Latent Markov (LM) models represent an important class of models for the analysis of longitudinal data (Bartolucci et. al., 2013), especially when response variables are categorical. These models have a great potential of application for the analysis of social, medical, and behavioral data as well as in other disciplines. We propose the R package LMest, which is tailored to deal with these types of model. In particular, we consider a general framework for extended LM models by including individual covariates and by formulating a mixed approach to take into account additional dependence structures in the data. Such extensions lead to a very flexible class of models, which allows us to fit different types of longitudinal data. Model parameters are estimated through the expectation-maximization algorithm, based on the forward-backward recursions, which is implemented in the main functions of the package. The package also allows us to perform local and global decoding and to obtain standard errors for the parameter estimates. We illustrate its use and the most important features on the basis of examples involving applications in health and criminology.
Regularized Ordinal Regression and the ordinalNet R Package
正则化技术，如套索（Tibshirani 1996）和弹性网（Zou and Hastie 2005），可用于提高回归模型系数估计和预测精度，以及执行变量选择。有序回归模型被广泛应用于正则化的应用中;然而，这些模型并不包含在正则化回归的许多流行软件包中。我们提出了一个坐标下降算法，以适应广泛的一类有序回归模型与弹性网罚款。此外，我们证明了这类模型中的每个模型都可以推广到更灵活的形式，例如可以容纳无序的分类数据。我们引入了一个适用于这两种模型形式的弹性网惩罚类。此外，该惩罚可用于将非有序模型向其有序对应物收缩。最后，我们介绍了R包ordinalNet，它实现了这个模型类的算法。
Multiple Imputation and Synthetic Data Generation with the R package NPBayesImputeCat
在许多情况下，缺失数据和披露控制是普遍存在和具有挑战性的问题。特别是在统计机构，它们从调查和人口普查中收集的答复者一级的数据可能存在很高的遗漏率。此外，各机构在公布所收集的数据供公众使用时，有义务保护受访者的隐私。本文介绍的NPBayesImputeCat R软件包提供了以下例程：i）为缺失数据创建多重插补，ii）为多变量分类数据创建用于统计披露控制的合成数据，包括有或没有结构零。我们描述的Dirichlet过程混合产品的多项分布模型中使用的包，并说明了各种用途的包使用的数据样本从美国社区调查（ACS）。我们还比较了mice R软件包的缺失数据插补结果和mice pop R软件包的合成数据生成结果。
Extending the saemix package for R to fit non Gaussian outcomes
Université Paris Cité（巴黎西岱大学）；Université Sorbonne Paris Nord（北索邦大学）；Inserm, IAME（法国国家健康与医学研究院，IAME实验室）；Université Paris-Saclay（巴黎萨克雷大学）；INRAE, MaIAGE（法国国家农业、食品与环境研究所，MaIAGE实验室）；Ecole Polytechnique（巴黎综合理工学院）
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。
