Receiver operating characteristic curve analysis with non-ignorable missing disease status
针对疾病状态存在不可忽略缺失的医疗数据，本文在逻辑回归框架下确立模型参数可识别性，提出似然估计方法获取模型参数、ROC曲线及AUC并推导其渐近分布，通过模拟验证方法性能并应用于实际数据集。
2024-11-26 stat.ME
Bayesian nonparametric inference for the covariate-adjusted ROC curve
疾病的准确诊断在临床实践和医学研究中至关重要。在医学诊断试验常规用于实践之前，必须通过统计分析严格评估其区分疾病和非疾病状态的能力。受试者工作特征（ROC）曲线是评价连续结果诊断试验区分能力的最常用工具。已经认识到有几个因素（例如，受试者特异性特征，如年龄和/或性别）可以影响测试的准确性，而不仅仅是疾病状态。最近，协变量调整的ROC曲线已被提出并成功地应用为考虑协变量信息的诊断准确性的全局汇总度量。我们鼓励使用协变量调整的ROC曲线，并开发了一个高度稳健的B-样条依赖Dirichlet过程混合模型和贝叶斯自助模型的基础上相结合的模型。多个模拟研究表明，我们的模型能够成功地恢复真正的协变量调整ROC曲线，并在各种复杂的情况下产生有效的推断。我们的方法的动机和应用于内分泌研究，其主要目标是评估身体质量指数的准确性，根据年龄和性别进行调整，用于预测心血管疾病风险因素的集群。的R-包AROC，实现我们提出的方法，提供。
2018-05-30 stat.ME
Nonparametric ROC Summary Statistics for Correlated Diagnostic Marker Data
我们提出了有效的非参数统计比较医学成像模式在多读者多测试数据和比较标记物在纵向ROC数据。所提出的方法是基于加权ROC曲线下面积，其中包括曲线下面积和曲线下部分面积作为特殊情况。所述方法最大化用于检测成像模态之间的差异的局部功率。所提出的方法的渐进结果是在复相关结构下得出的。我们的模拟研究表明，建议的统计结果比现有的统计更好的权力。我们将建议的统计量应用于子宫内膜异位症诊断研究。
2012-06-08 stat.AP stat.ME
Likelihood-based Nonparametric Receiver Operating Characteristic Curve Analysis in the Presence of Imperfect Reference Standard
针对诊断研究中不完美参考标准导致ROC曲线分析偏差的问题，提出非参数密度比模型下基于似然的新方法，通过期望最大化算法实现可靠估计，模拟显示其估计误差更小且已应用于疟疾研究。
2025-02-12 stat.ME
Simultaneous inference for partial areas under receiver operating curves -- with a view towards efficiency
我们提出了新的同时推理方法的诊断试验与精心设计的析因设计。我们感兴趣的参数不是通常使用的受试者工作特征（ROC）曲线下总面积，而是代表临床相关生物标志物截止值的ROC曲线下部分面积。我们构造了一个非参数的多重对比测试，这些参数，并表明它渐近控制的家庭明智的第一类差错率。在一系列计算机实验中研究了该检验的有限样本性质。我们提供的经验和理论证据支持的猜想，统计推断的ROC曲线下的部分面积比推断的总面积更有效。
2023-02-21 math.ST stat.TH
Nonparametric Strategy Test
Ganzfried Research（甘兹弗里德研究所）
本研究提出一种结合卡方拟合优度检验与广义Wald-Wolfowitz游程检验、经Bonferroni校正的非参数策略检验方法，用于判断智能体是否遵循目标混合策略，在人类石头剪刀布数据集上验证得出61%受试者遵循均匀随机策略。
2024-10-07 cs.AI cs.GT cs.MA
