Beyond the classical type I error: Bayesian metrics for Bayesian designs using informative priors
本文针对使用信息先验的贝叶斯临床试验设计，提出平均I型错误等贝叶斯度量以评估假阳性风险，并证明在借用对照数据时其渐近可控性，助力监管讨论。
2023-09-05 stat.ME
A weakly informative prior for Bayesian dynamic model selection with applications in fMRI
近年来，贝叶斯统计方法在神经科学中取得了重要进展。特别是，用于研究大脑复杂性的大脑信号的检测是一个活跃的研究领域。功能性磁共振成像（fMRI）是一种重要的工具，可以确定大脑的哪些部分被不同类型的身体行为激活。根据最近的结果，有证据表明，连接性脑信号参数的值接近于零，并且由于具有高频行为的时间序列fMRI数据的性质，用于识别稀疏性的贝叶斯动态模型确实影响深远。我们提出了一个多元贝叶斯动态方法的模型选择和收缩估计的连接参数。我们描述了任何一对区域之间的耦合或领先滞后通过使用混合先验的连接参数，并提出了一个新的弱信息的状态方差的默认先验。该框架产生一步前进正确的后验预测结果，并诱导收缩和鲁棒性的稀疏性的存在下，适合于fMRI数据。为了探索所提出的方法的性能，我们提出了模拟研究和应用功能磁共振成像数据。
2017-06-03 stat.ME
Pseudo Bayesian Mixed Models under Informative Sampling
当随机效应与样本设计变量相关时，采用单个调查权重（构造为与单位调查包含概率成反比）来形成伪似然的常用方法不再产生渐近无偏推断。我们构造了一个加权指数公式的随机效应分布，实现无偏推理生成超参数的随机效应。我们将我们的方法与依赖于数值积分的频率论方法进行对比，发现只有贝叶斯方法才能实现抽样设计分布的无偏估计和人口生成分布的一致性。我们的模拟和真实数据的商业机构的调查的例子表明，我们的方法在不同的建模配方和抽样设计的效用。这项工作作为最近的发展努力，结合传统的调查估计方法与贝叶斯建模范式的顶点，并提供了一个跨越两个丰富的，但不同的子领域的桥梁。
2021-08-24 stat.ME
Fully Bayesian Estimation under Dependent and Informative Cluster Sampling
调查数据通常是在多级抽样设计下收集的，其中单元被分箱到在第一阶段抽样的聚类中。感兴趣的单位索引总体变量通常在聚类内是相关的。我们提出了一个完全贝叶斯方法，构建一个确切的可能性，观察到的样本，将单位水平的边际抽样权重进行无偏推断的人口参数，同时占抽样集群的单位，以产生正确的不确定性量化引起的依赖。我们的方法参数化集群索引的随机效应在边际模型的响应和发布的，单位级抽样权重的条件模型。我们比较我们的方法插件贝叶斯和频率论的替代品在模拟研究中，并证明我们的方法最接近实现正确的模型参数的不确定性量化，包括集群索引的随机效应产生的方差。我们证明了我们的方法在NHANES数据的应用程序。
2021-08-24 stat.ME
Regularization in regression: comparing Bayesian and frequentist methods in a poorly informative situation
使用一组模拟的真实基准，我们比较贝叶斯和频率正则化方法在低信息约束下，当变量的数量几乎等于模拟和真实数据集上的观测数量时。这种比较包括基于Zellner g先验的贝叶斯变量选择的新的全局非信息方法，类似于Liang et al.（2008）。这些校准的建议的利益进行了讨论。我们提出的数值实验突出了贝叶斯正则化方法的吸引力，与非贝叶斯替代品相比。它们在频率论方法中占主导地位，因为它们提供更小的预测误差，同时以简约的方式选择最相关的变量。
2011-11-15 stat.CO stat.ME
Bayes factors with (overly) informative priors
在先验中，大量参数被指定为独立的是危险的;它们使从数据中学习变得困难。我从文献中提出了几个例子，并通过一个大样本理论来说明会发生什么。
2019-07-06 math.ST stat.ME stat.TH
Weighted Bayesian Bootstrap for Scalable Bayes
我们开发了一个加权贝叶斯Bootstrap（WBB）的机器学习和统计。WBB通过从高维后验分布采样来提供不确定性量化。WBB计算速度快，可扩展，仅使用离线优化软件，如TensorFlow。我们提供了适用于各种机器学习和统计模型的正则条件。我们在正则化回归、趋势过滤和深度学习中说明了我们的方法。最后，我们总结了未来研究的方向。
2018-03-12 stat.ME
A Bayesian Model for Co-clustering Ordinal Data with Informative Missing Entries
University of Milano-Bicocca（米兰比可卡大学）；University of Padova（帕多瓦大学）
本文提出一种贝叶斯非参数模型，用于共聚类多变量有序数据，通过将缺失值视为信息而非缺失，提升对数据潜在结构的理解。
