Statistical inference and Bayesian optimal life-testing plans under Type-II unified hybrid censoring scheme
本文描述了定数II统一混合截尾下的贝叶斯最优寿命试验问题和推导过程。首先,给出了寿命模型中未知参数的期望失效次数、期望测试持续时间和Fisher信息矩阵的显式表达式。然后,使用这些量,贝叶斯最优寿命试验计划计算在随后的部分。建立了费用约束D-最优最优化问题,并给出了相应的求解算法,得到了最优方案。通过数值例子说明了计算过程。
2020-04-11 math.ST stat.CO stat.TH
Empirical Bayes large-scale multiple testing for high-dimensional binary outcome data
针对稀疏高维二分类结果数据的多重检验问题,提出基于尖峰-板条后验的经验贝叶斯新流程,解决了默认共轭先验ℓ值流程FDR估计过于保守的问题,给出严格理论保证与实验验证,首次得到该场景下的一致FDR控制结果。
2025-06-13 math.ST stat.TH
Multiple Testing in Nonparametric Hidden Markov Models: An Empirical Bayes Approach
给定一个具有两个状态的非参数隐马尔可夫模型(HMM),考虑将其中一个状态作为未知的原假设,构造有效的多重检验程序的问题.介绍了一个程序,基于非参数经验贝叶斯的想法,控制在用户指定的水平的错误发现率(FDR)。还以控制真阳性率的形式提供功率保证。在建设中的关键步骤之一,要求上确界-范数收敛的HMM的发射密度的初步估计。我们提供了这样的估计的存在性,收敛在最佳的极小极大率的情况下,一个HMM与$J\ge 2$状态,这是独立的利益。
2021-01-11 math.ST stat.TH
High-dimensional Asymptotic Theory of Bayesian Multiple Testing Procedures Under General Dependent Setup and Possible Misspecification
本文研究了一般相依情形下,当样本量和假设个数均趋于无穷大时,贝叶斯多重检验的渐近性质。具体来说,我们调查的程序和渐近性质的不同版本的虚假发现和虚假的非发现率的高维设置下的强一致性。我们特别关注一种新的贝叶斯非边际多重检验程序及其相关的差错率在这方面。我们的研究结果表明,差错率的渐近收敛率与真实模型的Kullback-Leibler发散直接相关,并且即使假设的模型类是错误的,结果仍然成立。为了说明我们的高维渐近理论,我们考虑贝叶斯变量选择问题的时变协变量选择框架,自回归响应变量。我们特别关注假设数量以比样本量更快的速度增加的设置,这就是所谓的超高维情况。
2020-04-30 math.ST stat.TH
Asymptotic Properties of Bayes Risk of a General Class of Shrinkage Priors in Multiple Hypothesis Testing Under Sparsity
考虑独立正态观测均值的同时检验问题。在贝叶斯决策理论框架下,研究了一类单组收缩先验诱导的多重检验规则的渐近最优性,其中总损失为误分类假设的个数.我们假设数据为两组正态混合模型,并考虑Bogdan等人(2011)采用的渐近框架,他在多重检验的背景下引入了稀疏下渐近贝叶斯最优性的概念。一般类的一组先验研究是丰富的,包括,除其他外,家庭的三个参数β,广义双帕累托先验,特别是马蹄铁,正常指数伽玛和Strawderman-Berger先验。我们建立,在我们所选择的渐近框架内,研究中的多个测试规则渐近达到贝叶斯甲骨文的风险的乘法因子,与常数的风险接近的甲骨文风险的常数。这与Datta和Ghosh(2013)基于Carvalho等人(2009,2010)引入的马蹄估计量的多重检验规则获得的结果相似。我们进一步证明,在对底层稀疏参数的非常温和的假设下,基于van der Pas et al.(2014)提出的相应全局收缩参数的经验贝叶斯估计的诱导决策规则,在相同的乘法因子下渐近地获得最优贝叶斯风险。我们提供了一个统一的参数适用于一般类的先验研究。在此过程中,我们解决了Datta和Ghosh(2013)关于广义双重Pareto先验最优性的一个猜想。我们的工作还表明,Datta和Ghosh(2013)的结果可以进一步改进。
2015-06-10 math.ST stat.TH
A comparison of the Benjamini-Hochberg procedure with some Bayesian rules for multiple testing
