Categorical data analysis using discretization of continuous variables to investigate associations in marine ecosystems
本研究针对海洋生态数据稀疏、时序短的问题，提出一种结合连续变量离散化与统计信息准则的两步分类数据分析方法，经模拟验证后应用于两个极地海洋数据集，探究物种与环境及种间的条件关联。
2023-08-28 stat.ME
Subspace decompositions for association structure learning in multivariate categorical response regression
针对多元分类响应回归中现有方法可解释性差、灵活性不足的问题，提出基于新颖子空间分解的惩罚似然方法，可识别三类关联并在张量积空间转化为线性问题，兼具理论保证与良好的可解释性和预测精度。
2024-10-06 math.ST stat.ME stat.TH
Partitioned conditional generalized linear models for categorical data
在分类数据分析中，已经提出了几种用于分层结构响应变量的回归模型，例如嵌套logit模型。但它们只在等级制度中的两三个层次上得到正式定义。在这里，我们介绍了一类划分的条件广义线性模型（PCGLM）定义的任何数量的水平。这些模型的层次结构完全由类别的分区树指定。使用（r，F，Z）规格的通用性，PCGLM可以处理名义型，有序型，但也部分有序的响应变量。
2014-05-22 stat.ME
Association measures for two-way contingency tables based on multi-categorical proportional reduction in error
Tokyo University of Science（东京科学大学）
本文提出了一种基于多类比例误差减少的关联度量，用于评估解释变量对响应变量的预测贡献，克服了传统PRE度量可能返回0值的局限。
2026-04-16 stat.ME
Phase Transitions in Genome-wide Association Studies and Categorical Variable Screenings
受全基因组关联筛选研究（GWAS）的启发，我们研究了检验统计量具有近似χ 2分布的分类变量的高维边缘筛选。我们在高维卡方模型的特征四个新的相变，并推导出必要的和足够的统计程序，同时控制错误发现（在家庭明智的差错率或错误发现率）和错过检测（在家庭明智的非发现率或错误的非发现率）在大尺寸的信号大小。值得注意的是，自由度的χ 2分布不影响在所有四个相变的边界。几个众所周知的程序，以达到这些界限。在高斯位置模型下，还发现了两个新的相变。然后，我们阐明了关联检验中信号大小的性质，通过描述其与边际频率、比值比和$2\times2$列联表中样本量的关系。这使我们能够说明在全基因组关联研究（GWAS）的相变现象的一个有趣的表现。我们还表明，也许令人惊讶的是，给定的总样本量，平衡设计在这样的关联研究很少提供最佳的功率检测罕见的遗传变异的影响。
2022-06-03 math.ST stat.ME stat.TH
Simultaneous Monitoring of a Large Number of Heterogeneous Categorical Data Streams
本文提出了一个强大的方案，以监测大量的分类数据流与异构参数或性质。所考虑的数据流可以是具有多个属性级别的标称数据流，也可以是具有属性级别之间的某种自然顺序的有序数据流，例如好的、边缘的和坏的。对于有序数据流，假设存在一个对应的潜在连续数据流来决定它，而且不同的数据流可能具有不同的属性水平数和不同的水平概率值。传统的多变量分类控制图因其高维性而无法应用。在这里，我们集成的局部指数加权似然比检验统计数据从每个单一的流，无论名义或有序，到一个强大的拟合优度测试通过一些归一化过程。最后提出了一种全球监测统计方法。仿真结果证明了该方法的鲁棒性和有效性。
2021-12-15 math.ST stat.ME stat.TH
Identifying the Most Appropriate Order for Categorical Responses
本研究将分类响应的顺序视为模型参数，提出用似然准则选择最优顺序，证明其预测优势及等价顺序的存在，并通过模拟和实证验证其必要性。