2024-11-04 stat.ME
Evaluating the effect of different non-informative prior specifications on the Bayesian proportional odds model in randomised controlled trials: a simulation study
本研究通过模拟试验对比不同无信息先验对贝叶斯比例优势模型的影响，发现先验选择会影响治疗效应估计与早期停止决策，建议结合对照组概率分布选先验并做敏感性分析。
2025-07-29 stat.ME
Optimal designs for nonlinear regression models with respect to non-informative priors
在非线性回归模型中，费舍尔信息依赖于模型的参数。因此，最大化信息矩阵的某些功能的最优设计不能直接实现，但需要一些关于未知参数的初步知识。贝叶斯最优性准则为这个问题提供了一个有吸引力的解决方案。这些标准敏感地依赖于模型参数的先验分布的合理规范，这可能不是在所有应用中都可用的。本文研究了无信息先验分布下的贝叶斯最优性准则。特别是，我们研究了Jeffreys和Berger-Bernardo先验，其相应的最优性准则不一定是凹的。几个例子进行了研究，最优设计相对于新的标准进行计算和比较贝叶斯最优设计的基础上统一和功能统一的先验。
2013-11-04 stat.ME
Mode-Matched Inverse Gamma Priors for Variance Components in Bayesian Multilevel Models
本文提出通过卡方—Gamma—逆 Gamma 变换构造众数匹配的信息性 IG 方差先验，并经模拟与 TIMSS 数据验证其可显著改善小样本多层模型估计。
2025-08-30 stat.ME
Is non-informative Bayesian analysis appropriate for wildlife management: survival of San Joaquin Kit Fox and declines in amphibian populations
计算上的便利使得贝叶斯推断在生态学中被广泛应用于分析状态空间模型。模糊的先验被认为是客观的，让数据说话。这两种说法都不成立。统计学家批评了模糊先验的使用，从哲学到计算到实用主义的原因。然而，生态学家认为这些批评是空洞的哲学思考，没有实际意义。我们说明，在人口生存能力分析和占用模型中使用模糊先验可以对分析产生重大影响，并可能导致截然不同的管理决策。鉴于广泛的适用性的层次模型和非信息贝叶斯分析在生态学中的不加批判的使用，研究人员应该谨慎使用模糊的先验知识作为默认选择在实际情况下。
2015-02-02 q-bio.QM stat.ME
Default Bayesian analysis with global-local shrinkage priors
我们提供了一个框架，用于评估默认的性质的先验分布使用的财产，我们研究的全球局部收缩先验。特别是，我们证明了马蹄先验，最初设计用于处理稀疏性，也具有规律的变化，因此是适当的默认贝叶斯分析。为了说明我们的方法，我们解决了Efron（1973）提出的无信息先验问题，他指出高维正态均值模型中的标准平坦无信息先验对于感兴趣的非线性参数可以是高度信息化的。我们考虑四个这样的问题，并显示全局-局部收缩先验，如马蹄铁和马蹄铁+执行Efron（1973）在每种情况下的要求。我们发现这是因为全局-局部收缩先验能够分离嵌入在高维噪声中的低维信号，即使是非线性函数。
2016-05-15 stat.ME
Computationally Efficient Bayesian Unit-Level Models for Non-Gaussian Data Under Informative Sampling
传统上，通过基于设计的估计器获得来自调查样本的统计估计。在许多情况下，这些估计量往往适用于总体总数或均值等数量，但当样本量变小时可能会出现不足。在当今的“信息时代”，对更细粒度的估计有着强烈的需求。为了满足这一需求，使用贝叶斯伪似然，我们提出了一个计算效率高的单位级建模方法下收集的非高斯数据的信息抽样设计。具体来说，我们专注于二进制和多项式数据。我们的方法是多变量和多尺度的，在区域一级的空间依赖性。我们说明我们的方法，通过实证模拟研究，并通过一个激励性的应用程序，以健康保险估计使用美国社区调查。
2020-09-11 stat.AP stat.ME
Bayesian Nonparametric Inference for Panel Count Data with an Informative Observation Process
本文考虑了重复事件的面板计数数据分析。这种分析对于在临床试验和观察性研究中研究肿瘤或感染复发是有用的。提出了一个双变量高斯Cox过程模型，用于联合建模观测过程和复发事件过程。贝叶斯非参数推断提出了同时估计回归参数，二元脆弱性效应和基线强度函数。推理是通过马尔可夫链蒙特卡罗，充分发展的计算技术。预测推理下的贝叶斯设置也进行了讨论。通过仿真研究表明，该方法是有效的。皮肤癌患者的临床试验数据集进行了分析，以说明所提出的方法。