在建模推理的精神,微阵列作为稀疏混合物的多重测试,我们提出了一个类似的方法来简化版本的数量性状基因座(QTL)定位。与微阵列的情况不同,在微阵列中测试的数量通常达到数万,在QTL扫描中进行的测试的数量通常不超过数百。然而,在典型的情况下,QTL作图的重要替代物的稀疏性$p$与微阵列的稀疏性在相同的范围内。为了方法上的兴趣,以及一些相关的应用,我们也考虑非稀疏混合。使用模拟以及理论观察,我们研究错误发现率(FDR),功率和误分类概率的Benjamini-Hochberg(BH)程序及其修改,以及各种参数和非参数贝叶斯和参数经验贝叶斯程序。我们的结果证实了Genovese和Wasserman(2002)的观察,即对于小p,BH的误分类误差在达到贝叶斯预言的意义上接近最优。这个属性是由一些考虑的贝叶斯测试规则共享的,对于大的或中等的$p$,它们通常比BH执行得更好。
2008-05-16 math.ST stat.TH
False Discovery Control in Multiple Testing: A Brief Overview of Theories and Methodologies
本文综述了多重检验中错误发现率(FDR)控制方法的最新进展,并提出了一个概念框架以梳理相关文献、阐释核心思想,为研究者在方法应用与开发上提供指导。
2024-11-16 math.ST stat.AP stat.ME
State-of-the-Art in Sequential Change-Point Detection
我们提供了一个概述的国家的最先进的顺序变点检测领域假设离散时间和已知的前和后变化分布。概述涵盖了基本最优化问题的所有主要公式,即贝叶斯,广义贝叶斯和极大极小。我们特别关注每个领域的最新进展。此外,我们链接在一起的广义贝叶斯问题与多周期性疾病检测在一个固定的制度时,发生的变化在一个遥远的时间范围。最后,我们用两个案例研究来说明工作领域的前沿。
2011-09-13 math.ST stat.TH
Bayes, E-values and Testing
Booth School of Business, University of Chicago(芝加哥大学布斯商学院);Department of Systems Engineering and Operations Research, George Mason University(乔治梅森大学系统工程与操作研究系);School of Information Systems, Muma College of Business, University of South Florida(南佛罗里达大学穆马商学院信息系统学院)
本文提出了一种类型化的框架,将序列检验证据分为表征、有效性与决策三个层次,揭示了似然比在贝叶斯风险最小化下的独特地位,并验证了预quential码在生成有效E过程中的作用。
2026-03-09 math.ST stat.TH
BONuS: Multiple multivariate testing with a data-adaptive test statistic
Peking University(北京大学);UC Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);UT Austin(德克萨斯大学奥斯汀分校)
本研究提出BONuS自适应经验贝叶斯多重检验方法,可控制FDR并提升功效,经多场景验证有效。
2026-11-11 math.ST stat.ME stat.TH
Quantization of Prior Probabilities for Hypothesis Testing
贝叶斯假设检验研究假设的先验概率,作为一个随机向量,量化。最近邻和质心的条件,使用平均贝叶斯风险误差作为量化失真的措施。失真率函数的高分辨率近似也得到了。研究了隔离群体中的人类决策问题,假设贝叶斯假设检验与量化先验。
2008-05-28 cs.IT math.IT math.ST
50 shades of Bayesian testing of hypotheses
假设检验和模型选择是统计推断的典型问题,而贝叶斯范式似乎非常适合回答这些问题,它面临着自己的困难,从事先建模校准,数值实现。这个c
2022-06-14 stat.ME
Bayesian Hypothesis Testing for Block Sparse Signal Recovery
提出了一种新的块贝叶斯假设检验算法(Block-BHTA),用于重构具有未知块结构的块稀疏信号。Block-BHTA算法包括支撑点的检测和恢复,以及块稀疏信号幅度的估计。使用贝叶斯假设检验执行支持检测和恢复。然后,基于检测和重建的支持,非零幅度估计的线性MMSE。数值实验证明了Block-BHTA的有效性。
2015-08-22 cs.IT math.IT stat.ML
