
稀有种群,如濒危动植物、吸毒者和患有罕见疾病的个人,往往聚集在区域内。自适应整群抽样通常用于从聚集和稀疏的种群中获取信息,因为它增加了对感兴趣的个体进行观察的区域的调查工作。这项工作的目的是提出一个单元级的模型,假设计数相关的辅助变量,改善采样过程,分配不同的权重的细胞,除了参考他们的空间。该模型适合罕见的和分组的人口,在一个规则的网格,在贝叶斯框架。该方法相比,替代方法使用模拟数据和真实的实验中,自适应样本来自非洲水牛种群在东非24,108平方公里的地区。仿真研究表明,该模型是有效的,在几个设置下,验证了本文提出的方法,为实际情况。
2020-03-16 stat.ME
Raking-ratio empirical process with auxiliary information learning
耙比方法是一种统计和计算方法,它调整经验测量以匹配有限划分集合的真实概率。研究了当辅助信息由估计给出时,一类函数指标下的耙比经验过程的渐近性态。我们假设这些估计是从比统计员的样本更大的另一个样本中学习分区集的概率而得到的,就像两阶段抽样调查的情况一样。在一定的度量熵假设和信源样本大小的条件下,我们建立了该过程的强逼近,并证明了该过程的弱收敛性与经典的耙比经验过程相同.我们也给出了可能的统计应用这些结果,如加强的$Z$ -测试和卡方拟合优度测试。
2019-05-06 math.ST stat.TH
Inverse probability weighting for auxiliary variable dependent sampling in observational studies of Long COVID
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);University of Utah School of Medicine(犹他大学医学院)
针对长新冠观察性研究中辅助变量依赖抽样的偏差问题,结合RECOVER队列研究,提出用逆概率加权法处理该抽样设计以避免估计偏差。
2026-08-06 stat.AP stat.ME
Multiple Imputation for Nonignorable Item Nonresponse in Complex Surveys Using Auxiliary Margin
我们概述了一个框架的多重插补的不可重复的项目无应答时的边缘分布的一些变量的缺失值是已知的。特别是,我们的框架确保(i)考虑到利润率,完整的数据集会产生合理的基于设计的总数估计,并且(ii)完整的数据集保持插补模型中假设的变量之间的关联。要做到这一点,我们提出了一个添加剂nonresponse模型,加上一个拒绝抽样步骤。拒绝抽样步骤有利于完整的数据集,这些数据集可产生基于设计的估计值,在已知裕度的情况下,这些估计值是合理的。我们用分层抽样的模拟来说明这个框架。
2020-11-11 stat.ME
Efficient sampling for Gaussian linear regression with arbitrary priors
本文提出了一种适用于任意先验贝叶斯线性回归模型的切片抽样方法。新的采样器有两个优点,目前的方法。第一,如果回归变量的数量很大,它比许多依赖于辅助潜变量的自定义实现更快。第二,它可以与任何先验一起使用,其密度函数可以被评估为归一化常数,使其成为研究新收缩先验属性的理想选择,而无需开发自定义采样算法。新的采样器利用特殊结构的线性回归的可能性,使其能够产生更好的有效样本量每秒比常见的替代方法。
2018-06-14 stat.CO stat.ML
Auxiliary Particle filtering within adaptive Metropolis-Hastings Sampling
本文利用粒子滤波器计算的模拟似然值,对一般状态空间模型进行了贝叶斯推断。我们的经验表明,部分或完全适应粒子滤波器可以比标准粒子更有效,特别是当信号噪声比高。这一点尤其重要,因为在MCMC采样中使用粒子滤波器的时间复杂度为O(T^2),其中T是样本量。我们还表明,一个自适应的独立的建议的基础上的混合法线的未知参数可以比通常的最佳随机游动方法更有效,因为模拟的可能性是不连续的参数和成本相比,构建一个良好的自适应建议是可以忽略不计的成本评估模拟的可能性。独立的\MH方案也很有吸引力,因为它们易于在多个处理器上并行运行。文章还表明,建议的\aimh采样收敛到后验分布。我们还表明,任何状态空间模型的边际似然可以得到一个有效的和无偏的方式,通过使用\pf模型比较简单。使用其他方法通常很难获得边际可能性。最后,我们证明了辅助粒子滤波器得到的模拟似然是无偏的。这个结果是使用粒子进行MCMC采样的基础,并且由Del Moral(2004)在更抽象和困难的环境中首次获得。然而,我们的证明是直接的,并将使读者可以访问的结果。
