Bayesian sample size determination in basket trials borrowing information between subsets
篮子试验越来越多地用于在一个总体方案下在不同患者亚组中同时评价新治疗。我们提出了一个贝叶斯方法来确定样本量篮试验，允许借用信息之间的相称子集。具体来说，我们考虑一个随机篮子试验设计，其中患者被随机分配到新的治疗或控制在每个试验子集（简称“子试验”）。推导出封闭形式的样本量公式，以确保每个子试验都有特定的机会通过一些临床相关差异正确决定新治疗是否优于或不优于对照。给定预先规定的成对（不）可检验性水平，同时求解子试验样本量。建议的贝叶斯方法类似于频率制定的问题，产生可比的样本量的情况下，没有借款。当在相当的子试验之间启用借用时，与广泛实施的无借用方法相比，需要的试验样本量要小得多。我们说明了我们的样本量公式的使用与两个例子的基础上真正的篮子试验。一个全面的仿真研究进一步表明，所提出的方法可以保持在理想的水平的真阳性率和假阳性率。
2022-05-24 stat.AP stat.ME
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。
2026-09-15 stat.ME
Frequentist-calibrated Bayesian group sequential design with dynamic borrowing
Sapienza University of Rome（罗马第一大学）；McGill University（麦吉尔大学）
该研究针对临床试验设计的监管要求，提出带动态借用的贝叶斯组序贯设计，利用贝叶斯与频率学派检验的对应关系，通过数值研究及结核病预防试验验证了其性能。
2026-08-03 stat.ME
Robust Bayesian Sequential Borrowing for Multi-Population Clinical Programmes
Faculty of Informatics and Data Science, University of Regensburg（雷根斯堡大学信息科学与数据科学学院）
本文提出鲁棒贝叶斯序列借用框架，用于在多人群临床试验中跨相邻亚组推断证据，通过稳健混合先验结合信息性成分和单位信息成分，避免先验数据冲突，提升异质性下的动态衰减效果。
2026-04-24 stat.ME
Bayesian Design and Analysis of Precision Trials with Partial Borrowing
McGill University（麦吉尔大学）；Kyoto University（京都大学）
本文提出了一种基于部分借鉴的贝叶斯方法，用于精准医学中临床试验的设计与分析，通过个体加权模型和动态借鉴比较，提高亚组效应估计的准确性。
2026-03-11 stat.AP stat.ME
A Bayesian Bootstrap Approach for Dynamic Borrowing for Minimizing Mean Squared Error
本文提出一种基于贝叶斯自助法的动态借用方法，通过简化minMSE规则估计借用数量，在控制偏倚的同时实现高效推断，并用模拟和AML试验实例验证其性质。
2024-07-31 stat.AP stat.ME
A flexible Bayesian framework for individualized inference via adaptive borrowing
健康领域高分辨率数据采集技术的爆炸式增长增加了人们对推断个人水平参数的兴趣。虽然技术可以提供关于单个个体的大量数据，但如何最好地使用多个群体数据来改善个性化推理仍然是一个开放的研究问题。一种可能的方法，多源交换模型（MEM），是一种贝叶斯方法，用于将补充来源的数据整合到主要来源的分析中。MEM最初是为了通过从一组类似的先前研究中不对称地借用信息来改善单个研究的推断而开发的，并且进一步开发以在篮子试验的背景下应用计算更密集的对称借用;然而，即使对于非对称借款，其计算负担也随着补充来源的数量呈指数增长，使得其不适合于其中有数百或数千个补充源（即，个体）可以有助于对给定个体的推断。在本文中，我们提出了数据驱动的MEM（dMEM），一个两阶段的方法，包括源选择和聚类，使包括任意数量的源有助于个性化的推理在计算上易于处理和数据高效的方式。我们说明了应用dMEM个人层面的人类行为和心理健康数据收集通过智能手机，我们的方法增加了个人层面的估计精度84%相比，标准的无借款方法，并优于最近提出的竞争方法在80%的个人。
2021-12-14 stat.ME
A Bayesian Hybrid Design with Borrowing from Historical Study
针对早期联合疗法研发中非对照单臂试验决策难的问题，提出含三个控制组件的贝叶斯动态功率先验混合设计，借用历史单药试验数据提升效能，后验有解析形式且计算高效，经模拟和案例验证有效。
2025-02-21 stat.AP stat.ME
Qualify-Then-Borrow: A Five-Step Framework for Bayesian Borrowing Beyond Outcome Agreement
St. Jude Children's Research Hospital（圣裘德儿童研究医院）
QTB提出五步决策框架，通过科学来源评估决定外部数据是否借用、修复或排除，再以动态借用处理残差兼容性，避免仅依赖结果一致性导致的错误借用。
2026-09-22 stat.ME
Nonparametric priors with full-range borrowing of information