Minimum Probability of Error of List M-ary Hypothesis Testing
我们研究了贝叶斯M元假设检验的一个变体,在该检验中,在处理观察结果时,该检验输出M个可能的L个候选者的列表。研究了列表假设检验的最小错误概率问题,其中错误定义为真实假设不在检验输出列表中的事件。我们推导出两个精确的表达式的最小概率或错误。第一个是表示为某一非贝叶斯二元假设检验的错误概率,并让人想起元逆界。第二,表示为上述非贝叶斯二元假设检验中涉及的两个分布之间的似然比的尾概率。
2021-10-27 cs.IT math.IT math.ST
An empirical Bayes testing procedure for detecting variants in analysis of next generation sequencing data
由于新一代测序技术具有成本低、数字分辨率高等优点,有望取代传统的基于杂交的微阵列技术。对于遗传学研究,NGS数据的第一步分析通常是识别测序样品中的基因组变异。在NGS研究中,已经开发了几种用于变异识别的统计模型和检验。然而,现有的方法,是基于传统的贝叶斯或频率论的方法,这是无法解决的多重性和测试效率的问题,同时。在本文中,我们推导出一个最佳的经验贝叶斯检验程序来检测变异的NGS研究。我们利用经验贝叶斯技术,利用跨站点的信息之间的许多测试网站的NGS数据。我们证明了我们的测试过程是有效的,最佳的意义上拒绝nonnull的最大数量,而贝叶斯错误发现率控制在一个给定的标称水平。我们通过模拟研究和真实数据分析表明,我们的测试效率可以大大提高超过现有的频率论方法,未能池和利用信息在多重检验网站。
2014-01-10 stat.AP
Empirical Bayes Multistage Testing for Large-Scale Experiments
现代A/B测试的应用是具有挑战性的,因为它在各个维度上的大规模,这要求灵活地处理多重检验顺序。最先进的做法首先减少观察到的数据流始终有效的p值,然后选择一个截止,在传统的多重检验计划。在这里,我们提出了一种替代方法称为AMSET(自适应多级经验贝叶斯检验),通过将历史数据纳入决策,以实现效率的提高,同时保留边际错误发现率(mFDR)控制,是免疫偷窥。我们还表明,AMSET中的完全数据驱动的估计在大型移动应用社交网络公司的各种模拟和真实数据设置中表现强劲。
2022-09-13 stat.ME
Bayesian Matrix Completion for Hypothesis Testing
我们的目标是通过测定终点组合推断每种化学品的生物活性,解决毒理学数据的稀疏性。我们提出了一个贝叶斯分层框架,借用不同的化学品和检测终点的信息,促进了样品外的化学品尚未测定的活性预测,量化预测活性的不确定性,并调整多重性假设检验。此外,本文提出了一种新的尝试,在毒理学同时建模异方差误差和非参数均值函数,导致更广泛的定义的活动,其需要已被毒理学家建议。实际应用确定了最有可能对神经发育障碍和肥胖起作用的化学物质。
2022-11-06 stat.AP
Bayesian supervised predictive classification and hypothesis testing toolkit for partition exchangeability
实现了贝叶斯监督预测分类器、假设检验和分区可交换性下的参数估计。给出的两个分类器是边缘分类器(假设测试数据是i.i.d.)其次是计算成本更高但更准确的同步分类器(其基于所有测试数据的重复使用来一次找到整个测试数据集的标签以预测每个标签)。我们还提供了极大似然估计(MLE)的唯一的基本参数的分区交换生成模型,以及假设检验统计的平等,这个参数与一个单一的值,替代,或多个样本。我们提出的功能来模拟的序列从Ewens抽样公式的实现的泊松-狄利克雷分布和各自的概率。
2021-12-02 cs.MS stat.CO
A nonparametric empirical Bayes framework for large-scale multiple testing
我们提出了一个灵活的和可识别的版本的两组模型,出于分层贝叶斯的考虑,其特点是一个经验空和半参数混合模型的非空情况。我们使用一个计算效率高的预测递归边际似然方法来估计模型参数,甚至非参数混合分布。这导致了一个非参数的经验贝叶斯检验过程,我们称之为PR测试,阈值的基础上估计的本地错误发现率。仿真和实际数据的例子表明,与现有的方法相比,PR测试的非零密度的仔细处理可以得到一个更好的适合在尾部的混合分布,这反过来,可以导致更现实的结论。
2011-10-01 stat.CO stat.ME
Local False Sign Rate and the Role of Prior Covariance Rank in Multivariate Empirical Bayes Multiple Testing
