Modelling handball outcomes using univariate and bivariate approaches
针对手球进球数相对 Poisson 分布低离散的问题,本文通过建模分差,提出 Skellam 回归、零膨胀及其他整数分布模型,并用 copulas 构建刻画上下半场的双变量模型,在德国 Bundesliga 数据上验证其潜力。
stat.APstat.ME
Depth-based Runs Tests for Bivariate Central Symmetry
McWilliams(1990)引入了一个基于游程的非参数方法来检验关于原点(等价地,关于任意指定中心)的单变量对称性。他的程序首先根据观测值的绝对值对它们重新排序,然后当得到的符号序列中的游程数量太少时拒绝空值。这个测试是普遍一致的,具有很好的鲁棒性,但不幸的是,仅限于单变量设置。本文将McWilliams方法推广到二元中心对称性的检验中。所提出的测试首先根据它们在样本的对称化版本中的统计深度对观测值进行重新排序,然后当单纯运行的原始概念太小时拒绝空值。我们的测试是仿射不变的,并具有良好的鲁棒性。特别是,它们不需要任何有限矩假设。我们导出了它们的极限零分布,从而建立了它们的无渐近分布。我们通过蒙特卡罗实验研究了它们的有限样本性质,并给出了一些结论。
stat.ME
Bivariate change point detection: joint detection of changes in expectation and variance
提出了一种变点检测方法。本文考虑一个单变量独立随机变量序列,其期望值和方差均为分段常数,除此之外,其分布可以周期性变化。我们的目标是检测期望和方差的变化点。为此,我们提出了一个统计测试的原假设无变化点和算法的变化点检测。两者都是基于一个双变量移动和方法,共同评估的均值和经验方差。与单独的单变量方法相比,联合考虑有助于改善推断。我们有信心地推断变化的强度和类型。非参数方法支持对不同数据的分析。此外,多尺度方法解决了变化点和影响中的复杂模式。我们通过理论结果和仿真研究证明了性能。讨论了配套的R包jcp(可在CRAN上获得)。
math.STstat.MEstat.TH
On a bivariate Birnbaum-Saunders distribution parameterized by its means: features, reliability analysis and application
Birnbaum-Saunders模型已被广泛用于正偏态数据的建模。本文引入了一个以均值为参数的二元Birnbaum-Saunders分布。我们提出了一些性质的单变量和双变量Birnbaum-Saunders模型。讨论了模型参数的极大似然估计和修正矩估计及其相关推论。仿真研究进行评估的性能的极大似然和修改的时刻估计。讨论了置信区间的概率覆盖。最后,一个现实世界的数据分析进行说明所提出的模型。
stat.ME
A sub-asymptotic model for bivariate threshold exceedances
UCLouvain(天主教鲁汶大学);Laboratoire des Sciences du Climat et de l’Environnement (IPSL, CNRS, CEA, UVSQ)(气候与环境科学实验室(IPSL,CNRS,CEA,UVSQ))
本文提出了一种灵活的亚渐近参数模型,用于建模双变量阈值超额,能够捕捉广泛的尾部依赖行为,并在保留单变量GP尾部时作为极限情况。
stat.ME
Bivariate binomial conditionals distributions with positive and negative correlations: A statistical study
本文讨论了一个条件为一元二项分布,边缘不为二项且负相关的二元分布。一些有用的结构性质,即边缘,时刻,生成函数,随机排序的分布进行了研究。给出了负相关、边际超离差、和的分布以及条件给定和的简单证明。的分布示出的多参数指数家庭的一员,一些自然的,但有用的后果也概述。拟议的分布倾向于Ghosh等人(2020)最近研究的条件泊松分布。最后,该分布拟合到两个二元计数数据集,具有固有的负相关性,以说明其适用性。
stat.ME
Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law
University of Nevada, Reno(内华达大学雷诺分校)
本文提出双变量伽马广义拉普拉斯分布模型,通过最大似然估计简化估计过程,并展示其在金融数据中的应用。
math.PRmath.STq-fin.ST
A Novel Bivariate Generalized Weibull Distribution with Properties and Applications
本文提出了一种新的二元广义 Weibull 分布族,推导了其统计性质与 copula,采用极大似然和贝叶斯方法估计参数,并通过模拟和实际数据验证了其有效性。
math.STstat.MEstat.TH