Bocconi Institute for Data Science and Analytics (BIDSA), Bocconi University（博科尼大学数据科学与分析研究所（BIDSA））
本文提出了一种新的非参数先验方法，能够处理任意符号的相关性，提升信息借用的灵活性和预测能力。
2023-10-01 math.PR math.ST stat.ME
A Bayesian Basket Trial Design Using Local Power Prior
提出3分量局部幂先验框架，通过动态信息借用解决篮子试验设计中的功效与第一类错误平衡问题，提供闭式解大幅降低计算时间。
2025-07-16 stat.AP
Modeling bounded well-being indices using Bayesian double generalized beta regression with spatial and temporal borrowing
Boston University School of Public Health（波士顿大学公共卫生学院）
提出贝叶斯双广义贝塔回归框架，利用空间和时间借力建模受限个体幸福感指数，提升稀疏数据区域估计精度，发现收入、教育和婚姻状况与幸福感最相关。
2026-09-23 stat.AP stat.ME
Information borrowing in Bayesian clinical trials: choice of tuning parameters for the robust mixture prior
针对贝叶斯临床试验中稳健混合先验的调优参数选择难题，本文通过正态终点单臂与混合对照试验的案例分析，明确四个参数对试验运行特征的影响规律，并给出参数选择与评估建议。
2025-11-14 stat.ME
A Bayesian Phase I/II basket design with robust information borrowing to identify subtrial-specific optimal biological doses
University of Bath（巴斯大学）；MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计单元）
提出DF-EXNEX设计，通过扩展EXNEX混合先验实现稳健信息借用，在篮子试验中为每个子试验选择最佳生物剂量（OBD），提高正确选择率并减少过度毒性推荐。
2026-06-23 stat.AP
Nonparametric Bayesian approach for dynamic borrowing of historical control data
本文提出非参数贝叶斯动态借用历史对照数据的方法，基于依赖狄利克雷过程混合模型，并开发相似性指数，在异质历史对照下优于现有方法。
2024-11-18 stat.ME
A Practical Framework for Sensitivity Analysis in Externally Controlled Trials: An Illustration with a Bayesian Hybrid Evidence Synthesis Case Study
AbbVie（艾伯维）
针对外部对照试验中借用假设的敏感性分析缺乏结构化模板的问题，提出一个三支柱框架，包含八种模块化分析，并通过模拟数据示例展示其应用。
2026-06-29 stat.AP stat.ME
Bayesian Variable Selection on Small Sample Trial Data via Adaptive Posterior-Informed Shrinkage Prior
针对小样本临床试验（如CGT、超罕见病领域）的变量选择需求，提出自适应后验信息收缩先验（APSP）贝叶斯方法，通过自适应借用外部信息提升效率并保持稳健性，模拟及CIT研究应用验证其优于传统方法。
2025-11-17 stat.ME
Optimal Biological Dose Combination Finding: A Design Roadmap and Robust Cross-Indication Bayesian Borrowing
Population Health Sciences Institute, Newcastle University（纽卡斯尔大学人口健康科学研究所）；Quantitative Science and Evidence Generation, Astellas Pharma Global Development Inc.（安斯泰来全球开发公司定量科学与证据生成部）
针对联合肿瘤学试验中的最优生物学剂量组合发现，提出设计分类路线图及稳健的跨适应症贝叶斯借用方法，并通过模拟和案例验证其有效性。
2026-09-22 stat.AP stat.ME
On the interplay between prior weight and variance of the robustification component in Robust Mixture Prior Bayesian Dynamic Borrowing approach
Polytechnic University of Turin（都灵理工大学）；MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单元）
本文研究稳健混合先验方法中先验权重与稳健化成分方差的联合选择对后验推断、I类错误控制和稳健性的影响，并提出一种新的超参数启发式方法。