本文研究了多元经验贝叶斯多重检验中先验协方差矩阵秩对局部错误符号率的影响,提出使用满秩协方差矩阵的调整方法以缓解低秩导致的错误符号率膨胀,从而提升高维环境下的稳健性。
2025-04-01 stat.AP stat.ME
The Frechet distribution: Estimation and Application an Overview
在这篇文章中,我们考虑的问题估计的Fréchet分布的参数从频率论和贝叶斯的观点。首先,我们简要介绍了不同的频率论方法,即极大似然法,矩法,百分位数估计,L矩,普通和加权最小二乘,最大产品的间距,最大拟合优度估计,并比较它们的平均相对估计,均方误差和95\%的覆盖概率的渐近置信区间使用广泛的数值模拟。接下来,我们考虑使用参考先验的贝叶斯推断方法。Metropolis-Hasting算法用于抽取马尔可夫链蒙特卡罗样本,并依次用于计算贝叶斯估计和构造相应的可信区间。五个真实的数据集有关的最小流量的水在巴西的皮拉西卡巴河被用来说明所讨论的程序的适用性。
2018-01-16 stat.AP
Nonparametric Bayesian multiple testing for longitudinal performance stratification
本文描述了自回归时间序列的灵活的多假设检验的框架。建模方法是贝叶斯,虽然混合频率论和贝叶斯推理是用来评估程序。零假设和备择假设的非参数表征将被证明是确保合理的第一类错误性能所必需的关键稳健步骤。该方法适用于一个大型数据库的一部分,该数据库包含24,157家美国上市公司长达50年的公司业绩统计数据,分析的主要目标是标记历史业绩与预期因偶然性而显着不同的公司。
2010-09-29 stat.AP
A Conformalized Empirical Bayes Method for Multiple Testing with Side Information
本文提出共形化局部自适应加权(CLAW)方法,结合经验贝叶斯与共形推断,在有限样本下控制FDR,并利用辅助信息提升多重检验性能。
2025-02-27 stat.ME
Large-Scale Multiple Hypothesis Testing with the Normal-Beta Prime Prior
我们重新审视的问题,同时测试的手段,$n$独立的正常观测稀疏。我们采取贝叶斯方法来解决这个问题,通过引入一个规模混合先验称为正常β素数(NBP)先验。当将贝塔素密度用作贝叶斯分层模型中的尺度参数时,我们首先推导出新的浓度性质。为了检测数据中的信号,我们提出了一种基于NBP先验下的后验收缩权重阈值的假设检验。以损失函数的预期数量的误分类测试,我们表明,我们的测试过程渐近达到最佳贝叶斯风险时,信号的比例$p$是已知的。当$p$是未知的,我们引入了一个经验贝叶斯变量的测试,也渐近达到贝叶斯甲骨文的风险在整个范围内的稀疏参数$p \propto n^{-ε}, ε\in (0, 1)$。最后,我们还考虑了限制性边际极大似然(REML)和层次贝叶斯方法估计的NBP先验的关键超参数,并在这些框架下检查多重检验。
2019-04-30 stat.ME
Nonparametric Empirical Bayes Estimation and Testing for Sparse and Heteroscedastic Signals
University of Pennsylvania(宾夕法尼亚大学);Temple University(天普大学);University of Michigan(密歇根大学)
现代大规模数据往往涉及高维未知参数的估计和检验。希望以准确性和错误发现控制来识别稀疏信号,“大海捞针”。然而,现代数据结构中前所未有的复杂性和异构性需要新的机器学习工具来有效地利用共性,并针对稀疏性和异构性进行鲁棒调整。此外,高维参数的估计往往缺乏不确定性量化。在本文中,我们提出了一种新的尖峰和非参数混合先验(SNP)-尖峰,以促进稀疏性和非参数结构捕获信号。与现有的方法相比,本文提出的方法同时解决了估计和检验问题,具有以下优点:1)稀疏性估计准确; 2)具有收缩/软阈值特性的点估计; 3)不确定性量化的可信区间; 4)控制错误发现率的最优多重检验过程。我们的方法在模拟数据和基因表达案例研究上都表现出很好的经验性能。
2021-11-05 cs.LG stat.ME
Sparse Portfolio selection via Bayesian Multiple testing
提出基于贝叶斯多重检验的稀疏投资组合选择策略,通过k因子模型和Oracle检验保证统计功效,实证显示在S&P 500上可跑赢市场。
2020-08-31 q-fin.MF q-fin.PM q-fin.ST
Rapid and Scalable Bayesian AB Testing
Apple(苹果公司)
