Model-based bi-clustering using multivariate Poisson-lognormal with general block-diagonal covariance matrix and its applications
本文提出基于多元泊松-对数正态模型和块对角协方差矩阵的双聚类方法，支持列簇数跨组固定或变化，通过变分高斯近似估计参数，并在模拟数据和乳腺癌RNA测序数据上验证了准确性与计算效率。
2025-03-11 stat.AP stat.ME
A Sparse Factor Model for Clustering High-Dimensional Longitudinal Data
本文提出一种基于稀疏因子模型的贝叶斯非参数混合方法，通过在潜在因子层面进行聚类并利用Dirichlet过程先验估计簇数，有效解决了高维混合类型纵向数据的聚类难题。
2023-11-24 stat.AP stat.ME
Covariance pattern mixture models for the analysis of multivariate heterogeneous longitudinal data
我们提出了一种新的方法来建模多变量纵向数据在存在未观察到的异质性的健康和退休研究（HRS）数据的分析。我们的建议可以铸造的框架内的线性混合模型与离散的个人随机截距，然而，不同于标准配方，建议的协方差模式混合模型（CPMM）不需要通常的本地独立性假设。因此，该模型能够同时建模的异质性，响应和时间依赖结构之间的关联。我们专注于调查的时间模式相关的认知功能在退休的美国受访者。特别是，我们的目标是了解它是否会受到一些个人的社会经济特征，以及是否有可能确定一些同质群体的受访者，共享一个类似的认知概况。准确描述所发现的群体，使政府能够及时采取政策干预措施。结果确定三个同质集群的个人与特定的认知功能，符合类的协变量的条件分布。CPMM的灵活性允许根据组成员的不同，每个回归变量对响应的贡献不同。在这样做的过程中，被识别的群体得到了一个全球性的和准确的现象学特征。
2015-09-16 stat.AP stat.ME
A Latent Gaussian Mixture Model for Clustering Longitudinal Data
有限混合模型已经成为一种流行的聚类工具。在其他用途中，它们已被应用于聚类纵向数据和聚类高维数据。在后一种情况下，有时使用潜在高斯混合模型。虽然已经有大量的工作，聚类使用潜在变量和聚类纵向数据，分别，一直是一个缺乏的工作，结合这些功能。在扩展的混合公因子分析模型的基础上，提出了一种多时间点纵向数据聚类方法。期望最大化算法的一种变体用于参数估计，贝叶斯信息准则用于模型选择。使用真实和模拟数据的方法来说明。
2018-04-13 stat.ME stat.ML
A Bayesian approach for clustering skewed data using mixtures of multivariate normal-inverse Gaussian distributions
非高斯混合模型在基于混合模型的聚类中得到越来越多的关注，特别是在处理具有偏态和重尾等特征的数据时。在这里，这样的混合分布，基于多元正态逆高斯（MNIG）分布。对于混合模型的参数估计，采用基于Gibbs抽样的贝叶斯方法，提出了一种模拟单变量广义逆高斯随机变量和矩阵广义逆高斯随机矩阵的新方法.该算法将被应用到模拟和真实数据。通过仿真研究和实际数据分析，我们表明参数恢复，我们的方法提供了竞争力的聚类结果相比，其他聚类方法。
2020-05-06 stat.CO
Multivariate Functional Data Modeling with Time-varying Clustering
We consider the situation where multivariate functional data has been collected over time at each of a set of sites. Our illustrative setting is bivariate, monitoring ozone and PM $_{10}$ levels as a function of time over the course of a year at a set of monitoring sites. The data we work with is from 24 monitoring sites in Mexico City which record hourly ozone and PM $_{10}$ levels. We use the data for the year 2017. Hence, we have 48 functions to work with. Our objective is to implement model-based clustering of the functions across the sites. Using our example, such clustering can be consid…
2019-05-01 stat.ME
Multivariate longitudinal modeling of cross-sectional and lagged associations between a continuous time-varying endogenous covariate and a non-Gaussian outcome
Leiden University Medical Center（莱顿大学医学中心）
针对纵向研究中时变内生协变量违反GLMM假设、数据缺失及非同步测量等问题，本文扩展JMM与JSM两类多变量模型，结合INLA贝叶斯估计方法，实现可解释的协变量与非高斯结局间截面、滞后关联估计。