2026-03-17 stat.ME
Prior Effective Sample Size When Borrowing on the Treatment Effect Scale
本研究扩展了ELIR先验有效样本量定义，用于在治疗效果尺度上借用外部信息时计算先验ESS，并推导了多种端点与效果度量的公式，考察了后验分布与预测一致性，提供了R实现。
2024-04-20 stat.ME
BUPD: A Bayesian under-parameterized basket design with the unit information prior in oncology trials
针对篮子试验中跨癌症类型信息借用的异质性，提出仅用一个或两个预指定参数的贝叶斯欠参数化设计（BUPD），控制I型错误率与效力，优于五种现有方法。
2024-12-15 stat.ME
Bayesian local exchangeability design for phase II basket trials
我们提出了一个信息借用策略的设计和监测的II期篮子试验的基础上，当地的multisbranch之间的交换假设篮子（疾病类型）。在我们提出的本地MEM框架中，信息借用只允许在本地发生，即，在具有相似响应率的篮子之间，信息借用量由响应率的相似程度决定，而不被视为相似的篮子不允许共享信息。我们构建了一个两阶段的设计，第二阶段篮试验使用所提出的策略。所提出的方法相比，竞争贝叶斯方法和西蒙的两阶段设计在各种模拟场景。我们证明了所提出的方法是能够保持家庭明智的第一类错误率在一个合理的水平，并具有理想的篮子明智的权力相比，西蒙的两阶段设计。此外，我们的方法是计算效率相比，现有的贝叶斯方法的后验配置文件的利益，可以明确地得出，而不需要采样算法。
2022-07-12 stat.AP stat.ME
Robust incorporation of historical information with known type I error rate inflation
贝叶斯临床试验可以受益于现有的历史信息，通过启发的信息先验分布。然而，人们往往会担心先验数据冲突的可能性以及贝叶斯检验决策对频率论操作特性的影响，特别是要注意第一类错误率的通货膨胀。这促使有原则的借用机制的发展，在频率论和贝叶斯决策之间取得平衡。理想情况下，分配给历史信息的信任定义了人们愿意牺牲的对先前数据冲突的鲁棒性程度。然而，当明确考虑第一类错误率的膨胀时，这种关系往往不能直接获得。我们建立在现有的文献相关的频率论和贝叶斯检验决策，并调查通货膨胀的第一类错误率明确和线性相关的借款金额和金额的第一类错误率通货膨胀的单臂研究的理由。此外，提出了一种新的动态借用机制，适合于假设检验。我们表明，虽然动态借款防止获得一个简单的封闭形式的第一类错误率计算的可能性，一个明确的上限仍然可以强制执行。与强大的混合物之前的方法，特别是在有关的混合物的重量和强大的组件的选择，连接。进行模拟以显示该方法对于正态和二项式结果的特性。
2022-11-30 stat.ME
Borrowing of information across patient subgroups in a basket trial based on distributional discrepancy
篮式试验已成为肿瘤学中同时在多个患者亚组中评价新治疗的一类新的有效方法。在本文中，我们将关键思想扩展到肿瘤学以外的疾病领域，为具有连续终点的随机、安慰剂对照篮式试验开发了一种稳健的贝叶斯方法，以便能够在具有相似处理效应的子试验之间借用信息。在调整协变量后，来自补充子试验的信息可以表示为支持所考虑的子试验的参数的相称先验。我们建议使用分布的差异来验证子试验之间的可验证性，以便通过穗板先验（放置在先验精度因子上）适当地借用信息。当篮子试验至少有三个子试验，相称的点对点借款的先验组合成一个边际预测先验，根据从成对差异措施转换的权重。通过这种方式，仅利用来自具有最相称处理效应的子试验的信息。通过当代子试验数据将边缘预测先验更新为稳健后验，以告知决策。所提出的方法的操作特性进行评估，通过模拟的动机在慢性疾病的一个真正的篮子试验。与其他选定的贝叶斯分析模型相比，所提出的方法具有优势，用于（i）识别最相称的信息来源，以及（ii）衡量从特定子试验中借用的程度。数值结果还表明，我们的方法可以提高估计的精度，并可能提高假设检验的统计功效。
2020-05-08 stat.AP stat.ME
Estimation of COVID-19 spread curves integrating global data and borrowing information
目前，2019新型冠状病毒病（COVID-19）是对全球健康的重大威胁。病毒的迅速传播造成了大流行，世界各国都在努力应对COVID-19感染病例的激增。美国食品和药物管理局（FDA）没有批准任何药物或其他疗法来预防或治疗COVID-19：即使存在，有关这种疾病的信息也非常有限和分散。这促使人们使用数据集成，将来自不同来源的数据结合起来，并通过统一的视图获取有用的信息。在本文中，我们提出了一个贝叶斯分层模型，它集成了全球数据，用于实时预测多个国家的感染轨迹。由于该模型利用了多个国家的借款信息，因此其性能优于现有的基于单个国家的模型。由于采用了完全贝叶斯方法，该模型提供了一个强大的预测工具，赋予不确定性量化。此外，联合变量选择技术已被整合到拟议的建模方案中，旨在确定COVID-19导致严重疾病的可能国家级风险因素。
2020-07-10 stat.AP stat.ME
Comparing Bayesian Dynamic Borrowing and Synthetic Control Methods: Apples to Oranges?
