A machine learning-based approach for estimating and testing associations with multivariate outcomes
我们提出了一种方法来总结一组变量和多变量结果之间的关联强度。当协变量和结果之间存在线性关系时，经典的汇总措施是合适的，而我们的方法提供了一种替代方案，在可能存在复杂关系的情况下是有用的。我们利用集成机器学习来检测非线性关系和协变量相互作用，并提出一种捕获这些关系的关联度量。关于所提出的关联度量的假设检验可用于检验一组变量与多变量结果之间无关联的强原假设。仿真结果表明，这种假设检验有更大的权力比现有的方法对替代品的协变量与结果的非线性关系。我们还提出了变量组的变量重要性的措施，总结了每个组与结果的关联。我们证明了我们的方法使用的数据从出生队列研究儿童健康和营养在菲律宾。
2018-03-14 stat.ME
Super doubly robust and efficient estimator for informative covariate censoring
针对诊断时间被研究退出时间右删失的信息协变量删失问题，提出超双重稳健估计量SPIRE，无需正确指定密度即可保持一致，并在密度正确时达到半参数有效，同时开发了信息协变量删失检验方法，为神经退行性疾病早期干预提供可靠工具。
2025-11-04 math.ST stat.TH
Coefficient Shape Alignment in Multiple Functional Linear Regression
本文针对多元函数型回归中协变量的同质性问题，提出基于“系数形状对齐”正则化的分组建模方法，并给出分组识别条件、渐近性质及模拟和糖质量评估实证验证。
2024-10-23 stat.ME stat.ML
Permutation tests for assessing potential non-linear associations between treatment use and multivariate clinical outcomes
在许多心理测量应用中，结果的平均值与定量协变量之间的关系过于复杂，无法用简单的参数函数来描述;相反，可以使用惩罚样条来合并灵活的非线性关系。惩罚样条可以方便地表示为线性混合效应模型（LMM），其中样条基函数的系数是随机效应。惩罚样条的LMM表示使得扩展到多变量结果相对简单。在LMM中，定量协变量对结果无影响对应于原假设，即固定效应和方差分量均为零。在零值下，方差分量的似然比检验的通常渐近χ 2分布不成立。因此，我们提出了三个排列测试的似然比检验统计量：一个基于置换的定量协变量，其他两个基于置换残差。我们通过模拟的第一类错误率和功率的三个排列测试获得的联合模型的多个结果，以及常用的参数测试。测试说明使用数据从兴奋剂使用障碍的心理社会临床试验。
2023-02-24 stat.AP stat.ME
A Gibbs Sampler for Multivariate Linear Regression
凯利（2007年，以下称为K07）描述了一种有效的算法，其使用吉布斯采样，用于在协变量和响应变量都存在非零测量误差的相当一般的情况下执行线性回归，其中这些测量可以是相关的（对于相同的数据点），其中响应变量除了测量误差之外还受到固有散射的影响，并且其中协变量的先验分布由高斯的灵活混合来建模，而不是假设为均匀的。在这里，我以两种方式扩展了K07算法。首先，该程序被推广到多个响应变量的情况下。其次，我描述了如何使用Dirichlet过程来建模协变量的先验分布，该过程可以被认为是高斯混合，其中混合分量的数量是从数据中学习的。我提出了一个多元回归的例子，使用扩展的算法，即拟合的气体质量，温度和光度的动态放松星系团作为其质量和红移的函数的标度关系。给出了吉布斯采样器的R语言实现，称为LRGS。
2016-02-02 astro-ph.CO astro-ph.IM stat.ME
A Unified Framework for Heterogeneity, Contamination, and Missing Data in Multivariate Regression
Rowan University（罗文大学）；San José State University（圣何塞州立大学）；University of Catania（卡塔尼亚大学）
本文提出统一框架，扩展CG-CWM模型以处理多元回归中的异质性、缺失与污染问题，通过ECM算法完成估计，经数值研究与实际数据验证性能。
2026-08-27 stat.ME
Varying coefficient model for longitudinal data with informative observation times