Bivariate Analysis of Birth Weight and Gestational Age Depending on Environmental Exposures: Bayesian Distributional Regression with Copulas
在这篇文章中,我们分析了围产期数据与出生体重(BW)作为主要有趣的反应变量。遗传年龄(GA)通常是一个重要的协变量,并包括在多项式形式。然而,与这种单变量回归相反,建议对BW和GA进行双变量建模,以区分对每一个、对两者以及它们之间的影响。而不是一个参数的二元分布,我们应用条件copula回归,其中的边缘分布的BW和GA(不一定是相同的形式)可以独立估计,其中的依赖结构建模条件的协变量分别从这些边缘。在所得到的分布回归模型中,两个边缘和copula参数的所有参数都是观测特定的。除了生物统计和产科信息外,还包括饮用水污染和产妇吸烟数据,作为环境协变量。虽然高斯分布适用于BW,但三参数Dagum分布更好地模拟了倾斜的GA数据。克莱顿copula表现优于Gumbel和对称高斯copula,表明较低的尾部依赖性(当两个变量都很低时,依赖性更强),尽管BW和GA之间的这种非线性依赖性令人惊讶地弱,并且只受剖腹产的影响。一个非线性趋势的BW GA检测到一个经典的单变量模型,是多项式的GA的效果。两个模型对BW均值的线性影响相似,而我们的分布copula回归也揭示了协变量对所有其他参数的影响。
stat.APstat.ME
On the Ristic-Balakrishnan distribution: bivariate extension and characterizations
在过去的几十年里,一个显着的发展已经取得了一些众所周知的寿命分布的各种策略的增强。这些新开发的模型在模拟各种现实生活现象方面取得了相当大的成功。受此启发,Ristic & Balakrishnan(2012)开发了一类特殊的单变量分布(参见Ristic- Balakrishnan(2012))。因此,我们把这类分布称为RB-G分布族。RB-G族具有与G分布相同的参数加上附加的正形状参数a。从一个给定的G分布可以得到几个RB-G分布。对于a = 1,基线G分布是RB-G族的基本范例,具有朝向具有各种形状的情况的连续交叉。在这篇文章中,我们将重点关注这个族的特征,并讨论二元RB-G分布族的一些结构性质,这些性质在Ristic和Balakrishnan(2012)中没有详细讨论。
stat.ME
Modified Bivariate Weibull Distribution Allowing Instantaneous and Early Failures
在可靠性和寿命数据分析中,韦布尔分布被广泛应用,通过改变参数的值来适应更多的数据特征。在可靠性和寿命测试实验中,我们经常观察到许多零或接近零的数据点。我们称这种现象为几乎瞬时失效。许多研究人员修改了常用的单变量参数模型,如指数,伽玛,威布尔,和对数正态分布,以适当地适应这种数据具有瞬时故障的观察。研究人员还发现,双变量相关寿命测试数据在特定点附近有许多观测值,而其余观测值遵循某种连续分布。这种情况定义为对于这种双变量响应具有早期失效的响应。如果该点是原点,那么我们称这种情况为响应的几乎瞬时失败。在这里,我们提出了一个修改的二元韦布尔分布,允许早期失效的二元均匀分布和二元韦布尔分布相结合。假设边缘分布为两个参数韦布尔分布,利用二维copula构造二元韦布尔分布。我们推导了修正的二元韦布尔分布的一些性质,主要是联合概率密度函数、生存(可靠性)函数和危险(失效率)函数。模型的未知参数估计使用极大似然估计(MLE)技术结合机器学习聚类算法。数值例子提供使用模拟数据来说明和测试所提出的方法的性能。该方法也适用于实际数据,并与现有的方法来模拟这种数据在文献中进行比较。
stat.ME
Profile and Globe Tests of Mean Surfaces for Two-Sample Bivariate Functional Data
多元函数数据已受到相当大的关注,但平均表面和其轮廓的平等性测试进展有限。现有文献要么直接检验单变量函数样本的均值曲线的相等性,要么检验二元函数数据样本的均值曲面的相等性,但又转化为函数曲线的比较。在本文中,我们的目标是开发两个样本的二元函数数据的平均曲面的轮廓和全球测试。我们提出了有效的测试方法,采用汇集投影的想法,并通过开发一种新的配置文件功能主成分分析工具。所提出的方法具有易于解释和执行的优点。在较弱的条件下,得到了零假设和备择假设下检验统计量的渐近性质。仿真结果表明,所提出的测试有一个很好的控制的第一类错误的大小,并能检测在有限的样本有效的功率方面的差异,在平均表面及其轮廓。最后,我们将测试程序应用于两个真实的数据集,与美国中西部受时间和地点共同影响的降水变化,以及欧洲时期生命表中人类死亡率的趋势。
stat.ME
Optimal designs for some bivariate cokriging models
