Harold Jeffreys's Theory of Probability Revisited
Jeffreys的《概率论》(Theory of Probability,1939)发表于70年前,对贝叶斯社会产生了独特的影响,现在被认为是贝叶斯统计学的主要经典之一,也是客观贝叶斯学派的创始人。特别是,它在推导无信息先验以及贝叶斯因子缩放方面的进展对该领域产生了持久的影响。然而,这本书反映了当时的特点,特别是在数学严谨性方面。在本文中,我们指出了这个参考工作的基本方面,特别是彻底覆盖测试问题和建设的估计和测试noninformative先验函数分歧的基础上。我们在这里的主要目的是帮助现代读者在这个困难的文本中导航,并集中在今天仍然相关的段落。
2010-01-18 math.HO math.ST stat.TH
Reference priors of nuisance parameters in Bayesian sequential population analysis
为模拟贝叶斯渔业种群模型的自然波动或参数的不确定性而引出的先验分布,可以在大量的统计规律中选择。由于统计框架是由观测过程确定的,因此观测参数进入估计,必须被视为随机的,类似于种群水平或实际渔获量等参数或感兴趣的状态。因此,前者被认为是冗余参数,其值与所考虑的实验有内在联系,这也需要无信息的先验。在渔业研究中,Millar(2002年)提出Jeffreys的方法是一种引出这种先验的实用方法。然而,它们可能在多参数上下文中呈现错误的属性。因此,我们建议使用Berger和Bernardo提出的启发式方法,以避免Jeffreys先验提出的悖论结果。这些基准先验是在序贯总体分析的框架中得出的。
2010-10-11 math.ST stat.TH
Learning optimal Bayesian prior probabilities from data
无信息一致先验是贝叶斯推理的主要内容,特别是在贝叶斯机器学习中。这项研究挑战的假设,他们是最佳的,他们在贝叶斯推理的使用产生最佳结果。我们提出了一种基于机器学习的替代方法,而不是使用任意的无信息的统一先验,通过最大化感兴趣的目标函数从数据中学习最佳先验。应用朴素贝叶斯文本分类方法和为此研究开发的搜索算法,我们的系统使用阳性预测值度量作为目标函数从数据中学习先验。任务是找到没有(但应该)被归类在某些维基百科类别下的维基百科条目。我们使用不同的维基百科类别进行了五组实验。虽然基线模型使用流行的贝叶斯-拉普拉斯先验,但研究模型在使用它们之前分别学习每组实验的最佳先验。结果显示,研究模型始终优于基线模型,具有广泛的统计学显著性(p < 0.001)。该研究模型在基线上的测量性能改善高达443%,在五个维基百科类别上的平均值为193%。
2021-01-03 cs.LG stat.ML
Frequentist and Bayesian measures of confidence via multiscale bootstrap for testing three regions
针对期望参数未知的多元正态模型,讨论了基于Bootstrap概率的频率论$p$值和贝叶斯后验概率的计算方法.原假设表示为任意形状的区域。我们引入了新的参数模型的比例律的自助概率,使多尺度自助方法,这是专为单侧检验,也可以计算置信度的双侧检验,扩大适用范围更广泛的一类假设。参数估计的两步多尺度自举,也包括高阶项。模型选择不仅是我们方法的激励应用,而且是方法中的基本成分。频率论和贝叶斯之间的妥协是试图通过显示贝叶斯后验概率与noninformative先验解释为一个频率论$p$ -值的“零侧”测试。
2008-07-01 math.ST stat.ME stat.TH
Objective Bayesian meta-analysis based on generalized multivariate random effects model
目的推导推广到椭圆等高分布的多元随机效应模型参数的贝叶斯推断方法。通过分配两个无信息先验的模型参数,即Berger和Bernardo参考先验和Jeffreys先验,推导出总体平均向量和研究间协方差阵的后验,其解析表达式在弱分布假设下获得。结果表明,后验是适当的唯一条件是,样本量大于数据生成模型的尺寸,独立的椭圆轮廓分布的广义多变量随机效应模型的定义中使用的类。本文的理论研究结果被应用到实际数据组成的10项研究的有效性,高血压治疗降低血压的处理效应的收缩压和舒张压进行了调查。
2021-04-05 math.ST stat.ME stat.TH
Bayesimax Theory: Selecting Priors by Minimizing Total Information
本文提出 Bayesimax 理论,通过极小极大先验披露博弈选择先验,以最小化总信息量(条件熵最大化),并给出算法与理论性质。
2025-09-07 math.ST stat.TH
Bayesian and Empirical Bayesian Bootstrapping
University of Oslo(奥斯陆大学);Norwegian Computing Centre(挪威计算中心)
本文提出非参数贝叶斯重采样方法,用于估计参数θ的贝叶斯估计和置信区间,通过狄利克雷过程先验近似后验分布,并讨论其在半参数回归和删失数据中的应用。
2026-05-12 math.ST stat.TH
A comparison of Bayesian and frequentist interval estimators in regression that utilize uncertain prior information