2025-11-14 stat.AP stat.ME
Model-based clustering of multivariate binary data with dimension reduction
最近，具有降维的聚类方法受到统计学的广泛关注，并且已经提出了许多同时执行聚类和降维的方法。这项工作提出了一种新的程序，同时确定最佳的聚类结构的多元二进制数据和子空间，以表示该聚类结构。该方法是基于多元伯努利分布的有限混合模型，并假设每个组件具有低维表示的集群结构。该方法可以被认为是传统的潜在类分析模型的扩展。稀疏性被引入到负载值中，从而产生低维子空间，以增强子空间的可解释性和更稳定的提取。一个基于EM算法的开发，以有效地解决所提出的优化问题。我们证明了所提出的方法的有效性，将其应用到模拟研究和真实数据集。
2014-06-14 stat.ME
Describing complex disease progression using joint latent class models for multivariate longitudinal markers and clinical endpoints
针对神经退行性疾病进展复杂、患者异质性强的问题，本研究提出联合潜在类别模型，结合多变量混合模型与比例风险模型，在法国MSA队列中识别出5种亚表型，为疾病病理研究与预后预测提供支持。
2023-01-31 stat.AP stat.ME
Finite Mixtures of Multivariate Poisson-Log Normal Factor Analyzers for Clustering Count Data
本文提出基于协方差约束的多元泊松-对数正态因子分析器混合模型，用于计数数据聚类，通过变分推断估计参数，在RNA测序数据上表现良好。
2023-11-13 stat.CO stat.ME stat.ML
Bayesian profile regression for clustering analysis involving a longitudinal response and explanatory variables
鉴定具有共同功能的共调控基因是现代基因组学的一个关键问题。贝叶斯轮廓回归是一种半监督混合建模方法，它利用响应来指导对相关聚类的推断。以前的应用程序的配置文件回归考虑了单变量连续，分类，计数的结果。在这项工作中，我们扩展贝叶斯轮廓回归的情况下，结果是纵向（或多变量连续），并提供PReMiuMlongi，更新版本的PReMiuM，R包配置文件回归。我们考虑多元正态和高斯过程回归响应模型，并提供了四个模拟研究的原则应用程序的证明。该模型适用于芽殖酵母的数据，以确定在酿酒酵母细胞周期的基因组共调节。我们确定了4个不同的基因组与特定模式的基因表达轨迹，随着绑定的转录因子，可能参与其共同调控过程。
2021-11-08 stat.AP stat.ME
A parallelizable model-based approach for marginal and multivariate clustering
University of Edinburgh（爱丁堡大学）；Universidad Torcuato Di Tella（托尔夸托·迪特拉大学）
本文开发了一种聚类方法，利用基于模型的聚类的坚固性，同时试图减轻它的一些陷阱。首先，我们注意到标准的基于模型的聚类可能会导致每个边缘的聚类数量相同，这对于各种数据集来说似乎是一个相当人为的假设。我们通过为每个保证金指定一个有限混合模型来解决这个问题，该模型允许每个保证金具有不同数量的聚类，然后使用我们称为Reign-and-Conquer的策略游戏启发算法对多变量数据进行聚类。其次，由于建议的聚类方法只指定一个模型的利润率-但离开联合未指定-它具有的优势是部分并行化，因此，所提出的方法是计算吸引力，以及更易于处理的中到高维比一个“完整的”（联合）基于模型的聚类方法。人工数据上的一组数值实验表明，所提出的方法在各种情况下的整体性能良好，并使用真实数据集来展示其在实践中的应用。
2022-12-07 cs.LG stat.ME stat.ML
Informed Asymmetric Dirichlet Priors for Multivariate Bernoulli Mixture Models
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；Brigham Young University（杨百翰大学）；University of Turin（都灵大学）
本文提出一种基于非对称狄利克雷先验的贝叶斯方法，用于高效且全面地对多变量二元数据进行聚类，通过Penalized Complexity先验框架设置超参数，提升模型性能和可解释性。
2026-04-23 stat.AP stat.ME
A Novel Multi-view Mixture Model Framework for Longitudinal Clustering with Application to ANCA-Associated Vasculitis
School of Computer Science and Statistics, Trinity College Dublin（都柏林三一学院计算机科学与统计学院）；ADAPT Center（ADAPT中心）；German Research Centre for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Trinity Kidney Centre, Trinity College Dublin（都柏林三一学院肾脏病中心）
本文提出一种多视图混合模型，整合静态基线协变量和纵向生物标志物轨迹，通过神经普通微分方程建模时间模式，利用EM算法和稀疏性诱导log惩罚进行训练，发现抗中性粒细胞胞浆抗体相关血管炎患者中的异质亚组。
