A Latent Logistic Regression Model with Graph Data
近年来,图(网络)数据是人工智能、机器学习和统计学中的一个新兴研究领域。在这项工作中,我们感兴趣的是节点的标签(人的反应)是否受到其邻居的功能(朋友的特征)。我们提出了一种新的潜在逻辑斯谛回归模型来描述具有二元响应的网络依赖性。我们所提出的模型的主要优点是,一个潜在的二进制指标被引入,以表明一个节点是否容易受到其邻居的影响。提出了一种分数型测试来诊断网络依赖的存在。此外,EM型算法被用来估计网络依赖下的模型参数。进行了大量的模拟,以评估我们的方法的性能。两个公共数据集被用来说明所提出的潜在逻辑斯谛回归模型的有效性。
2022-10-11 stat.ME
Dimension Reduction in Multivariate Extremes via Latent Linear Factor Models
Ruhr-Universität Bochum, Fakultät für Mathematik(波鸿鲁尔大学数学系)
本文提出基于潜在线性因子模型的高维极值降维方法,通过稀疏加载结构和无边界的尾部依赖矩阵实现参数可识别性和可扩展性,应用于空间风能风险估计。
2026-02-26 stat.ME
A Probit Network Model with Arbitrary Dependence
本文采用潜变量方法建立了具有任意依赖结构的网络模型。我们假设潜变量服从多元正态分布,并且如果对应节点参数之和超过潜变量,则两个节点之间形成链接。隐变量的协方差阵导致了边缘间的相关结构。边缘的边缘分布是一个概率单位函数。我们将此模型称为\emph{Probit Network Model}。我们证明了节点参数的矩估计是相容的。据我们所知,这是第一次在具有全局依赖结构的单个观测网络中得到一致性结果。我们扩展了模型,允许节点协变量信息。
2018-03-27 stat.ME
A latent trawl process model for extreme values
本文提出了一种新的模型,用于表征阈值以上的时间依赖性。该模型是基于类拖网过程,这是平稳的,无限可分的随机过程。极值模型通过在层次框架中嵌入拖网过程来构建,这确保了边缘分布是广义Pareto,正如经典极值理论所期望的那样。我们还考虑了一个修改后的版本,这个模型的工作范围更广的广义帕累托分布类,并具有分离边际和时间依赖属性的优势。环境时间序列的应用程序说明了该模型,它表明,该模型提供了相当大的灵活性,在捕捉极端值数据的依赖结构。
2017-12-18 stat.ME
Blessing of Dependence: Identifiability and Geometry of Discrete Models with Multiple Binary Latent Variables
本文提出代数技术研究含多个二元潜变量的离散模型可识别性,揭示依赖恩赐几何:最小条件下参数可识别当且仅当潜变量非独立,并可用于假设检验与模型设计。
2024-03-19 math.ST stat.ME stat.TH
Modeling Multivariate Mixed-Response Functional Data
我们提出了一个贝叶斯建模框架,用于联合分析不同类型(例如二进制和连续数据)的多个功能响应。我们的方法是基于一个多变量的潜在的高斯过程和模型之间的依赖性的功能响应,通过潜在的过程。我们的框架很容易容纳额外的协变量。我们提供了一种方法来估计多变量的潜在协方差,允许实施多变量函数主成分分析(FPCA),以指定基扩展和简化计算。我们证明了我们的方法,通过模拟研究和应用程序的牙周研究的真实数据。
2016-01-11 stat.ME
Latent drop-out transitions in quantile regression
纵向数据的特征在于来自同一个体的观测值之间的相关性。从回归的角度来看,这种依赖性可以有效地归因于每个个体特有的未观察到的特征(协变量)。在此基础上,在广义线性模型的背景下,建立了具有时常数和时变结构的随机参数模型。在分位数回归框架中,基于随机参数的规范只是最近才被人们所关注。我们从Farcomeni(2012)关于纵向分位数隐马尔可夫模型的最新提议开始,并将其扩展到处理潜在的信息缺失数据机制。特别是,我们专注于单调缺失,这可能会导致选择偏差,因此,不可靠的推断模型参数。我们详细介绍了所提出的方法,通过重新分析一个众所周知的数据集的动态CD4细胞计数在HIV血清转换器,并通过模拟研究。
2015-09-04 stat.ME
Factor copula models for mixed data
我们建立了因子copula模型,用于分析连续和离散混合响应之间的依赖关系。因子copula模型是一种典型的vine copula模型,它同时包含观测变量和潜变量,因此它们允许尾部、非对称和非线性依赖。它们可以被解释为条件独立模型,其潜变量不一定具有附加的潜结构。我们专注于社会数据分析师感兴趣的重要问题,如模型选择和拟合优度。我们的一般方法证明了广泛的模拟研究,并说明了重新分析三个混合响应数据集。我们的研究表明,对于混合数据,标准因子模型可以有很大的改进,并提出了转向因子Copula模型的论点。