考虑一个具有回归参数β和正态分布误差的线性回归模型。假设感兴趣的参数是theta = a^T beta,其中a是指定的向量。定义参数tau = c^T beta - t,其中c和t是指定的,并且a和c是线性无关的。还假设我们有不确定的先验信息tau = 0。Kabaila和Giri,2009年,JSPI,描述了一种新的频率论1-alpha置信区间的θ,利用这种不确定的先验信息。我们比较这个置信区间与贝叶斯1-alpha等尾和最短的可信区间θ,从先验密度τ是一个混合的矩形“板”和狄拉克δ函数“尖峰”,结合非信息先验密度的模型的其他参数。我们表明,这些频率和贝叶斯区间估计依赖于数据在非常不同的方式。我们还考虑了这种先验分布,导致贝叶斯和频率区间估计更大的相似性的一些密切的变化。尽管如此,正如我们所展示的,这些区间估计量之间仍然存在很大的差异。
2014-01-14 math.ST stat.ME stat.TH
Regularization in regression: comparing Bayesian and frequentist methods in a poorly informative situation
使用一组模拟的真实基准,我们比较贝叶斯和频率正则化方法在低信息约束下,当变量的数量几乎等于模拟和真实数据集上的观测数量时。这种比较包括基于Zellner g先验的贝叶斯变量选择的新的全局非信息方法,类似于Liang et al.(2008)。这些校准的建议的利益进行了讨论。我们提出的数值实验突出了贝叶斯正则化方法的吸引力,与非贝叶斯替代品相比。它们在频率论方法中占主导地位,因为它们提供更小的预测误差,同时以简约的方式选择最相关的变量。
2011-11-15 stat.CO stat.ME
Deterministic Objective Bayesian Analysis for Spatial Models
本文针对空间相关数据的Gaussian process模型,结合已有参考先验,提出基于信赖域优化、精确后验导数和Chebyshev自适应稀疏网格的确定性全贝叶斯预测与推断算法。
2023-07-18 stat.CO stat.ME
On the behavior of Bayesian credible intervals for some restricted parameter space problems
为了估计正态均值,Zhang和Woodroofe(2003)以及Roe和Woodroofe(2000)研究了100个与先验相关的HPD可信集,这些先验是将无信息先验截断到受限参数空间上获得的。也就是说,他们建立了有吸引力的下界$\frac{1-α}{1+α}$的频率覆盖概率的这些程序。在这项工作中,我们建立了$\frac{1-α}{1+α}$的下界是适用于一个基本上更一般的设置与潜在的分布对称性,并获得各种其他性质。推导是统一的,并通过选择一个正确的Haar不变先验驱动。对非对称模型进行了研究,得到了类似的结果。也就是说,(i)我们证明了下界$\frac{1-α}{1+α}$仍然适用于某些类型的不对称性(或偏度),(ii)我们扩展了Zhang和Woodroofe(2002)估计Fisher分布尺度参数的结果;这在估计单向平衡随机效应ANOVA中的方差分量比时出现。最后,各种例子说明了广泛的应用范围进行了扩展。示例包括估计位置模型和位置-尺度模型中的参数、估计尺度模型中的尺度参数、估计诸如差的位置参数的线性组合、估计尺度参数的比率以及具有非独立观测的问题。
2006-11-22 math.ST stat.TH
Consistency of Bayesian Inference for Multivariate Max-Stable Distributions
预测极端事件在风险分析的许多应用中非常重要。极值理论建议用最大稳定分布来模拟极值。贝叶斯方法为统计预测提供了一个自然的框架。虽然在单变量极值和多变量极值的文献中已经提出了各种贝叶斯推理程序,但对它们的渐近性质的研究在很大程度上没有触及。本文主要研究任意维极大稳定分布的半参数贝叶斯估计方法。我们建立了相关的后验分布的一致性相当普遍,明确规定的最大稳定模型,其利润率可以是短,轻或重尾。然后,我们扩展我们的一致性结果的情况下,数据来自一个分布躺在附近的一个最大稳定的,这代表了最现实的推理设置。
2020-09-20 math.ST stat.TH
On Bayesian Exponentially Embedded Family for Model Order Selection
The University of Rhode Island(罗德岛大学)
本文利用指数嵌入族方法推导了贝叶斯模型的序选择规则,称为贝叶斯EEF。与许多其他贝叶斯模型选择方法不同,贝叶斯EEF可以使用模糊的正确先验和不正确的无信息先验来客观地提取参数先验。此外,该规则的惩罚项是参数维数的一半和参数与观测数据之间的估计互信息之和。这有助于揭示EEF在模型阶数选择中的作用机制,并从信息论的角度对模型阶数选择的最优惩罚项选择和先验选择等问题提供新的见解.最后给出了线性模型选阶的重要实例,说明了算法和参数的选取。最后,使用Jeffreys先验的贝叶斯EEF与频率主义策略导出的EEF规则一致。这显示了频率论和贝叶斯哲学在模型选择中的另一个有趣的关系。
2018-12-21 cs.LG stat.ML
Nonparametric Bayesian Inference on Bivariate Extremes