2017-12-11 stat.AP stat.ME
Coherent and robust Bayesian inference under informative sampling via sample-level weight models
Iowa State University（爱荷华州立大学）；Seoul National University（首尔国立大学）
本文提出两种贝叶斯方法处理信息性抽样下的分析推断：一种通过样本级权重模型构建相干似然，另一种采用Neyman正交化得分与损失似然自助法，实现稳健且高效的可信区间估计。
2026-09-16 stat.ME
Bayesian Estimation Under Informative Sampling with Unattenuated Dependence
信息性抽样设计导致与感兴趣的响应变量相关的单元包含概率。然而，多级抽样设计也可能会导致高阶相关性，这通常被忽略在文献中建立一致性的估计调查数据的条件下，需要渐近独立的单位包含概率。我们完善和放松这个条件的渐近独立或渐近分解，并证明了一致性仍然是在存在的残差采样依赖。基于调查样本对总体进行推断的流行方法是使用伪后验，其使用基于一阶包含概率的采样权重来对可能性取指数。我们证明了伪后验不仅对具有渐近因子分解的调查设计是一致的，而且对具有剩余或未衰减依赖的设计也是一致的。使用复杂的抽样设计的全国药物使用和健康调查，我们探讨了多级设计和顺序抽样的影响。调查加权伪后验的使用与我们对调查设计的宽松要求一起建立了广泛的分析模型，可以应用于各种各样的调查数据集。
2018-07-12 stat.ME
Bayesian Pairwise Estimation Under Dependent Informative Sampling
信息性抽样设计导致选择包含概率与感兴趣的响应变量相关的单位。对所得观察样本进行的模型推断将对群体生成模型产生偏倚。产生渐近无偏推断的一种方法采用边际包含概率来形成采样权重，该采样权重用于对伪似然的每个似然贡献取指数，该伪似然用于形成伪后验分布。后验一致性条件将适用的抽样设计限制为两两包含依赖性渐近限制为0的设计。有许多抽样设计不受此限制;例如，对家庭内的个人进行抽样的多阶段设计。把每个家庭看作一个人口，个人之间的依赖性并没有减弱。在本文中，我们提出了一个更有针对性的方法推理集中在对个人或抽样单位，例如，物质使用的一个配偶在一个共同的家庭，条件是物质使用的另一个配偶。我们制定的伪似然权重的基础上成对或二阶概率和证明的一致性，删除渐近独立的要求，并取代它与高阶选择概率的限制。我们的方法提供了一个几乎自动化的估计过程，适用于数据分析师指定的任何模型。我们展示了我们的方法在全国药物使用和健康调查。
2017-10-27 stat.ME
A Bayesian Functional Data Model for Surveys Collected under Informative Sampling with Application to Mortality Estimation using NHANES
函数数据通常是非常高维的，并且表现出很强的依赖结构，但通常可以证明对预测和推理都很有价值。功能数据分析的文献是发达的，但是，很少有工作涉及功能数据在复杂的调查设置。从全国健康和营养检查调查（NHANES）的体力活动监测数据的动机，我们开发了一个贝叶斯模型的功能协变量，可以正确地解释调查设计。我们的方法适用于非高斯数据，可以应用于多变量设置。此外，我们利用各种贝叶斯建模技术，以确保该模型是适合在计算效率的方式。我们通过实证模拟研究以及使用NHANES数据的死亡率估计的例子来说明我们的方法的价值。
2020-11-06 stat.AP stat.ME
Bayesian Calibration of Computer Models with Informative Failures
将计算机模型与实验数据进行校准有许多实际困难。一个这样的复杂性是校准输入的某些组合可能导致代码输出缺乏基本属性的数据，甚至根本不产生输出。在许多情况下，研究人员希望或需要在他们的分析中排除这些“失败”的可能性。我们提出了一个贝叶斯（Meta）模型，其中校准参数的后验分布自然排除了对应于失败运行的输入空间区域。也就是说，我们定义了一个统计选择模型来严格耦合二进制分类和计算机模型校准的不相交问题。我们证明了我们的方法使用的数据从碳捕获实验中的计算流体动力学的数值容易不稳定。
2020-06-13 stat.AP stat.ME
Bayesian Selective Inference: Non-informative Priors
我们讨论贝叶斯推断的参数选择使用的数据。首先，我们提供了一个批判性的分析，在文献中的正确的贝叶斯方法下选择的现有位置。其次，我们提出了两种类型的选择模型的非信息先验。这些先验可用于在没有先验信息的情况下产生后验分布，以及为所选参数提供良好校准的频率论推断。我们在几种情况下测试所提出的先验经验。
2021-05-11 math.ST stat.TH
Bayesian Estimation Under Informative Sampling