Semiparametric Receiver Operating Characteristic Analysis in the Presence of an Imperfect Reference Standard via a Box-Cox Density Ratio Model
University of Waterloo（滑铁卢大学）
针对不完美参考标准下的ROC分析，提出基于Box-Cox密度比模型的半参数方法，自动估计变换参数，结合经验似然和EM算法，实现准确稳定的估计与推断。
2026-09-28 stat.ME
Nonparametric Methodology for the Time-Dependent Partial Area under the ROC Curve
为了评估连续诊断结果的分类准确性，在应用中通常使用受试者工作特征（ROC）曲线。ROC曲线下部分面积（pAUC）由于其通用性和易于概率解释，是广泛接受的汇总指标之一。在生命科学领域，pAUC直接延伸到事件发生时间设置中可用于测量生物标志物随时间推移用于疾病检测的有用性。在不使用梯形规则的情况下，我们提出了时间依赖性pAUC的非参数估计，这些估计很容易计算，并且具有封闭形式的表达式。建立了估计量的渐近高斯过程，给出了构造置信区间所必需的方差-协方差函数的估计。有限样本性能的建议的推理程序进行了研究，通过一系列的模拟。我们的方法进一步应用于评估分类能力的CD 4细胞计数对患者的生存时间在艾滋病临床试验组（ACTG）175研究。此外，可以将推论推广到比较既往接受过抗逆转录病毒治疗的患者和未接受过抗逆转录病毒治疗的患者之间的时间依赖性pAUC。
2011-03-10 stat.AP stat.ME
Bayesian ROC surface estimation under verification bias
受试者工作特征（ROC）曲面是ROC曲线的推广，广泛用于评估三类诊断试验的准确性。在ROC分析的实际应用中，经常会出现一种称为验证偏倚的并发症，即并非所有受试者的真实疾病状态都得到验证。这是一个常见的问题，因为用于生成真实疾病状态的金标准测试可能是侵入性的且昂贵的。在本文中，我们将提出一个贝叶斯方法估计的ROC表面的基础上连续数据的半参数三正性假设。我们提出的方法经常采用的ROC分析也可以扩展到情况下，存在验证偏差。在三正性假设下，利用秩似然法计算参数的后验分布。在温和的条件下后的一致性也成立。我们比较我们的方法与现有的方法估计ROC表面，并得出结论，我们的方法在精度方面表现良好。
2018-03-18 stat.AP stat.ME
Bayesian Bootstrap Inference for the ROC Surface
疾病的准确诊断在临床实践和医学研究中具有重要意义。受试者工作特征（ROC）表面是一种流行的工具，用于评估当存在三种有序疾病类别（例如，无病、轻症、晚期疾病）。我们提出了贝叶斯自助法，一个完全非参数的方法，进行推理的ROC表面和它的功能，如表面下的体积。所提出的方法是基于一个简单的，但有趣的，代表性的ROC表面的放置变量。模拟研究的结果表明，我们的方法能够成功地恢复真实的ROC表面，并在各种复杂的情况下产生有效的推断。应用连线测验的数据来评估帕金森病患者的认知功能障碍。
2018-05-19 stat.ME
ROC-Guided Survival Trees and Ensembles
基于树的方法是研究事件发生时间结局的流行非参数工具。在本文中，我们介绍了一种新颖的生存树和集合框架，其中树划分动态幸存者群体并可以处理时间相关的协变量。利用随机检验的思想，我们开发了广义的时间依赖的受试者工作特征（ROC）曲线来评估生存树的性能。树构建算法由基于ROC的决策理论标准指导，专门针对预测精度。为了解决单棵树的不稳定性问题，我们提出了一种新的集成过程的基础上平均鞅估计方程，这是不同于现有的方法，平均预测的生存或累积风险函数从个别树木。进行了广泛的仿真研究，以检查所提出的方法的性能。最后，以艾滋病研究为例，说明了该方法的应用.
