Modeling for Dynamic Ordinal Regression Relationships: An Application to Estimating Maturity of Rockfish in California
我们开发了一个贝叶斯非参数框架，用于建模离散时间演化的有序回归关系。动机的应用涉及渔业研究中的一个关键问题，估计动态演变的年龄，长度和成熟度之间的关系，后者记录在一个有序的规模。该方法建立从非参数混合建模的协变量和潜在的连续响应的联合随机机制。这种方法产生了高度灵活的顺序回归函数的推理，同时避免了参数模型的计算挑战。一个新的依赖Dirichlet过程的时间依赖混合分布的先验扩展模型的动态设置。该方法用于详细研究辣椒岩鱼的成熟度，年龄和长度之间的关系，使用15年来收集的数据沿加利福尼亚州海岸。
2015-07-05 stat.AP
Structured Mixture of Continuation-ratio Logits Models for Ordinal Regression
提出一种基于延续比率Logit混合的非参数贝叶斯序数回归方法，利用Pólya-Gamma数据增广实现高效后验模拟，避免了协变量效应的线性假设。
2024-03-22 stat.ME
Evaluating the performance of Bayesian cumulative logistic models in randomised controlled trials: a simulation study
本研究通过蒙特卡洛模拟评估四种有序结局建模方法在随机对照试验中的性能，发现非比例优势场景下无约束/有约束部分比例优势模型及logistic回归的估计更准确。
2025-07-29 stat.ME
Order-Restricted Bayesian Ordinal Regression for the Modeling of Neuron Degeneration in Caenorhabditis elegans
Duke University（杜克大学）
提出一种计算高效的参数约束贝叶斯有序回归模型，用于分析秀丽隐杆线虫神经元损伤序数数据，揭示毒性暴露与渐进性神经元损伤的单调关联，并发现母体毒性会增强后代对鱼藤酮的敏感性。
2026-06-23 stat.AP stat.CO stat.ME
Incremental Sparse Bayesian Ordinal Regression
University of Amsterdam（阿姆斯特丹大学）
有序回归（OR）旨在对不同数据类别之间的排序信息进行建模，这是多标签学习中的一个重要主题。一类重要的OR方法将问题建模为将特征映射到高维非线性空间的基函数的线性组合。然而，大多数基于基函数的算法是耗时的。我们提出了一种增量稀疏贝叶斯方法或任务，并介绍了一种算法，顺序学习相关的基函数在有序的情况下。我们的方法，称为增量稀疏贝叶斯有序回归（ISBOR），自动优化超参数通过类型II最大似然方法。ISBOR通过利用快速边缘似然优化，可以避免大矩阵求逆，这是将基于基函数的算法应用于大规模数据集上的OR任务的主要瓶颈。我们表明，ISBOR可以作出准确的预测与吝啬的基函数，同时提供自动估计的预测不确定性。在合成数据集和真实数据集上的大量实验证明了ISBOR与其他基于基函数的OR方法相比的效率和有效性。
2018-06-18 cs.LG stat.ML
A Bayesian Mixture Model for Changepoint Estimation Using Ordinal Predictors
在回归模型中，具有固有排序的预测变量，如肿瘤分期范围和ECOG体力状态，在医疗环境中很常见。在统计学上，可能很难确定有序预测变量的函数形式。通常，这样的变量根据它是高于还是低于某个截止值而被二分。其他方法方便地将有序预测因子视为连续变量，并假设与结果呈线性关系。然而，任意选择一种方法可能会导致不准确的推断和处理。在本文中，我们提出了一个贝叶斯混合模型，同时评估适当的形式的预测回归模型，通过考虑存在一个变点，通过镜头的阈值检测问题。通过使用混合模型框架来考虑变量的二分和线性形式，估计是线性和二进制参数化的加权平均。该方法适用于连续、二元和生存结局，并且易于进行惩罚回归。我们评估了所提出的方法，使用模拟研究，并将其应用到两个真实的数据集。我们提供JAGS代码以便于实现。
2020-08-01 stat.ME
Seismic fragility curves fitting revisited: ordinal regression models and their generalization
本研究应用有序回归模型（如累积、序列和相邻类别模型）及其扩展拟合地震易损性曲线，基于汶川地震桥梁损伤数据对比11个模型，发现具有类别特定效应的序列模型表现优异，为提升地震风险评估提供了更灵活的建模方法。
2024-09-24 stat.AP