本研究比较了贝叶斯动态借用与合成控制方法在儿童异位性皮炎中的性能，发现合成控制方法在统计功效上略优，但I型错误率相近，选择方法需根据具体需求而定。
2026-09-11 stat.ME
Borrowing strength between unaligned binary time-series via Bayesian nonparametric rescaling of Unified Skewed Normal priors
针对未对齐纵向二元数据，提出基于Pitman-Yor先验与SUN二元状态空间模型的贝叶斯半参数方法，以在保留个体异质性的同时跨患者借用信息。
2025-05-10 stat.AP stat.ME
Standardized Dynamic Borrowing: Uniform Control of Information Borrowing
Division of Biometrics IX, FDA/CDER/OTS/OB, Maryland, USA（美国食品药品监督管理局药物评价与研究中心办公室生物统计第九处）
提出标准化动态借用（SDB）方法，通过标准化贝叶斯因子统一控制信息借用，提供可解释的借用约束，并支持功效和I类错误校准。
2026-10-02 stat.ME
NP-LEAP: Nonparametric Latent Exchangeability Prior for Model-Lean Borrowing from Historical Data
Quantitative Sciences Innovation GSK（GSK 定量科学创新中心）；Department of Mathematics Statistics University of New Mexico（新墨西哥大学数学统计系）
针对贝叶斯动态借用依赖参数化结局模型易误设的问题，提出NP-LEAP非参数潜在可交换先验框架，可进行个体层面可交换性评估，经模拟和实际案例验证其性能优于相关方法。
2026-08-18 stat.AP stat.ME
Amortized Data Borrowing with Exchangeability-Aware Neural Posterior Estimation
Auburn University（奥本大学）
本研究提出摊销式神经后验估计（NPE）作为贝叶斯动态借用的灵活替代方案，通过预训练网络实现快速后验推断，在结局漂移下显著降低偏差并加速计算，并在ADNI数据上验证了有效性。
2026-10-01 cs.LG stat.ML
Identifying Treatment Effect Heterogeneity with Bayesian Hierarchical Adjustable Random Partition in Adaptive Enrichment Trials
McGill University（麦吉尔大学）；Concordia University（康科迪亚大学）
本文提出BHARP模型，通过贝叶斯分层可调随机分区方法识别治疗效应异质性，提升临床试验中亚组反应估计的准确性和精度。
2026-03-04 stat.AP stat.ME
Information Borrowing in Regression Models
模型开发通常需要考虑数据结构、主题因素、模型假设和拟合优度。要诊断这些因素中的任何一个的问题，在更细粒度的级别上理解回归模型估计值可能会有所帮助。我们提出了一种新的方法分解点估计从回归模型通过放置在数据集群的权重。权重仅由模型规格和数据可用性提供，因此可用于将数据不平衡和模型假设的影响与实际模型估计值明确联系起来。在现有文献中，在线性模型中，权重矩阵被理解为帽子矩阵。我们将其扩展到贝叶斯分层回归模型，通过随机效应之间的协方差，将先验信息和复杂的依赖结构。我们表明，模型的权重，我们称之为借款因素，概括收缩和信息借用所有回归模型。相比之下，帽子矩阵的重点主要放在表示杠杆金额的对角元素上。我们还提供了汇总借款因素的指标，这些指标实际上很有用。我们提出的理论属性的借款因素和相关的指标，并证明他们的用法在两个例子。通过明确量化借用和收缩，研究人员可以更好地整合领域知识，评估模型性能和数据属性（如数据不平衡或影响点）的影响。
2022-01-09 stat.ME
A Bayesian hierarchical meta-analytic method for modelling surrogate relationships that vary across treatment classes using aggregate data