University of Hong Kong（香港大学）；University of Waterloo（滑铁卢大学）
本文提出了一种考虑信息性观察时间的变系数模型估计方法，通过反强度加权和筛估计框架提高估计精度，并在模拟和实际数据中验证了其有效性。
2026-01-23 stat.ME
Density power divergence for general integer-valued time series with multivariate exogenous covariate
本文研究了一类整数值时间序列模型的稳健估计方法。该过程的条件分布属于一类广泛的分布，与经典的自回归框架不同，该过程的条件均值也依赖于一些多元外生协变量。我们推导出一个强大的推理过程的最小密度功率发散的基础上。在一定的正则性条件下，我们证明了所提出的估计是相合的和渐近正态的。仿真实验表明了该估计器的经验性能。还提供了股票爱立信B的每分钟交易数的应用。
2023-01-30 math.ST stat.TH
M-quantile regression for multivariate longitudinal data: analysis of the Millennium Cohort Study data
本文提出了一个M-分位数回归模型，用于分析多变量、连续、纵向数据。M-分位数回归代表了标准回归模型的一种有吸引力的替代方法，因为它结合了分位数的稳健性和预期回归的效率，提供了响应变量分布的完整图像。离散的，个体特异性的，随机参数被用来解释在不同时间记录的相同响应内的依赖性和在给定时间在相同样品单元上观察到的不同响应之间的关联。在线性预测器中还引入了合适的参数化，以考虑单个特定随机参数与观测协变量向量之间可能的依赖性，即考虑某些协变量的内隐性。提出了一种扩展的期望最大化算法，在极大似然方法下得到模型参数估计。该模型适用于分析的优势和困难的问卷分数在英国的千年队列研究。
2017-05-08 stat.ME
Regression with genuinely functional errors-in-covariates
测量误差对协变量的污染是多元回归中的一个经典问题，众所周知，如果不考虑这种污染，可能会导致参数估计量的实质性偏差。这种对统计推断的影响的性质和程度也被理解为主要取决于所讨论的测量误差的具体分布特性。在处理函数协变量时，测量误差迄今为止一直被建模为观测网格上的加性白噪声。这样的设置隐含地假设误差纯粹在离散采样阶段出现，否则模型只能在弱（随机微分方程）意义上看待，白噪声不是二阶过程。偏离这个简单的分布设置可能会对推理产生严重的后果，类似于多变量的情况，当前的方法论将崩溃。本文考虑了允许加性测量误差为有效随机过程的情形。我们提出了一种新的估计的斜率参数在一个功能性的线性模型，标量以及功能性的反应，在这个一般的测量误差规格的存在。建议的估计的灵感来自多元回归校准方法，但取决于最近的进展矩阵完成方法的功能数据，以处理非平凡（和未知）的误差协方差结构。所提出的估计量的渐近性质。我们使用模拟来探测所提出的斜率估计器的性能，并观察到它大大改善了基于错误观测的谱截断估计器，即，忽略测量误差。我们还研究了步态周期中髋关节和膝关节角度曲线的真实数据集上的估计量的行为。
2017-12-12 stat.ME
Sparsity learning via structured functional factor augmentation
本文提出函数因子增广结构fFAS及选择模型fFASM，以解决高维函数线性回归中相关协变量的变量选择问题，并通过理论与数值实验证明其在估计精度和选择一致性上的优越性。
2025-01-04 stat.ME
A new non-parametric test for multivariate paired data from pair matching or paired designs
School of Data Science, Fudan University（复旦大学数据科学学院）；Department of Statistics, University of California, Davis（加州大学戴维斯分校统计系）；Beijing International Center for Mathematical Research and School of Public Health, Peking University（北京大学北京国际数学研究中心与公共卫生学院）
针对多变量配对数据，提出一种新非参数检验方法，显著提升高维场景下的统计功效，并推导渐近分布便于应用。
2026-06-23 stat.ME