贝叶斯分析在社会科学和其他应用领域越来越受欢迎，其中数据是从信息样本中观察到的。信息性抽样设计导致与感兴趣的响应变量相关的包含概率。由于样本数据中的信息平衡与总体数据中的信息平衡不同，因此，对于信息抽样下的总体生成模型，对从总体中采集的观察样本进行的模型推断将存在偏倚。在贝叶斯估计下解释信息性抽样设计的典型方法通常难以实现，因为它们需要对假设的生成模型进行重新参数化，或者专注于设计，而不是基于模型的推理。我们建议构造一个伪后验分布，利用基于边缘包含概率的采样权重来指数化每个采样单元的似然贡献，从而将样本中的信息加权回总体。我们的方法提供了一个几乎自动化的估计过程，适用于任何模型指定的数据分析人员的人口，并保留人口模型参数化和后验抽样几何。我们构造的条件，已知的边际和成对包含概率，定义一类抽样设计的伪后验的$L_{1}$一致性得到保证。我们证明了我们的方法上的应用程序有关的劳工统计局职位空缺和劳动力流动率调查。
2016-06-03 math.ST stat.ME stat.TH
Scalable Bayesian nonparametric measures for exploring pairwise dependence via Dirichlet Process Mixtures
在这篇文章中，我们提出了新的贝叶斯非参数方法，使用Dirichlet过程混合（Dirichlet Process Mixture）模型来检测随机变量之间的成对依赖关系，同时考虑潜在分布形式的不确定性。一个关键的标准是，这些程序应该扩展到大型数据集。在这方面，我们发现，正式计算的贝叶斯因子的依赖与。独立联合概率测度在计算上是不可行的。为了解决这个问题，我们提出了贝叶斯诊断措施，对成对独立的“空模型”的特征证据。在模拟研究中，以及一个真正的数据分析，我们表明，我们的方法提供了一个有用的工具，探索性的非参数贝叶斯分析的大型多元数据集。
2016-04-27 stat.ME
Informative Bayesian Tools for Damage Localisation by Decomposition of Lamb Wave Signals
超声导波技术具有许多独特的优点，为结构健康监测和无损评估提供了一种方便实用的方法。导波，特别是兰姆波，可以用于通过利用传播和反射特性的先验知识来定位损坏。典型的定位方法利用从损伤处发射或反射的波的到达时间，其中最简单的方法涉及三角测量。将测量信号分解为在没有损坏的情况下直接从激励源传播的预期波是有用的，并且对于本文而言被称为标称波。这种分解允许确定从损伤、边界或其他局部不均匀性反射的波。以前的分解方法利用精确的分析模型，但在复杂材料和结构的分解方法中存在差距。这里示出了一种新的方法，它使用贝叶斯方法来分解单源信号，它具有量化的预期信号的不确定性的优点。此外，该方法产生与导波的已知物理学相关的固有参数特征。在本文中，分解方法是从一个小铝板的导波传播模拟的数据上证明，使用局部相互作用模拟的方法，对于损坏和未损坏的情况下。分解方法的分析是通过三种方式进行的;检查各个分解信号，跟踪沿传播距离的固有产生的参数特征，并在本地化策略中使用方法。贝叶斯分解被发现工作以及上述的评估标准。在定位方法中使用这些波在许多传感器配置中返回精确到1 mm以内的估计。
2022-05-24 stat.ME
Fully Bayesian Estimation Under Informative Sampling
贝叶斯估计是越来越流行的执行基于模型的推理，以支持决策。这些数据通常是从信息抽样设计下的调查中收集的，其中受试者入选概率被设计为与感兴趣的响应变量相关。从边际包含概率构造的采样权重通常用于形成指数化的伪似然，该伪似然由于易于估计而调整用于对样本进行估计的总体似然。我们提出了一种替代调整的基础上，贝叶斯规则的建设，同时进行加权平滑和估计的人口模型参数在一个完全贝叶斯建设。我们制定的条件，已知的边际和成对包含概率，定义一类的抽样设计，其中$L_{1}$一致性的联合后验是有保证的。我们比较了两种方法在合成数据上的性能，这表明我们的完全贝叶斯方法可以更好地估计后验不确定性，而无需校准采样权重的归一化。我们证明了我们的方法的应用程序有关的国家健康和营养检查调查探索咖啡因消费和收缩压之间的关系。
2018-07-12 math.ST stat.ME stat.TH
Scalable Bayesian nonparametric regression via a Plackett-Luce model for conditional ranks
我们提出了一种新的贝叶斯非参数回归模型的协变量X和连续的，真正的响应变量Y。该模型根据Y和X的边缘分布以及调整条件分布F（y）的随机排序的回归函数进行参数化|x）。通过采用近似的复合似然方法，我们表明，由此产生的后验推理可以解耦的模型的单独组件。该过程可以扩展到非常大的数据集，并允许使用来自贝叶斯非参数密度估计和Plackett-Luce排名估计的标准现有软件。作为一个例子，我们展示了我们的方法在美国人口普查数据集上的应用，该数据集有超过130万个数据点和100多个协变量。
2015-06-24 stat.ME
Scalable Bayesian modeling, monitoring and analysis of dynamic network flow data