本文主要讨论了双变量配置协克里格实验的估计和设计问题。对于一类较大的协方差阵,给出了一个线性相关准则,该准则允许二元同位协克里格设置中主变量的最佳线性无偏估计量退化为一元克里格估计量.精确的优化设计,有效地预测这种简单和普通的减少协同克里格模型与一维输入确定。通过最小化最大值和综合预测方差来找到设计,其中主要变量是Ornstein-Uhlenbeck过程。对于已知协方差参数的简单和普通协克里格模型,等间距设计对两个准则函数都是最优的。更现实的情况下,未知的协方差参数是通过假设参数向量的先验分布,从而采用贝叶斯方法的设计问题。证明了等间距设计是两种准则下的贝叶斯最优设计。这项工作的动机是为印度河流设计一个最佳的水监测系统。
math.STstat.MEstat.TH
Bayesian Hierarchical Modeling for Bivariate Multiscale Spatial Data with Application to Blood Test Monitoring
本文在贝叶斯框架下提出三种双变量多尺度空间数据新模型,通过多尺度方法扩展空间随机效应、多变量条件自回归和有序分层模型,模拟研究比较其预测与计算效率,并应用于德克萨斯州血液检测数据分析。
stat.APstat.ME
Preferential Sampling for Bivariate Spatial Data
优先抽样提供了一个正式的建模规范,以捕捉在一组采样位置的偏差的影响,推断时,地质统计模型被用来解释在采样位置观察到的响应。特别地,其使得能够修改针对偏差调整的空间预测。它在文献中的原始介绍解决了评估这种抽样偏差的存在,而后续工作的重点是回归规范,以改善这种偏差下的空间插值。迄今为止,文献中的所有工作都考虑了每个位置的单变量响应变量的情况,无论是连续的还是通过潜在连续变量建模的。这里的贡献是将优先抽样的概念扩展到每个位置的双变量响应的情况。这暴露了在给定位置观察到两种响应的采样场景,以及对于某些位置仅记录其中一种响应的场景。也就是说,一个响应的采样偏倚可能与另一个不同。它导致评估这种偏差对协同克里金的影响。它还暴露了优先抽样可能会导致对某个位置的响应之间的依赖性的推断产生偏差的可能性。我们开发的双变量优先抽样的想法,通过各种模型规格,并说明这些规格的预测和依赖行为的影响。我们通过模拟示例以及林业数据集来实现这一点,该数据集提供了平均胸径(MDBH)和每公顷树木(TPH)作为点参考双变量响应。
stat.ME
Clustering of bivariate satellite time series: a quantile approach
聚类在统计学和机器学习中受到了广泛的关注,其目的是开发能够从原始数据中获取信息以执行探索性分析的统计模型和自主算法。已经开发了几种技术来对采样的单变量向量进行聚类,仅考虑整个周期的平均值,因此它们不能充分探索潜在的分布以及数据的其他特征,特别是在存在结构化时间序列的情况下。我们提出了一个基于模型的聚类技术,它是基于分位数回归,允许我们在不同的分位数水平聚类二元时间序列。我们使用非对称拉普拉斯分布来模拟集群内的密度,这使得我们可以考虑数据分布的不对称性。我们通过模拟研究评估所提出的技术的性能。然后,该方法适用于集群时间序列观察到的全球彩色卫星数据有关的营养状况指数,其目的是评估其时间动态,以确定均匀的地区,在营养状况,在海湾的加贝斯。
stat.APstat.ME
Skewed Multivariate Birnbaum-Saunders Distributions
单变量Birnbaum-Saunders分布已被非常有效地用于模拟疲劳材料的失效时间和模拟寿命数据。在这篇文章中,我们定义了一个倾斜版本的Birnbaum-Saunders分布在多变量设置,并推导出它的几个属性。所提出的偏态多变量模型是一个绝对连续分布,其边缘是单变量Birnbaum-Saunders分布。讨论了参数的极大似然估计,确定了Fisher信息矩阵。还介绍了广义Birnbaum-Saunders分布的一个斜双变量版本。我们提供了一个应用程序的真实数据,说明了所提出的多变量模型的实用性。
stat.ME
A semiparametric approach for bivariate extreme exceedances
尾上的推论仅通过应用极值理论的结果来执行。虽然这种理论在单变量的情况下是很好的定义和足够的灵活性,多变量推理方法往往需要强加任意的约束,而不是完全合理的基础理论。相比之下,我们的方法只使用理论施加的约束。我们建立在以前的,理论上合理的工作,在一个高的,未知的阈值的边际copucances,通过结合它与灵活的,半参数copulae规格,调查极端的依赖。虽然概率判断的极端政权的所有边际变量,我们的方法正式使用完整的数据集,并允许各种模式的依赖,无论是极端与否。一个新的概率准则量化的可能性,数据表现出渐近独立的介绍和其鲁棒性的实证研究。极值分析中感兴趣的函数的估计是通过MCMC算法进行的。注意力也致力于新的极端观测的预测。我们的方法进行评估,通过一系列的模拟,应用到真实的数据集和评估对竞争的方法。证据表明,大部分的数据不偏置,并改善了极端依赖的推理过程。
stat.ME
Fiber Uncertainty Visualization for Bivariate Data With Parametric and Nonparametric Noise Models
本文提出一种统计框架,通过扩展参数与非参数噪声模型并利用格林定理与数值积分,量化双变量场中纤维的位置概率,并通过体绘制实现不确定性可视化。