Testing for Conditional Mean Independence with Covariates through Martingale Difference Divergence
在统计学中，一个重要的问题是决定回归模型中是否需要附加变量。我们提出了一个新的多元检验来研究给定X条件下Y对某些已知效应Z的条件均值独立性，即，E（Y| X，Z）= E（Y| Z）。假设E（Y| Z）和Z是线性相关的，我们通过变换重新表达了一个等价的条件均值独立性的概念，它在实践中是近似的。我们应用鞅差散度（Shao and Zhang，2014）来度量条件均值依赖性，并证明近似的估计误差可以忽略不计，因为它在某些正则性假设下对检验统计量的渐近分布没有影响。我们的测试的实施是由模拟和金融数据的例子证明。
2018-05-17 math.ST stat.AP stat.CO
Estimation of the covariate conditional tail expectation : a depth-based level set approach
本文的目的是研究一个特殊的多元风险度量，协变量条件尾期望（CCTE），基于多元统计深度函数的渐近行为。深度函数已经成为多变量数据的非参数推断中越来越强大的工具，因为它们测量点相对于分布的中心程度。然后，多变量风险情景由基于深度的较低水平的风险因素集表示，这意味着我们考虑非紧凑设置。更确切地说，给定与固定概率测度相关联的多变量深度函数D，我们对基于D的较低水平集感兴趣。首先，我们提出了一个插件的方法，以估计基于深度的水平集。在第二部分中，我们提供了一个一致的估计我们的CCTE的一般深度函数的收敛速率，我们考虑的特定情况下的Mahalanobis深度。模拟研究补充了我们的估计器的性能。
2021-09-07 math.ST stat.TH
Conformal Predictive Systems Under Covariate Shift
Ghent University（根特大学）；imec（校际微电子中心）；IDLab
本文提出加权保形预测系统（WCPS），利用训练与测试协变量分布间的似然比处理协变量偏移，扩展了CPS的适用范围，并在理论与实验上验证了其有效性与概率校准性。
2024-09-16 cs.LG stat.ML
Efficient and powerful familywise error control in genome-wide association studies using generalized linear models
在遗传关联研究中，检测表型-基因型关联是主要目标。我们假设数据之间的关系-表型，遗传标记和环境协变量-可以用广义线性模型（GLM）建模。纳入环境协变量使得有可能考虑到重要的混杂因素，如性别和人口结构。多变量得分统计量，在没有表型-基因型关联的完全原假设下，渐近地具有多元正态分布，其具有可以从数据估计的协方差阵，用于测试大量遗传标记与表型的关联。我们强调控制familywise错误率（FWER）的重要性，并使用多变量得分检验统计量的渐近分布，以找到一个局部的显着性水平的个人测试。使用真实的数据（从一项研究精神分裂症和双相情感障碍和一个最大摄氧量），并构建相关的结构，我们表明，我们的方法是一个强大的替代流行的Bonferroni和Sidak方法。对于没有环境协变量的GLM，我们表明，我们的方法是一个有效的替代排列方法的多重检验。此外，我们表明，如果环境协变量和遗传标记是不相关的，估计的协方差阵的得分检验统计量可以近似估计的相关矩阵的遗传标记。作为我们的方法的副产品，可以定义有效数量的独立测试，并且可以计算FWER调整的$p$值作为使用局部显著性水平的替代方案。
2016-12-22 stat.AP stat.ME
Quantized Low-Rank Multivariate Regression with Random Dithering
The University of Hong Kong（香港大学）；Hong Kong Baptist University（香港浸会大学）
针对响应变量和/或协变量被有限精度量化的低秩多元回归场景，采用带随机抖动的均匀量化，提出两类Lasso估计量并推导非渐近误差界，证明其达极小极大最优速率，还推广至矩阵响应模型并通过仿真验证。
2023-10-07 cs.LG eess.SP stat.ML
Nonparametric covariate hypothesis tests for the cure rate in mixture cure models
针对含长期幸存者的生存数据中现有治愈模型协变量检验仅支持参数/半参数方法的问题，提出混合治愈模型治愈率的非参数协变量假设检验，用bootstrap近似零分布，经模拟验证有效并应用于结直肠癌数据集。