替代终点在药物开发中发挥重要作用，因为它们可用于与最终临床结局相比早期测量处理效应，并预测临床获益或危害。通过使用荟萃分析方法研究替代物上的处理效应与最终结局之间的替代关系，评估这些终点的临床获益预测值。当替代关系在治疗类别之间变化时，由于每个治疗类别内的数据有限，这种验证可能会失败。在本文中，两种替代贝叶斯元分析方法介绍了允许从其他治疗类的信息借用时，探索代孕在一个特定的类。第一种方法将替代终点评价的标准模型扩展为分层荟萃分析模型，假设所有治疗类别之间的替代关系完全交换，从而促进跨类别信息的借用。第二种方法是能够放宽这一假设，允许部分交换的替代关系的治疗类，以避免过度借用的信息，从明显不同的类。我们进行了一项模拟研究，以评估所提出的方法在九个数据的情况下，并比较它们与亚组分析使用的标准模型在每个治疗类。我们还将该方法应用于结直肠癌的说明性例子，从而获得更高精度的替代关系的参数描述。
2019-09-04 stat.AP stat.ME
Bayesian hierarchical modeling of simply connected 2D shapes
包含在图像内的形状的分布的模型可以广泛地用于生物医学应用中，从用于靶向放射治疗的肿瘤跟踪到对血液样本中的细胞进行分类。我们的重点是简单连接的2D闭合曲线的形状和大小的分层概率模型，避免了通过对整个曲线进行建模来指定地标的需要，同时借用相关对象的曲线信息。流行的方法在提供曲线和/或标志位置的初始点估计方面遵循根本不同的策略，然后将其馈送到随后的统计分析中。这种两阶段方法忽略了第一阶段的不确定性，并且不允许在估计对象形状和大小时跨对象借用信息。我们的完全贝叶斯分层模型是基于循环基表征的线性组合内的多尺度变形，这有利于自动对齐不同的曲线占不确定性。表征是高度灵活的，在表示2D封闭曲线，导致一个非参数贝叶斯先验与大的支持。有效的马尔可夫链蒙特卡罗方法被开发用于同时分析多个对象。通过模拟实例和酵母细胞成像数据的方法进行评估。
2012-01-08 stat.ME
Functional regression approximate Bayesian computation for Gaussian process density estimation
我们提出了一种新的贝叶斯非参数方法的分层建模的一组相关的密度函数，其中分组数据的形式，从每个密度函数的样本是可用的。在这方面，在各群体之间借用力量是一项重大挑战。为了解决这个问题，我们引入了一个分层结构的先验，定义在一组单变量密度函数，使用方便的高斯过程的变换。推理是通过近似贝叶斯计算（ABC），通过一种新的功能回归调整。所提出的方法的性能说明通过模拟研究和分析农村高中考试在巴西的表现。
2014-10-30 stat.CO
Efficient Prior Sensitivity and Tipping-point Analysis for Medical Research: Revisiting Sampling Importance Resampling
Tokyo University of Science（东京科学大学）；Keio University（庆应义塾大学）
研究医学研究中先验分布敏感性分析计算成本高的问题，采用重要性重采样（SIR）方法，通过两个案例研究表明，SIR能显著减少计算时间，且产生与MCMC重新拟合相似的后验摘要。
2026-07-21 stat.CO stat.ME
Bayesian hierarchical modeling for temperature reconstruction from geothermal data
提出了一种利用钻孔温度剖面重建古气候的贝叶斯分层建模方法。该方法依赖于通过具有阶跃函数和表面边界条件的热方程来模拟固体中的热传导。我们的分析包括模型误差，并假设边界条件是随机过程。该公式还能够分离测量误差和模型误差。我们将分析应用于犹他州圣拉斐尔地区的9个钻孔温度记录的数据。我们产生地表温度的历史与不确定性估计在过去的400年。我们特别注意使用的先验参数模型，说明借款强度的综合分析，所有九个钻孔。此外，我们回顾了选定的敏感性分析。
2011-07-25 stat.AP
Hierarchical Bayesian Bootstrap for Heterogeneous Treatment Effect Estimation
因果推断的一个主要焦点是估计异质性平均处理效应（HTE）-另一个关注变量（如生物标志物水平、教育或年龄分层）分层内的平均处理效应。推断涉及估计特定于层的回归，并将其整合到该层中混杂因素的分布上-这本身必须被估计。标准实践涉及独立估计这些层特异性混杂因素分布（例如，通过经验分布或Rubin的贝叶斯自助法），这对于具有很少观察到的混杂因素向量的稀疏人口层来说是有问题的。在本文中，我们开发了一个非参数的分层贝叶斯自助（HBB）先验的分层特定的混杂分布的HTE估计。HBB部分地汇集了特定于层的分布，从而允许在稀疏性是一个问题时跨层原则性地借用混淆信息。我们发现，在HBB下的后验推理可以产生效率增益超过标准的边缘化方法，同时避免强参数假设的混杂分布。我们使用我们的方法来评估质子与光子放化疗在各种癌症类型中的不良事件风险。