2026-04-02 q-bio.QM stat.ME
Exponential Family Mixed Membership Models for Soft~Clustering of Multivariate Data
几年来，基于模型的聚类方法已经成功地解决了数据分析师提出的许多挑战。然而，随着数据分析范围的发展，一些问题可能超出了标准混合模型框架。一个这样的问题是，当数据集中的观测来自重叠的聚类时，不同的聚类将拥有多个变量的相似参数。在这种情况下，混合成员模型，一种软聚类方法，观察不限于单一的集群成员，已被证明是一个有效的工具。在本文中，混合隶属度模型拟合的指数族的成员所产生的数据的方法进行了概述。应用该方法对一次超跑比赛数据进行了统计，并与标准混合模型方法进行了比较。
2016-08-10 stat.CO
Model-Based Longitudinal Clustering with Varying Cluster Assignments
对纵向数据执行聚类通常是令人感兴趣的，然而很难制定一个直观的模型，用于估计在计算上是可行的。我们提出了一个基于模型的聚类方法，随着时间的推移观察到的对象进行聚类。该模型可以看作是正态混合聚类模型对纵向数据的推广。虽然现有的模型只考虑集群效应，我们建议建模的分布，每个对象的观察值的集群效应和个体效应的混合，因此也给出了一个对象的行为有多少是由它所属的集群确定的估计。此外，重要的是要检测解释变量如何影响聚类。我们的方法的一个优点是，它可以处理任何类型的多个解释变量，通过线性建模的集群转移概率。我们使用几个递归关系来实现广义期望最大化算法，以大大降低计算成本。我们的估计方法的准确性说明在模拟研究中，美国国会的数据进行了分析。
2020-05-17 stat.ME
A Dirichlet Process Mixture Model for Clustering Longitudinal Gene Expression Data
亚群识别（聚类）是生物医学研究中的一个重要问题。基因表达谱通常用于定义亚组。纵向基因表达谱可能提供额外的信息，疾病的进展比什么是单独的基线配置文件捕获。此外，纵向基因表达数据允许在对患者分组时考虑个体内变异性。因此，亚组鉴定可以更准确和有效的纵向基因表达数据的帮助。然而，现有的统计方法无法充分利用这些数据进行患者聚类。在这篇文章中，我们介绍了一种新的亚组识别方法在贝叶斯设置的基础上纵向基因表达谱。这种方法称为BClustLonG，采用线性混合效应框架来模拟基因随时间的轨迹，同时基于从所有基因获得的回归系数联合进行聚类。为了解释基因间的相关性和减轻高维的挑战，我们采用因子分析模型的回归系数。利用Dirichlet过程先验分布对回归系数的均值进行聚类。通过大量的仿真研究，我们表明，BClustLonG具有提高性能比其他聚类方法。当应用于严重受伤（烧伤或创伤）患者的数据集时，我们的模型能够区分烧伤患者和创伤患者，并识别创伤患者中有趣的亚组。
2016-09-26 stat.ME
Longitudinal Data Clustering with a Copula Kernel Mixture Model
针对高自相关多元纵向数据，提出Copula核混合模型（CKMM），结合高斯Copula与核密度估计，用广义EM算法估计参数，在模拟和真实数据上优于动态时间规整K均值和潜在增长模型。
2023-07-21 stat.CO stat.ME
Generalized Bayesian Clustering with Regression for Unaligned Longitudinal Binary Data
Texas A&M University（德克萨斯农工大学）；University of Colorado Anschutz（科罗拉多大学安舒茨分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对未对齐纵向二元数据，提出带回归的广义贝叶斯聚类模型，结合轨迹相似性与回归损失，用切片沃尔什斯坦因距离实现无对齐比较，以狄利克雷过程定义聚类参数先验，解决单一生成模型的设定或效率问题。
2026-09-02 stat.AP stat.CO stat.ME
Clustering Multivariate Data using Factor Analytic Bayesian Mixtures with an Unknown Number of Components
最近的工作过拟合贝叶斯混合分布提供了一个强大的框架，使用潜在的高斯模型，类似于因子分析模型的聚类多变量数据。过拟合混合模型提供的灵活性产生了一个简单而有效的方法，以估计未知数量的集群和模型参数的马尔可夫链蒙特卡罗（MCMC）抽样。本研究通过考虑一组8个参数化扩展了这种方法，从而产生了每个聚类的协方差阵的简约表示。为了近似地从过拟合混合物的后验分布中采样，实现了与先前的并行回火方案相结合的Gibbs采样器。根据贝叶斯信息准则选择参数化和因子数。与标签切换相关的可识别性问题通过使用等价类代表算法对模拟输出进行后处理来处理。贡献的方法和软件进行了演示和比较，类似的模型估计使用期望最大化算法的模拟和真实的数据集。该软件可在https://CRAN.R-project.org/package=fabMix上在线获得。
2019-06-02 stat.CO stat.ME
Salient Bayesian Clustering for Proportional Data via a Multivariate Beta Mixture Model
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
针对社区SDoH比例数据聚类中无关变量干扰的问题，提出嵌入特征显著性的贝叶斯多元Beta混合模型SAMBA-Mix，提升聚类准确性并识别关键决定因素。
