近似贝叶斯计算（ABC）结合贝叶斯模型平均法估计平均值和标准差

隐马尔可夫模型ABC逼近的静态参数估计

Static Parameter Estimation for ABC Approximations of Hidden Markov Models

本文主要研究隐马尔可夫模型静态参数的极大似然估计。我们将考虑的情况下，一个不能或不想计算的条件似然密度的观察给定的隐藏状态，因为增加了计算复杂性或分析棘手。相反，我们将假设可以从该条件似然中获得样本，因此使用原始HMM的近似贝叶斯计算（ABC）近似。ABC近似是有偏的，但可以通过参数ε>0将偏差控制到任意精度;当ε \searrow 0时，偏差通常会变为零。我们首先确定，对于一批固定的数据，ABC近似的对数似然和对数似然梯度的偏差并不比\mathcal{O}（nε）差，n是数据的数量;因此，出于计算的原因，人们可能会期望使用这种ABC近似进行合理的参数估计。转向估计$θ$的计算问题，我们使用Jasra等人（2012）中的ABC-序贯蒙特卡罗（SMC）算法提出了一种基于同时扰动随机逼近（SPSA）的方法。我们的方法是研究两个数值例子

2012-10-17stat.CO

近似贝叶斯计算中似然函数的近似

Approximating the Likelihood in Approximate Bayesian Computation

本章将出现在即将出版的近似贝叶斯计算手册（2018）中。支撑近似贝叶斯计算（ABC）的概念和方法框架主要针对可能性具有挑战性或缺失的问题。ABC使用基于模拟的非参数估计汇总统计量的可能性，并假设从模型生成数据在计算上是便宜的。本章回顾了两种估计棘手的可能性的替代方法，目的是减少必要的模型模拟，以产生近似的后验。其中第一个是合成似然（SL）的贝叶斯版本，最初由Wood（2010）开发，它使用多变量正态近似来概括统计似然。使用ABC的参数近似而不是非参数近似，可以减少所需的模型模拟的数量。我们在本章中考虑的第二种似然近似方法是基于经验似然（EL），这是一种非参数技术，涉及在一组矩约束下最大化经验构建的似然。Mengersen et al（2013）修改了EL框架，以便它可以用于形成ABC可以应用的问题的近似后验，即具有棘手可能性的模型。然而，与ABC和贝叶斯SL（BSL）不同，贝叶斯EL（BCel）方法可以在某些情况下完全避免模型模拟。BSL和BCel方法说明了不同复杂性的模型。

2018-03-18stat.COstat.ME

通过近似贝叶斯计算进行荟萃分析的基于模拟的均值和标准差估计（ABC）

Simulation-based Estimation of Mean and Standard Deviation for Meta-analysis via Approximate Bayesian Computation (ABC)

背景资料：当对连续结局进行荟萃分析时，需要估计所选研究的平均值和标准差，以获得平均效应及其置信区间的总体估计值。如果出版物中没有直接报告这些数量，则必须根据其他报告的汇总统计量（如中位数、最小值、最大值和四分位数）估计这些数量。研究方法：我们提出了一种基于模拟的估计方法，使用近似贝叶斯计算（ABC）技术估计平均值和标准差的基础上，在已发表的研究中发现的各种汇总统计。我们进行了一项模拟研究，将提出的ABC方法与Hozo et al.（2005），Bland（2015）和Wan et al.（2014）的现有方法进行比较。结果：在标准差的估计中，我们的ABC方法在偏态或重尾分布中表现最好。随着样本量的增加，平均相对误差（ARE）趋于零。在正态分布中，我们的ABC表现良好。然而，Wan等人的方法是最好的，因为它基于正态分布假设。当分布是偏态或重尾分布时，Wan等人的ARE会随着样本量的增加而远离零。在均值的估计中，我们的ABC方法是最好的，因为ARE收敛到零。结论：ABC是一种灵活的方法，用于估计荟萃分析的研究特定平均值和标准差，特别是在潜在的偏态或重尾分布的情况下。当采用贝叶斯分析时，ABC方法可以使用其他报告的汇总统计量，例如后验均值和95%可信区间。

2015-04-02stat.ME

一种面向近似贝叶斯计算的墙钟时间最小化并行化策略

A Wall-time Minimizing Parallelization Strategy for Approximate Bayesian Computation

针对近似贝叶斯计算（ABC）现有并行策略资源闲置的问题，提出前瞻调度墙钟时间最小化并行策略，通过主动采样利用资源，可集成到多种方案中，相比现有最优方法加速比通常达10%-20%、最高50%，提升了ABC方法的高性能计算效率。