本文提出一种基于分层贝叶斯估计的 AB 测试方法,利用因素间相关性提高统计功效,支持序贯检验与渐进式提前停止,并能从过往测试中提取复合全局经验以加速未来测试。
2023-07-27 cs.LG stat.ME
Asymptotic and compound e-values: multiple testing and empirical Bayes
本文定义复合p值与e值,证明任意FDR控制程序均可由e-BH程序恢复,并借助复合决策理论推导对数最优复合e值,为多重t检验构造渐近复合e值,首次为最优发现程序提供第一类错误保证和功效提升。
2025-07-23 stat.ME
A Bayes-Motivated Quadratic-Form Test for High-Dimensional Mean Testing
Anhui Normal University(安徽师范大学);University of Manchester(曼彻斯特大学)
本文提出一种基于贝叶斯因子的两样本均值检验,用于高维数据中均值检验问题,尤其适用于高维p随样本量n线性增长的情况,通过模拟验证了该检验在异质方差和小样本下的竞争力。
2026-04-05 stat.CO stat.ME
A General Model Validation and Testing Tool
我们构建并提出了“贝叶斯验证度量”(BVM)作为一个通用的模型验证和测试工具。我们发现BVM能够代表所有的标准验证指标(平方误差,可靠性,协议的概率,频率,面积,概率密度比较,统计假设检验,贝叶斯模型检验)作为特殊情况下,并发现它可以用来改善,概括,或进一步量化其不确定性。因此,BVM允许我们以新的方式评估现有验证指标之间的相似性和差异性。BVM有能力允许用户根据新的验证要求发明和选择模型。我们制定并测试了一些新的化合物验证指标,改善了文献中的其他验证指标。此外,我们构建BVM比率的目的是在存在或不存在不确定性的情况下,根据用户定义的一致性定义量化模型选择。这种构造概括了贝叶斯模型测试框架。
2019-10-25 physics.data-an stat.CO stat.ME
Empirical Bayes Method for Large-Scale Multiple Testing with Heteroscedastic Errors
Seoul National University(首尔大学);Davidson College(戴维森学院);University of Maryland at Baltimore County(马里兰大学巴尔的摩县分校);Keio University(庆应义塾大学);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
本文提出了一种新的经验贝叶斯方法 gg-Mix,用于处理大规模多重检验中的异方差误差问题,通过无需假设分布结构的方式提升了 FDR 控制和统计效力。
2026-10-05 stat.ME
Bayesian Hypothesis Testing: Redux
贝叶斯假设检验重新审查的角度来看,先验评估的检验统计量分布下的替代。通过评估可观察的检验统计量的分布,而不是先验参数值,我们提供了一个实用的默认贝叶斯因子,这是直接解释。为了说明我们的方法,我们提供的例子中,贝叶斯证据惊人地支持空,但导致拒绝下一个经典的测试。最后,我们总结了未来研究的方向。
2018-08-26 math.ST stat.TH
Comparison of Bayesian and Frequentist Multiplicity Correction For Testing Mutually Exclusive Hypotheses Under Data Dependence
考虑了用相依检验统计量检验互斥假设的问题。贝叶斯和频率论方法的多重性控制进行了研究和比较,以帮助获得理解的效果,检验统计量依赖于每种方法。贝叶斯方法被证明具有优良的频率特性,并被认为是最有效的方式获得频率多重控制,而不牺牲权力,当有相当大的检验统计量依赖。
2016-11-17 math.ST stat.TH
Multi-level Bayes and MAP monotonicity testing
在本文中,我们开发贝叶斯和最大后验概率(MAP)的方法来单调性测试。为了简化这个问题,我们考虑一个简单的白高斯噪声模型,并与Haar变换的帮助下,我们把它减少到等价的问题,测试的积极性的Haar系数。这种方法允许,特别是了解单调性测试和稀疏向量检测之间的联系,构建新的测试,并证明其最优性,而无需补充假设。我们构造多水平检验的主要思想是基于特定概率分布的一些不变性。随着贝叶斯和MAP测试,我们还构建了自适应多水平测试,是免费的先验信息的大小的非单调段的功能。
2019-09-20 math.ST stat.TH
Why bother with Bayesian t-tests?