2024-03-18 math.ST stat.ME stat.TH
A Conway-Maxwell-Multinomial Distribution for Flexible Modeling of Clustered Categorical Data
本文提出Conway-Maxwell多项分布用于灵活建模具有正关联或负关联的聚类分类数据，研究其性质、最大似然估计方法及小样本表现，并通过数据分析示例验证模型有效性。
2019-11-05 stat.ME
variable selection and missing data imputation in categorical genomic data analysis by integrated ridge regression and random forest
全基因组关联研究（GWAS）所获得的基因组数据往往是大规模的，而且是不完整的。其不完备性的一种特殊形式是具有不可解释的缺失机制的缺失值。基因组数据的内在复杂性提出了显着的挑战，在开发一个公正的和翔实的程序表型-基因型关联分析的统计变量选择方法。在本文中，我们开发了一个连贯的分类表型-基因型关联分析的程序，在GWAS数据中的缺失值与不可解释的缺失机制的存在下，通过整合最先进的方法，随机森林的变量选择，加权岭回归与期望最大化算法的缺失数据填补，和线性统计假设检验确定缺失机制。两个模拟的GWAS被用来验证所提出的程序的性能。该程序，然后应用于分析一个真实的数据集，从乳腺癌GWAS。
2021-11-10 stat.AP stat.ME
Bayesian Estimation and Regularization Techniques in Categorical Data Analysis
本文研究分类数据分析中的贝叶斯估计与正则化技术，重访二项分布贝叶斯估计量性质，提出基于正则化似然的分类数据假设检验，构建列联表关联度量及互信息的正则化版本以处理零计数问题，为高级方法的实际应用奠基。
2025-09-02 stat.ME
Modal Clustering for Categorical Data
针对分类数据聚类缺乏统一定义的问题，提出基于高频与变量关联的新簇概念，结合连续场景模态聚类工具开发新流程，经真实数据示例与模拟验证有效。
2025-02-21 stat.ME
Nearest Neighbor Imputation for Categorical Data by Weighting of Attributes
缺失值是应用研究各个领域中普遍存在的现象。虽然各种插补方法可用于度量尺度变量，分类数据的方法是稀缺的。最近邻法是一种适用于高维度量尺度变量的插补方法。本文将加权最近邻方法推广到填补分类变量中的缺失值。所提出的方法，称为$\mathtt{wNNSel_{cat}}$，显式地使用属性之间的关联信息。不同插补方法的性能进行了比较的比例错误插补值。仿真结果表明，加权属性产生较小的插补误差比现有的方法。各种真实的数据集被用来支持模拟得到的结果。
2017-10-03 stat.ME
A novel framework for quantifying nominal outlyingness
本文提出了一种基于关联规则挖掘的名义异常度量化框架，通过计算异常分数并引入变量贡献和异常度深度提升可解释性，在合成与公开数据集上表现优于或媲美现有频繁模式挖掘算法。
2025-09-18 stat.ME
Diagnostics for categorical response models based on quantile residuals and distance measures
针对多项分类响应模型诊断中残差维数高且分布未知的问题，本文提出结合随机化分位数残差与欧氏、马氏距离度量的降维诊断方法，并通过模拟和实际数据验证其有效性。
2023-07-06 q-bio.QM stat.ME
Visualizing class specific heterogeneous tendencies in categorical data
在多重对应分析中，个体（观察）和类别都可以用双标图表示，双标图共同描绘了类别或个体之间的关系，以及它们之间的关联。关于个体的额外信息可以增强解释能力，例如通过包括分类变量，其相互依赖性不是直接关注的，但有助于解释关于个体和类别之间的关系的图。本文提出了一种新的方法来添加这样的信息，根据多集聚类对应分析方法，识别特定于类的聚类，或对应于附加变量类别的数据子集。所提出的方法可以构建一个双标图，描绘个体成员的异质性趋势，以及它们与原始分类变量的关系。模拟研究，调查所提出的方法的性能和应用程序的数据，在英国的道路交通事故证实了这种方法的可行性。