Bayesian Machine Learning for Estimating Optimal Dynamic Treatment Regimes with Ordinal Outcomes
本文提出将有序贝叶斯加性回归树（OBART）纳入贝叶斯机器学习框架，用于估计有序结局下的最优动态治疗方案并量化不确定性，通过模拟和戒烟试验数据验证了方法的有效性。
2025-03-08 stat.ME
Bayesian Deck-of-cards-based Ordinal Regression with Sequential Preference Elicitation
Poznań University of Technology（波兹南理工大学）；University of Catania（卡塔尼亚大学）
提出B-DOR，一种基于扑克牌式排序的贝叶斯序数回归方法，通过累积链接似然建模偏好强度，采用两种贝叶斯推断算法并支持多步诱导，实验证明其优于现有方法并适用于综合指标构建。
2026-09-30 cs.LG math.OC stat.ML
Inference for the proportional odds cumulative logit model with monotonicity constraints for ordinal predictors and ordinal response
本文研究有序预测变量和响应变量下比例优势累积logit模型的推断，证明有约束与无约束估计渐近等价，据此构建置信区域和检验，并通过模拟和学校数据验证。
2025-05-26 econ.EM stat.ME
Bayesian modelling of statistical region- and family-level clustered ordinal outcome data from Turkey
本研究采用多分类逻辑斯谛回归分析存在随机效应的三水平有序结局数据。假设随机效应遵循logit链接的Bridge分布，这允许获得回归系数的边际解释。数据来自土耳其收入和生活条件研究，其中的结果变量是自评健康（SRH），本质上是有序的。这些数据的分析是比较协变量亚组，并得出地区和家庭一级的SRH方面的推论。参数和随机效应是从贝叶斯范式下的联合后验密度中采样的。模型选择采用三种准则：待验信息准则、对数伪边缘似然准则和偏差信息准则。所有这三个建议，我们需要考虑到地区和家庭层面的变异性，以模型SRH。模型复制观测数据的程度通过后验预测检查进行检查。在性健康和生殖健康的差异之间的经济和人口变量，土耳其的地区，和家庭谁参加了调查。一些有趣的发现是，失业者报告健康状况较差的可能性比就业者高19%，爱琴海农村是报告健康状况较差的可能性最小的地区。
2021-11-08 stat.AP
Cumulative Restricted Boltzmann Machines for Ordinal Matrix Data Analysis
Deakin University（迪肯大学）；Curtin University（科廷大学）
序数数据是无所不在的，几乎所有的多用户生成的反馈-问卷，偏好等。本文研究了有序数据建模与高斯限制玻尔兹曼机（RBM）。特别是，我们提出的模型架构，学习和推理过程的向量变量和矩阵变量有序数据。我们表明，我们的模型是能够捕捉潜在的意见配置文件的公民在世界各地，是竞争对手的最先进的协同过滤技术在大规模的公共数据集。因此，该模式有可能将成果管理制的应用扩展到不同的领域，如推荐系统、产品审查和专家评估。
2014-07-31 cs.IR cs.LG stat.AP
Logistic Multidimensional Data Analysis for Ordinal Response Variables using a Cumulative Link function
Leiden University（莱顿大学）
本文提出了一种多维数据分析框架，用于处理有序响应变量。通过假设连续潜在变量，构建累积逻辑模型。框架包含无监督和有监督方法，并区分主导变量和接近变量，采用期望-最大化-最小化算法进行参数估计。
2025-01-22 stat.CO stat.ME
Regression models for ordinal compositional data
针对序数成分数据，提出一种基于Wasserstein距离的线性回归框架，通过线性规划实现全局最优，并引入诊断工具，提升可解释性和预测性能。
2026-10-06 math.ST stat.ME stat.TH
Estimating intracluster correlation for ordinal data