2023-04-30q-bio.QMstat.CO

使用平滑近似贝叶斯计算构造水平集

Constructing Level Sets Using Smoothed Approximate Bayesian Computation

本文提出平滑近似贝叶斯计算方法，结合高斯过程代理与MCMC采样，在无需预定义网格或符号距离函数的情况下实现对任意连续输入输出函数水平集的准确估计。

2024-07-08stat.COstat.ME

图像分析中近似贝叶斯计算的预处理

Pre-processing for approximate Bayesian computation in image analysis

现有的近似贝叶斯计算（ABC）算法大多假设在每次迭代中从模型中模拟伪数据是可行的。然而，这些模拟的计算成本对于高维数据可能是过高的。一个重要的例子是Potts模型，它通常用于图像分析。在现实世界的应用中遇到的图像可能有数百万像素，因此可扩展性是一个主要问题。我们将ABC与合成似然应用于具有加性高斯噪声的隐藏Potts模型。使用预处理步骤，我们拟合绑定函数来模拟模型参数和合成似然参数之间的关系。我们的数值实验表明，预先计算的绑定函数大大提高了ABC的可扩展性，将模型拟合所需的平均运行时间从71小时减少到仅7分钟。我们还说明了遥感卫星图像的平滑参数估计的方法。没有预先计算，贝叶斯推断对于这种规模的数据集是不切实际的。

2014-09-05stat.CO

鲁棒近似贝叶斯推断

Robust approximate Bayesian inference

我们讨论了一种方法来获得强大的后验分布的$M$估计功能，使用近似贝叶斯计算（ABC）的方法。特别是，我们使用$M$ -估计函数来构建合适的汇总统计量在ABC算法。讨论了稳健后验分布的理论性质。特别注意的是线性混合模型的方法的应用。仿真结果和临床研究的应用证明了该方法的实用性。在robustBLME包中还提供了一个R实现。

2019-06-12stat.ME

通过近似贝叶斯计算进行网络推断：随机多群体神经质量模型的例证

Network inference via approximate Bayesian computation. Illustration on a stochastic multi-population neural mass model

针对癫痫发作前后脑连接性估计的挑战，提出适配的SMC-ABC算法，扩展多群体神经质量模型并构建高效模拟方案，在模拟与真实EEG数据上验证，降低计算成本并揭示脑活动的发作期差异与发作间相似性。

2025-08-26cs.NAmath.NAstat.ME

用模型平均法估计尾部指数

Estimating the Tail Index by using Model Averaging

模型平均的想法是用来找到权重的峰值超过阈值的问题，使用一个可能的范围内的阈值。选择最大观测值的范围并将其视为可能的阈值，每次执行估计。计算基于每个阈值的信息标准的权重。可以计算阈值和形状参数的加权估计。

2014-10-29stat.MEstat.OT

基于模型平均与匹配的异方差条件平均处理效应估计

Estimating Conditional Average Treatment Effects with Heteroscedasticity by Model Averaging and Matching

本研究提出模型平均结合划分匹配的方法，用于估计异方差下的条件平均处理效应，证明其渐近最优性与一致性，数值实验验证了良好的有限样本性能。

2024-12-16stat.APstat.ME

利用近似贝叶斯计算进行复合似然的最优组合及其在状态空间模型中的应用

Optimal combination of composite likelihoods using approximate Bayesian computation with application to state-space models

本文提出利用近似贝叶斯计算和多个复合得分函数作为汇总统计量，解决复合似然中的权重选择与曲率调整问题，并通过蒙特卡洛估计和自适应方案提升计算可行性与推断效率。

2024-09-04stat.COstat.ME

潜变量维数未知的入侵物种模型推断的跨维近似贝叶斯计算

Transdimensional Approximate Bayesian Computation for Inference on Invasive Species Models with Latent Variables of Unknown Dimension

关于非本地物种的引进和传播模式的准确信息对于作出预测和管理决策至关重要。在许多情况下，估计未知的引进和传播率从观察到的数据需要评估棘手的变维积分。一般而言，对包含大或可变维度潜变量的大类模型的推断排除了精确的抽样技术。近似贝叶斯计算（ABC）方法提供了一种替代精确采样，但依赖于效率低下的条件模拟的潜在变量。为了有效地完成这一任务，一个新的transdimensional蒙特卡罗采样器的近似贝叶斯模型的推理和用于估计的引进和传播率的非本地的热带植物种Dendrobaena octagedra（萨维尼）沿道路在艾伯塔省北部的北方森林。使用低和高估计的引进和传播率，在艾伯塔省东北部的入侵程度进行了模拟，以预测入侵的数据收集后的一年中，合适的栖息地的比例。