2019-01-09 stat.ME
A Constructive Procedure for Modeling Categorical Variables: Log-Linear and Logit Models
利用基于多元多项分布的信息恒等式分析列联表中分类变量之间的关联。一个计划的几何分解的信息身份的发展，以确定不可或缺的预测和相互作用的影响，在建设简洁的对数线性和logit模型，它提出了一种新的方法来选择简约的对数线性和logit模型，这将有利于搜索最小的AIC模型作为副产品。建议的建设性方案说明随着分析的应变数据表收集的研究缺血性脑卒中的危险因素。
2018-04-07 stat.ME
On the properties of distance covariance for categorical data: Robustness, sure screening, and approximate null distributions
针对卡方检验在大型稀疏列联表中统计功效低的问题，本文研究了分类变量distance covariance的稳健性、筛选强相合性及近似零分布，并通过模拟验证了其优越性。
2024-03-26 stat.ME
Categorical Data Fusion Using Auxiliary Information
在数据融合中，分析师寻求将来自由不相交的个体集组成的两个数据库的信息组合起来，其中一些变量出现在两个数据库中，而其他变量只出现在一个数据库中。大多数数据融合技术依赖于条件独立假设的变体。如果不适当，这些假设可能会导致不可靠的推论。我们提出了一种数据融合技术，使分析师可以很容易地将辅助信息的依赖结构的变量没有共同观察，我们称之为胶水这种辅助信息。通过这种技术，我们使用在线快速响应民意调查公司CivicScience的胶水将图书出版商HarperCollins的两项营销调查融合在一起。融合后的数据能够估计人们对作者的偏好和对新书的了解之间的关联。该分析还可作为一个案例研究，探讨利用在线调查协助数据融合的可能性。
2015-06-19 stat.ME
An association measure for mixed-type variables
Seoul National University（首尔国立大学）
针对混合型变量关联度量的稳定性与计算效率问题，本文提出标签不变的总体度量ξ'及样本估计量ξ_n'，经模拟和TCGA数据验证，该方法兼具编码稳定性、检验功效与计算优势。
2026-07-30 math.ST stat.ME stat.TH
Bayesian Mixture Models With Focused Clustering for Mixed Ordinal and Nominal Data
在某些情况下，混合模型可以很好地拟合某些变量，而牺牲其他变量的方式超出了分析师的控制。例如，当数据包括具有非平凡量的缺失值的一些变量时，混合模型可以以具有高分数的缺失数据的变量为代价来拟合接近和完全完整的变量的边缘分布。出于这种设置，我们提出了一个混合模型的混合序数和名义数据，将变量分为两组，焦点变量和剩余变量。该模型允许分析师为焦点变量指定一个丰富的子模型，为其余变量指定一个更简单的子模型，但仍然可以捕获变量之间的关联。使用模拟，我们说明了集中聚类的优点和局限性相比，混合模型，不区分变量。我们应用该模型来处理2012年美国全国选举研究分析中的缺失值，估计投票行为，意识形态和政党关系之间的关系。
2016-07-21 stat.ME
Modeling the Association Structure in Doubly Robust GEE for Longitudinal Ordinal Missing Data
广义估计方程（GEE）是一个众所周知的方法分析分类纵向响应。GEE方法具有计算简单和总体参数解释。在存在缺失数据的情况下，仅在完全随机缺失的强假设下有效。相关有序纵向数据的双稳健估计（DRGEE）是MAR机制下处理间歇缺失响应和协变量的一种很好的方法。独立工作相关性是DRGEE的标准方式。然而，当协变量不是时间平稳的时，可以使用结构化关联来获得效率。本文的目标是扩展DRGEE估计允许建模的关联结构的相关系数或局部优势比。仿真结果表明，局部优势比参数化的性能更好，特别是对小样本。该方法适用于与风湿性二尖瓣狭窄相关的数据集。