在二元极值分布的吸引区域中的二元分布函数的尾部可以由其极值吸引子之一近似。极值吸引子具有属于三参数家族的边缘和依赖结构,其特征在于由谱测度,即平均值等于一半的单位间隔上的概率测度。作为一种替代的光谱测量的参数化建模,我们提出了一个无限维的模型,这是在同一时间内的谱测度类管理和仍然密集。推理是在贝叶斯框架中进行的,使用删失似然方法。特别地,我们构造了谱测度类的先验分布,并发展了一个用于数值计算的跨维马尔可夫链蒙特卡罗算法。该方法提供了一个双变量预测密度,可用于预测双变量分布的极端结果。从实际的角度来看,这对于计算罕见事件概率和极端条件分位数非常有用。该方法通过模拟验证,并适用于丹麦火灾保险索赔的数据集。
2012-05-11 math.ST stat.TH
Bayesian D-Optimal Design of Experiments with Quantitative and Qualitative Responses
针对同时含连续与二元响应的实验,本文提出贝叶斯D最优设计准则及点交换算法,构造局部与全局设计并通过两个示例验证性能。
2023-04-21 stat.ME
Beyond Uniform Priors in Bayesian Network Structure Learning
贝叶斯网络结构学习通常在贝叶斯设置中执行,使用给定数据集的后验概率评估候选结构。然后,基于分数的算法使用这些后验概率作为目标函数,并返回最大后验网络作为学习模型。对于离散贝叶斯网络,后验得分的规范选择是具有均匀(U)图先验的贝叶斯狄利克雷等效均匀(BDeu)边缘似然,其假设网络结构和网络参数都具有均匀先验。在本文中,我们调查这些假设所产生的问题,专注于小样本量和稀疏数据所造成的问题。然后,我们提出了一种替代后验分数:贝叶斯狄利克雷稀疏(BD)边缘似然与边缘均匀(MU)图先验。与U+BDeu一样,MU+ BD不需要任何关于数据概率结构的先验信息,可以用作替代非信息性得分。我们研究了它的理论特性,并在广泛的模拟研究中评估了它的性能,结果表明MU+ BD在学习网络结构方面比U+BDeu更准确,在预测功率方面也更有竞争力,同时计算上并不复杂。
2017-04-12 stat.ME stat.ML
Bayesian Inference from Composite Likelihoods, with an Application to Spatial Extremes
复合似然越来越多地用于完全似然在分析上未知或计算上禁止的应用中。虽然最大合成似然估计具有类似于通常的极大似然估计的频率论性质,但基于合成似然的贝叶斯推断还有待探索。在本文中,我们研究使用梅特罗波利斯-黑斯廷斯算法来计算基于复合似然的伪后验分布。提出了两种调整算法的方法,并使用模拟数据集和实际降雨空间极值数据研究了它们在逼近真实后验分布方面的性能。
2011-07-06 math.ST stat.ME stat.TH
Mean likelihood estimators
讨论了{ \it Mathematica}在推导均值似然估计量中的应用。比较最大似然估计,平均似然估计和贝叶斯估计的基础上,杰弗里的无信息的前使用的标准均方误差和Pitman措施的接近。基于这些准则,我们发现,对于一阶滑动平均时间序列模型,平均似然估计优于极大似然估计和贝叶斯估计与杰弗里的无信息的先验。{ \it Mathematica}用于符号和数值计算以及结果的图形显示。可从http://www.stats.uwo.ca/mcleod/epubs/mele获得{ \it Mathematica}笔记本,其中提供补充推导和代码。感兴趣的读者可以使用此补充轻松复制或扩展本文中的任何结果。
2016-11-03 math.ST stat.TH
A Semiparametric Bayesian Approach for Extreme Values Using Dirichlet Process Mixture of Gamma and Generalized Pareto Densities
对于极值估计,我们建议使用一个Dirichlet过程混合的伽玛密度的中心和广义帕累托密度的尾部模型。由于中心的随机性和尾部的重尾密度,高分位数的密度估计和后验推断是可能的。该方法可以在正实数上以“默认”方式使用,因为它在先验信息不可用时有效。该模型易于实现,并进行了敏感性分析。我们将所提出的模型应用于模拟和真实数据集。
2013-03-28 math.ST stat.ME stat.TH
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
The Banff Challenge: Statistical Detection of a Noisy Signal
粒子物理学实验,如在大型强子对撞机中运行的实验,产生了大量的数据,这些数据被归结为几个数字,希望从中检测到信号。我们讨论了一个简单的概率模型,并推导出频率主义和非信息贝叶斯程序的信号推断。两者在实际情况下都是高度准确的,频率论过程具有区间估计的优势,贝叶斯过程产生稍好的点估计。我们还认为,修改后的似然根的意义,或$p$值,功能的基础上提供了一个全面的介绍数据中的信息,并应用于推理。
2011-02-17 stat.AP stat.ME
On Posterior Consistency of Tail Index for Bayesian Kernel Mixture Models
尾指数估计的渐近理论在极值的频率论文献中得到了广泛的研究,但很少在贝叶斯上下文中。我们研究流行的贝叶斯核混合模型是否能够支持重尾分布和一致的尾部指数估计。我们发现,尾部指数的后验不一致性在参数和非参数混合模型中都非常普遍。然后给出了一组尾部指标的后验一致性的充分条件,并对一般混合先验下的Pareto混合模型验证了这些条件.