2010-06-09 stat.ME
A cautionary note on the Hanurav-Vijayan sampling algorithm
我们考虑Hanurav-Vijayan抽样设计,这是SAS软件的SURVEYSELECT程序中编程的默认方法。我们证明了它是等效的Sunter程序,但能够处理任何一组包含概率。我们证明了Horvitz-Thompson估计量在这种抽样设计下不是一般一致的。提出了一个条件Horvitz-Thompson估计,并在一阶包含概率的非标准假设下证明了它的相合性.由于这一假设在实践中似乎难以控制,我们建议不要使用Hanurav-Vijayan抽样设计。
2021-03-10 stat.ME
A note on auxiliary mixture sampling for Bayesian Poisson models
University of Bologna(博洛尼亚大学)
本文提出一种稳健的辅助混合采样算法,用于改进贝叶斯泊松模型中后验分布的采样效率,通过检测近似失败并引入Metropolis-Hastings步骤提升鲁棒性。
2025-02-07 stat.CO stat.ME
Conditional inference with a complex sampling: exact computations and Monte Carlo estimations
在调查统计学中,估计总体总数的常用技术包括对样本中各单位的适当加权变量值求和。存在不同的加权系统:例如,采样权重、GREG权重或校准权重。在这篇文章中,我们建议使用条件包含概率的倒数作为加权系统。我们研究的例子中,辅助信息,使执行后验分层的人口。我们表明,在这些情况下,条件权重的精确计算是可能的。当辅助信息包括在一个数量变量的所有单位的人口的知识,然后我们表明,条件权重可以通过蒙特卡罗模拟估计。该方法适用于离群值和层间跳跃调整。
2012-01-06 stat.ME
Mixture model fitting using conditional models and modal Gibbs sampling
Department of Mathematics, School of Industrial Engineering-Albacete(工业工程学院阿尔巴塞特分校数学系)
提出一种基于模态吉布斯采样的新算法,通过仅采样辅助变量来近似混合模型的后验分布,利用集成嵌套拉普拉斯近似计算密度参数的条件分布众数,降低计算负担并给出良好估计。
2026-06-18 stat.CO stat.ME
Calibration and partial calibration on principal components when the number of auxiliary variables is large
在调查抽样中,校准是一种非常流行的工具,用于使总估计量与已知的辅助变量总数一致,并减少方差。当辅助变量的数量很大时,对所有变量的校准可能导致其均方误差(MSE)大于Horvitz-Thompson估计器的MSE的总量估计器,即使该简单估计器不考虑可用的辅助信息。本文研究了一种新的技术基础上的降维,通过主成分,可以在这个大尺寸的上下文中是有用的。对第一主成分进行校准,第一主成分可以被视为包含辅助变量的变异性的最重要部分的合成变量。当一些辅助变量比其他变量起更重要的作用时,该方法可以适于提供对这些重要变量的精确校准。给出了允许变量个数随总体大小趋于无穷大的渐近性质。讨论了一种数据驱动的主成分个数选择准则,该准则保证所有的抽样权都为正。该文件的方法是说明,在一个多用途的背景下,通过应用程序的帮助下,包括过去的消费量每半小时在前一周的336个辅助变量,以估计一周中的每一天的用电量。
2015-12-14 stat.ME
An Approximate Bayesian Approach to Model-assisted Survey Estimation with Many Auxiliary Variables
复杂调查数据的模型辅助估计是调查抽样中一个重要的实际问题。当有许多辅助变量时,选择与研究变量相关的显著变量对于有效估计感兴趣的总体参数是必要的。在本文中,我们制定了一个正则化回归估计的贝叶斯推断的框架内使用的惩罚函数作为收缩前模型选择。所提出的贝叶斯方法使我们不仅能得到有效的点估计,而且能得到合理的可信区间。从两个有限的模拟研究结果,以方便与现有的频率论方法进行比较。