2015-06-15 stat.ME
gcor: A Python Implementation of Categorical Gini Correlation and Its Inference
West Liberty University（西弗吉尼亚州立大学）
本文提出一种基于分类Gini相关性（CGC）的Python实现，用于计算相关性、构建置信区间及进行独立性检验，通过高效算法和并行化提升计算效率。
2026-05-11 stat.CO stat.ME
On clustering levels of a hierarchical categorical risk factor
本文提出数据驱动的 PHiRAT 算法，自上而下利用损失率、索赔频率及文本嵌入特征对分层名义风险因子聚类，以减少类别并提升风险区分与样本外泛化能力。
2024-06-11 stat.AP stat.ME
Further Inference on Categorical Data -- A Bayesian Approach
本文从贝叶斯视角研究二维分类数据的三个推断问题，提出基于类别感知偏好的非对称先验，并利用相关矩阵扩展独立性检验，结合闭式积分、蒙特卡洛和MCMC方法进行后验推断。
2020-11-10 math.ST stat.ME stat.TH
CAT: a conditional association test for microbiome data using a leave-out approach
本文提出条件关联检验CAT，通过留出法量化特征移除后结局关联减弱程度，以考虑其他特征和系统发育相关性，支持多种结局类型的关联检验，为微生物组干预设计提供信息。
2023-09-15 stat.ME
smartcor: Intelligent Correlation Method Selection for Mixed Variable Types
American University of Sharjah（沙迦美国大学）；Indian Institute of Management Indore（印多尔印度管理学院）
研究针对混合变量类型选择相关方法的问题，利用smartcor包（R语言和Python）自动检测变量类型，为每对变量选择合适方法并解释，支持14种方法涵盖10种变量对组合，经模拟验证和案例研究展示了该方法优势。
2026-07-27 stat.CO stat.ME
Modelling High-Dimensional Categorical Data Using Nonconvex Fusion Penalties
本文提出了一种高维线性模型的估计方法。我们的估计器称为SCOPE，通过使它们对应的系数完全相等来将水平融合在一起。这是通过对分类变量的系数的顺序统计量之间的差异使用极小极大凹罚来实现的，从而对系数进行聚类。我们提供了一个算法，精确和有效的计算结果的非凸目标的全局最小值的情况下，一个单一的变量与潜在的许多水平，并使用此块坐标下降过程中的多变量的情况下。我们表明，利用未知水平融合的Oracle最小二乘解是具有高概率的坐标下降的极限点，只要真实水平具有一定的最小分离;这些条件在单变量情况下已知是最小的。我们证明了良好的性能范围内的真实和模拟数据集。CRAN上有一个R包CatReg，它实现了线性模型的SCOPE，还有一个逻辑斯谛回归的版本。
2021-12-17 math.ST stat.CO stat.ME
Nonparametric Statistical Inference and Imputation for Incomplete Categorical Data
分类数据的缺失是各种实际应用中常见的问题。传统的方法要么只利用完整观测值，要么不考虑缺失数据的真实条件分布，而采用一些特别的方法来估算缺失数据，从而丢失或扭曲了部分观测值中丰富的信息。在本文中，我们提出了Dirichlet过程的折叠乘积多项式混合（DPMCPM）的完整的数据联合建模和计算模型的效率。通过拟合乘积-多项分布的无限混合，DPMCPM适用于任何分类数据，而不管真实分布如何，其中可能包含变量之间的复杂关联。在潜在类分析的框架下，我们表明，DPMCPM可以通过创建一个额外的类别来表示缺失，这隐含地整合了丢失的部分，就其真实的条件分布的一般缺失机制建模。通过模拟研究和实际应用，我们证明了DPMCPM在各种缺失机制的不完全分类数据的统计推断和插补方面优于现有方法。DPMCPM作为R包\texttt{MMDai}实现，可从Comprehensive R Archive Network（https://cran.r-project.org/web/packages/MMDai/index.html）获得。