2018-04-18 math.ST stat.TH
The effect of prior probabilities on quantification and propagation of imprecise probabilities resulting from small datasets
本文概述了贝叶斯多模型不确定性量化(UQ)和传播的方法,并提出了一个调查的先验概率对所产生的不确定性的影响。UQ方法是从作者以前提出的信息理论方法(Zhang和Shields,2018)改编而来的,完全是贝叶斯结构,可以更灵活地量化概率模型形式的不确定性。贝叶斯的性质和植根于UQ从小数据集,先验概率在概率模型的形式和模型参数被证明有一个显着的影响量化的不确定性,因此,通过一个基于物理的模型传播的不确定性。这些影响是专门研究了一个简化的板屈曲问题的材料特性的不确定性来自少量的实验使用noninformative先验和先验来自过去的研究不同的适当性。它说明了先验概率可以有一个显着的影响,多模型UQ的小数据集和不适当的(但看似合理)的先验甚至可能有挥之不去的影响,偏见的概率,即使是大数据集。当应用于不确定性传播时,这可能导致响应量的概率界限不包括真实概率。
2018-01-12 stat.CO stat.ME
Local Bayesian Regression
University of Oslo(奥斯陆大学)
本文提出了一种基于局部线性建模的贝叶斯方法,通过经验贝叶斯和分层贝叶斯技术实现非参数和半参数回归估计,在多个协变量情况下表现出色。
2026-02-25 stat.ME
Markov Equivalence of Max-Linear Bayesian Networks
最大线性贝叶斯网络已经成为高度适用的模型,因果推理通过极值数据。然而,条件独立性(CI)的最大线性贝叶斯网络的行为不同于经典的高斯贝叶斯网络。我们通过热带化建立了两种理论之间的平行关系,并建立了令人惊讶的结果,即最大线性贝叶斯网络的马尔可夫等价类与常规CI所获得的等价类相一致。我们的论文在极值统计、因果推理和热带几何的交叉点上提出了许多问题。
2021-06-15 math.AG math.CO math.ST
Bayesian prior elicitation and selection for extreme values
极值分析的一个主要问题是确定形状参数$ξ$的通用广义极值(GEV)和广义帕累托(GP)分布,驱动尾部的行为,并对收益率水平和周期的估计有重大影响。许多从业者选择贝叶斯框架来进行这种评估,以核算参数不确定性,这些不确定性在以少量观测为特征的分析中通常很高。尽管如此,这样的方法可以为$ξ$提供大的可信度域,包括负值和正值,这不允许对尾部的性质做出结论。考虑到块极大值的框架,一个通用的方法来确定的值和符号的$ξ$从模型选择之间的Fréchet,Gumbel和Weibull可能的域的吸引条件的观察。与通常选择GEV作为{ \it采样}极值的适当模型相反,必须非常小心地进行这种模型选择。正确的,信息丰富的和易于使用的先验的启发是基于以下原则进行的:对于所有的参数尺寸,他们作为后验的noninformative先验和虚拟样本。这些虚拟样本的统计数据可以从先前的预测信息中评估,并且可以执行相容性规则以完成校准,即使它们只是半共轭的。此外,模型选择是使用混合包围框架进行的,该框架允许处理贝叶斯因子的计算。激励一个真正的案例研究,涉及气象量级的专家知识的启发,玩具的例子也说明了整体的方法。
2018-06-17 stat.ME
Controlling the degree of caution in statistical inference with the Bayesian and frequentist approaches as opposite extremes
在统计实践中,是否使用贝叶斯或频率论方法进行推断不仅取决于先验信息的可用性,而且还取决于对部分先验信息的态度,频率论倾向于比贝叶斯更谨慎。拟议的框架以具体的谨慎程度界定了这种态度,从而能够在所需的谨慎程度上并根据任何先前的信息进行数据分析。谨慎参数表示对部分先验信息的态度,其方式与损失函数表示对风险的态度大致相同。当先验信息非常少且非零谨慎时,所得到的推断对应于与指定贝叶斯后验的可信区间和假设概率最相似的候选置信区间和p值。另一方面,在参数的已知物理分布的存在下,推断仅基于相应的物理后验。在先验信息可忽略或完全先验信息的极端情况下,推理不依赖于谨慎程度。在这两个极端之间的部分先验信息导致中间推理,在谨慎性高的情况下,中间推理更频繁,在谨慎性低的情况下,中间推理更贝叶斯。
2011-09-24 cs.IT math.IT math.ST
Asymptotic theory for Bayesian inference and prediction: from the ordinary to a conditional Peaks-Over-Threshold method
本文为POT极值方法建立贝叶斯推断与预测的渐近理论,涵盖一致性与收缩率,并扩展至条件情形,通过后验预测分布实现极端事件预测,模拟与金融危机数据分析验证了方法的有效性。
2025-03-31 math.ST stat.ME stat.TH