目的：本文考虑有序数据的类内相关估计。我们专注于纯音测听听阈数据，其中阈值以5分贝增量测量。我们估计基于iPhone的听力评估应用程序的测试的群内相关性，作为测试/重测可靠性的衡量标准。研究方法：我们提出了一种方法来估计集群内的相关性，使用混合效应累积逻辑和概率模型，假设结果数据是有序的。这与使用混合效应线性模型形成对比，后者假设结局数据是连续的。结果如下：在模拟研究中，我们发现，使用混合效应线性模型估计有序数据的群内相关性会导致负的有限样本偏差，而使用混合效应累积logistic或概率单位模型则会降低这种偏差。与使用混合效应线性模型相比，使用混合效应累积logistic和probit模型时，基于iPhone的听力评估应用程序的估计群集内相关性更高。结论：当数据为有序数据时，相对于使用混合效应线性模型，使用混合效应累积logistic或概率单位模型可降低群内相关性估计值的偏倚。
2022-11-03 stat.ME
Cumulative Logit Ordinal Regression with Proportional Odds under Nonignorable Missing Response -- Application to Phase III Trial
本文针对临床试验中不可忽略的有序响应缺失问题，提出基于期望最大化的比例优势累积Logit回归拟合算法，并通过模拟研究和III期银屑病试验验证其有效性。
2025-05-07 stat.AP stat.ME
A constrained regression model for an ordinal response with ordinal predictors
提出了一个回归模型的分析顺序响应变量取决于一组多个协变量包含顺序和潜在的其他变量。将比例优势模型（McCullagh（1980））用于有序响应，并将约束极大似然估计用于解释协变量的有序性。有序预测变量由虚拟变量编码。与有序预测因子的类别相关联的参数受到约束，强制它们是单调的（保序或反序）。引入了一个判定规则，用于对有序预测的单调性方向进行分类，并提供了观测是否与两个单调性方向兼容的信息。此外，还提出了一种任意有序预测参数的单调性检验方法。提出了单调性约束模型和三种估计方法，并与无约束模型进行了仿真比较。该模型适用于真实数据解释10分制李克特量表生活质量自我评估变量从顺序和其他预测。
2018-04-23 stat.ME
Regularization and Model Selection for Ordinal-on-Ordinal Regression with Applications to Food Products' Testing and Survey Data
针对有序-有序回归，本文提出在累积logit模型中结合差分惩罚修改group lasso并引入fused lasso型惩罚，以实现有序预测变量的平滑、类别融合与因子选择，并在模拟和真实数据上验证了其有效性。
2024-07-24 stat.AP stat.ME
Bayesian Quantile Regression for Ordinal Models
本文介绍了一元有序模型中分位数回归的贝叶斯估计方法。两个算法，利用潜在变量推理框架的阿尔伯特和Chib（1993年）和正常指数混合表示的非对称拉普拉斯分布。估计使用马尔可夫链蒙特卡罗模拟-吉布斯采样与梅特罗波利斯-黑斯廷斯算法或仅吉布斯抽样。该算法在两个模拟研究和实施的问题，在经济学（教育程度）和政治经济学（公众舆论延长“布什税”削减）的分析。模型比较的研究证明了分位数序模型的实用性。
2022-09-29 stat.ME
Bayesian Ordinal Quantile Regression with a Partially Collapsed Gibbs Sampler
与标准线性回归不同，分位数回归将协变量与条件响应分布之间的关系作为一个整体捕获，而不仅仅是协变量与条件响应的期望值之间的关系。然而，虽然连续变量和某些形式的离散数据有成熟的分位数回归方法，但顺序变量没有被广泛接受的方法，尽管它们在许多医学背景下很重要。在这项工作中，我们描述了两个现有的顺序分位数回归方法，并证明他们的弱点。然后，我们提出了一种新的方法，贝叶斯有序分位数回归与部分塌陷吉布斯抽样（BORPS）。我们显示出优越的结果，使用BORPS与现有的方法上的一组广泛的模拟。我们通过将BORPS应用于脆弱家庭和儿童福祉研究数据来进一步说明我们方法的好处，以区分男女之间与青春期提前的联系。软件可在GitHub.com/igrabski/borps上获得。
2019-11-16 q-bio.QM stat.ME
Pseudo-R2D2 prior for high-dimensional ordinal regression
针对高维有序回归，提出Pseudo-R2D2先验，通过广义逆高斯先验近似诱导McFadden决定系数的贝塔分布，在模拟和真实基因数据上表现优异。
2025-02-20 stat.ME
Tree-Structured Scale Effects in Binary and Ordinal Regression
在二元和有序回归中，可以区分位置分量和缩放分量。虽然前者决定了响应类别范围内的位置，但标度表示方差异质性。特别是，因为它已被证明，误导性的影响，可能会发生，如果一个忽略的缩放组件的存在，重要的是要考虑潜在的缩放效应的回归模型，这是不可能在现有的递归分区方法。建议的递归分区方法产生两棵树，一个用于位置，一个用于缩放。它们以一种简单的可解释的方式显示变量如何相互作用以确定二元或有序响应。所开发的算法控制全局显著性水平，并自动选择对响应有影响的变量。几个现实世界的应用程序的建模方法说明。