cs.GRstat.ME
Semiparametric Bivariate Zero-Inflated Poisson Models with Application to Studies of Abundance for Multiple Species
涉及丰度、存在-不存在或占用率的生态研究往往产生大量零的数据。此外,这些类型的过程通常是多变量的,并且仅通过涉及外部测量的协变量的复杂非线性关系来充分描述。忽略这些方面的数据和实施标准的方法可能会导致模型,无法提供足够的科学理解的基础生态过程,可能会导致推理能力的损失。处理具有多余零点的数据的一种方法是考虑一类单变量零膨胀广义线性模型。然而,这类模型未能解决与实践中通常遇到的数据相关的多变量和非线性方面。因此,我们提出了一个半参数双变量零膨胀泊松模型,考虑到这两个数据属性。一般的建模框架是分层贝叶斯,适用于广泛的应用。我们证明了我们的模型的有效性,通过一个激励性的例子,建模捕获每单位面积的多个物种使用密苏里河底栖鱼类研究,由美国地质调查局实施的数据。
stat.APstat.ME
The Bag-and-Whisker Plot: A New Bagplot for Bivariate Data
Fudan University(复旦大学);Hong Kong Baptist University(香港浸会大学);Capital Normal University(首都师范大学)
针对袋图用于双变量数据时存在的固定离群值检测因子及凸包不稳定问题,提出袋须图改进方法。将离群值检测转化为多重检验问题,给出数据自适应边界,改进可视化,经模拟和数据分析验证其优势并发布R包。
stat.ME
Fast Bivariate Penalized Splines: the Sandwich Smoother
本文提出了一种快速的惩罚样条方法。单变量P-样条平滑器(Eilers和Marx,1996年)沿两个坐标系同时应用。新的平滑有一个三明治的形式,建议名称“三明治平滑”的裁判。三明治平滑器具有张量积结构,简化了渐近分析,并且可以快速计算。我们推导出一个局部中心极限定理的三明治平滑,与简单的表达式的渐近偏差和方差,通过显示三明治平滑是渐近等价于一个二元核回归估计的产品内核。据我们所知,这是任何类型的二元样条估计量的第一个中心极限定理。我们的模拟研究表明,三明治平滑是数量级更快的计算比其他双变量样条平滑,即使后者使用快速GLAM(广义线性阵列模型)算法计算,并与他们的均方综合误差。我们将三明治平滑器扩展到更高维度的阵列数据,其中GLAM算法提高了三明治平滑器的计算速度。三明治平滑器的一个重要应用是估计函数数据分析中的协方差函数。在这个应用中,我们的数值结果表明,三明治平滑是数量级快于本地线性回归。三明治公式的速度很重要,因为函数数据集变得相当大。
math.STstat.MEstat.TH
Joint modelling of the body and tail of bivariate data
针对双变量场景下同时刻画数据主体与尾部依赖的模型稀缺问题,提出一种结合两类copula与动态加权函数的混合依赖模型,经数值分析、模拟及英国气温-臭氧数据验证,拟合效果更优且能捕捉复杂依赖结构。
stat.ME
Bivariate inverse Gaussian degradation processes with shared random effects and an application to fatigue cracks
Indian Statistical Institute(印度统计研究所);Indian Institute of Management Udaipur(乌代布尔印度管理学院);McMaster University(麦克马斯特大学)
提出一种基于广义伽马共享脆弱性的双变量逆高斯退化模型,灵活选择脆弱性分布,通过模拟和疲劳裂纹数据验证了其优越的拟合性能。
stat.APstat.ME
Methods of multi-indication meta-analysis for health technology assessment: a simulation study
本研究通过模拟评估多适应症荟萃分析方法,发现单变量方法可降低不确定性,二元替代模型在特定情景下可纠正偏倚,为卫生技术评估提供参考。
stat.APstat.ME
Bivariate generalized autoregressive models for forecasting bivariate non-Gaussian times series
本文提出双变量广义自回归(BGAR)模型,将 VAR 推广到非正态指数族时间序列,利用条件最大似然估计并给出闭式推断工具,在巴西钩端螺旋体病数据上取得优于 GARMA、ARIMA 和 VAR 的预测效果。
math.STstat.APstat.ME
Pointwise Data Depth for Univariate and Multivariate Functional Outlier Detection
针对传统函数型数据深度单值表征不足的问题,提出基于逐点深度分布与成对深度相关性的单/双变量函数型异常值检测方法,经模拟和光伏数据集验证性能优于传统方法。
stat.ME