2024-01-30 stat.ME
Extrapolation of extreme covariates in generalized additive regression using extreme-value theory
INRAE（法国国家农业食品环境研究院）；University of Geneva（日内瓦大学）；Univ Brest, CNRS UMR 6205, Laboratoire de Mathématiques de Bretagne Atlantique（布雷斯特大学、法国国家科学研究中心第6205联合研究单位、布列塔尼大西洋数学实验室）
研究在协变量外推时提升广义加性模型预测性能的方法，将GAMs与多元极值理论渐近模型结合，考虑二元及连续响应，以欧洲野火应用为例探索新方法对预测的改善。
2026-09-15 stat.ME
Multivariate generalized linear mixed models for underdispersed count data
研究人员通常有兴趣了解一组协变量和一组响应变量之间的关系。为了实现这一目标，回归分析的使用，无论是线性或广义线性模型，被广泛应用。然而，这样的模型只允许用户一次建模一个响应变量。此外，不可能从回归模型直接计算响应变量之间的相关性度量。在本文中，我们采用了多元广义线性混合模型框架，该框架允许指定一组响应变量，并通过遵循多元正态分布的随机效应结构计算它们之间的相关性。我们使用极大似然估计框架估计所有模型参数，并使用拉普拉斯近似整合出随机效应。导数由自动微分提供。外部最大化使用通用算法（例如\texttt{PORT}和\texttt{BFGS}）进行。我们界定了这个问题的研究只有计数响应变量与以下分布：泊松，负二项（NB）和COM泊松。模型在\texttt{R}软件包\texttt{TMB}上实现。除了完整的质量标准外，还考虑了协方差矩阵中结构更简单的模型（固定和共同方差，固定离差，$ρ$设置为0）。这些模型被应用到一个数据集，从国家健康和营养检查调查，其中三个分散的响应变量进行了测量，在1281名受试者。考虑到三个拟合优度指标，完全指定的COM-Poisson模型克服了其他两个竞争者。因此，该模型可以处理多变量计数响应，并考虑协变量的影响来测量它们之间的相关性。
2022-05-21 stat.ME
Accounting for unobserved covariates with varying degrees of estimability in high dimensional biological data
高维生物数据中的一个重要现象是存在未观测到的协变量，这些协变量可能对测量的响应产生重大影响。当这些因素也与关注的协变量（即疾病状态）相关时，忽略它们可能导致第一类错误和虚假错误发现率估计值增加。我们表明，根据这种相关性的强度和潜在因素的观测数据的信息量，以前提出的估计的利益，试图占未观察到的协变量的协变量的影响是渐近偏置，这证实了以前的从业者的意见，这些估计往往会产生膨胀的检验统计量。然后，我们提供了一个估计，纠正偏差，并证明它具有相同的渐近分布的普通最小二乘估计时，每个协变量的观察。最后，我们使用以前发表的DNA甲基化数据来证明我们的方法可以比以前发表的方法更准确地估计哮喘对甲基化的直接影响，这些方法低估了哮喘与潜在细胞类型异质性之间的相关性。我们的重新分析表明，在这些数据中，由于哮喘引起的甲基化的大部分变异实际上是通过细胞组成介导的。
2018-01-31 stat.ME
Multivariate and Multiple Contrast Testing in General Covariate-adjusted Factorial Designs
针对协变量调整因子设计中评估多个结局的需求，提出半参数MANCOVA框架下的多元多重对比检验扩展，适用于非正态、异方差及奇异协方差数据，并在心理干预数据上验证。
2025-06-18 math.ST stat.ME stat.TH
Quantile tomography: using quantiles with multivariate data
使用分位数来获得有关多变量数据的见解。有人认为，通过考虑方向分位数，预测的分位数，可以得到精辟的见解。方向分位数信封提出作为一种方式来凝聚这种信息，它表明，它们基本上是半空间（Tukey）的深度水平集，符合椭圆分布（特别是多元正态）与密度等值线。有关问题的索引，方向分位数信息的反向检索的可能性，仿射变换的不变性，近似/渐近性质进行了研究。有人认为，方向分位数及其信封方面的分析提供了一个简单的概率解释，从而传达了一个具体的定量意义，方向的定义可以适应精心设计的框架，如估计极端分位数和方向分位数回归，回归深度轮廓的协变量。后者促进了多元增长图的构建-这个问题激发了所有的发展。