2020-11-16 stat.ME
A Markov-switching model for heat waves
热浪值得仔细研究,因为它们会造成严重的经济和社会破坏。我们使用一个直观的,非正式的工作定义的热浪-一个持续的事件在尾部的温度分布-激励一个可解释的潜在状态极值模型。具有时间依赖性的潜变量指示热浪状态的成员资格。潜变量的时间依赖性的强度控制着热浪的频率和持续性。在每个热浪中,温度使用极值分布建模,通过极值马尔可夫模型实现跨时间的极值依赖性。可解释性的一个重要优点是,模型参数可以直接转化为风险管理所关注的数量,因此,通过查询适当的拟合模型,可以轻松回答热浪是否会变得更长、更严重或更频繁等问题。我们展示了两个最近的,灾难性的例子:2003年欧洲热浪和2010年俄罗斯热浪的潜在状态模型。
2016-06-23 stat.ME
Factor-Adjusted Multiple Testing for High-Dimensional Individual Mediation Effects
School of Data Science, Fudan University(复旦大学数据科学学院);Business Division, New York University Shanghai(纽约大学上海分校商学院)
本文提出FADMT框架,通过因子调整实现高维个体中介效应的去偏推断与FDR控制,提升观测研究中对共享潜在变异驱动的虚假关联的鲁棒性。
2026-02-18 stat.ME
Dependence on a collection of Poisson random variables
我们提出了两种新的方法,通过使用潜变量的三层分层模型中的泊松计数之间的依赖关系。感兴趣的随机变量的边缘分布是严格平稳性作为特殊情况的泊松分布。顺序- $p$依赖性详细描述了随机变量的时间序列,然而空间或时空依赖性也是可能的。一个完整的贝叶斯推断的模型和性能的模型说明了在墨西哥的孕产妇死亡率的数值分析。扩展,以应付过度分散也进行了讨论。
2020-11-05 stat.ME
Learning Latent Factors from Diversified Projections and its Applications to Over-Estimated and Weak Factors
因子模型的估计和应用往往依赖于潜在因子数被一致估计这一关键条件,而这又要求因子相对较强、数据平稳且序列相关性较弱以及样本量相当大,尽管在实际应用中,这些条件中的一个或几个可能会失败。在这些情况下,很难分析数据矩阵的特征向量。为了解决这个问题,我们提出了简单的估计的潜在因素,使用横截面预测的面板数据,通过加权平均与预先确定的权重。选择这些权重是为了使特殊成分多样化,从而产生“多样化因素”。由于投影是在横截面上进行的,因此它们对序列条件具有鲁棒性,即使对于有限长度的时间序列也易于分析和工作。我们正式证明了这个过程是强大的高估的因素的数量,并说明它在几个应用程序,包括后选择推理,大数据预测,大协方差估计和因素规格测试。我们还推荐了多种多样的权重选择。
2020-06-04 math.ST stat.ME stat.TH
Deep Probabilistic Spatial Modeling for Multivariate Mixed-Type Responses
Texas A&M University(德克萨斯农工大学);University of California San Francisco(加州大学旧金山分校);Kyungpook National University(庆北国立大学);Baylor University(贝勒大学)
本文提出MultiDeepGP框架,用于空间设置中多变量混合类型响应的联合建模,通过深度潜在表示捕捉空间依赖性,并实现高效的不确定性量化。
2026-03-07 stat.ME
Joint Group-Based Trajectory Modeling for Paired Repeated Measures: An Application to Audiometric Phenotypes and Dietary Associations
Harvard T.H. School of Public Health(哈佛T.H.陈公共健康学院);Harvard Medical School(哈佛医学院);Brigham and Womens Hospital(布里格姆和妇女医院);Medical University of South Carolina(南卡罗来纳医科大学)