2026-09-16 stat.ME
Infinite mixtures of multivariate normal-inverse Gaussian distributions for clustering of skewed data
多变量正态逆高斯（MNIG）分布的混合可以用于对表现出偏态和重尾等特征的数据进行聚类。然而，对于聚类分析，使用传统的有限混合模型框架，或者组分的数量需要是已知的$a$ - $priori$，或者需要在导出可能数量的组分的范围的结果之后使用某种模型选择标准来估计$a$ - $posteriori$。然而，不同的模型选择标准有时会导致不同数量的组件产生不确定性。在这里，一个无限混合模型框架，也被称为狄利克雷过程混合模型，提出了混合MNIG分布。该狄利克雷过程混合物模型方法允许组分数量从1到$\infty$（实际上从1到$N$）自由增长或衰减，并且组分数量与贝叶斯框架中的参数估计值一起推断，从而减轻了对模型选择标准的需求。我们提供了真实的数据应用程序与基准数据集，以及一个小的模拟实验，与其他现有的模型进行比较。所提出的方法提供了竞争力的聚类结果，其他聚类方法的模拟和真实的数据和参数恢复说明使用模拟研究。
2020-05-11 stat.ME
A generalized multivariate Student-t mixture model for Bayesian classification and clustering of radar waveforms
本文提出了一种用于低截获概率雷达波形分类和聚类的广义多元Student-t混合模型。低截获概率雷达信号的特征在于脉冲压缩波形，该脉冲压缩波形是调频或调相的。该模型可以对线性调频、非线性调频、多相巴克码、多相P1、P2、P3、P4、弗兰克码和扎多夫码等不同的调制类型进行分类和聚类。分类方法的重点是引入一个新的先验分布的模型超参数，使我们有可能处理的敏感性的混合模型的初始化，并允许一个较少的限制性建模的数据。通过变分贝叶斯方法进行推理，并采用贝叶斯处理进行模型学习、监督分类和聚类。此外，新的先验分布是不是一个众所周知的概率分布和确定性和随机方法来估计其期望。一些数值实验表明，该方法是不敏感的初始化，并提供更准确的结果比以前的状态的最先进的混合模型。
2017-07-29 stat.ML
Graphical model-based clustering of categorical data
Università degli Studi di Milano-Bicocca（米兰比可卡大学）；Università Cattolica del Sacro Cuore（天主教撒克心大学）
本文提出了一种基于图形模型的分类数据聚类方法，通过狄利克雷过程混合模型捕捉变量间的依赖结构，提升聚类效果。
2026-01-21 stat.ME
Subspace Clustering with the Multivariate-t Distribution
许多现代数据集需要适合于分析非常高维数据的聚类过程。在基于模型的聚类中，一种称为高维数据聚类（HDDC）的方法使用一系列高斯混合模型进行聚类。HDDC基于高维数据通常存在于低维子空间中的想法;因此，可以估计观察到的数据的每个子群体的固有维度，并且可以在该低维子空间中执行聚类分析。因此，只有一小部分的参数总数需要估计和计算效率的参数估计计划的基础上的期望最大化算法开发。这一系列的模型已经获得了关注，由于其优越的分类性能相比，其他家庭的混合模型，但是，它仍然受到通常的限制高斯混合模型为基础的方法。在本文中，提出了一个强大的模拟的HDDC方法。这种方法，它扩展了HDDC程序，包括多变量- t分布，包括28个模型，纠正了HDDC程序的上述缺点。我们的tHDDC程序适合模拟和真实的数据集，并进行比较，HDDC程序使用的图像重建问题，从火星表面的卫星图像。
2017-06-27 stat.ME
Forecasting multivariate longitudinal binary data with marginal and marginally specified models
利用纵向数据进行预测的研究很少。现有的研究大多数是连续响应，所有研究都是单变量响应。在这项研究中，我们考虑预测多变量纵向二进制数据。五种不同的模型，包括简单的，单变量和多变量的边际模型，和复杂的，边际指定的模型进行了研究，以预测这样的数据。模型预测能力说明通过一个现实生活中的数据集和模拟研究。仿真研究包括一个独立于模型的数据生成，为模型竞争提供一个公平的环境。预测自变量以及因变量，以最好地模拟现实生活中的情况。几个精度的措施被认为是比较模型的预测能力。结果表明，复杂的模型产生更好的预测。
2014-03-12 stat.AP
Sequential Dirichlet Process Mixtures of Multivariate Skew t-distributions for Model-based Clustering of Flow Cytometry Data
流式细胞术是一种高通量技术，用于在单细胞水平上定量多种表面和细胞内标志物。这使得能够识别细胞亚型，并确定它们的相对比例。该技术的改进允许使用多种标记物描述来自血液样品的数百万个单个细胞。这导致高维数据集，其手动分析非常耗时且可重复性差。虽然已经开发了几种方法来执行细胞群的自动识别，但它们中的大多数独立地处理和分析每个样品。然而，在实践中，单个样本很少是独立的（例如纵向研究）。在这里，我们建议使用贝叶斯非参数方法与Dirichlet过程混合物（dirichlet）的多变量斜$t$-分布进行基于模型的流式细胞术数据的聚类。$t$模型直接从数据中估计细胞群体的数量，避免了模型选择问题，并且偏斜$t$分布提供了对细胞群体的离群值和非椭圆形状的鲁棒性。为了适应重复测量，我们提出了一个顺序的策略依赖于参数近似的后验。我们说明了我们的方法在模拟数据上的良好性能，在实验基准数据集上，以及在DALIA-1试验的新纵向数据上，该试验评估了针对HIV的治疗性疫苗。在基准数据集上，顺序策略的性能优于所有其他评估方法，同样，DALIA-1数据的性能也有所提高。我们已经在R包NPflow中为社区提供了该方法。