2019-10-30 stat.ME
bqror: An R package for Bayesian Quantile Regression in Ordinal Models
本文介绍R包bqror，通过Gibbs采样与Metropolis-Hastings算法为两类序数模型提供高效的贝叶斯分位数回归估计，并支持边际似然模型比较及拟合评估。
2023-05-27 econ.EM stat.CO stat.ME
Risk prediction models for discrete ordinal outcomes: calibration and the impact of the proportional odds assumption
校准是风险预测模型性能的一个重要方面，但在有序结果的背景下研究很少。本研究比较了预测离散有序结果的风险模型的校准措施，并调查了比例优势假设对校准和过拟合的影响。我们研究了多项式，累积，相邻类别，延续比，和刻板的logit/logistic模型。为了评估校准，我们研究了校准截距和斜率、校准图和估计的校准指数。使用大样本模拟，我们研究了在各种条件下的风险估计模型的性能，假设真实的模型具有多项式logistic形式或累积logit比例优势形式。小样本模拟用于比较模型之间的过拟合趋势。作为一个案例研究，我们开发了诊断有症状患者冠状动脉疾病（五类）程度的模型。当真正的模型是多项logistic时，比例优势模型通常产生较差的风险估计，即使在大型模型开发数据集上，校准斜率也大大偏离1。刻板印象逻辑模型改善了校准斜率，但仍然为个体患者提供了有偏见的风险估计。当真实模型具有累积logit比例优势形式时，多项逻辑斯谛回归提供了有偏倚的风险估计，尽管这些偏倚是适度的。非比例优势模型需要从数据中估计更多的参数，因此遭受更多的过拟合。尽管需要较大的样本量，但我们通常推荐多项逻辑斯谛回归用于离散有序结局的风险预测建模。
2021-11-18 stat.ME
Optimal Cox regression under federated differential privacy: coefficients and cumulative hazards
University of Warwick（华威大学）
本文研究了在联邦差分隐私下分布式生存分析中的两个基础问题，即Cox回归系数和累积基线危险函数的估计，考虑了异质样本量和隐私预算。通过推导最小最大下界和上界，揭示了隐私与非隐私 regime 之间的服务器级相变，并提出了一种基于树的Breslow估计器用于非参数积分估计。
2026-10-20 math.ST stat.ME stat.TH
Ordinal regression for meta-analysis of test accuracy: a flexible approach for utilising all threshold data
University of Leicester（莱斯特大学）；University of Bristol（布里斯托大学）
本文提出两种序数回归模型，用于更准确地分析测试准确性数据，即使在高类别数情况下也能提升估计精度。
2025-12-02 stat.ME
Improved estimation in cumulative link models
对于有序数据的累积链模型的估计，得到了\citet{firth:93}中的偏差减小的调整得分方程，其解保证了估计量比极大似然估计量具有更小的渐近偏差.它们的形式表明多项式计数的参数依赖性调整，这反过来又表明通过迭代极大似然拟合调整后的计数来解决调整后的评分方程，极大地促进了实施。像极大似然估计，减少偏差估计被发现尊重的不变性属性，使累积链接模型的分类数据的分析的一个很好的选择。它的额外的有限性和最优频率论属性，以及相关的渐近推理过程的适当行为，使减少偏差估计有吸引力的默认选择，为实际应用。此外，建议的估计享有一定的收缩性能，从实验的角度来看，有序数据的性质是站得住脚的。
2013-01-28 stat.CO stat.ME
Context-specific independencies for ordinal variables in chain regression models
在这项工作中，我们处理分类（有序）变量，我们专注于（在）依赖关系的边缘，条件和上下文特定的角度来看。如果前两个是众所周知的，最后一个涉及的独立性只在结果空间的子空间。我们利用层次多项边际模型，并通过这些模型的上下文特定的独立性的表示提供了一些原始的结果。通过考虑图形方面，我们利用链图形模型。所得到的图形模型是一个所谓的“分层”链图形模型与标记的弧。给出了新的马尔可夫性。此外，我们考虑了回归视点下的图模型。在这里，我们提供了简化的回归参数，由于上下文特定的独立性。最后，给出了意大利企业创新度的应用实例.