2013-11-26 stat.ME
Semiparametric logistic regression for inference on relative vaccine efficacy in case-only studies with informative missingness
本文提出半参数逻辑回归方法，在仅病例研究中处理病毒株类型信息性缺失，利用目标最大似然估计和机器学习推断亚组特异性相对疫苗效力，并应用于ENSEMBLE COVID-19试验。
2025-03-11 stat.ME
Simultaneous Confidence Tubes for Comparison of Several Multivariate Linear Regression Models
在过去的60多年里，关于多重比较和同时推理的研究大多是针对几个总体均值的比较。Spurrier（1999）似乎是第一个使用同时置信带研究几个简单线性回归线的多重比较的人。本文将Liu等（2004）利用联合置信带对几个单变量线性回归模型进行有限比较的工作推广到利用联合置信管对几个多元线性回归模型进行有限比较。我们展示了如何同时置信管可以构建允许多个多元线性回归模型的比较，比目前的假设检验方法更翔实的推论。用实例说明了这些方法。
2020-05-20 stat.ME
Multivariate boundary regression models
本文研究了一类具有单侧误差的多元回归模型。我们假设回归函数位于一般的Hölder类，并通过非参数局部多项式方法估计它，该方法包括最小化位于数据点上方的多项式逼近的局部积分。虽然考虑多变量协变量提供了一个不可否认的机会，从面向应用的角度来看，它需要一个新的证明方法，以取代既定的单变量的情况下。本文的主要目的是证明一致相合性，并提供所考虑的多元随机协变量和多元确定性设计点的非参数估计的收敛速度。为了证明估计的性能，在二维和三维的模拟研究中的小样本行为进行了研究。
2021-02-10 math.ST stat.TH
Posterior contraction and uncertainty quantification for the multivariate spike-and-slab LASSO
本文研究多元spike-and-slab LASSO（mSSL）在稀疏多元线性回归中的渐近性质，建立其在p、q随n发散时的后验收缩率，提出去偏MAP估计得到置信区间，验证其渐近有效性及有限样本下接近名义覆盖率的特性。
2024-05-22 math.ST stat.TH
Informative Goodness-of-Fit for Multivariate Distributions
本文介绍了一种研究多元分布的信息拟合优度（iGOF）方法。当零模型被拒绝时，iGOF允许我们识别错误建模的潜在来源，并自然地为从业者提供关于偏离真实分布的性质的额外见解。该方法利用光滑检验和随机场理论来分析多变量数据，从而获得信息量大的特征。仿真研究表明，iGOF享有不同类型的替代品的高功率。这里提出的方法直接解决物理学和天文学中出现的背景错误建模问题。正是在这些领域，这项工作的动机是根深蒂固的。
2022-02-08 math.ST physics.data-an stat.AP
Graph-Based Tests for Multivariate Covariate Balance Under Multi-Valued Treatments
我们建议使用非参数，基于图形的测试，以评估多值治疗的观察性研究中的协变量的分布平衡。我们的测试利用图形结构，从连接所有数据的Hamilton路径到最大限度地将数据分成对的最近邻图。我们考虑的算法，形成最小距离图，如最佳的哈密顿路径或非二分匹配，或近似的替代品，如贪婪的哈密顿路径或贪婪的最近邻图。大量的仿真研究表明，所提出的测试是能够检测到的其他方法错过的匹配模型的误指定。与直觉相反，我们还发现，在大多数情况下，在形式良好的近似图上运行的测试比在最佳形式的图上运行的测试做得更好，并且平均而言，在近似最近邻图上正确形成的测试表现最好。在具有乳腺癌数据的多值治疗环境中，这些基于图形的测试还可以检测到普通匹配诊断所遗漏的不平衡。我们提供了一个新的R包graphTest来实现这些方法并重现我们的结果。
2022-08-09 math.ST stat.ME stat.TH
How to use KL-divergence to construct conjugate priors, with well-defined non-informative limits, for the multivariate Gaussian