2019-07-11 stat.CO stat.ME
Modelling longitudinal polytomous animal data using Bayesian hierarchical models
针对纵向名义多分类数据分析中参数过多、模型不收敛及过度离散等问题，本文提出基于无信息先验和MCMC的贝叶斯分层模型，并通过猪行为数据的应用研究验证其有效性，同时提供R实现代码以支持农业实验设计中的相关分析。
2025-07-22 q-bio.QM stat.ME
Marginal Models: an Overview
本章概述了边际模型的发展，探讨其定义、基于边际对数线性参数化的基本属性，以及最大似然和广义估计方程等估计算法，并展示其在有向图模型和含潜变量模型中的应用。
2023-04-06 stat.ME
Mapping Multivariate Phenotypes in the Presence of Missing Observations for Family-Based Data
针对家系数据中表型缺失的问题，本研究探索基于可用表型（连续、计数、分类型）分别用条件正态、泊松、逻辑模型估计缺失值，再进行基于传递的关联检验，通过模拟评估插补策略对检验功效的影响。
2025-04-15 stat.ME
Categorical Exploratory Data Analysis: From Multiclass Classification and Response Manifold Analytics perspectives of baseball pitching dynamics
从多类分类（MCC）和响应流形分析（RMA）两个耦合的角度，在PITCHf/x数据库上，对美国职业棒球大联盟（MLB）投球动力学的信息内容进行了分类探索性数据分析（CEDA）。MCC和RMA的信息内容表示的一个集合的多尺度模式类别从混合几何和一个集合的全球到局部的几何位置从响应协变量流形，分别。这些集体揭示了投球动态，并绘制出流行的机器学习方法的不确定性。在MCC设置下，基于间接距离测度的标签嵌入树发现了标签点云之间混合几何的不对称性。互补协变量特征组的选定链共同产生多阶混合几何模式类别。这样的分类揭示了MCC预测推理的真实性质。在RMA设置中，多个响应特征与多个主要协变量特征耦合，以展示具有自然局部格的流形的物理原理。由于局部识别了次要特征的异质效应，这些局部将其焦点特征共同编织到系统理解中，并为RMA预测推理提供了平台。我们的CEDA适用于通用数据类型，采用非线性关联，并促进有效的特征选择和推理。
2020-06-25 stat.AP stat.ME
Fiducial Matching: Differentially Private Inference for Categorical Data
针对差分隐私下分类数据推断的难题，提出基于fiducial框架的模拟匹配方法，通过复制含DP步骤的数据生成流程获取估计的近似分布，有效实现了置信区间构建与假设检验。
2025-07-15 stat.CO stat.ME stat.ML
A Nonparametric Measure of Local Association for two-way Contingency Tables
在列联表分析中，比值比是一种常用的测量方法，用于总结两个分类变量（如R和S）之间的关联程度。现在假设对于表中的每个个体，也观察到连续变量X的向量。因此，分析关联度是否以及如何随X而变化是至关重要的。在这项工作中，我们扩展了经典的优势比的条件的情况下，并开发非参数估计的这种“逐点优势比”，以总结强度的局部关联R和S给定X。为了允许最大的灵活性，我们使用内核回归进行此扩展。我们开发的置信区间的基础上，这些非参数估计。我们通过模拟证明，我们的逐点优势比估计可以优于基于模型的同行从逻辑斯谛回归和GAM，而不需要线性或加性假设。最后，我们说明了它的应用程序从重症监护病房（ICU）的患者的数据集，提供了一个更深入的了解如何急诊与择期原因入院的患者的生存之间的关联随患者的年龄而变化。
2012-11-14 math.ST stat.ME stat.TH
A Bayesian framework for measuring association and its application to emotional dynamics in Web discourse