针对配对重复测量数据中传统GBTM假设常被违反的问题,提出联合GBTM框架,开发两阶段方法和单阶段EM算法,经模拟验证可纠正偏差,还应用于实际数据研究听力表型及饮食与听力模式的关联。
2026-07-28 stat.ME
A Bayesian binomial regression model with latent Gaussian processes for modelling DNA methylation
表观遗传观察结果由来自给定细胞池的读数总数和甲基化读数的数量表示,使得通过二项分布对该数据进行建模是合理的。有许多因素可以影响在特定区域的成功概率。此外,这些概率具有很强的空间(与基因组一起)依赖性。我们将依赖于协变量和空间依赖的甲基化概率的观察池的细胞通过一个二项式回归模型与潜在的高斯场和logit链接函数。我们采用贝叶斯方法,包括模型配置的先验规范。为了得到参数和模型的联合后验分布,我们在不同的协变量选择上运行跳模马尔可夫链蒙特卡罗算法(MJMCMC)。这还允许找到最佳协变量集以对感兴趣的基因组区域内的甲基化概率和协变量的个体边缘包含概率进行建模。
2020-04-28 q-bio.GN q-bio.QM stat.AP
Latent community paths in VAR-type models via dynamic directed spectral co-clustering
Cornell University(康奈尔大学);Sungkyunkwan University(成均馆大学)
本文提出动态网络框架,用于揭示高维VAR型模型中的潜在社区路径。通过将度校正随机共块模型嵌入VAR型系统的转移矩阵中,分离节点层面的发送和接收角色,并以可解释的低维形式总结复杂的方向依赖性。
2026-10-30 econ.EM stat.ME
Composition as Direction: An Active-Set Ray-Based Model for Sparse High-Dimensional Compositional Data
Department of Statistics, Virginia Tech(弗吉尼亚理工大学统计系)
提出主动集射线组合(ARC)框架,通过将组合数据映射到单位超球面非负象限并建模主动集过程,在高维场景下处理精确零值、潜在依赖和单纯形约束,同时保持计算可行性。
2026-06-27 stat.AP stat.ME
Dependence-Robust Inference Using Resampled Statistics
我们开发的推理程序强大的一般形式的弱依赖。该程序利用测试统计量的方式,不依赖于未知的相关性结构的数据构建的restaurant。我们证明了统计量是渐近正态的弱要求下,目标参数可以一致估计的参数率。这适用于许多著名的弱依赖形式下的正则估计,并证明了依赖鲁棒性的要求。我们认为应用程序设置未知或复杂的依赖形式,与各种形式的网络依赖作为主要的例子。我们开发的时刻平等和不平等的测试。
2021-08-25 econ.EM stat.ME
Adaptive Sequential Surveillance with Network and Temporal Dependence
战略性测试分配在控制新出现和现有的流行病方面发挥着重要作用(例如,COVID-19,HIV)。广泛的检测通过以下方式支持有效的流行病控制:(1)通过识别病例减少传播,(2)跟踪疫情动态,为有针对性的干预措施提供信息。然而,传染病监测提出了独特的统计挑战。例如,感兴趣的真正结果-一个人的阳性感染状态,往往是一个潜在的变量。此外,网络和时间依赖性的存在将数据减少到单个观察。由于定期测试整个群体既不有效也不可行,标准的测试方法推荐简单的基于规则的测试策略(例如,基于症状,接触者追踪),而不考虑个人风险。在这项工作中,我们研究了一个自适应序贯设计,涉及n个个体在一段时间内的τ的时间步长,它允许未指定的依赖个体之间和跨时间。我们的因果目标参数是我们在一个时间步后会获得的平均潜在结果,如果从时间t开始,给定观察到的过去,我们已经进行了一次随机干预,在资源约束下最大化结果。我们提出了一个在线超级学习者的自适应顺序监测,学习随着时间的推移,同时适应疫情的当前状态的测试策略的最佳选择。依赖于一系列的工作模型,所提出的方法可以跨样本、跨时间或两者进行学习:基于数据中的底层(未知)结构。我们根据观察到的数据给出了潜在结果的识别结果,并在COVID-19大流行期间对住宿大学环境进行模拟建模时证明了所提出策略的优越性能。
2022-12-05 stat.AP stat.ME stat.ML
Marginal Persistence and Dynamic Copula Dependence in Sovereign Rating Migration Counts: A Discrete Interval-Likelihood MAGMAR Analysis
本文提出基于Copula的时序模型,结合气候风险因素,通过混合差分变换建模主权评级迁移风险,MAGMAR(1,1)模型在依赖动态中表现最优,气候变量对边缘模型有提升作用但对依赖动态影响有限。