鉴于通过经典(点形式)显着性检验进行假设检验的众所周知的基本问题,人们普遍转向替代方法,通常集中在贝叶斯t检验上。我们发现贝叶斯t检验方法并不能解决经典显著性检验所观察到的问题,贝叶斯和经典t检验在数学上是等价的,并且在数量级上线性相关(因此贝叶斯t检验除了点式显着性检验所提供的信息外,不提供进一步的信息),贝叶斯t检验存在严重的误解风险,在某些情况下,比经典检验更有问题(例如,在实验中,负样本均值给出了支持正总体均值的强贝叶斯t检验证据)。我们不建议回到经典的、点形式的显著性方法来进行假设检验。相反,我们认为一种替代的分布方法的显着性检验,解决了观察到的问题与经典的假设检验,并提供了一个自然的贝叶斯和频率论的方法之间的联系。
2022-11-04 math.ST stat.TH
Decision-theoretic justifications for Bayesian hypothesis testing using credible sets
在贝叶斯统计中,精确点原假设$θ=θ_0$可以通过检查$θ_0$是否包含在可信集中来检验.这允许测试$θ=θ_0$,而不必对假设施加先验概率。虽然这种可信集的反演在贝叶斯推理中有很长的历史,但它们因缺乏决策理论的理由而受到批评。我们认为,这些测试有许多优势,比标准的贝叶斯检验,使用点质量概率的原假设。通过研究一个具有方向性结论的三判定问题,我们给出了中心可信区间的反演的决策理论证明,并在一个特殊情况下证明了HPD集。通过解释证明中所使用的损失函数,讨论了基于可信集的检验在什么情况下适用。然后,我们给出了一些理由,使用可信集测试复合假设时,可信集的基础上,在这种情况下,测试符合标准测试。
2012-12-17 math.ST stat.TH
Information Theory and Statistics: an overview
我们给一个概述的作用,信息论在统计学,特别是在生物统计学。我们回顾了信息论中的基本量:熵、交叉熵、条件熵、互信息和Kullback-Leibler风险。然后,我们研究的作用,信息论在估计理论,其中的log-klikelihood可以被确定为是一个估计的交叉熵。然后将这些基本量推广到估计量,得到了估计量选择的准则,如赤池准则及其推广。最后,我们调查使用这些概念在贝叶斯理论的交叉熵的预测分布可用于模型选择,交叉验证估计这个交叉熵被发现是等价的伪贝叶斯因子。
2015-11-03 math.ST stat.TH
Bayesian Inference Procedures for A/B Testing: An Overview
Spotify
本文梳理A/B测试的三级贝叶斯推断配置,指出贝叶斯因子停止法近最优且可控假阳性率,经验贝叶斯先验可实现错误发现率控制但易受异质因素影响,需根据实验风险选择方法。
2026-08-14 math.ST stat.ME stat.TH
A dual-stress Bayesian Weibull accelerated life testing model
本文提出了一种贝叶斯加速寿命试验模型。寿命分布采用韦布尔分布,时间转换函数采用广义Eyring模型。这是一个模型,允许使用一个以上的压力源,而其他常用的加速模型,如阿克里先乌斯和幂律模型,只允许一个压力源。广义Eyring-Weibull模型用于应用中,其中MCMC方法用于生成用于后验推断的样本。
2021-11-16 math.ST stat.ME stat.TH
Nonparametric Bayesian testing for monotonicity
本文从非参数贝叶斯的角度研究了函数单调性的检验问题。构造了两个新的检验族。第一个使用约束平滑样条,连同一个层次的随机过程之前,明确控制的先验概率的单调性。第二个使用回归样条,连同两个建议的先验的回归系数。有限样本性能的测试,通过模拟,以改善现有的频率论和贝叶斯方法。本文还研究了高斯模型中比较单调与非单调回归函数的贝叶斯因子的渐近性质。我们的结果显着扩展了目前可用的,主要集中在确定参数线性模型的尺寸。
2014-06-01 math.ST stat.ME stat.TH
Hypothesis testing and confidence sets: why Bayesian not frequentist, and how to set a prior with a regulatory authority
本文论证贝叶斯假设检验与置信集相较频率学派方法的容许性和信息优势,并提出与监管机构协商共同先验的“让数据决定”策略。
2024-05-21 math.ST stat.TH
Merging and testing opinions