2017-12-22 stat.AP stat.ME
On Forward Sufficient Dimension Reduction for Categorical and Ordinal Responses
通过将梯度外积和最小平均方差估计推广到多项广义线性模型，给出了分类或有序响应的前向充分降维方法.以前在这个方向上的工作扩展到二进制响应的前向回归，并以成对的方式应用于多项数据，这比我们的方法效率低。与其他基于前向回归的充分降维方法一样，我们的方法避免了逆回归方法所需的相对严格的分布要求。我们证明了我们提出的估计的一致性，并推导出其收敛速度。我们开发了一个算法，我们的方法的基础上重复应用的可用算法的前向回归。我们还提出了一个基于聚类的调整过程来估计调整参数。我们的估计和相关算法的有效性证明通过模拟和应用。
2023-03-28 stat.ME
Analyzing Clustered Continuous Response Variables with Ordinal Regression Models
连续响应变量通常需要进行转换以满足回归建模假设;然而，找到最佳转换具有挑战性，并且结果可能会因转换的选择而异。当重复测量受试者的连续响应变量或连续响应来自聚类时，由于聚类内的相关性，对连续响应数据进行建模更具挑战性。我们扩展了一个广泛使用的有序回归模型，累积概率模型（CPM），适合集群连续响应变量的基础上广义估计方程（GEE）的有序响应方法。与我们的方法，估计的边际参数，累积分布函数（CDF），期望值和分位数条件的协变量，可以得到没有预转换的潜在倾斜的连续响应数据。连续响应变量的大量不同值会带来计算挑战，我们提出了两种可行且计算效率高的方法来拟合具有不同工作相关结构的集群连续响应变量的CPM。我们通过仿真研究了估计器的有限样本操作特性，并通过两个数据例子说明了它们的实现。一项研究在HIV研究中研究了CD 4：CD 8比率的预测因素。另一项研究使用来自肺健康研究的数据来研究单核苷酸多态性对肺功能下降的贡献。
2022-07-18 stat.ME
An interpretable neural network-based non-proportional odds model for ordinal regression
The Institute of Statistical Mathematics（统计数理研究所）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Tokyo Medical University（东京医科大学）
本研究提出用于有序回归的可解释神经网络非比例优势模型N$^3$POM，兼具灵活性与可解释性，建立了局部单调性充分条件并给出保单调性训练算法，可应用于多类真实数据集。
2024-03-11 cs.LG stat.ME stat.ML
Modeling Ordinal Survey Data with Unfolding Models
Michigan State University（密歇根州立大学）；University of Washington（华盛顿大学）
本文提出了一种新的顺序概率投影像模型，用于处理顺序调查数据中的单调和非单调响应函数问题。
2026-10-20 stat.ME
Better Assumptions, Stronger Conclusions: The Case for Ordinal Regression in HCI
School of Computer Science The University of Sydney（悉尼大学计算机学院）
本文探讨了顺序回归在人机交互领域中的应用，提出使用累积链接混合模型进行分析，并通过实际案例展示其应用方法。
2026-02-20 cs.HC stat.ME
Stabilized Sparse Ordinal Regression for Medical Risk Stratification
近年来电子病历的广泛应用为数据挖掘带来了巨大的机遇和挑战。电子病历数据具有时间性、噪声性、不规则性和高维性等特点。本文构建了一个新的有序回归框架，预测医疗风险分层的电子病历。首先，作为一个时间图像的EMR的概念视图被构造为提取一组不同的功能。其次，应用有序模型预测累积或进行性风险。挑战在于构建一个透明的预测模型，该模型可以与大量弱预测特征一起工作，同时对恢复变化保持稳定。我们的解决方案采用稀疏方法，通过特定领域的功能交互网络稳定。我们引入了两个指标来衡量模型对数据恢复的稳定性。特征网络用于生成具有稀疏精度矩阵的两个多元高斯先验（拉普拉斯和随机游动）。我们将该框架应用于一个大型的短期自杀风险预测问题，并证明我们的方法在很大程度上优于临床医生，发现了符合心理健康知识的自杀风险因素，并产生了具有增强稳定性的模型。
2014-07-23 stat.AP stat.ME