2017-09-11 stat.ML
Finite Mixtures of Generalized Estimating Equations for Clustering Multivariate Correlated Outcomes
Faculty of Economics, Keio University（庆应义塾大学经济学部）；Research School of Finance, Actuarial Studies and Statistics, The Australian National University（澳大利亚国立大学金融、精算与统计研究学院）
针对多变量相关结局聚类问题，提出MixGEE模型，通过区域特定工作相关结构处理物种间相关性，经模拟验证可靠，应用于凯尔盖朗高原鱼类数据得到三类群落特征。
2026-09-07 stat.ME
A Bayesian Approach to Restricted Latent Class Models for Scientifically-Structured Clustering of Multivariate Binary Outcomes
在本文中，我们提出了一个总体框架，结合不同质量的证据，以估计潜在的二进制潜变量的存在下施加的限制，以尊重科学的背景。由此产生的算法聚类的多元二进制数据的方式部分由先验知识指导。主要模型假设是1）受试者属于由未观察到的二元状态定义的类别，例如流行病学中病原体的真实存在或不存在，或医学中抗体的真实存在或不存在，或心理学中正确回答测试问题的“能力”，2）二元设计矩阵$Γ$指定每个类别中的相关特征，以及3）给定潜在类，测量是独立的，但是可以具有不同的错误率。条件，确保参数可识别性的似然函数进行了讨论，并通知设计一种新的后验推理算法，同时估计集群的数量，设计矩阵$Γ$，和模型参数。在有限的样本和维度，我们提出了先验假设，使后验分布的集群的数量和模式的潜在状态往往集中在较小的值和稀疏的模式，分别。该模型很容易扩展到研究中，一些科目的潜在类是已知的或重要的先验知识的差分测量精度是从外部来源。所述方法用蛋白质数据的分析来说明，以检测代表硬皮病患者中的自身抗体类的簇。
2018-08-24 stat.ME
An approach for jointly modeling multivariate longitudinal measurements and discrete time-to-event data
在许多医学研究中，对患者进行纵向随访，并且感兴趣的是评估纵向测量与事件发生时间之间的关系。最近，不同的作者提出了一个单一的纵向变量的纵向和时间事件数据的联合建模方法。这些联合建模方法变得棘手，甚至一些纵向变量。在本文中，我们提出了一种回归校准方法，联合建模多个纵向测量和离散的时间到事件的数据。理想地，可以应用两阶段建模方法，其中在第一阶段中对多个纵向测量进行建模，并且在第二阶段中将纵向模型与事件时间数据相关。由于信息丢失导致的有偏参数估计使得这种直接的两阶段建模方法存在问题。我们提出了一个回归校准方法，适当占信息辍学。我们近似的条件分布的多个纵向测量给定的事件时间建模所有成对组合的纵向测量使用的双变量线性混合模型的事件时间的条件。然后基于这些成对条件模型的估计值模拟完整数据，并使用回归校准来估计纵向数据与使用完整数据的事件发生时间数据之间的关系。我们表明，这种方法在估计多变量纵向测量和事件发生时间数据之间的关系，并在估计多个纵向过程的参数，信息辍学。我们用模拟和原发性胆汁性肝硬化（PBC）数据的分析来说明这种方法。
2010-11-15 stat.AP
Exploratory Analysis of Multivariate Longitudinal Child Education Data
我们分析二进制多变量的纵向数据人口的家庭在南非农村地区。使用二维图形表示的纵向数据，每个家庭的数据转换成一个时间演变的几何轨道。轨道传达了数据随时间变化的完整信息，并提供了对家庭和人口演变动态的见解。利息的结果是儿童教育违约，违约的定义是三年以上的学校教育失败。对教育违约的三个家庭因素，即亲生母亲的存在，户主（未成年人或成年人为户主的家庭）的年龄和成年人的死亡的影响，提出了一个直观的分析。在非违约和违约家庭中，动态主要由生母的临时迁入和迁出来描述。我们发现，母亲的存在更有可能在非违约家庭。由于涉及户主年龄变化和成人死亡的事件不多，我们无法就其影响得出结论。轨道提供了容易解释的集群信息，变化模式，和家庭轨道状态转换的密度。
2015-11-05 stat.AP
Functional clustering via multivariate clustering
本文提出将函数型数据通过上下图像指标及其导数转化为多元数据，再利用成熟多元聚类技术进行聚类，并通过模拟和真实数据验证其有效性。
2021-07-31 stat.AP stat.ME
A Joint Modeling Approach for Clustering Mixed-Type Multivariate Longitudinal Data: Application to the CHILD Cohort Study