2020-03-31 stat.ME
A note on the consistency of the Narain-Horvitz-Thompson estimator
为了使Narain-Horvitz-Thompson估计量具有通常的渐近性质(例如一致性),需要对抽样设计和感兴趣的变量设定一些条件。Cardot等人(2010)给出了均方相合性的一些充分条件,但其中一个条件通常很难证明或对某些不等概率抽样设计不成立。我们提出了Narain-Horvitz-Thompson估计量均方一致性的替代条件。在鞅抽样算法的情况下,也证明了一个特殊的结果,这意味着在立方体方法的快速算法下的一致性。
2014-12-09 stat.ME
Distributionally balanced sampling designs
Swedish University of Agricultural Sciences(瑞典农业科学大学)
DBD通过优化圆形排序和随机选择连续块,实现样本分布与人口分布的匹配,提升有限样本中信息提取的可靠性。
2026-03-12 stat.ME
Intelligent n-Means Spatial Sampling
Kharazmi University(卡拉兹米大学);University of Tehran(德黑兰大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
该研究提出整合式空间采样框架,含新平移不变均匀性指数、辅助变量平衡聚类法、适配空间结构的智能高效图采样方案,在多场景下离散度表现优于同类设计,提升采样代表性与空间均匀性。
2025-10-28 stat.ME
Model-assisted estimation through random forests in finite population sampling
在调查中,人们的兴趣在于估计有限的人口参数,如人口总数和平均数。在大多数调查中,在估计阶段就有一些辅助信息。此信息可并入估计程序中以增加其精确度。在本文中,我们使用随机森林来估计调查变量和辅助变量之间的函数关系。近年来,随机森林已变得很有吸引力,因为国家统计局现在可以获得各种数据来源,有可能展示对大量变量的大量观测结果。我们建立了基于随机森林的模型辅助程序的理论性质,并推导出相应的方差估计。处理多个调查变量的模型校准程序也进行了讨论。模拟研究的结果表明,所提出的点和估计程序执行良好的偏差,效率和覆盖率的正常为基础的置信区间,在各种各样的设置。最后,我们应用所提出的方法使用的数据,由Médiamétrie,法国观众公司收集的电台观众。
2021-06-17 stat.ME
Calibration estimation in dual frame surveys
调查统计人员利用现有的辅助信息来改进估计数。一个重要的例子是校准估计,寻求新的权重接近(在某种意义上)的基本设计权重,并在同一时间,匹配基准约束的可用辅助信息。最近,多框架调查受到了广泛关注,统计机构和私营组织广泛使用这种调查,以降低抽样成本,或减少仅使用单一抽样框可能出现的框架覆盖不足错误。大量的注意力都集中在采用不同的方法来合并来自不同框架的估计数。我们将扩展的校准范例,迄今为止开发的一个框架调查,双框架调查作为一个通用工具,包括辅助信息,也可在不同的水平上的总的利益变量的估计。事实上,校准使我们能够处理不同类型的辅助信息,并可以被证明包括作为一个特殊的情况下,在文献中已经提出的一些方法。推导并讨论了所提出的估计类的理论性质,进行了一组模拟研究,以比较存在不同的辅助变量集的过程的效率。最后,所提出的方法适用于从文化的安达卢西亚调查的晴雨表的数据。
2014-05-22 stat.ME
Scalable Bayesian Multiple Changepoint Detection via Auxiliary Uniformization
通过在按时间顺序排列的观测值上附加辅助事件时间,将离散时间观测值的贝叶斯多变点问题转化为连续时间观测值的贝叶斯多变点问题。提出了一种前向滤波后向采样(FFBS)算法,用于模拟塌陷吉布斯抽样方案中的变点。理想情况下,FFBS算法的计算成本和内存成本都可以二次缩小到变化点的数量,而不是观察的数量,否则这对于长序列的观察是禁止的。新的公式允许在新数据到达时变点的数量无限地增加。此外,一个随时间变化的变点复发率在不同的部分被假定为特征的不同尺度的运行长度的变点。然后,我们提出了一个连续时间Viterbi算法获得的最大后验概率(MAP)估计的变化点。我们通过仿真研究和实际数据分析证明了该方法。