Bayesian Analysis of Extreme Precipitation Events and Forecasting Return Levels
在这项研究中,我们研究了贝叶斯方法来分析极端日降雨量和预测回报水平。估计未来极端事件的发生概率和分位数在许多应用中非常重要,包括土木工程和公共基础设施的设计。与使用点估计来实现这一目标的传统分析相比,贝叶斯方法利用了从观测值导出的完整后验密度。贝叶斯方法提供了良好定义的可信(置信)区间,改进的预测,并能够捍卫严格的概率评估的好处。我们说明了贝叶斯方法,使用极端降水数据从长岛,纽约州,美国和显示,目前的回报水平,或降水风险,可能被低估。
2022-08-25 stat.AP
Semiparametric Bayesian Estimation of Dynamic Discrete Choice Models
本文提出一种基于位置-尺度混合极值分布的半参数贝叶斯方法估计动态离散选择模型,通过哈密顿蒙特卡洛和可逆跳转算法实现推断,解决了标准动态logit模型在冲击非极值分布时产生误导的问题,并给出了逼近与后验收缩的理论结果。
2023-08-03 econ.EM math.ST stat.CO
Conditional Independence in Max-linear Bayesian Networks
受极值理论的启发,最近引入了最大线性贝叶斯网络,并将其作为线性结构方程模型的替代方案进行研究。然而,对于max-线性系,贝叶斯网络的经典独立性结果远未穷尽有效的条件独立性陈述。我们使用热带线性代数推导出一个紧凑的表示的条件分布的部分观察,并利用这一点,以获得一个完整的描述所有的条件独立关系。在特定于上下文的情况下,条件独立相对于条件变量的特定值进行查询,我们引入了源DAG的概念来揭示有效的条件独立关系。在上下文无关的情况下,我们通过修改分离的概念,$\ast$分离,结合热带特征值条件的条件独立性。我们还介绍了影响图的概念,它描述了极端事件如何通过网络确定性传播,我们给出了这样的影响图的完整表征。我们的分析打开了几个有趣的问题,条件独立和热带几何。
2020-09-06 math.PR math.ST stat.TH
Approximate Bayesian Computing for Spatial Extremes
用于模拟空间极值的最大稳定过程的统计分析受到计算联合似然函数的困难的限制。这排除了所有标准的基于可能性的方法,包括贝叶斯方法。在本文中,我们提出了一个贝叶斯方法,通过使用近似贝叶斯计算。这避免了联合似然函数的需要,而是依赖于来自(不可用的)似然的模拟。该方法与基于复合似然的另一种方法进行了比较。我们表明,近似贝叶斯计算可以导致较低的均方误差比复合似然方法估计的极端空间依赖性时,虽然在一个明显更高的计算成本。我们还说明了该方法的性能与应用程序,美国的温度数据估计作物损失的风险,由于不太可能冻结事件。
2011-12-13 stat.CO stat.ME
Extreme data compression for Bayesian model comparison
本文提出基于 MOPED 与得分压缩的极端数据压缩方法用于贝叶斯模型比较,证明线性高斯情形下贝叶斯因子保持不变,并在非线性与超新星数据中验证其近似无损且能降低证据抽样方差、节省计算时间。
2023-07-13 astro-ph.CO astro-ph.IM stat.ME
Bayesian inference for the Brown-Resnick process, with an application to extreme low temperatures
Brown-Resnick最大稳定过程已被证明非常适合于模拟复杂环境过程的极端情况,但在许多应用中,其似然函数是棘手的,推理必须基于复合似然,从而防止使用经典的贝叶斯技术。在本文中,我们利用的情况下,可以计算的布朗-Resnick过程的全部可能性,使用组件的最大值和他们的分区在个别事件,我们提出了两个新的方法来推断。第一个估计分区使用去聚类,而第二个使用随机分区的马尔可夫链蒙特卡罗算法。我们使用这些方法来构建一个贝叶斯层次模型,在芬诺斯坎迪亚北部的极端低温。
2016-10-17 stat.AP stat.ME
A Semiparametric Bayesian Extreme Value Model Using a Dirichlet Process Mixture of Gamma Densities
在本文中,我们提出了一个Dirichlet过程混合的伽玛密度在阈值以下的大部分和广义Pareto密度在尾部的极值估计模型。所提出的模型是简单和灵活的,允许我们的后验密度估计和后验推理的高分位数。该模型工作良好,即使小样本量和在没有先验信息。我们通过仿真研究评估所提出的模型的性能。最后,将该模型应用于一个实际的环境数据。
2013-04-02 stat.AP stat.ME stat.ML
Spatial Bayesian hierarchical modeling of precipitation extremes over a large domain