在流行病学和临床研究中，基于纵向特征识别患者的表型对于理解疾病的发展模式至关重要。目前的研究是由加拿大出生队列研究的数据，儿童队列研究的动机。我们的目标是使用多个纵向呼吸特征将参与者聚类为具有相似纵向呼吸特征的亚组，以确定临床相关的疾病表型。为了适当地解释这些纵向标记的不同结构和类型，我们提出了一种新的联合模型，用于聚类混合类型（连续、离散和分类）的多变量纵向数据。我们还开发了一个马尔可夫链蒙特卡罗算法来估计模型参数的后验分布。介绍并讨论了儿童队列数据和模拟数据的分析。我们的研究表明，所提出的模型作为一个有用的分析工具，聚类多元混合型纵向数据。我们开发了一个R包BCClong来有效地实现所提出的模型。
2023-03-21 stat.AP stat.ME
A Latent Trait Model for Multivariate Longitudinal Data With Two Sources of Measurement Error
人格特质是潜在的变量，因此，不使用评估是不可能测量的。对评估的反应可能受到瞬态（状态相关）误差和测量误差的影响，从而掩盖了真实的性状水平。通常，这些评估使用Likert量表，仅产生离散数据。由于数据的离散性而造成的信息损失是评估这些工具测量潜在感兴趣特征的能力的另一个挑战。本文讨论了一个模型中的参数估计问题，该模型涉及一个潜在变量，以及当数据是纵向的并且使用Likert标度测量时的瞬态误差和测量误差分量。详细介绍了两种参数估计的方法：相关重建，一种使用多元相关的方法，以及使用随机期望最大化算法实现的极大似然。这些方法被应用到一个激励数据集的440名大学生在两个月的时间内采取两次大五清单。
2017-05-31 stat.AP
Joint modelling of repeated multivariate cognitive measures and competing risks of dementia and death: a latent process and latent class approach
最初专用于单个纵向标志物和单个事件发生时间的联合模型需要扩展，以解释队列研究的丰富纵向数据。临床进展的多个原因确实经常被观察到，并且当真正的潜在的感兴趣的特征难以捕获时，收集多个纵向标志物（例如生活质量、功能依赖性、认知水平）。这些多变量和纵向数据通常也有非标准分布（离散、非对称、有界等）。我们提出了一个联合模型的基础上，潜在的过程和潜在的类，同时分析这样的多个纵向标记的不同性质，和多个原因的进展。一个潜在的过程模型描述了感兴趣的潜在特征，并使用适应不同类型数据的灵活测量模型将其与观察到的纵向结果联系起来，一个潜在的类结构将纵向和特定原因的生存模型联系起来。联合模型估计的极大似然框架。一个分数测试的开发，以评估假设的条件独立的纵向标记和每个原因的进展给定的潜在类。此外，基于重复标记物数据，推导出每种进展原因的个体动态累积发生率。该方法在模拟研究中得到验证，并应用于来自大规模人群研究的关于认知老化的真实数据。其目的是预测痴呆症的风险占竞争性死亡根据两个不对称的心理测试测量的语义记忆的配置文件。
2015-08-24 stat.AP
A Multivariate Multilevel Longitudinal Functional Model for Repeatedly Observed Human Movement Data
针对重复观测的人体运动序列相关纵向函数数据，提出多变量多水平纵向函数模型，采用函数主成分基与标量纵向混合效应建模，在跑者数据中验证了速度的关节效应与个体变化识别能力，并通过模拟证实方法有效性。
2024-08-16 stat.AP stat.ME
Quantile Mixed Hidden Markov Models for multivariate longitudinal data
识别与幼儿期精神和行为障碍相关的因素对于精神病理学研究和初级卫生保健实践的支持都至关重要。出于千年队列研究，在本文中，我们研究了一套全面的协变量对儿童的情绪和行为轨迹在英格兰的影响。为此，我们开发了一个分位数混合隐马尔可夫模型，用于多变量纵向数据的线性回归设置中的多个分位数的联合估计。所提出的方法的新颖性是基于多变量非对称拉普拉斯分布，它允许联合估计多变量响应的单变量条件分布的分位数，考虑结果之间可能的相关性。未观察到的异质性和序列依赖性的来源，由于重复测量建模，通过引入个体特异性，时间常数随机系数和随时间变化的参数随时间的马尔可夫结构，分别。推理方法是通过构建一个合适的期望最大化算法，而无需对随机效应分布进行参数假设。
2021-09-14 stat.AP stat.ME
Multi-feature Clustering of Step Data using Multivariate Functional Principal Component Analysis
本文提出了一种新的统计方法，用于聚类步骤数据，这是一种很容易从可穿戴设备中获得的流行形式的健康记录数据。由于阶跃数据是高维的，零膨胀的，经典的方法，如K均值和分割周围的medoid（PAM）不能直接应用。该方法是一种新的组合，新构造的变量反映了台阶数据的内在特征，例如数量、强度和模式，而多元函数主成分分析可以整合台阶数据的所有特征进行聚类。所提出的方法是通过应用传统的聚类方法，如K-均值和PAM从这些变量中获得的多元函数主成分得分。仿真研究和实际数据分析表明，聚类质量显着改善。
2020-10-15 stat.AP stat.ME
Investigating swimming technical skills by a double partition clustering of multivariate functional data allowing for dimension selection