2020-01-13 stat.ME
ROC Analyses Based on Measuring Evidence
ROC分析是在关于测量值$X$在两个人群中的分布的各种假设下考虑的。这些模型包括副正态模型和非参数模型，其中对分布的形式几乎没有假设。该方法基于统计证据的表征，其取决于未知总体分布以及给定人群中疾病的相关患病率$w$的先验分布的规格。在所有情况下，启发式算法提供指导先验的选择。推导AUC以及用于分类的截止值$c$和相关误差特征的推断。
2021-03-01 stat.AP stat.ME
Interval estimation in three-class ROC analysis: a fairly general approach based on the empirical likelihood
本文提出基于经验似然的三分类ROC分析区间估计新方法，通过理论结果、模拟实验和真实数据示例证明其灵活性和竞争力。
2023-05-25 stat.ME
Efficient nonparametric estimators of discrimination measures with censored survival data
针对删失生存数据中评分规则依赖删失分布的问题，提出不依赖删失模型设定的非参数去偏估计量，有效利用数据并最小化偏差，通过模拟和脑癌研究验证了方法优越性。
2025-08-11 stat.ME
Bootstrapping the Grenander estimator
本文的目的是研究Grenander估计的Bootstrap。第一个结果证明了Grenander估计在给定点的非参数自举不一致性。第二个结果是开发和验证Grenander估计量的$L_1$置信带的自举。作为这项工作的一部分，核估计研究替代Grenander估计。我们证明了当真密度的二阶导数被假设为一致有界时，存在比Grenander估计具有更快收敛速度的核估计。我们研究了这在发展$L_1$和统一的置信带的影响，并讨论了一些悬而未决的问题。
2008-05-16 math.ST stat.TH
High-Dimensional Density Estimation via SCA: An Example in the Modelling of Hurricane Tracks
我们提出了非参数技术，从高维数据的不规则依赖结构不能建模的参数多元分布的密度估计的构建和验证。在这种情况下，由于维数灾难，数据的低维表示是至关重要的。我们提出的方法包括三个主要部分：（1）通过降维的数据重新参数化，其中数据被映射到一个空间，在这个空间中，标准技术可以用于密度估计和模拟：（2）逆映射，其中模拟点被映射回高维输入空间;以及（3）验证，其中通过将模拟样本与观测数据进行比较来评估估计的质量。这些方法说明了通过在北大西洋的热带气旋的空间变异性的探索，在这种情况下，每个数据是一个完整的飓风轨迹。最后，我们讨论了扩展的方法来模拟TC变率和气候变量之间的关系。
2009-07-01 stat.AP
ROCnReg: An R Package for Receiver Operating Characteristic Curve Inference with and without Covariate Information
受试者工作特征（ROC）曲线是最常用的工具，用于评估在区分两种替代疾病状态（例如，患病和未患病）时在连续标度上测量的诊断测试/生物标志物的区分能力。在某些情况下，测试的性能和它的区分能力可能会有所不同，根据受试者的具体特点或不同的测试设置。在这种情况下，需要特定于信息的准确性测量，例如协变量特定和协变量调整的ROC曲线，因为忽略协变量信息可能会导致偏倚或错误的结果。本文介绍了R软件包ROCnReg，它允许通过不同的方法，从（半）参数和非参数的角度以及贝叶斯和频率主义范式估计合并（未调整）ROC曲线，协变量特定ROC曲线和协变量调整的ROC曲线。从估计的ROC曲线（合并的、协变量特异性的或协变量调整的），可以获得几个准确性的汇总测量，例如ROC曲线下的（部分）面积和Youden指数。该软件包还提供了使用几个标准（即，约登指数标准和为假阳性分数设置目标值的标准）来获得基于ROC的最佳阈值的功能。对于贝叶斯方法，我们提供了通过后验预测检查评估模型拟合的工具，而模型选择可以通过几个信息标准进行。为所有方法提供数值和图形输出。该软件包是通过内分泌研究的数据分析，其目的是评估身体质量指数的能力，以检测是否存在心血管疾病的风险因素。该软件包可在https://CRAN.R-project.org/package=ROCnReg上从CRAN获得。
2021-03-19 stat.AP stat.CO stat.ME
Evaluating the diagnostic powers of variables and their linear combinations when the gold standard is continuous
受试者工作特征（ROC）曲线是一个非常有用的工具，用于分析仪器/分类方案的诊断/分类能力，只要二进制金标准可用。当金标准是连续的，没有确定的阈值，ROC曲线变得不太有用。因此，有几个扩展建议用于评估感兴趣的变量的诊断潜力。然而，由于这些基于非参数的扩展的计算困难，它们不容易被用来寻找最佳的变量组合，以提高个人的诊断能力。因此，我们提出了一种新的措施，它扩展了AUC指数，用于识别具有良好潜力的变量，用于诊断方案。此外，我们提出了一个基于阈值梯度下降的算法，用于找到最佳的线性组合的变量，最大化这个新的措施，这是适用的，即使当变量的数量是巨大的。研究了该指标的估计及其渐近性质。所提出的方法的性能说明使用合成和真实的数据集。
2011-05-09 stat.AP stat.ME stat.ML
On Ranking-based Tests of Independence
本文提出基于ROC分析和二分排序的非参数独立性检验框架，通过偏离对角线的秩统计量构建检验，具有非渐近误差界和高维检测能力。
2024-03-12 math.ST stat.ME stat.ML