我们提出了一个贝叶斯分层模型的空间极值上的一个大的域。在数据层中,应用具有广义极值(GEV)边缘的高斯椭圆copula。GEV参数的空间依赖性被捕获与空间变化系数的潜在空间回归。使用复合似然方法,我们能够有效地将一个大的降水数据集,其中包括站与缺失数据。该模型被证明是通过应用到秋季降水极端在大约2600站覆盖美国西部,-125E到-100E经度和30 N到50 N纬度。分层模型提供了GEV参数上的$1/8$ th度网格,因此地图的回报水平和相关的不确定性。模型结果表明,回报水平在空间上和跨季节的一致性变化,提供信息的时空变化的风险,在美国西部的极端降水,有助于基础设施规划。
2016-01-29 stat.ME
Bayesian threshold selection for extremal models using measures of surprise
统计极值理论关注的是使用渐近激励模型来描述过程的极值。许多常用的模型对于超过某个高阈值的观测数据是有效的。然而,在实践中,一个合适的阈值是未知的,必须为每个分析确定。虽然有许多单变量极值的阈值选择方法,但可以应用于多变量设置的方法相对较少。此外,只有少数基于贝叶斯的方法,由于数据稀缺,这些方法在极端情况建模方面自然具有吸引力。使用贝叶斯措施的惊喜,以确定合适的阈值极值模型的建议。这些措施量化了对拟议极值模型和阈值的支持程度,而无需指定任何模型替代方案。这种方法很容易实现单变量和多变量的极端。
2014-12-09 stat.CO stat.ME
A Poisson process reparameterisation for Bayesian inference for extremes
一个常见的方法来模拟极端值是考虑超过一个高阈值的实现非齐次泊松过程的超额。虽然该方法提供了使用阈值不变极值参数建模的优点,但这些参数之间的依赖性使得估计更加困难。本文提出了一种新的泊松过程模型参数的贝叶斯估计方法,该方法通过调整参数$m$来重新参数化。本文提出了一种方法来选择最佳值的m,近正交化的参数,这是通过最小化之间的相关性的渐近后验分布的参数。m的这种选择确保了使用马尔可夫链蒙特卡罗方法从联合后验分布更快速的收敛和有效的采样。然后通过简单的变换获得来自感兴趣的参数化的样本。结果的情况下,相同的和不相同的分布模型在英国坎布里亚郡的极端降雨。
2016-12-08 stat.AP
A Geometric Framework for the Bayesian Estimation of Joint Environmental Extremes
University of Arkansas(阿肯色大学);OpenEVT
本研究提出一种双变量极值贝叶斯建模框架,采用几何极值框架分解数据为角度与径向分量,通过周期M-样条和贝塞尔样条估计分布,经数值实验与火灾天气案例验证,可有效估计联合尾部失效集的极端概率。
2026-10-16 stat.AP stat.ME
Reparameterization of extreme value framework for improved Bayesian workflow
针对极值分析贝叶斯方法计算难、参数化影响算法效率的问题,提出基于单变量极值泊松过程的正交重参数化框架,提升了马尔可夫链蒙特卡洛收敛性,还可推导相关先验并验证后验,已应用于加龙河流量重现水平估计。
2023-06-09 stat.ME
A hierarchical Bayesian non-asymptotic extreme value model for spatial data
针对极端降水空间重现水平估计,本文提出放宽渐近假设的贝叶斯分层非渐近极值模型,利用潜在时空过程和地理协变量刻画事件发生与空间依赖,并通过模拟和北卡罗来纳州降雨应用证明其显著降低了估计不确定性。
2023-04-26 stat.ME
Bayesian non-asymptotic extreme value models for environmental data
出于极端降雨数据的分析,我们介绍了一个一般的贝叶斯分层模型,用于估计间歇性随机序列的极值的概率分布,在地球物理和环境科学设置中的一个常见问题。这里提出的方法放松了传统极值(EV)理论典型的渐近假设,并占潜在的变化,通过一个潜在的时间过程中描述的事件的大小和发生的分布。侧重于每日降雨量的极端,结构所提出的模型本身,以纳入先前的地质物理的降雨过程的理解。通过一个广泛的模拟研究,我们表明,这种方法可以显着降低估计的不确定性相对于传统的渐近EV方法的贝叶斯公式,特别是在相对较小的样本的情况下。该方法的好处进一步说明了一个大的数据集的479个长期的日降雨量的历史记录,从整个美国大陆的应用程序。通过比较样本内和样本外的预测精度的措施,我们发现,在这里开发的模型结构,结合使用所有可用的观察结果进行推断,显着提高了鲁棒性相对于过拟合的特定样本。
2020-05-25 stat.ME
Empirical Bayes inference for the block maxima method
块极大值法是极值分布吸引域中独立同分布观测值极值分析的一种常用方法。在这种情况下,贝叶斯推断缺乏严格的研究,限制了其用于极端情况的统计分析。在本文中,我们提出了一个经验贝叶斯程序推断的块极大值法及其相关的数量。我们表明,数据分布和收益水平(代表未来的极端事件)的尾部指数的后验分布满足一些重要的理论性质。这些保证了后验推理的可靠性,并扩展到后验预测分布,贝叶斯概率预测的关键工具。通过一个有效的自适应Metropolis-Hasting型算法很容易获得后验计算。仿真结果表明,它具有良好的推理性能已经与适度的样本量。我们的建议的效用是展示分析在大西洋盆地飓风产生的极端风。