网络中的流量计数数据出现在许多应用中，例如汽车或航空运输，某些定向社交网络上下文和互联网研究。使用的互联网浏览器流量通过一个国际新闻网站的网站部分的例子，我们提出了贝叶斯分析的两个链接类的模型，在串联，允许快速，可扩展和可解释的贝叶斯推断。我们首先为流式计数数据开发了灵活的状态空间模型，能够实时有效地自适应地表征和量化网络动态。然后，我们使用这些模型作为仿真器的更结构化的，随时间变化的重力模型，允许正式解剖网络动态。这会产生可解释的交通流特性的推断，并在网络节点之间的相互作用的动态。贝叶斯监测理论定义了一种策略，当网络流量数据偏离基于模型的预测时，进行顺序模型评估和自适应。探索性和连续的监测分析不断变化的流量在网络上的网站段在电子商务演示了这种耦合的贝叶斯仿真方法来分析流网络计数数据的效用。
2016-07-09 stat.ME
Scalable skewed Bayesian inference for latent Gaussian models
针对潜在高斯模型，提出基于INLA的偏态拉普拉斯变分推断扩展，兼顾偏态与高斯边缘及依赖保持，可扩展处理重尾似然和类别不平衡数据，经模拟和罕见病案例验证。
2025-02-26 stat.ME
Translating predictive distributions into informative priors
MRC Biostatistics Unit, University of Cambridge（剑桥大学MRC生物统计学单位）
本文提出将可观测量或模型导出的边际量的先验分布转化为有信息的联合先验，通过参数化先验分布和优化超参数来减少预测分布与给定分布的差异。
2025-05-03 stat.ME
Comparison between Suitable Priors for Additive Bayesian Networks
加性贝叶斯网络是一种图形模型，它通过对基础变量的联合概率分布进行因子分解，将通常的贝叶斯广义线性模型扩展到多个因变量。在拟合ABN模型时，参数先验的选择至关重要。如果使用不充分的先验--如信息量太弱的先验--数据分离和数据稀疏会导致模型选择过程中的问题。在这项工作中，两个弱和一个强信息先验之间的模拟研究。作为弱信息先验，我们使用具有大方差的零均值高斯先验，目前在R包abn中实现。第二个先验属于学生t分布，专门为逻辑斯谛回归设计，最后，强信息先验再次是高斯分布，平均值等于真实参数值且方差较小。我们比较了这些先验知识对学习的加性贝叶斯网络在不同参数下的准确性的影响。我们创建了一个模拟研究来说明林德利的悖论的基础上的优先选择。然后，我们的结论是突出了良好的性能的信息学生的t先验和有限的影响林德利悖论。最后，对今后的发展提出了建议。
2018-09-18 stat.AP stat.ME stat.ML
Weakly informative priors and prior-data conflict checking for likelihood-free inference
贝叶斯无似然推理（Bayesian likelihood free inference）是一种在似然性难以处理的情况下进行贝叶斯推断的方法，具有越来越多的重要科学应用。然而，贝叶斯分析的许多方面在无可能性设置中变得更具挑战性。其中一个例子是先验数据冲突检查，其目标是评估数据中的信息和先验信息是否不一致。这种冲突是重要的检测，因为它们可能会揭示问题，在调查人员的理解是什么相关的参数值，并可能导致贝叶斯推断的灵敏度的先验。在这里，我们考虑的方法是适用的，无论可能性是否是易处理的或没有的先验数据冲突检查。在构造我们的检查时，我们考虑基于先验到后验库尔贝克-莱布勒散度的检查统计量。使用混合物近似的后验分布和封闭形式的近似库尔贝克-莱布勒散度的混合物，这使得蒙特卡罗近似的参考分布校准计算可行的检查。当先验数据发生冲突时，在备选分析中考虑弱信息先验规范是有用的，作为敏感性分析的一部分。作为我们的方法的一个主要应用，我们开发了一种技术，用于搜索弱信息先验的似然自由推理，弱信息先验的概念是正式使用先验数据冲突检查。该方法在三个例子中证明。
2022-02-21 stat.CO stat.ME
Bayesian Approach to Handling Informative Sampling
在信息抽样的情况下，抽样方案显式或隐式地取决于响应变量。因此，响应变量的样本分布不能用于对总体进行推断。在这项研究中，我从贝叶斯的角度研究了信息抽样的问题。贝叶斯方法的应用允许解决的问题，这是由于模型的复杂性，被用于处理信息抽样。研究的主要目的是结合经典抽样论和贝叶斯分析的原理，对总体模型和描述抽样机制的模型进行辨识和估计。利用包含概率通常已知的事实，可以估计模型残差的总体平方和，实现抽样论的技术。在这项研究中，我展示了如何将这些估计纳入贝叶斯建模，以及如何将基于贝叶斯证据测量的全贝叶斯显著性检验（FBST）用于精确的原假设，可以用作模型识别工具。通过实施所提出的方法来估计和识别的样本选择模型所获得的结果似乎是有希望的。在这一点上，我正在研究人口模型的估计和识别方法。我的方法的一个有趣的扩展是将已知的人口特征纳入估计过程。在描述所提出的方法的部分中，突出了我继续研究的一些其他方向。
2015-01-27 stat.AP
Bayesian Optimization with Informative Covariance
University of Edinburgh（爱丁堡大学）
针对高维贝叶斯优化中平稳协方差模型无法表达输入相关信息及信息均值函数表现不佳的问题，提出利用非平稳性编码区域偏好并自适应促进局部探索的新型信息协方差函数，有效提升了高维场景下的样本效率。