Phonexia（Phonexia公司）
当均值已知时，Wishart分布是多元高斯似然精度的标准共轭先验，而当均值也未知时，可以使用正态Wishart分布。然而，如何为这些分布的超参数赋值并不那么明显。特别是，当形成这些分布的非信息限制时，Wishart的形状（或自由度）参数必须小心处理。一些作者提出的直接将形状解释为伪计数并使其归零的直观解决方案违反了对形状参数的限制。我们展示了如何使用多变量高斯之间的缩放库尔贝克-莱布勒散度作为能量函数来构造Wishart和正常Wishart共轭先验。当用作信息先验时，这些分布的显着特征是模式，而KL缩放因子用作伪计数。比例因子可以下降到零的极限，以形成不违反Wishart形状参数限制的非信息先验。这个限制是无信息的意义上的后验模式是相同的最大似然估计的高斯参数。
2021-09-16 cs.LG math.ST stat.ML
Optimal Subsampling Design for Polynomial Regression in one Covariate
技术的改进导致大型数据集的可用性增加，这使得对数据简化和提供信息的子样本的需求变得更加重要。在本文中，我们构造了$ D $ -最优子抽样设计的多项式回归在一个协变量不变分布的协变量。我们研究二次回归更密切地为特定的分布。特别是，我们所得到的最优子抽样设计的形状和子样本大小的设计上的效果的声明。为了说明最优子采样设计的优点，我们研究了均匀随机子采样的效率。
2023-02-25 math.ST stat.TH
A copula approach for dependence modeling in multivariate nonparametric time series
本文研究了在可能包含时间序列过去值的协变量存在的情况下，两个（或多个）时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差，但标准化新息的分布不受协变量的影响，并且在时间上是稳定的。联合分布的时间序列，然后确定的条件均值，条件方差和边缘分布的创新，我们估计nonparametrically，和copula的创新，它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明，在适当的假设下，这些copula估计是渐近等价的估计，将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。
2018-12-10 math.ST stat.ME stat.TH
Lasso in infinite dimension: application to variable selection in functional multivariate linear regression
本文研究无限维函数型多元线性回归中的变量选择问题，提出基于Group-Lasso的两种估计方法，并给出稀疏性oracle不等式及坐标下降算法，通过模拟和真实数据验证了估计量的表现。
2023-05-31 math.ST stat.TH
Poisson Regression in one Covariate on Massive Data
针对海量数据下全数据分析不可行的问题，在单协变量Poisson回归模型中构建局部$ D $-最优子抽样设计，并证明其相较均匀随机和启发式设计的效率优势。
2024-03-27 math.ST stat.TH
Identification in a Binary Choice Panel Data Model with a Predetermined Covariate
研究含前定二元协变量的二元选择面板数据模型的参数识别问题，给出参数无法点识别的条件，刻画并通过线性规划计算识别集，验证短面板下识别集仍具信息价值。
2023-07-22 econ.EM math.ST stat.ME
Covariate adjusted functional principal components analysis for longitudinal data
经典的多元主成分分析已被扩展到功能数据，称为功能主成分分析（FPCA）。大多数现有的FPCA方法不适应协变量信息，这是本文的目标，开发两种方法。在第一种方法中，均值协方差函数都依赖于协变量$Z$和时间尺度$t$，而在第二种方法中，仅均值函数依赖于协变量$Z$。这两种新的方法，以适应额外的测量误差和功能数据采样在定期的时间网格，以及稀疏的纵向数据采样在不规则的时间网格。第一种完全调整均值和协方差函数的方法更适合于数据，但比仅调整协变量对均值函数的影响的方法计算量更大。我们开发了一般的渐近理论，这两种方法，并通过模拟研究和数据集数值比较它们的性能。