2022-04-11 stat.ME
A Bayesian semi-parametric hybrid model for spatial extremes with unknown dependence structure
最大稳定过程是空间极值的渐近合理模型。特别是,我们专注于分层极值过程(HEVP),这是一个特定的最大稳定的过程,有利于贝叶斯计算。HEVP和所有最大稳定过程模型是参数化的,并施加强有力的假设,包括所有边缘分布属于广义极值族,附近的站点是渐近相关的。我们通过放松这些假设来推广HEVP,以通过空间随机效应分布的Dirichlet过程提供更广泛的一类边缘分布。此外,我们提出了一个混合最大混合模型,结合了参数和半参数模型的优势。我们表明,这种通用的最大混合模型,同时容纳渐近独立性和依赖性,可以使用标准的马尔可夫链蒙特卡罗算法。在蒙特卡罗模拟研究和荷兰阵风数据的应用中,我们的模型的效用进行了评估。
2020-03-24 stat.ME
Bayesian Parameter Estimation of Normal Distribution from Sample Mean and Extreme Values
本文针对仅有样本均值、极值和样本量可用的情况,提出基于 Gibbs 采样器与数据增广的贝叶斯正态参数估计方法,并通过模拟验证其精度接近理论预期。
2024-11-20 stat.ME
Bayesian Modeling of Air Pollution Extremes Using Nested Multivariate Max-Stable Processes
捕捉空间区域内多种空气污染物峰值浓度之间潜在的强相关性对于评估相关的公共健康风险至关重要。为了研究大气污染极值的多元空间相关性,我们引入了一类新的多元极大稳定过程。我们提出的模型承认一个层次树为基础的配方,其中的数据是有条件的独立给定一些潜在的嵌套$α$稳定的随机因素。分层结构有利于贝叶斯推断,并提供了一个方便和可解释的表征。我们拟合这个嵌套的多变量最大稳定模型的最大值的空气污染浓度和温度记录在洛杉矶地区的一些网站,表明该模型成功地捕捉到他们复杂的尾部依赖结构。
2018-03-18 stat.AP
Bayesian hierarchical modeling of extreme hourly precipitation in Norway
极端降水的空间图是水文建模以及重要基础设施规划和设计中洪水估计的关键组成部分。这在挪威等国家尤其重要,因为这些国家的水力发电设施密度很高,而且基础设施面临着因洪水而遭受破坏的重大风险。在这项工作中,我们估计一个空间相干地图的极端小时降水量在挪威的分布,在返回水平,通过连接广义极值(GEV)分布与潜在的高斯场的贝叶斯分层模型。关于GEV分布参数的广义线性模型能够纳入特定地点的地理和气象信息,从而适应这些对极端降水的影响。一个高斯场的GEV参数捕获额外的无法解释的空间异质性,并克服了稀疏的网格上收集的意见。我们进行了广泛的分析,影响GEV参数的因素,并表明我们的组合是能够适当地表征挪威极端小时降水量分布的空间变异性,以及这些估计的相关不确定性。
2014-05-26 stat.AP
Bayesian spline method for assessing extreme loads on wind turbines
本研究提出一种贝叶斯参数模型,用于估计风力涡轮机上的极端载荷。极端载荷是涡轮机在其使用寿命期间将经历的施加在涡轮机结构上的最高应力水平。风力涡轮机应设计成抵抗如此高的负载以避免灾难性的结构故障。为了评估极端载荷,通过进行现场测量活动或进行气动弹性模拟研究来评估涡轮机结构响应。一般来说,在任何一种情况下获得的数据都不足以代表所有可能的天气条件下的各种载荷响应。需要适当的外推法来表征涡轮机使用寿命中的结构载荷。本研究设计了一种贝叶斯样条方法,用于这种外推的目的,使用的负载数据收集的时间比涡轮机的使用寿命短得多。应用样条方法对三组涡轮机的载荷响应数据进行处理,以估计涡轮机叶片根部相应的极限载荷。与当前的行业实践相比,样条方法似乎提供了更好的极限载荷评估。
2014-01-13 stat.AP
A Bayesian spatial hierarchical model for extreme precipitation in Great Britain
众所周知,强降水事件与洪水风险增加有关。由于与洪水有关的社会和基础设施风险,极端降水需要仔细建模。极端值分析通常用于模拟大的降水事件,虽然逐站点分析往往会产生空间不一致的风险估计。实际上,人们会期望相邻地点比相隔很远的地点有更多类似的风险估计。我们提出了一种方法,在贝叶斯分层建模框架,对广义帕累托分布的参数施加空间结构。特别是,我们看看这种方法在提高回报水平估计的空间一致性和提高这些估计的精度的明显好处。与许多以前的方法,池信息的位置,我们占空间依赖性的数据在我们的置信区间。我们实现了这个模型的网格降水数据在英国。
2017-10-05 stat.AP
Bayesian Uncertainty Management in Temporal Dependence of Extremes