2014-12-30stat.ME

一般半正态分布参数的最小风险同变估计及其条件期望的蒙特卡罗逼近

Minimum Risk Equivariant Estimation of the Parameters of the General Half-Normal Distribution by Means of a Monte Carlo Method to Approximate Conditional Expectations

本文研究一般半正态分布的参数估计问题。也就是说，研究了参数的最小风险等变（MRE）估计量的确定问题.仿真研究实现了极大似然估计和无偏估计量，这些估计的行为进行比较。一个自然的蒙特卡罗方法来计算条件期望被用来近似MRE估计的位置参数，因为它的表达式涉及两个条件期望不容易计算。所使用的蒙特卡罗方法是合理的贝西科维奇定理的措施微分，并已略有修改，以解决一种“灾难的维数”的问题出现在这个参数的估计。这种方法在过去几年中一直被隐含地用于ABC（近似贝叶斯计算）方法。

2015-04-04stat.ME

估计多条马尔可夫链的蒙特卡洛方差

Estimating Monte Carlo variance from multiple Markov chains

针对并行MCMC中方差估计低估问题，提出多元复制批量均值（RBM）估计器，利用多链信息纠正偏差，在弱混合条件下具有强一致性和更优理论性质，小样本下表现显著优越。

2024-07-21stat.COstat.ME

离散观测马尔可夫模型的因子后验分布快速近似贝叶斯计算

Fast Approximate Bayesian Computation for discretely observed Markov models using a factorised posterior distribution

许多现代统计应用涉及复杂随机模型的推断，对于这些随机模型，似然函数很难甚至不可能计算，因此不能使用传统的基于似然的推断技术。在这样的设置中，可以使用近似贝叶斯计算（ABC）来执行贝叶斯推断。然而，尽管ABC方法最近取得了许多进展，但在许多应用中，ABC的计算成本需要选择汇总统计量和公差，这可能会严重影响后验估计。我们提出了一种新的“分段”ABC方法适用于离散观测马尔可夫模型，涉及到写作的后验密度的参数作为一个产品的因素，每个功能的数据的一个子集，然后使用ABC内的每个因素。该方法的优点是不需要选择汇总统计量，并且可以设置严格的公差，使后验“不那么近似”。我们研究两种方法来估计后验密度的基础上ABC样本的每个因素：第一个是使用高斯近似的每个因素，第二个是使用核密度估计。两种方法各有优点。高斯近似是简单、快速的，并且可能适合于许多应用。另一方面，使用核密度估计具有一致地估计真实ABC后验的好处，因为ABC样本的数量趋于无穷大。我们举例说明了分段ABC方法的三个例子，在每种情况下，该方法使模拟和数据之间的“精确匹配”，并提供快速，准确的推理。

2013-05-28stat.APstat.COstat.ME

ABC-CDE：复杂高维数据和有限模拟的近似贝叶斯计算

ABC-CDE: Towards Approximate Bayesian Computation with Complex High-Dimensional Data and Limited Simulations

近似贝叶斯计算（ABC）通常用于可能性不可用或难以处理，但数据可以在不同的参数设置下使用前向模型进行模拟的情况。尽管最近对ABC感兴趣，但高维数据和昂贵的模拟在某些应用中仍然是瓶颈。对于如何在不知道真实后验的情况下最好地评估这些方法的性能，也没有达成共识。我们展示了非参数条件密度估计（CDE）框架，我们称之为ABC-CDE，如何帮助解决ABC中的三个重要挑战：（i）如何用有限的模拟和不同类型的数据有效地估计后验分布，（ii）如何调整和比较ABC和相关方法在估计后验本身而不仅仅是密度的某些属性方面的性能，以及（iii）如何基于CDE替代损失在大量汇总统计中有效地进行选择。我们提供了理论和经验证据，证明ABC-CDE程序，{ \em直接}估计和评估后验的基础上，一个初始的ABC样本，我们描述了设置标准的ABC和基于回归的方法是不够的。

2018-10-20stat.MEstat.ML

一种易于使用的经验似然ABC方法

An easy-to-use empirical likelihood ABC method

在自然科学、工程学和环境科学中，许多科学上动机良好的统计模型都是通过生成过程来指定的，但在某些情况下，可能无法通过分析写下这些模型的可能性。在这些情况下允许贝叶斯推断的近似贝叶斯计算（ABC）方法通常是计算密集型的。最近，计算有吸引力的经验似然ABC方法已在文献中提出。这些方法在很大程度上依赖于一组合适的易于分析的估计方程的可用性。我们提出了一种易于使用的经验似然ABC方法，其中所需的唯一输入是选择汇总统计量，它的观察值，以及模拟模型下任何参数值的汇总统计量的能力。结果表明，使用所提出的方法获得的后验是一致的，并探讨其性能使用各种例子。