我们研究的合并和测试的预测模型的背景下的意见。在没有激励问题的情况下,可以测试和拒绝意见,无论数据是否在贝叶斯代理之间产生共识。相反,在激励问题的存在下,只有当数据在贝叶斯代理之间产生共识时,意见才能被测试和拒绝。这些结果表明,测试和意见的合并之间有很强的联系。他们还涉及贝叶斯学习的文献和测试战略专家的文献。
2014-05-29 math.ST stat.TH
Convergence Rates for Bayesian Estimation and Testing in Monotone Regression
形状限制,如函数的单调性,通常在统计建模中自然出现。我们考虑一个贝叶斯方法的问题估计的单调回归函数和测试的单调性。我们使用分段常数函数构造一个先验分布。对于估计,这些步骤的高度的先验施加单调性是合理的,但由此产生的后验更难从理论上分析。我们考虑一个"投影后验"的方法,其中使用共轭正常的前,但单调性约束施加在后验样本的单调函数的空间上的投影映射。我们表明,由此产生的后合同在$L_1$度量下的最佳速率$n^{-1/3}$和在经验$L_p$度量下的接近最佳速率$0<p\le 2$。投影后验方法在计算上也更方便。我们还构造了一个贝叶斯检验的假设,单调性使用后验概率的收缩邻域的一组单调函数。我们表明,由此产生的测试具有普遍的一致性属性,并获得分离率,确保所产生的幂函数接近1。
2020-08-03 math.ST stat.TH
A New Look at Bayesian Testing
Virginia Tech(弗吉尼亚理工大学);University of Chicago(芝加哥大学);George Mason University(乔治梅森大学);University of South Florida(南佛罗里达大学)
本文探讨了贝叶斯检验中关键偏差尺度的确定,推导了在集成贝叶斯风险下的最优拒绝边界,并展示了其在正则先验下的通用性。
2026-03-20 math.ST stat.ME stat.TH
Bayesian sequential composite hypothesis testing in discrete time
研究了观测值为代价时指数族中未知参数的两个备择假设的序贯检验问题。在贝叶斯环境中,问题可以嵌入马尔可夫框架中。以其中一个假设的条件概率为空间变量,证明了费用函数是凹的,且随着时间的推移,后验分布变得更加集中,并研究了价值函数的时间单调性.对于一个大类的模型规格,费用函数是非递减的时间,最佳停止边界是单调的。
2021-08-16 math.PR math.ST stat.TH
Testing Homogeneity for Normal Mixture Models: Variational Bayes Approach
正态混合物的齐性检验在不同的研究领域都有应用,但由于原假设的参数集对应于参数空间中的奇点,因此构建齐性检验理论具有挑战性。在本文中,我们从一个新的角度来研究这个问题,并提供了一个理论的假设检验的基础上变分贝叶斯框架的同质性。在传统的理论中,自由能的常阶项一直是未知的,然而,我们澄清了它的渐近行为,因为它是必要的,以构建一个假设检验。数值实验验证了理论结果的正确性。
2019-12-15 math.ST stat.ME stat.TH
Doublethink: simultaneous Bayesian-frequentist model-averaged hypothesis testing
本文提出Doublethink方法,证明贝叶斯模型平均假设检验可强控制频率学派FWER,并同时给出后验优势比和渐近p值,通过孟德尔随机化与模拟验证其有效性。
2025-05-09 math.ST stat.ME stat.TH
Testing Bayesian Networks
IBM Research(IBM研究院);Stanford University(斯坦福大学);Columbia University(哥伦比亚大学);University of WisconsinMadison(威斯康星大学麦迪逊分校);University of Southern California(南加州大学);Web3 Foundation(Web3基金会);University of California, San Diego(加利福尼亚大学圣迭戈分校)
这项工作启动了一个系统的调查,测试高维结构化分布的重点是测试贝叶斯网络-有向图形模型的原型家庭。贝叶斯网络由有向无环图定义,其中我们将随机变量与每个节点相关联。一旦其父节点固定,任何特定节点上的值都有条件地独立于所有其他非后代节点。具体地,我们研究了贝叶斯网络的身份测试和贴近度测试的性质。我们的主要贡献是这些问题的第一个非平凡有效的测试算法和相应的信息论下界。对于广泛的参数设置,我们的测试算法的样本复杂度在维度上是次线性的,并且是样本最优的,直到常数因子。