本研究提出一种基于变量独立性定义、用MCMC实现的贝叶斯框架，可精确估计分类变量关联度的置信区间与显著性，应用于葡萄牙语推文情感分析发现关联、对立情感对及层级关系并完成情感聚类。
2024-03-11 cs.CY stat.AP stat.ME
Statistical tests for comparing the associations of multiple exposures with a common outcome in Cox proportional hazard models
提出一种基于复制方法的 Cox 模型多变量 Wald 检验，用于正式比较多种暴露与共同结局的关联差异，并通过膳食模式与慢性病实例及 R 代码验证其灵活性。
2024-03-20 stat.AP stat.ME
Exact Comparison of Explanatory Strength of Two Dependent Predictors
University of South Bohemia, Faculty of Agriculture and Technology（南波希米亚大学农业与技术学院）；University of South Bohemia, Faculty of Arts（南波希米亚大学文学院）
针对两个依赖预测变量对共同目标的解释力比较，提出配对交换置换检验，通过保持边际分布和协方差结构实现精确非参数推断，在标准方法失效时仍能维持名义显著性并最大化统计功效。
2026-06-26 stat.ME
Multiple multi-sample testing under arbitrary covariance dependency
现代高通量生物医学设备常规地产生大规模的数据，并且高维数据集的分析在生物医学研究中已经变得司空见惯。然而，鉴于这些数据集中有数千或数万个测量变量，提取有意义的特征是一个挑战。在这篇文章中，我们提出了一个程序来评估一个名义（分类）响应变量和多个功能之间的关联的强度。具体而言，我们提出了一个框架下的大规模多重检验任意相关依赖的检验统计量。首先，分别对每个特征进行边际多项式回归。其次，我们使用多个边际模型的方法，为每个基线类别对建立渐近联合正态的堆叠向量的边际多项式回归系数。第三，我们估计所有边际模型估计系数之间的（极限）协方差阵。最后，我们的方法近似实现的错误发现比例的阈值处理过程的边缘p值，为每个基线类别对。所提出的方法提供了一个合理的权衡预期数量的真和假拒绝。此外，我们展示了一个实际应用的方法对高光谱成像数据。该数据集通过基质辅助激光解吸/电离（MALDI）仪器获得。MALDI在临床诊断，特别是癌症研究方面具有巨大的潜力。在我们的应用程序中，标称响应类别表示癌症亚型。
2022-02-24 stat.ME
A general framework for implementing distances for categorical variables
Erasmus University Rotterdam（鹿特丹伊拉斯姆斯大学）；University of Naples Federico II（那不勒斯费德里科二世大学）；Democritus University of Thrace（色雷斯德谟克利特大学）
受试者在由一组变量测量的某些属性方面彼此不同的程度在许多统计方法中起着重要作用。例如，分类、聚类和数据可视化方法都需要对观测值的差异进行量化。我们可以把这种差异的量化称为距离。距离的适当定义取决于数据的性质和手头的问题。对于数值变量之间的距离，有许多定义取决于观察到的差异的大小。对于分类数据，距离的定义更复杂，因为没有直接量化观察到的差异的大小。因此，有许多建议可以用来衡量基于分类变量的差异。在本文中，我们介绍了一个通用的框架，允许一个有效的和透明的实施之间的距离观察分类变量。我们表明，现有的几个距离可以纳入框架。此外，我们的框架很自然地导致引入新的距离公式，并允许实现灵活的，案例和数据特定的距离定义。此外，在监督分类设置中，该框架可以用于构建包含响应变量和预测变量之间的关联的距离，从而提高基于距离的分类器的性能。
2023-01-04 cs.LG stat.ME stat.ML
A Distribution-Free Test of Independence and Its Application to Variable Selection