在对平稳时间序列的极值进行建模时,必须同时描述边际特征和相关特征。边际建模有标准的方法,但长期和短期的极端依赖性都可能出现。在应用中,长程独立性的假设通常看起来是合理的,但是短程相关性,即,极端现象的聚集,需要引起注意。极值指标$0<θ\le 1$是聚类的一种自然限制性度量,但对于包括所有平稳高斯过程在内的大类相依过程,它不能用$θ=1$区分相依过程和独立过程。Eastoe和Tawn(2012)通过引入基于阈值的极值指数,利用多变量极值的方法来处理平稳时间序列的亚渐近极值依赖结构,涵盖$0<θ<1$和$θ=1$。他们的依赖模型的推断使用一个低效的逐步程序,有各种弱点,并没有可靠的不确定性评估。我们克服了这些问题,使用贝叶斯半参数方法。模拟和英国每日河流流量时间序列的分析表明,新的方法提供了更高的效率,估计性能的泛函的集群。
2016-03-16 stat.ME
Diagnosing model misspecification and performing generalized Bayes' updates via probabilistic classifiers
模型误设是贝叶斯推断框架的一个长期存在的谜,因为后验者倾向于过度集中于对大样本限制的不知情的参数值。在存在模型错误指定的情况下,可能性的缓和已经被确定为从之前到之后进行更新的更安全的方式。在一个极端,调和可以完全忽略数据,而在另一个极端,当假设不存在错误指定时,它提供标准贝叶斯更新。然而,如何在没有真实生成模型的情况下最好地识别错误规范并选择合适的回火级别是一个悬而未决的问题。在这里,我们将展示如何使用概率分类器来解决这个问题。通过训练概率分类器来区分模拟数据和观察数据,在分类器的区分能力内,提供了模型似然性与未观察到的真实生成过程下的数据的似然性之间的比率的估计。相对于数据生成过程的比率的对数的期望给出了统计生成模型和真实生成分布之间的负库尔贝克-莱布勒散度的估计。使用一组典型的例子,我们表明,这种分歧提供了一个有用的误指定诊断,模型比较工具,和一种方法来通知广义贝叶斯更新的存在误指定的可能性为基础的模型。
2019-12-12 math.ST stat.ME stat.ML
Bayesian Extreme Value Analysis of Stock Exchange Data
偿付能力II指令和偿付能力评估和管理(南非的对应版本)给出了基于99.5%风险价值(VaR)计算的偿付能力资本要求。这一计算涉及到对单个风险的汇总。当考虑金融工具的对数回报时,特别是股票价格,不时会观察到极端的损失,这些损失通常不适合为常规交易行为提出的任何模型。精确建模这些极端损失的问题得到解决,这反过来又有助于计算尾部概率,如99.5%的风险价值。重点是广义帕累托分布(GPD)超过阈值的拟合。我们展示了如何客观贝叶斯方法可以提高参数估计和计算的风险措施。最后,我们考虑阈值的选择。所有方面都用约翰内斯堡证券交易所(JSE)的股票损失来说明。
2018-04-05 stat.AP
Bayesian spatial extreme value analysis of maximum temperatures in County Dublin, Ireland
在这项研究中,我们开始在爱尔兰1981年至2010年期间的极端温度的综合特征。我们产生的回报水平的异常日最高温度极端的区域在爱尔兰,为30年的时间1981-2010年。我们采用极值理论(EVT)的广义帕累托分布(GPD)的一部分,一个三级贝叶斯分层模型的数据建模。我们使用预测过程,以解决在一个非常密集的空间领域建模数据的计算困难的问题。据我们所知,这是第一个以这种方式将预测过程和EVT结合起来的研究。模型采用马尔可夫链蒙特卡罗(MCMC)算法进行拟合。后的参数估计和返回水平表面的生产,除了特定的网站分析天气站,包括凯斯门特机场和都柏林机场。2011-2018年期间的观察数据被纳入本研究中心分析,以确定是否有观察到的极端变化的证据。在此期间,观察到极端异常的频率增加,但严重程度没有增加。我们发现,2011-2018年在Casement Aerodrome和Phoenix Park天气站观测到的极端异常频率分别超过模型可信区间的上限20%和7%。
2019-06-16 stat.AP
Bayesian model averaging over tree-based dependence structures for multivariate extremes
描述极端现象的复杂依赖结构特别具有挑战性。为了解决这个问题,我们开发了一种新的统计算法,描述极值依赖利用最大稳定的嵌套逻辑斯谛分布的固有的层次依赖结构,并确定可能的集群的极端变量使用可逆跳马尔可夫链蒙特卡罗技术。当极端变量的集群被发现是完全独立时,可以实现简约的表示。此外,我们显着降低了计算复杂性的完全似然推断推导出一个递归公式的嵌套逻辑模型的可能性。通过大量的仿真实验验证了算法的性能,并比较了不同的似然程序。新的方法被用来调查在加利福尼亚州的多种污染物的极端浓度之间的依赖关系,以及这些污染物是如何与极端天气条件。总的来说,我们表明,我们的方法允许复杂的极值依赖结构的表示,并在多元数据分析,如空气污染监测,它可以指导决策的有效应用。
2018-07-22 stat.ME