2023-04-01 cs.LG stat.ML
Using Large Language Models to Suggest Informative Prior Distributions in Bayesian Statistics
Simula Research Laboratory（Simula研究实验室）；OsloMet（奥斯陆大学）；SimulaMet；OsloMet and SimulaMet（奥斯陆大学和SimulaMet）
本研究探讨了利用大型语言模型建议贝叶斯统计中的信息先验分布，通过设计详尽提示词让模型建议并反思先验，在两个真实数据集上评估发现LLM能正确识别关联方向，但中等先验常过于自信，Claude和Gemini表现优于ChatGPT，主要挑战在于校准先验宽度。
2025-06-27 cs.AI cs.CL stat.ME
Objective Bayesian Analysis for the Lomax Distribution
在本文中，我们提出了贝叶斯推断的参数的Lomax分布使用非信息先验，即Jeffreys先验和参考先验。我们通过使用500个模拟数据集的蒙特卡罗研究评估贝叶斯估计。为了评估先验规范对估计可能产生的影响，考虑了两个标准：偏差和均方误差的平方根。所开发的程序说明了一个真实的数据集。
2016-02-26 stat.ME
Identifying Informative Environments for Cognition Parameter Inference via Bayesian Experimental Design
该研究针对认知参数推断的环境选择问题，将认知规划实验建模为贝叶斯实验设计问题，提出摊销贝叶斯实验设计框架，经Mouselab-MDP实验验证其高效性，揭示了环境选择的权衡关系。
2026-08-04 cs.AI stat.ML
Bayesian Joint Modeling for Longitudinal Magnitude Data with Informative Dropout: an Application to Critical Care Data
本文提出了一种包含随机效应的贝叶斯回归方法来分析幅度数据，并扩展为联合建模策略以应对信息性退出问题，有效减轻缺失数据偏差，最后应用于ICU患者膈肌厚度变化研究。
2025-07-14 stat.AP stat.ME
Scalable and optimal Bayesian inference for sparse covariance matrices via screened beta-mixture prior
本文提出一种结合连续收缩先验与筛选过程的可扩展贝叶斯方法，用于稀疏协方差矩阵估计，解决了“大p，小n”高维问题，并具备确定筛选性质与最优收敛速率。
2023-11-21 stat.ME
Scalable Rejection Sampling for Bayesian Hierarchical Models
贝叶斯分层建模是一种流行的方法来捕捉未观察到的异质性在各个单位。然而，标准的估计方法，如马尔可夫链蒙特卡罗（MCMC）的建模结果，从大量的单位可能是不切实际的。本文提出了一种新的贝叶斯模型的后验分布抽样方法，而不需要使用MCMC。样本是独立的，所以它们可以并行收集，我们不需要关心链收敛和自相关等问题。该算法在单个单元条件独立的弱假设下是可扩展的，使其适用于大型数据集。它也可以用来计算边际似然。
2014-11-02 stat.CO stat.ME
In Nonparametric and High-Dimensional Models, Bayesian Ignorability is an Informative Prior
在有大量缺失数据的问题中，必须对两个不同的数据生成过程进行建模：生成响应的结果过程和确定我们观察到的数据的缺失数据机制。然而，在Rubin（1976）的可验证性条件下，基于似然性的结果过程推断不依赖于缺失数据机制，因此只需要估计前者;部分由于这种简化，可验证性通常被用作基线假设。我们研究的影响，贝叶斯可扩展性的存在下，高维滋扰参数，并认为，可扩展性通常是不兼容的选择偏差的量与明智的先验信念。我们表明，对于许多问题，可验证性直接意味着选择偏差的先验紧密集中在零附近。这是证明了几个模型的实际利益，和可扩展性的影响的后验分布的特点是高维线性模型与岭回归前。然后，我们展示了如何建立高维模型，编码合理的信念选择偏差，也表明在某些狭窄的情况下，可扩展性是问题不大。
2021-11-06 math.ST stat.ME stat.TH
Scalable Bayesian Nonparametric Clustering and Classification
我们开发了一个可扩展的多步蒙特卡罗算法推理下的一大类非参数贝叶斯模型的聚类和分类。每一步都是“并行的”，并且可以使用相同的马尔可夫链蒙特卡罗采样器来实现。我们的方法的简单性和通用性使得推理适用于大型数据集的贝叶斯非参数混合模型。具体来说，我们应用的方法推断下的产品分区模型与回归协变量。我们展示了两个激励数据集的推理结果：一个大型的电子健康记录（EHR）和一个银行电话营销数据集。我们发现有趣的集群和良好的分类性能相对于其他广泛使用的竞争分类。