2023-01-04 stat.ME
Limiting the Shrinkage for the Exceptional by Objective Robust Bayesian Analysis: the `Clemente Problem'
针对统计学中的克莱门特问题（借强度分析中异常案例的处理难题），提出采用重尾先验的稳健贝叶斯方法，可复现两类经典估计量，经验贝叶斯与全贝叶斯方法均能缓解该问题且平方误差优于James-Stein估计量。
2025-06-11 stat.ME
Bayesian Time-Varying Meta-Analysis via Hierarchical Mean-Variance Random-effects Models
NTT DOCOMO, INC.（NTT DOCOMO公司）；Graduate School of Economics, Keio University（庆应义塾大学经济学研究科）；Faculty of Economics, Keio University（庆应义塾大学经济学部）
本文提出基于分层均方随机效应模型的贝叶斯时间变化元分析方法，通过高斯过程建模时间效应，实现对实验均值的高精度估计。
2026-01-16 stat.ME
Optimal Bayesian Smoothing of Functional Observations over a Large Graph
在现代环境中，某些类型的数据是以高分辨率观察的，基本上是连续的。这样的数据单元最好描述为在函数空间中取值。携带观察结果的主题单元可能在它们之间具有内在关系，并且最好由大型图的节点来描述。通常认为这些函数观测中的潜在信号在图上平滑地变化是明智的，因为相邻节点具有相似的潜在信号。这种定性信息允许在相邻节点上借用强度，从而导致更准确的推断。在本文中，我们考虑一个模型与高斯函数的观察，并采用贝叶斯方法来平滑的节点图。我们的特点是极大极小估计率的规律性的信号和它们的变化跨节点量化的图形拉普拉斯算子。我们表明，一个适当的前构造的图形拉普拉斯算子可以达到极大极小界，而使用的混合物前，极大极小率的对数因子可以同时达到所有可能的值的功能和图形的光滑。我们还表明，在固定的平滑设置，一个最佳大小的可信区域具有任意高的频率覆盖。仿真实验表明，该方法的性能优于潜在的竞争方法，如随机森林。该方法也适用于在美国北卡罗来纳州的几个气象站测量的每日温度的数据集。
2021-07-19 math.ST stat.ME stat.TH
Bayesian hierarchical modelling of sparse count processes in retail analytics
零售分析领域已经被丰富数据的可用性所改变，这些数据可用于执行需求预测和库存管理等任务。然而，事实证明，一项更具挑战性的任务是预测对销售量很少的产品的需求。结果数据的稀疏性限制了传统分析的部署程度。为了解决这一问题，我们将销售数据表示为结构化的稀疏多变量点过程，该过程允许已知存在于稀疏销售数据中的自相关、互相关和时间聚类等特征。我们引入贝叶斯点过程模型来捕捉这些现象，其中包括一个障碍组件，以应付稀疏性和一个令人兴奋的组件，以应付时间内和跨产品的聚类。然后，我们将此模型转换为贝叶斯分层框架，以允许跨不同产品借用信息，这是解决每个产品数据稀疏性的关键。我们使用真实的销售数据进行了详细的分析，表明该模型在预测能力方面优于现有方法，并讨论了对推断的解释。
2018-05-15 stat.AP
Flexible clustering via hidden hierarchical Dirichlet priors
贝叶斯推理方法的突出之处在于，它自然地允许跨异质群体借用信息，不同的样本可能共享相同的分布。一个流行的贝叶斯非参数模型聚类概率分布是嵌套狄利克雷过程，然而，它有一个缺点，分组分布在一个单一的集群时，观察到的领带跨样本。为了实现一个灵活和有效的聚类方法的样本和观察的目标，我们调查了一个非参数先验，出现作为两个不同的离散随机结构的组成，并推导出一个封闭形式的表达式的诱导分布的随机分区，基本工具调节模型的聚类行为。一方面，这允许更深入地了解模型的理论特性，另一方面，它产生用于评估感兴趣的贝叶斯推断的MCMC算法。此外，我们挑出这种算法的局限性时，与两个以上的人口，因此，设计一种替代更有效的抽样方案，作为一个副产品，允许测试不同人群之间的同质性。最后，我们进行了比较与嵌套狄利克雷过程，并提供说明性的例子，合成和真实的数据。