基于高维数据中响应变量与预测变量之间关联性的重要性，本文提出了一种基于均值方差指标的分类随机变量与连续变量之间独立性的均值方差检验.当且仅当两个变量独立时，均值方差指数为零。在独立性条件下，我们得到了它的渐近零分布的一个显式形式，这为我们在实际中计算经验p值提供了一种有效而快速的方法。允许分类变量的类数缓慢发散到无穷大。它本质上是一个秩检验，因此是无分布的。不需要对两个随机变量的分布作任何假设，而且检验统计量在一一变换下是不变的。它是抵抗重尾分布和极端值。我们通过蒙特卡罗模拟评估其性能，并证明所提出的测试与现有的测试相比，实现了更高的功率。我们将建议的MV测试应用于高维结肠癌基因表达数据，以检测与组织综合征相关的显著基因。
2018-01-31 stat.ME
A Framework for Understanding Selection Bias in Real-World Healthcare Data
本文提出基于有向无环图的分析框架，剖析真实医疗数据中选择偏倚的来源，并比较四种易实施的加权校正方法及其方差推断。
2023-08-17 stat.ME
De-biased Lasso for Generalized Linear Models with A Diverging Number of Covariates
对单核苷酸多态性与疾病之间的联合关联进行建模和推断引发了全基因组关联研究的兴趣。在激发波士顿肺癌生存队列（BLCSC）数据中，存在大量感兴趣的单核苷酸多态性，尽管小于样本量，但对它们与疾病结局的联合关联的推断提出了挑战。在类似的设置中，我们发现，去偏套索方法（van de Geer et al. 2014），它假设逆信息矩阵上的稀疏性，也不是标准的极大似然方法可以为广义线性模型产生具有满意覆盖概率的置信区间。在这种“大$n$，发散$p$“的情况下，我们提出了一种替代的去偏套索方法，通过直接反转Hessian矩阵，而不施加矩阵稀疏性假设，这进一步减少了偏差相比，原来的去偏套索，并确保有效的置信区间与标称覆盖概率。建立了参数估计的任意线性组合的渐近分布，为推论奠定了理论基础。仿真结果表明，改进的去偏估计方法能够很好地消除偏差，得到诚实的置信区间覆盖。我们使用所提出的方法来分析上述BLCSC数据，这是一项大规模的基于医院的流行病学队列研究，旨在研究遗传变异对肺癌风险的联合影响。
2021-11-16 stat.ME
Bayesian mixture modeling for multivariate conditional distributions
我们提出了一个贝叶斯混合模型，用于估计一组固定变量条件下的混合有序、名义和连续数据的联合分布。该模型对随机变量使用多元正态和分类混合核。它通过多变量正态混合核和截断局部Dirichlet过程来诱导随机变量和固定变量之间的依赖性。后者鼓励具有相似固定变量值的观测值共享混合分量。使用数据融合的模拟，我们说明，该模型可以估计潜在的关系，在数据和缺失值的分布更准确地比混合模型应用于随机和固定变量联合。我们使用该模型来分析消费者的阅读行为，使用配额样本，即，一个样本，其中一些变量的经验分布是固定的设计，所以不应该被建模为随机的，由图书出版商哈珀柯林斯进行。
2016-07-13 stat.ME
Tests for categorical data beyond Pearson: A distance covariance and energy distance approach
University of Santiago de Compostela（圣地亚哥德孔波斯特拉大学）；Santiago Health Research Institute (IDIS)（圣地亚哥健康研究所）；German Cancer Research Center (DKFZ)（德国癌症研究中心）
针对分类变量独立性检验，提出基于距离协方差和能量距离的方法，克服Pearson卡方检验和G检验的缺陷，无需重采样即可校准零分布。
2026-06-17 math.ST stat.AP stat.ME
Wrong Model, Right Uncertainty: Spatial Associations for Discrete Data with Misspecification
MIT LIDS（麻省理工学院LIDS）
针对空间离散数据关联估计中现有方法存在模型误设假设、采样非随机且不适用于离散响应的问题，提出首个在模型误设和非随机采样下仍保证渐近名义覆盖率的置信区间方法，经实验验证其可靠性优于标准方法。
2025-09-01 cs.LG stat.ME stat.ML
Hierarchical clustering of mixed-type data based on barycentric coding