2018-06-07 stat.CO stat.ME
A Bayes Factor Approach with Informative Prior for Rare Genetic Variant Analysis from Next Generation Sequencing Data
通过下一代测序发现罕见的遗传变异是人类遗传学领域中一个非常具有挑战性的问题。我们提出了一种基于贝叶斯因子（BF）的新的基于区域的统计方法，以评估位于同一基因组区域的一组罕见变异（RV）与病例对照设计背景下的疾病结果之间的关联证据。在零假设和备择假设下计算边际似然，假设区域中RV计数为二项分布，RV概率为β或Dirac和β先验分布的混合。我们推导出理论上的空分布的BF在我们的先验设置，并表明，贝叶斯控制的错误发现率（BFDR）可以获得全基因组推断。信息先验引入使用先前的证据从Kolmogorov-Smirnov检验统计量的关联。我们使用我们的模拟程序sim 1, 000 G来生成类似于1,000个基因组测序项目的RV数据。我们的模拟研究表明，在中等样本量的病例对照研究中，新的BF统计量优于标准方法（SKAT，SKAT-O，负担检验），并且在大样本量情况下与它们相当。我们将真实数据应用于肺癌病例对照研究，发现RV在已知和新的癌症基因中富集。它还表明，与无信息先验的BF相比，使用具有信息先验的BF提高了整体基因发现。
2020-02-20 stat.AP
Representative, Informative, and De-Amplifying: Requirements for Robust Bayesian Active Learning under Model Misspecification
University of Manchester（曼彻斯特大学）；ELLIS Institute Finland（芬兰ELLIS研究所）；Aalto University（阿尔托大学）
本文提出R-IDeA新准则，通过代表性、信息性和去放大三方面缓解模型不规范导致的泛化误差，实验显示其优于仅关注信息性或代表性的方法。
2026-03-31 cs.IT math.IT stat.ML
A generalized likelihood based Bayesian approach for scalable joint regression and covariance selection in high dimensions
研究了贝叶斯范式下高维多元回归模型中回归系数矩阵和误差精度矩阵（逆协方差矩阵）的联合稀疏性选择问题。所选择的稀疏模式对于帮助理解预测变量和响应变量之间的关系网络以及后者之间的条件关系至关重要。虽然贝叶斯方法具有通过后验包含概率和可信区间提供自然不确定性量化的优点，但当前贝叶斯方法要么限制于稀疏模式的特定子类和/或不可扩展到具有数百个响应和预测因子的设置。贝叶斯方法只关注于估计后验模式是可扩展的，但不从后验分布生成样本用于不确定性量化。使用基于双凸回归的广义似然和尖峰和平板先验，我们开发了一种称为联合回归网络的算法（JRNS），用于联合回归和协方差选择，该算法（a）可以适应一般稀疏模式，（b）提供不确定性量化的后验样本，（c）可扩展，比提供不确定性量化的最先进贝叶斯方法快几个数量级。我们证明了所提出的方法对合成数据的统计和计算效率，并通过对选定的癌症数据集的分析。我们还建立了高维后验一致性的开发算法之一。
2022-01-14 stat.CO stat.ME
Early Prediction of Student Performance Using Bayesian Updating with Informative Priors Across Cohorts
Hector Research Institute of Education Sciences and Psychology, University of Tübingen（蒂宾根大学教育科学与心理学赫克托研究所）；Department of Statistics, TU Dortmund University（多特蒙德工业大学统计系）
本文通过利用前一届学生数据的贝叶斯更新方法，提升跨班级学生表现预测的鲁棒性，结果显示在早期周数内，信息先验能显著降低误判率和假阴性率。
2026-04-21 stat.AP stat.OT
Weakly informative reparameterisations for location-scale mixtures
虽然高斯分布的混合物已经研究了一个多世纪（Pearson，1894），但这些模型的参考贝叶斯分析的构建仍然没有解决，由于这种统计对象的不适定性，一般禁止使用不适当的先验（Fruadith-Schnatter，2006）。这个困难通常是绕过经验贝叶斯决议（理查森和绿色，1997年）。通过创建一个新的参数化的平均值和可能的方差的混合物分布本身，我们设法在这里开发一个弱信息的前一个广泛的混合物与任意数量的组件。我们证明了与此先验和最小样本量相关的一些后验分布是适当的。我们提供MCMC实现，表现出预期的交换。我们在这里只研究单变量的情况下，扩展到多变量的位置规模的混合物目前正在研究中。一个名为Ultimixt的R软件包与本文相关。
2017-07-31 stat.CO stat.ME