2026-09-02 math.PR q-fin.RM q-fin.ST
Inheritance of strong mixing and weak dependence under renewal sampling
设$X$是连续时间强混合或弱相依过程,$T$是独立于$X$的更新过程,其到达间隔时间为$τ$ .我们一般的条件下,采样过程$(X_{T_i},T_i-T_{i-1})^{\top}$是强混合或弱依赖。此外,我们明确地计算强混合或弱相关系数的更新采样过程,并表明指数或幂衰减的系数$X$被保存(至少渐近)。我们的研究结果意味着,基本上所有的中心极限定理,在文献中的强混合或弱相关的过程可以应用时,更新采样观察过程$X$是在处置。
2022-02-01 math.ST stat.ME stat.TH
Gridding and Parameter Expansion for Scalable Latent Gaussian Models of Spatial Multivariate Data
本文提出网格化与参数扩展方法,改进基于稀疏DAG的可扩展空间高斯过程MCMC算法,提升ESS/s,并在合成数据与G-LiHT林业数据上验证有效性。
2025-03-28 stat.AP stat.CO stat.ME
Some Asymptotic Results on Multiple Testing under Weak Dependence
Interdisciplinary Statistical Research Unit, Indian Statistical Institute(印度统计学院交叉统计研究单元);Institute for Statistics, University of Bremen(不来梅大学统计研究所)
本文研究了在弱相关正态设置下多重检验的渐近行为,证明了Bonferroni和Sidak程序在假设数量趋于无穷大时能精确控制FWER,并通过模拟验证了其渐近精确性。
2026-02-24 math.ST stat.ME stat.TH
Computationally Efficient PAC RL in POMDPs with Latent Determinism and Conditional Embeddings
Cornell University(康奈尔大学);Princeton University(普林斯顿大学)
研究了大规模部分可观测马尔可夫决策过程(POMDPs)的函数逼近强化学习,其中状态空间和观测空间都很大甚至是连续的。特别地,我们考虑POMDP的Hilbert空间嵌入,其中潜在状态的特征和观测的特征允许观测发射过程的条件Hilbert空间嵌入,并且潜在状态转移是确定性的。在最优潜在状态-动作$Q$ -函数在状态特征上是线性的,并且最优$Q$ -函数在动作上有间隙的函数近似设置下,我们提供了一个寻找\emph{exact optimal}策略的\emph{computationally and statistically efficient}算法.我们展示了我们的算法的计算和统计复杂性尺度多项式的地平线和内在维度的观察空间上的功能。此外,我们证明了确定性的潜在转移和间隙假设是必要的,以避免统计复杂性指数的水平或维度。由于我们的保证没有明确的依赖于状态和观测空间的大小,我们的算法可证明规模大规模POMDPs。
2022-06-24 cs.LG stat.ME stat.ML
Estimating Differential Latent Variable Graphical Models with Applications to Brain Connectivity
微分图模型是用来表示两个组的条件依赖结构之间的差异的,因此在科学研究中特别有意义。受现代应用的启发,这篇手稿考虑了一个扩展的设置,其中每个组由一个潜在变量高斯图形模型生成。由于潜在因子的存在,微分网络被分解为稀疏和低秩分量,它们都是对称的不定矩阵。我们估计这两个组件同时使用两个阶段的过程:(i)初始化阶段,计算一个简单的,一致的估计,和(ii)收敛阶段,使用投影交替梯度下降算法应用到一个非凸目标,初始化使用第一阶段的输出。我们证明了,给定的初始化,估计线性收敛的非平凡的,最小最大的最佳统计误差。对合成数据和真实数据的实验表明,所提出的非凸过程优于现有的方法。
2020-05-13 math.ST stat.AP stat.ME
When can weak latent factors be statistically inferred?
本文在允许截面相关特质成分的弱因子模型下建立了PCA的全面非渐近估计与推断理论,证明信噪比仅需以log N的多项式速率增长即可保证渐近正态性,并将理论应用于因子验证、结构突变检验和风险暴露比较等问题。
2024-09-30 econ.EM math.ST q-fin.ST