2022-01-18 math.ST stat.ME stat.TH
Modular Bayes screening for high-dimensional predictors
在许多应用领域中，随着多维预测因子的常规收集，快速识别有希望的预测因子的小子集的筛选方法已经变得司空见惯。我们提出了一种新的模数贝叶斯筛选（MOBS）方法，其中涉及几个新的特点，可能会导致性能的提高。MOBS首先将贝叶斯混合模型应用于响应的边缘分布，获得混合权重的后验样本、集群特定参数和每个主题的集群分配。然后引入假设检验，对应于是否包括给定的预测因子，每个假设的后验概率可有条件地分析在第一阶段中采样的未知数，并调整控制跨测试的信息借用的参数。通过对第一阶段后验样本进行边缘化，我们避免了两阶段方法中典型的不确定性估计不足。通过使用{ \em模块化}，我们大大简化了模型规范，降低了计算复杂度。我们为这种方法提供了基本的理论支持，并说明了在模拟研究中相对于竞争对手的出色性能，以及捕捉复杂变化的能力，超越了简单的差异。该方法说明了基因组学的应用程序，通过使用一个非常高维的顺式eQTL数据集，约38万个SNP。
2017-03-29 stat.ME
An Empirical Bayes Regression for Multi-tissue eQTL Data Analysis
基因型-组织表达（GTEx）项目从多个人体组织中收集样本，以研究遗传变异或单核苷酸多态性（SNP）与每个组织中基因表达之间的关系。然而，大多数现有的eQTL分析仅关注单个组织信息。在本文中，我们开发了一个多组织eQTL分析，提高了单组织cis-SNP基因表达的关联分析，借用跨组织的信息。具体来说，我们提出了一个经验贝叶斯回归模型，SNP表达关联分析，使用跨多个组织的数据。为了允许SNP的影响在组织之间变化很大，我们使用混合分布作为先验，这是多变量高斯分布和狄拉克质量为零的混合。该模型允许我们通过计算贝叶斯因子来评估每个组织中的顺式SNP基因表达关联。我们表明，所提出的估计的顺式SNP对基因表达的影响达到最小的贝叶斯风险之间的所有估计。GTEx数据的分析表明，我们提出的方法是优于传统的简单回归方法的预测精度的基因表达水平使用顺式SNPs在测试数据集。此外，我们发现，虽然基因对表达的影响在组织间广泛共享，但影响大小在组织间仍有很大差异。
2022-11-25 stat.AP stat.ME
Bayesian Nonparameteric Multiresolution Estimation for the American Community Survey
贝叶斯分层方法实现小面积估计的重点是减少噪声变化，在政府公布的官方统计数据之间的依赖响应值借用信息。即使是最灵活的模型，也会将最精细尺度下定义的参数限制在一对一结构中与每个数据观测相关联。我们提出了一个贝叶斯多分辨率公式，利用在空间和时间的各种粗尺度的观测集合，添加嵌套的参数，我们定义在一个更细的尺度，作为我们的重点估计。我们的建设是出于和应用于估计$1-$年期间的就业水平，按县索引，从公布的统计数据，在粗糙的区域域和多年的间隔在美国社区调查（ACS）。我们构建了一个非参数混合高斯过程作为一组回归系数的县索引的潜在功能在多个调查年的先验。我们评估了一个修改后的狄利克雷过程之前，将县一年的预测作为混合措施。潜在函数的每个县年参数是从它所链接的空间和时间中的多个粗尺度观测估计的。多分辨率配方的合成数据进行评估，并施加到ACS。
2015-08-03 stat.ME
A joint Bayesian hierarchical model for estimating SARS-CoV-2 diagnostic and subgenomic RNA viral dynamics and seroconversion
提出一种联合贝叶斯层次模型，同时估计SARS-CoV-2诊断性RNA和sgRNA病毒载量及血清转化动态，并利用交叉验证证明其可推算缺失的sgRNA轨迹。
2023-01-09 q-bio.BM stat.AP stat.ME
Robust Hierarchical Bayes Small Area Estimation for Nested Error Regression Model