研究游泳运动员的技术技能是提高成绩的一个挑战，可以通过分析惯性测量单元（IMU）记录的多元函数数据来实现。为了研究前爬泳运动员的技术水平，提出了一种新的基于模型的方法，以获得两个互补的分区反映，为每个游泳运动员，它的游泳模式和它的能力，以重现it.Contradiction函数数据聚类的常用方法，该方法还考虑了信息的残差产生的功能基分解。实际上，在将原始信号（测量游泳模式）和平方残差信号（测量再现游泳模式的能力）两者分解成函数基础之后，该方法通过考虑两个分区之间的依赖性来拟合与两个分解相关的系数的联合分布。建模这种依赖性是强制性的，因为再现游泳模式的难度取决于其形状。此外，提出了一种稀疏分解的组件内的分布，允许在聚类过程中的相关尺寸的选择。IMU数据上获得的分区汇总了与游泳技术技能相关的运动学划水变异性，并允许识别前爬泳短跑性能的相关生物力学策略。
2023-03-28 stat.AP
Clustering of multivariate tail dependence using conditional methods
University of Bath（巴斯大学）；University of Edinburgh（爱丁堡大学）
针对多元极值聚类难解释比较的问题，提出基于条件极值框架的新方法，利用偏几何詹森 - 香农散度构建差异度量，经模拟研究和实际应用验证，该方法优于现有方法且能扩展到多元场景。
2026-07-17 stat.AP stat.ME
Nonparametric Bayes models for mixed-scale longitudinal surveys
多元纵向调查的建模和计算已被证明具有挑战性，特别是当数据不完全是连续和高斯的，但包含离散测量。在许多社会科学调查中，研究参与者是通过复杂的调查设计（如分层随机抽样）选择的，这导致样本和总体之间的差异，而缺失数据和失访又进一步加剧了这种差异。调查权重通常是为了解决这些问题而构建的，但目前尚不清楚如何将其纳入模型。受性发育数据的启发，我们提出了一种新的混合尺度纵向数据调查的非参数方法。在所提出的方法中，混合尺度的多变量响应表示通过一个潜在的连续变量与动态的潜在因素诱导随时间变化的协会。在后验计算中，根据马尔可夫链蒙特卡罗算法调整调查设计的偏倚。该方法是在模拟研究中进行评估，并适用于全国青少年成人健康纵向研究。
2016-06-08 stat.AP
Fast and flexible inference for joint models of multivariate longitudinal and survival data using Integrated Nested Laplace Approximations
本文提出基于R-INLA的贝叶斯近似方法，加速多元纵向与生存数据联合模型的推断，减少计算负担和估计变异性，并成功应用于原发性胆汁性胆管炎临床试验中的多标记竞争风险分析。
2023-07-12 stat.AP stat.CO stat.ME
A Blockwise Mixed Membership Model for Multivariate Longitudinal Data: Discovering Clinical Heterogeneity and Identifying Parkinson's Disease Subtypes
提出BM3分块混合成员模型，对多变量纵向PD数据按症状与时间分块共享潜在成员，在PPMI数据中识别疾病阶段、症状组、时期及临床亚型。
2024-10-02 stat.AP
Tensor Completion for Causal Inference with Multivariate Longitudinal Data: A Reevaluation of COVID-19 Mandates
提出基于张量补全的因果推断方法，利用多变量纵向数据填补反事实结果，发现其他方法高估口罩指令效果，且口罩指令非旅行限制的有效替代。
2023-11-19 stat.AP stat.CO stat.ME
A multivariate nonlinear mixed effects model for longitudinal image analysis: Application to amyloid imaging
重要的是表征疾病相关生物标志物的时间轨迹，以监测进展并确定潜在的干预点。这对于神经退行性疾病尤其重要，因为治疗性干预最有可能在显著神经元损伤之前的临床前疾病阶段有效。纵向神经成像允许在体素水平上随时间测量大脑的结构、功能和代谢完整性。然而，常用的纵向分析方法，如线性混合效应模型，不考虑这样一个事实，即个人进入研究在不同的疾病阶段和进展速度不同，一般认为每个voxelwise措施独立。我们提出了一个多变量非线性混合效应模型，用于估计来自纵向数据的体素神经成像生物标志物的轨迹，该数据解释了个体之间的这种差异。该方法涉及基于在期望最大化框架内对逐体素生物标志物数据的集体分析来预测每次就诊的进展评分，该框架有效地处理大量测量和每个个体的可变就诊次数，并考虑体素之间的空间相关性。该评分允许具有相似进展的个体一起对齐和分析，这使得能够构建作为潜在进展或疾病阶段的函数的大脑变化轨迹。应用我们的方法研究β-淀粉样蛋白沉积的图像，临床前阿尔茨海默病的标志，表明楔前叶是最早积累淀粉样蛋白的皮质区域。所提出的方法可以应用于其他类型的纵向成像数据，包括代谢，血流，tau和结构成像衍生的措施。
2016-04-04 stat.AP stat.ME
Joint Model for Survival and Multivariate Sparse Functional Data with Application to a Study of Alzheimer's Disease
阿尔茨海默病（AD）的研究通常收集多个纵向临床结果，这些结果与AD进展相关并可预测AD进展。研究结果与AD发作时间之间的关系具有重大的科学意义。我们将多个纵向结果建模为多变量稀疏函数数据，并提出了一个将多变量函数数据与事件时间数据联系起来的函数联合模型。特别是，我们提出了一个多变量函数混合模型（MFMM），以确定共享的进展模式和结果的特定进展模式的结果，这使得更多的解释建模的结果和AD发病之间的关联。所提出的方法被应用到阿尔茨海默病神经影像学倡议研究（ADNI）和功能关节模型揭示了新的光推理的五个纵向结果及其与AD发病的关联。仿真研究也证实了所提出的模型的有效性。