Multivariate ordinal regression for multiple repeated measurements
本研究提出一种带多变量自回归误差结构的多变量有序回归模型，采用复合似然估计，经模拟验证性能优异，配套R包mvordflex可便捷实现，并在企业信用评级数据集上完成应用演示。
2024-02-01 stat.ME
Extended rank regression for all ordinal data
Duke University（杜克大学）
研究针对所有有序数据的回归模型，采用基于扩展秩概念的伪似然方法，能适应多种均值 - 方差关系和数据类型，无需相关估计与指定，该方法在极端数据情况无渐近信息损失，还可获贝叶斯参数估计等，共形校准能保证区间覆盖。
2026-07-29 stat.ME
A Regression Discontinuity Design for Ordinal Running Variables: Evaluating Central Bank Purchases of Corporate Bonds
回归间断（RD）是一种广泛应用于因果推断的准试验设计。在标准RD中，治疗分配由连续治疗前变量（即，运行变量）高于或低于预定阈值。就欧洲中央银行的公司部门购买方案而言，该方案涉及大规模购买欧元区公司发行的证券，这一门槛值可以用有序运行变量来界定。由于缺乏有意义的距离测量，该特征对RD估计提出了挑战。为了评估这样的程序，本文提出了一种局部随机化框架下的顺序运行变量的RD方法。该建议首先估计有序运行变量的有序概率模型。然后将分配给治疗的估计概率作为潜在连续运行变量，并用于识别阈值附近的协变量平衡子样本。假设局部unconfoundedness的治疗在子样本中，估计的程序的效果是通过采用加权估计的平均处理效应。两个加权估计-重叠权重和ATT权重-以及他们的增广版本被认为是。我们应用该方法来评估CSPP的因果效应，并发现一个统计上显着的和负面的影响，公司债券发行时的利差。
2020-06-22 stat.ME
A brief introduction on latent variable based ordinal regression models with an application to survey data
本研究针对临床试验中调查数据用普通线性回归分析存在假设不满足、仅能反映平均响应等问题，概述了基于潜变量的有序回归模型的原理、真实数据应用、前沿软件使用及优缺点，是儿科麻醉结构化访谈研究的配套工作。
2024-01-30 stat.AP stat.ME
A Simulation Study to Compare Inferential Properties when Modelling Ordinal Outcomes: The Case for the (Plain but Robust) Proportional Odds Model
TU Dortmund University（多特蒙德工业大学）；University Alliance Ruhr (UA Ruhr)（鲁尔大学联盟）；Central Institute of Mental Health, Medical Faculty Mannheim, Heidelberg University（海德堡大学曼海姆医学院精神卫生中央研究所）
本文通过模拟研究比较了不同有序回归模型的推断性质，发现比例优势模型在处理有序结局时表现更可靠，推荐其在无禁忌症情况下使用。
2026-03-02 stat.ME
A Comparative Study of Imputation Methods for Multivariate Ordinal Data
针对多元有序数据的缺失值问题，本文比较评估了多种多重填补方法，发现比例优势逻辑回归、分类回归树及多项分布DP混合模型表现更优。
2024-12-24 stat.AP stat.ME
Regression Analysis of Ordinal Panel Count Data in Recurrent Medication Non-adherence
针对序数面板计数数据缺乏标准分析方法的问题，提出半参数比例强度模型及基于单调样条的最大筛似然估计，在模拟和抑郁症临床试验中验证了其有效性与稳健性。
2025-05-28 stat.ME
Regression Trees and Ensembles for Cumulative Incidence Functions
在过去的十年中，使用累积发生率函数来表征一种类型的事件在其他事件存在下的风险变得越来越流行。建模，估计和推理的问题已经处理使用参数，非参数和半参数的方法。开发机器学习方法的适当扩展的努力，例如回归树和相关的集成方法，最近已经开始。在本文中，我们提出了一种新的方法来估计累积发病率曲线在竞争风险设置使用回归树和相关的集成估计。所提出的方法采用增强估计的Brier得分风险的主要基础上建设和修剪树，并导致使用现有的R包很容易实现的方法。来自放射治疗肿瘤组（试验9410）的数据用于说明这些新方法。