2020-06-28 stat.CO stat.ME
Note on Thompson sampling for large decision problems
越来越多的人对使用流数据来为各种应用领域的决策提供信息感兴趣,包括移动健康,食品安全,安全和资源管理。决策支持系统将在线决策形式化为从最新信息到推荐决策的映射。从流数据在线估计最优决策策略需要同时估计底层系统动态的组件以及给定这些动态的最优决策策略;因此,在选择导致改进估计的决策和选择基于当前估计似乎是最优的决策之间存在固有的权衡。汤普森(Thompson,1933)是第一个在为一系列患者选择两种治疗方法的背景下将这种权衡正式化的人之一;他提出了一种简单的启发式方法,即在每个时间点随机选择一种治疗方法,选择概率与其最优的后验概率成正比。我们认为汤普森采样的一个变种,是简单的实现,并可以应用于大型和复杂的决策问题。我们表明,建议汤普森抽样估计是一致的最佳决策支持系统,并提供收敛速度和有限样本误差界。所提出的算法说明了使用基于代理的模型的网络和管理的绿头鸭种群的流感传播。
2019-05-12 stat.ME
Optimum Allocation for Adaptive Multi-Wave Sampling in R: The R Package optimall
R包optimall提供了一系列函数,可以有效地简化从简单到复杂的调查中的抽样设计过程。该软件包的主要功能允许用户基于辅助协变量的值或分位数交互式地定义和调整分层切割点,使用Neyman或Wright分配自适应地计算分配给每个分层的最佳样本数,以及基于分层抽样设计选择特定的ID进行采样。使用现实生活中的流行病学研究的例子,我们展示了如何优化促进了一个有效的工作流程的设计和实施的调查在R。尽管针对两相或三相设计下的多波采样量身定制,但R包optimall可用于任何抽样调查。
2021-06-17 stat.ME
On Bayesian Curve Fitting Via Auxiliary Variables
本文重新讨论Smith和Kohn(1996)中提出的用于拟合节点数未知的P阶样条回归模型的辅助变量法。我们引入修改,允许节点的位置是随机的,我们进一步考虑扩展的方法来处理模型与非高斯误差。我们提供了一个新的算法,MCMC抽样这样的模型。模拟数据的例子是用来比较我们的方法与现有的性能。最后,我们与一些变点问题建立了联系,并展示了如何将它们重新参数化为变量选择设置。
2009-11-11 stat.CO stat.ME
Markov chain Monte Carlo without evaluating the target: an auxiliary variable approach
Rutgers University(罗格斯大学)
针对目标分布难以评估的采样问题,提出一种统一的辅助变量MCMC框架,利用估计梯度指导提议移动,显著提升性能。
2026-06-02 stat.CO stat.ME stat.ML
A note on the unique properties of the Kullback--Leibler divergence for sampling via gradient flows
ESOMAS, University of Turin, Italy & Collegio Carlo Alberto(ESOMAS,都灵大学,意大利 & 卡罗阿尔贝托学院)
针对从概率分布$π$中采样的问题,该研究证明在Bregman散度族中,Kullback-Leibler散度是唯一一种关于多种常用度量的梯度流无需知晓$π$归一化常数的散度,为采样优化提供了理论依据。
2025-07-06 cs.LG math.ST stat.CO
Principal Component Based Estimation of Finite Population Mean under Multicollinearity
Department of Statistics, Institute of Science, Banaras Hindu University(贝拿勒斯印度教大学科学研究所统计学系)
本文提出基于主成分分析的有限总体均值估计方法,以应对多重共线性问题,通过转换相关辅助变量为正交主成分,提升估计效率和稳定性。
2026-04-28 math.ST stat.ME stat.TH