2010-03-01 math.ST stat.TH
Multivariate time series models for mixed data
我们介绍了一种通用的方法建模的多变量时间序列的动态时，数据是混合类型（二进制/计数/连续）。我们的方法是相当灵活的，有条件的过去的值，每个坐标在时间$t$可以有一个分布兼容的标准单变量时间序列模型，如GARCH，ARMA，INGARCH或逻辑模型，而过去的值的其他坐标发挥作用的外生协变量的动态。多元时间序列中的同时相关性可以用copula来建模。在动态中也允许其他外生协变量。我们首先研究这些模型通常的稳定性，然后表明，自回归参数可以一致地估计方程的方程使用伪极大似然方法，导致快速实现，即使当时间序列的数量是大的。此外，我们证明了一致性的结果时，参数copula模型拟合的时间序列和高斯copula的情况下，我们表明，相关矩阵的似然估计是强一致的。我们仔细检查了两个典型例子的所有假设：GARCH/INGARCH模型和逻辑/对数线性INGARCH模型。我们的结果说明了数值实验以及两个真实的数据集。
2021-04-02 math.ST stat.ME stat.TH
Some asymptotic results for time series model selection
本文研究了一类时间序列模型的模型选择问题，这类模型包括多元计数过程和具有外生协变量的因果过程。提出了一种基于一般惩罚对比度的方法。建立了弱相合性和强相合性的一些渐近结果。解决了非一致性问题，并给出了一类不能保证一致性的惩罚项。连续值和多元计数自回归时间序列的例子被认为是。
2022-01-31 math.ST stat.TH
Bayesian Variable Selection in Multivariate Nonlinear Regression with Graph Structures
高斯图模型（GGM）是使用精度矩阵进行依赖结构概率探索的成熟工具。我们开发了一种贝叶斯方法，将协变量信息在这个GGM设置在一个非线性看似无关的回归框架。我们提出了一个联合预测器和图选择模型，并开发了一个有效的折叠吉布斯采样算法来搜索联合模型空间。此外，我们研究了它的理论变量选择性质。我们证明了我们的方法对各种模拟数据，最后从TCPA项目的真实数据集。
2021-07-31 math.ST stat.ME stat.TH
Estimations of means and variances in a Markov linear model
多元回归模型和方差分析可能是所有统计分析中最常用的方法。我们研究的情况下，预测是定性变量，响应变量是定量的。在这种情况下，我们提出了一种替代经典的方法，不假设同方差，但假设一个马尔可夫链可以描述协变量的相关性。该方法使用测量变更将相关协变量转换为独立协变量。转换后的估计值允许成对比较不同协变量值贡献的均值和方差。我们证明了在标准矩条件下，估计量是渐近正态分布的。我们测试我们的方法与模拟数据，并将其应用到几个经典的数据集。
2021-05-03 math.ST stat.AP stat.TH
Joint Mean and Correlation Regression Models for Multivariate Data
本文提出一种联合均值与相关性回归模型，可同时回归多元响应的均值与相关性，并开发了联合估计方程和迭代估计程序，模拟验证了其有限样本性能，应用于苏格兰38种步甲虫数据，揭示了环境协变量对物种丰度的影响及体长对物种间相关性的驱动作用。
2025-02-27 math.ST stat.AP stat.ME
Asymptotic Unbiasedness of the Permutation Importance Measure in Random Forest Models
Technical University of Dortmund（多特蒙德工业大学）
从生物医学研究到计量经济学的应用表明，稀疏回归模型中的变量选择是一个重要的任务。特别是对于高维回归问题，响应和协变量之间的联系函数不能直接检测，信息变量的选择是具有挑战性的。在这些情况下，随机森林方法是预测新结果的有用工具，同时提供变量选择的度量。一种常见的方法是使用排列重要性。基于随机森林的排列重要性方法具有直观的思想和灵活的使用方法，对于探索环境中正确表示信息协变量具有重要意义。关于后者，我们提供理论保证的有效性的置换重要性措施在特定的假设下，并证明其（渐近）无偏性。一个广泛的模拟研究验证了我们的研究结果。
2019-12-05 cs.LG math.ST stat.ML