许多国家的国家统计机构现在被授权为按地理和（或）人口划分的小区域编制人口、收入、失业、健康结果等重要变量的可靠统计数据。由于这些地区的样本量较小，直接基于样本的估计往往不可靠。基于模型的小面积估计现在被广泛用于通过适当的模型从其他地区和相关变量“借用力量”来生成可靠的统计数据。离群值对基于标准模型的小面积估计值产生不利影响。为了处理离群值，Sinha和Rao（2009）提出了一种鲁棒的频率论方法。在这篇文章中，我们提出了一个强大的贝叶斯替代嵌套误差回归模型的单位级数据，以减少离群值。我们考虑了一个两个组件的混合比例的正态分布的单位水平的误差模型离群值，并提出了一种计算方法，以产生贝叶斯预测的小面积平均值下的非信息先验模型参数。一个真实的例子和广泛的模拟令人信服地表明我们的贝叶斯预测离群值的鲁棒性。模拟比较这两种方法与Datta和Ghosh（1991）的贝叶斯预测和Chambers等人（2014）的M分位数估计的结果表明，当存在离群值时，我们提出的方法在偏倚，变异性和预测区间的覆盖概率方面优于其他方法。优越的频率性能，我们的程序显示其双重（贝叶斯和频率）的优势，并使其吸引力的所有从业者，贝叶斯和频率，小面积估计。
2018-10-24 stat.AP stat.ME
Discussion on "Principled type I error rate inflation in two-arm clinical trial designs with external control information borrowing" by Silvia Calderazzo, Manuel Wiesenfarth, Vivienn Weru, and Annette Kopp-Schneider
University Medical Center Göttingen（哥廷根大学医学中心）；Deartment of Medical Statistics（医学统计学系）
本文讨论Calderazzo等人关于贝叶斯借用外部对照数据的试验设计中I型错误率膨胀的论文，指出其条件化方案实际意义有限，并建议通过调整似然函数来应对假设违背问题。
2026-10-27 math.ST stat.ME stat.TH
Dirichlet moment tensors and the correspondence between admixture and mixture of product models
University of Chicago（芝加哥大学）；Duke University（杜克大学）；University of Michigan（密歇根大学）
本文通过动量张量分解，建立了admixture模型与product mixture模型的等价性，从而在更弱的条件下推导了两类模型的可识别性和后验收缩率。
2025-12-19 math.ST stat.TH
A Wasserstein index of dependence for random measures
本文开创性地利用Lévy测度间的最优传输距离，提出首个针对完全随机测度且考虑其无限维分布的[0,1]依赖性指数，揭示了模型深层结构并支持贝叶斯非参数模型的先验规范与公平比较。
2023-09-15 math.PR math.ST stat.TH
TraitLab: a Matlab package for fitting and simulating binary tree-like data
本文介绍 Matlab 软件包 TraitLab，它基于随机 Dollo 模型，利用 MCMC 对含灾变和借用机制的二元树状数据进行贝叶斯拟合、模拟与诊断分析。
2023-08-17 stat.CO
Hierarchical Bayesian analysis of somatic mutation data in cancer
确定癌症发生的基因对癌症生物学至关重要，对预防、诊断和治疗都有重要意义。癌症测序研究旨在发现特定类型癌症中具有高频率体细胞突变的基因，因为这些基因是癌症发展的潜在驱动因素（驱动因素）。我们引入了一种分层贝叶斯方法，从体细胞突变数据中估计基因特异性突变率和驱动概率，并阐明测序基因中驱动基因的总体比例。我们的方法适用于不同的试验设计在实践中使用，包括一阶段，两阶段和候选基因设计。此外，相对于单个突变的罕见性，样本量通常较小。通过收缩方法借用整个基因组的力量来评估单个基因，我们加强了推理，并解决了多阶段设计引起的选择效应。我们的模拟研究表明，后验驱动概率提供了一个几乎无偏的错误发现率估计。我们将我们的方法应用于胰腺癌和乳腺癌数据，将我们的结果与以前的估计进行对比，并提供这两种类型癌症的驱动因素的估计比例。
2013-12-06 stat.AP
Hierarchical Bayesian Calibration with Bayesian Committee Machine
Paul Scherrer Institut（保罗谢尔研究所）；ETH Zürich（苏黎世联邦理工学院）；Virginia Tech（弗吉尼亚理工大学）
针对粒子加速器实验的不确定性量化挑战，提出分层贝叶斯校准框架，结合贝叶斯委员会机实现高效计算，在基准问题和加速器模拟数据上验证了其计算节省与稳健校准性能。
2026-08-14 physics.data-an stat.CO