2020-12-03 stat.AP stat.CO stat.ME
Functional Clustering for Longitudinal Associations between Social Determinants of Health and Stroke Mortality in the US
提出一种带正则化期望最大化的功能聚类方法，分析美国各县健康社会决定因素与中风死亡率的纵向关联，识别出18个关键因素并将各县划分为两个聚类，揭示了区域异质性。
2025-02-01 stat.AP stat.ME
A non-parametric U-statistic testing approach for multi-arm clinical trials with multivariate longitudinal data
针对多变量纵向数据的多臂临床试验需求，将仅限于两臂比较的纵向秩和检验（LRST）扩展至多臂设置，提出多臂LRST方法，经模拟和Bapi 301试验验证，其I类错误控制出色且功效更高，可检测最有效剂量。
2025-02-14 stat.AP stat.ME
Clustering using skewed multivariate heavy tailed distributions with flexible tail behaviour
位置和尺度混合高斯族具有产生许多灵活分布形式的能力。它嵌套的特殊情况下，几个重要的非对称分布，如广义双曲分布。广义双曲分布又嵌套了许多其他众所周知的分布，例如正态逆高斯分布（NIG），其实际相关性已在文献中广泛记录。在多变量环境中，我们建议将标准位置和尺度混合概念扩展到所谓的多尺度框架中，该框架具有允许在变量空间的每个维度中具有任意维度之间的相关性的不同尾部和偏斜行为的优点。通过期望最大化算法提供参数估计，特别关注NIG分布。推理，然后扩展到覆盖的情况下，这样的多个缩放分布的混合物应用聚类。对模拟数据和实际数据的评估证实，在模拟不同尾翼行为和方向形状的数据时，自由度和灵活性有所增加。
2014-08-01 stat.AP stat.ME
Non-parametric Clustering of Multivariate Populations with Arbitrary Sizes
我们提出了一个聚类过程，分组K人口到具有相同的依赖结构的子组。该方法适用于配对总体，并可用于面板数据。它依赖于从K种群估计的K密度Copula的正交投影系数之间的差异。每个集群，然后由人口具有显着相似的依赖结构。Ngounou-Bakam和Pommeret（2022）最近的检验统计量用于自动构建此类聚类。该过程是数据驱动的，并取决于渐近水平的测试。我们说明了我们的聚类算法，通过数值研究，并通过两个真正的数据集：一个小组的金融数据集和保险数据集的损失和分配损失调整费用。
2022-11-11 stat.AP stat.ME stat.ML
Kronecker product linear exponent AR(1) correlation structures and separability tests for multivariate repeated measures
纵向成像研究已经移动到医学研究的最前沿，因为它们能够表征生命周期中生物结构的时空特征。纵向成像中的相关性的可信模型需要两个或更多个图案分量。有效的推理需要相关模型具有足够的灵活性，以允许对真实模式的合理保真度。另一方面，可计算的估计的存在需要一个简约的相关结构的参数化。对于许多一维空间或时间阵列，线性指数自回归（LEAR）相关结构在一个模型中满足这两个相反的目标。LEAR结构是一种灵活的双参数相关性模型，适用于受试者内相关性在时间或空间上呈指数下降的情况。它允许由常用的连续时间AR（1）结构施加的指数衰减率的衰减或加速。在这里，我们提出了Kronecker产品LEAR相关结构的多变量重复测量数据中，测量之间的相关性为一个给定的主题是由两个因素引起的。我们还提供了一个科学的方法来评估Kronecker产品LEAR模型和一般非结构化Kronecker产品模型的充分性。该方法为高维、低样本量数据提供了有用的指导，这些数据排除了使用基于标准似然的检验。精神分裂症患者尾状核形态的纵向医学影像学数据说明了Kronecker乘积LEAR相关结构的吸引力。
2012-11-08 stat.AP
Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
提出一种基于频域的鲁棒模糊聚类框架，利用 Kendall tau 典型相干性提取跨变量特定频率单调关系，有效提升含噪高维多元时间序列聚类精度，并成功揭示脑电图中的认知状态标记。
2025-10-31 stat.AP stat.ME stat.ML
Clustering multivariate functional data using the epigraph and hypograph indices: a case study on Madrid air quality
本文提出面向多元函数型数据的 epigraph 与 hypograph 指数广义形式，利用曲线及前两阶导数实现聚类，并通过模拟数据与马德里空气质量等环境案例验证其有效性。
2024-11-19 stat.AP stat.ME
A novel smoothing-based goodness-of-fit test of covariance for multivariate sparse functional data
本文提出一种基于平滑的多元稀疏函数型数据协方差拟合优度检验，扩展单变量检验并引入多元统计量，提高功效，应用于ADNI和PPMI数据验证实用性。
2025-03-27 stat.AP stat.ME