混合类型数据集的聚类可能是一项特别具有挑战性的任务，因为它需要考虑具有不同测量水平的变量之间的关联，即，标称、序数和/或间隔。在某些情况下，层次聚类被认为是一种合适的方法，因为它对数据做了很少的假设，并且它的解决方案可以很容易地可视化。由于大多数层次聚类方法假设变量是在相同的尺度上测量的，因此聚类混合类型数据的一个简单策略是在聚类之前对变量进行同质化。这意味着要么将连续变量重新编码为分类变量，要么反之亦然。然而，连续变量的典型离散化意味着信息的丢失。在这项工作中，凝聚层次聚类方法的混合类型的数据，它依赖于一个重心编码的连续变量。所提出的方法最大限度地减少了信息损失，是兼容的对应分析的框架。该方法的实用性证明了真实和模拟数据。
2022-04-20 stat.ME
Variance partitioning in multilevel models for count data
将多水平模型拟合到连续响应时的第一步是探索数据中的聚类程度。研究人员拟合方差分量模型，然后报告由于集群之间的系统差异而导致的响应变化的比例。同样，它们报告集群内单元之间的响应相关性。这些统计量通常被称为方差分配系数（VPC）和组内相关系数（ICC）。当将多水平模型拟合到分类（二元、有序或名义型）响应和计数响应时，这些统计量的计算更具挑战性。对于分类反应模型，研究人员呼吁他们的潜在反应配方和报告VPC/ICC的潜在连续反应设想的基础上观察到的分类反应。然而，对于标准计数响应模型，没有相应的潜伏响应公式。更一般地说，缺乏关于如何划分变异的指导。因此，应用研究者可能会避免或不充分的报告和讨论集群和集群效应在他们的研究中的实质性重要性。最近的一篇文章引起了人们对两水平随机截距泊松模型特殊情况下VPC/ICC的一个鲜为人知的精确代数表达式的注意。在这篇文章中，我们做出了重大的新贡献。首先，我们推导出更灵活的负二项模型的精确VPC/ICC表达式，该模型允许过度分散，这种现象在实践中经常发生。然后，我们推导出确切的VPC/ICC表达式的三个级别和随机系数扩展这些模型。我们说明我们的工作与学生缺勤的应用。
2020-02-13 stat.AP stat.ME
A Deterministic Information Bottleneck Method for Clustering Mixed-Type Data
Department of Mathematics, Imperial College London, London, United Kingdom（伦敦帝国学院数学系）；School of Education, Democritus University of Thrace, Greece（德莫克利特斯大学教育学院）
本文提出DIBmix方法，通过信息瓶颈原理处理混合类型数据聚类，解决带宽选择和超参数更新问题，在大小不平衡和重叠数据中表现优异。
2026-01-29 cs.LG stat.ME stat.ML
A Bayesian Approach for Inference on Mixed Graphical Models
针对混合数据变量间依赖关系识别问题，提出一种满足马尔可夫性质、可处理多类数据与缺失值的贝叶斯成对图模型，结合尖峰-板条先验与MCMC算法推断，经模拟和真实进食障碍青少年数据验证有效。
2025-05-21 stat.AP stat.ME
Inference After Selecting Plausibly Valid Instruments with Application to Mendelian Randomization
孟德尔随机化（MR）是遗传流行病学中的一种流行方法，通过使用遗传工具来估计暴露对结果的影响。这些仪器通常是从全基因组关联研究（GWAS）和数据驱动的仪器选择程序或测试的先验知识的组合中选择的。不幸的是，在测试曝光效应时，事先完成的仪器选择过程没有考虑在内。本文研究和强调的偏见，不占的工具选择过程中，集中在最近的数据驱动的工具选择程序，sisVIVE，作为一个例子。我们引入了一种条件推理方法，该方法以先验的仪器选择为条件，并利用选择性推理的最新进展来推导MR中暴露效应的流行检验统计量的条件零分布。零分布可以用个体水平或汇总水平来表征。我们表明，我们的条件置信区间来自条件零分布达到所需的名义水平，而典型的信心在MR中计算的时间间隔则没有。最后，我们使用UKBiobank的汇总数据重新分析了BMI对舒张压的影响。
2019-11-10 stat.AP stat.ME