2020-01-25 cs.DS cs.IT cs.LG
Robust Bayesian inference for nondestructive one-shot device testing data under competing risk using Hamiltonian Monte Carlo method
本文针对竞争风险下非破坏性一次性设备测试数据,提出基于密度幂散度的稳健贝叶斯估计与贝叶斯因子检验方法,并用哈密顿蒙特卡洛和影响函数验证其稳健性。
2025-02-10 math.ST stat.ME stat.TH
Objective Bayes testing of Poisson versus inflated Poisson models
泊松分布通常用作计数数据的标准模型。然而,这样的数据集往往不能很好地拟合泊松模型,因为它们具有比与该模型兼容的更多的零。对于这些情况,通常提出零膨胀泊松(ZIP)分布。本文讨论了测试泊松与ZIP模型,使用贝叶斯方法的基础上适当的客观先验。客观先验的具体选择是合理的,他们的财产调查。该方法扩展到包括回归模型中的协变量。给出了几种应用。
2008-05-21 math.ST stat.ME stat.TH
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
Asymptotic Analysis of the Bayesian Likelihood Ratio for Testing Homogeneity in Normal Mixture Models
当我们使用正态混合模型时,应该确定描述数据的组分的最佳数量。检验同质性对于此目的是好的;然而,构建其理论是具有挑战性的,因为检验统计量甚至不渐近收敛于$χ^{2}$分布。这种渐近行为的原因是描述原假设(N.H.)在备择假设(A.H.)的空间中包含奇点。近年来,奇异模型的$\it{Bayesian}$理论得到发展,它阐明了统计推断的各种问题。然而,它的应用奇异模型的假设检验一直是有限的。在本文中,我们介绍了一种标度技术,大大简化了推导和研究检验的同质性的第一次贝叶斯理论的基础。在三种情况下,我们得到了边际似然比的渐近分布:(1)在A.H.(2)混合分布的混合比和均值是变量;(3)混合分布的混合比、均值和方差是变量。在所有情况下,结果都是复杂的,但可以描述为服从正态分布的随机变量的函数。在此基础上构造了一个测试方案,并通过数值实验验证了其有效性。
2019-12-22 math.ST stat.ME stat.TH
Independence Testing for Bounded Degree Bayesian Network
我们研究了以下独立性检验问题:给定$P$在$\{0,1\}^n$上的分布样本,决定$P$是否是一个产品分布,或者它是否是$\varepsilon$ -远离任何产品分布的总变异距离。对于任意分布,此问题需要$\exp(n)$样本。在这项工作中,我们表明,如果$P$有一个稀疏的结构,那么实际上只需要线性许多样本。具体地说,如果$P$是马尔可夫相对于贝叶斯网络,其基础DAG的度有界的$d$,那么$\tildeΘ(2^{d/2}\cdot n/\varepsilon^2)$样本是必要的和足够的独立性测试。
2023-01-03 cs.DM cs.DS cs.IT
A Bayesian Multiple Testing Paradigm for Model Selection in Inverse Regression Problems
在这篇文章中,我们提出了一种新的贝叶斯多重检验公式,用于逆向设置中的模型和变量选择,明智地将Bhattacharya(2013)提出的逆参考分布的思想嵌入到由竞争模型组成的混合框架中。我们开发的理论和方法,在一般情况下,包括参数和非参数竞争模型,相关数据,以及误指定。我们的研究表明,渐近多重检验程序几乎肯定会选择最好的逆模型,最大限度地减少最小的Kullback-Leibler发散从真实的模型。我们还表明,差错率,即版本的错误发现率和错误的非发现率几乎肯定收敛到零的样本量趋于无穷大。本文还研究了错误发现率版本的渐近α-控制及其对错误非发现率版本收敛的影响。我们的模拟实验涉及基于小样本的选择之间的逆泊松对数回归和逆几何logit和probit回归,其中回归是线性的或基于高斯过程。此外,还考虑变量选择。我们的多个测试结果证明是非常令人鼓舞的意义上选择最好的模型在所有的非错误指定和错误指定的情况下。
2020-07-15 math.ST stat.ME stat.TH