Scalable Bayesian uncertainty quantification in imaging inverse problems via convex optimization
提出了一种大规模成像逆问题的贝叶斯不确定性量化方法。我们的方法适用于所有的贝叶斯模型是对数凹，最大后验概率（MAP）估计是一个凸优化问题。该方法是一个框架，用于分析MAP估计中观察到的特定结构的置信度（例如，医学成像中的病变，天文成像中的天体来源），以便能够将它们用作证据，为决策和结论提供信息。准确地说，根据贝叶斯决策理论，我们试图通过执行贝叶斯假设检验来断言仔细检查下的结构，该贝叶斯假设检验如下进行：首先，它假设结构不存在于真实图像中，然后试图使用数据和先验知识以高概率拒绝该原假设。计算成像问题的这种测试通常是非常困难的，因为涉及的高维数。这项工作的一个主要特点是利用概率集中现象和底层凸几何制定贝叶斯假设检验作为一个凸问题，我们然后有效地解决了使用可扩展的优化算法。这允许缩放到其他贝叶斯计算方法在计算上无法负担的高分辨率和高灵敏度成像问题。我们说明了我们的方法，称为BUQO（贝叶斯不确定性量化优化），在一系列具有挑战性的傅立叶成像问题在天文学和医学。
2018-11-06 astro-ph.IM stat.ME
Scalable Decisions using a Bayesian Decision-Theoretic Approach
Amazon.com, Inc.（亚马逊公司）；Stanford University（斯坦福大学）
本文提出一种贝叶斯决策理论框架，通过整合多个目标和权衡，实现更高效和可扩展的决策制定。
2026-01-27 stat.AP stat.ME
Scalable Bayesian Optimization with Sparse Gaussian Process Models
Deakin University（迪肯大学）
该研究围绕贝叶斯优化，提出结合导数信息与可扩展稀疏高斯过程，以加快收敛并处理海量数据。
2020-10-26 cs.IR cs.LG stat.ML
Sensor Informativeness, Identifiability, and Uncertainty in Bayesian Inverse Problems for Structural Health Monitoring
本文提出了一种贝叶斯反演框架，用于量化结构健康监测中传感器信息量、可识别性和不确定性，通过分析弯曲刚度分布来提升传感器布置的优化与诊断可信度。
2025-11-21 cs.CE stat.AP
Bayesian Prognostic Covariate Adjustment With Additive Mixture Priors
本文提出 Bayesian PROCOVA，用 DTG 生成的预后评分调整协变量，并以可预指定的加性混合先验融合历史对照信息，从而在控制偏倚的同时降低方差、缩小试验规模。
2024-02-28 stat.AP stat.ME stat.ML
Dangers of Bayesian analyses and how to address them
University of California, Los Angeles（加州大学洛杉矶分校）；University of Oxford（牛津大学）
本文针对FDA支持贝叶斯方法背景下，指出贝叶斯分析对先验偏倚敏感的危险性，提出基于实证文献论证先验、参考分析及将先验转化为数据等安全措施，并主张其作为传统分析的补充而非替代。
2026-10-14 stat.AP stat.ME
Scalable Bayesian Inference for Population Markov Jump Processes
马尔可夫跳变过程（MJPs）的贝叶斯推断通常依赖于数据增强马尔可夫链蒙特卡罗，其中可用的观测值与系统状态或跳变相关。最先进的发展涉及表示MJP路径与辅助候选跳转时间，后来细化。然而，这些算法i）在涉及大容量或无限容量系统的情况下是不可行的，并且ii）不适合于所有观测类型。在本文中，我们建立并提出了一个通用的数据增强框架的基础上统一表示的潜在的非平稳跳跃过程的人口MJPs。这导致多个新的MCMC采样器，使精确的（在蒙特卡罗意义上）推理任务的模型参数。我们表明，建议的采样优于现有的流行的方法，并提供了大量的效率增益的应用部分观察到的随机流行病，移民过程和捕食者-猎物动力系统。
2019-04-17 stat.CO stat.ME
Bayesian Semiparametric Model for Sequential Treatment Decisions with Informative Timing
Brown University（布朗大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Southern California（南加州大学）；Children’s Hospital of Philadelphia（费城儿童医院）；Rutgers University（罗格斯大学）
针对儿童AML序贯ACT治疗中时变混杂、信息性治疗时间及中途死亡或退出问题，提出基于Gamma Process先验的贝叶斯半参数生成模型，并用g-computation推断动态心功能指导规则的生存疗效。
2022-11-29 cs.LG stat.AP stat.ME