2021-06-24 stat.ME
Estimands and cumulative incidence function regression in clinical trials: some new results on interpretability and robustness
本文基于大样本理论推导了竞争风险下累积发病函数回归模型的治疗效果估计量极限值，揭示了其敏感性，检验了假设检验的拒绝率以建立稳健性，并强调次要分析的重要性。
2024-01-10 stat.ME
A penalized approach to the bivariate logistic regression model for the association between ordinal responses
二元有序Logistic模型（BOLM）是一种对给定协变量的两个有序响应及其关联的边缘分布进行联合建模的方法。当响应类别的数量增加时，要估计的全局优势比（或其重新参数化）的数量也增加，并且估计关联结构对于这种类型的数据变得至关重要。事实上，这样的数据可能太“丰富”，无法用普通的BOLM完全建模，而有时，著名的Dale模型可能过于简约，无法提供良好的拟合。此外，当响应的交叉列表包含一些零时，对于许多模型配置，包括部分比例优势模型（PPOM）的双变量版本，通过Fisher评分算法估计BOLM可能失败或估计太“不规则”的关联结构。在这项工作中，我们建议使用一个非参数方法的极大似然估计的BOLM。我们对相邻行和列效应之间的差异应用惩罚。其结果是，估计是要求较低，比普通的BOLM，允许拟合的PPOM和/或平滑的边缘和关联参数的多项式曲线和曲面，与分数选择的数据。模型选择是基于惩罚的对数似然比，其极限分布已通过模拟研究，和AIC。我们的建议相比，古德曼的模型和戴尔的模型，在拟合优度和简约性，文献数据集。最后，提出了一个应用程序的肝脏疾病患者的原始数据集。
2014-07-07 math.ST stat.AP stat.CO
Regression Trees for Cumulative Incidence Functions
在过去的十年中，使用累积发生率函数来表征一种类型的事件在其他事件存在下的风险变得越来越流行。建模，估计和推理的问题已经处理使用参数，非参数和半参数的方法。开发机器学习方法的适当扩展的努力，例如回归树和相关的集成方法，最近才开始。在本文中，我们开发了一种新的方法来建立回归树估计累积发病率曲线在竞争风险设置。所提出的方法采用增强估计的Brier得分的风险作为主要的基础上建设和修剪树木。所提出的方法很容易使用R统计软件包实现。仿真研究表明，我们的方法在竞争风险设置的效用。来自放射治疗肿瘤组（试验9410）的数据用于说明这些新方法。
2020-11-13 stat.ME stat.ML
Regression and Dimension Reduction for Multivariate Mixed-Type Data via Semiparametric Gaussian Copula
Texas A&M University（德克萨斯农工大学）；Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯布隆伯格公共卫生学院）
本文提出基于半参数高斯协同体的回归、主成分分析和主成分回归方法，用于处理多元混合类型数据，通过建立新的桥梁结果和高效算法，实现对缺失数据的预测与填补，应用于研究5年死亡率与61项衰弱相关指标的关系。
2026-03-17 stat.AP stat.ME
Monotone data augmentation algorithm for longitudinal continuous, binary and ordinal outcomes: a unifying approach
本文提出了一种统一的单调数据增强算法，用于纵向连续、二元和有序结果的缺失数据填补，结合多变量伯努利模型和参数扩展策略，改进了马尔可夫链收敛效率，并评估了不同先验对参数估计的影响。
2026-10-06 stat.ME
Pseudo-value Based Mean Cumulative Count Regression
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Novartis Pharma AG（诺华制药股份有限公司）；Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系）；Hoffman La Roche Ltd（罗氏制药有限公司）
提出基于伪值的回归方法，利用影响函数伪值作为结果，通过广义估计方程估计协变量对平均累积函数及其积分的影响，并在临床试验中验证其有效性。
2026-06-24 stat.AP stat.ME