2018-10-08stat.APstat.COstat.ME

基于混合标准的模型平均法估计极值高分位数：应用于暴雨研究

Model averaging with mixed criteria for estimating high quantiles of extreme values: Application to heavy rainfall

Honam Research Division, Electronics and Telecommunications Research Institute（韩国电子与电信研究院湖南研究部）；Department of Statistics, Chonnam National University（全南大学统计系）

本文提出基于混合标准的模型平均法，用于更准确地估计极值高分位数，应用于暴雨数据以提高预测精度和风险评估效果。

2026-02-23stat.COstat.ME

使用带有SQL数据库的sstudy包对Python进行蒙特卡罗模拟研究

Monte Carlo simulation studies on Python using the sstudy package with SQL databases as storage

University of São Paulo（圣保罗大学）；Federal University of São Carlos（圣卡洛斯联邦大学）；Budapest University of Technology and Economics（布达佩斯技术与经济大学）

性能评估是提出新的机器学习/统计估计器的过程中的一个关键问题。完成这一任务的一种可能方法是使用模拟研究，模拟研究可以定义为通过对给定真实分布的许多重复进行平均来估计和比较估计量（和其他统计量）的属性（如预测能力）的过程;即：生成数据集、拟合估计器、计算并存储预测能力、然后多次重复该过程并最终对存储的预测能力求平均。鉴于此，在本文中，我们提出sstudy：一个Python包，旨在简化使用SQL数据库引擎作为存储系统的模拟研究的准备工作;更具体地说，我们提出了它的基本功能，使用示例和参考其文档。我们还提出了一个简短的统计描述的模拟研究过程与一个简化的解释是什么估计，以及一些应用程序的例子。

2020-07-20cs.LGstat.ME

基于参数辅助模型的贝叶斯间接推理

Bayesian Indirect Inference Using a Parametric Auxiliary Model

间接推理（II）是一种方法，用于在分析和计算上更容易处理的替代参数（辅助）模型的基础上估计棘手（生成）模型的参数。这种方法已经在经典文献中得到了很好的探讨，但在贝叶斯范式中受到的关注却少得多。本文的目的是比较和对比我们所说的参数贝叶斯间接推理（pBII）方法的集合。一类pBII方法使用近似贝叶斯计算（这里称为ABC II），其中汇总统计量是基于辅助模型，使用II中的思想形成的。在文献中提出的另一种方法，这里称为参数贝叶斯间接似然（pBIL），使用辅助似然作为替代的棘手的可能性。我们表明，pBIL是一个根本不同的方法ABC II。我们设计了新的理论结果pBIL提供额外的见解，它的行为，也与ABC II的差异。此外，我们更详细地研究了使用每种pBII方法所需的假设。本文中开发的结果，见解和比较说明了简单的例子和其他两个实质性的应用。第一个实质性的例子涉及执行复杂的分位数分布的基础上模拟数据的推断，而第二个是用于估计一个三变量随机过程的参数描述的演变的大型寄生虫在主机的基础上的真实数据。我们创建了一个新的框架，称为贝叶斯间接似然（BIL），其中包括pBII以及一般的ABC方法，以便可以建立方法之间的连接。

2015-05-13stat.ME

频率接近零时的谱密度估计

Estimating the Spectral Density at Frequencies Near Zero

对于某些$w\in [-π, π]$，估计谱密度函数$f(w)$传统上通过对周期图进行核平滑和相关技术来执行。核平滑等同于局部平均，即，在小宽度的窗口上通过常数近似$f(w)$。虽然$f(w)$是一致连续的，周期与周期$2π$，在本文中，我们认识到的事实，$w=0$有效地作为一个边界点，在底层的内核平滑问题，和同样的是真实的$w=\pm π$。众所周知，在边界点处（或附近）的核回归中，局部平均可能是次优的。作为替代方案，我们提出了一个局部多项式回归的周期图或日志周期图时，$w$是在（或附近）的点0或$\pm π$。$w=0$案例特别重要，因为$f(0)$是样本均值的大样本方差;因此，为了对均值进行任何类型的推断，估计$f(0)$至关重要。

2022-08-03stat.ME

基于噪声数据估计形状和函数的峰值持久图

Peak-Persistence Diagrams for Estimating Shapes and Functions from Noisy Data

Florida State University（佛罗里达州立大学）

本文提出利用峰值持久图估计未知信号形状和自身，结合形状约束与部分对齐数据，平衡了无对齐和全弹性对齐两种方法，实现最优估计。

2023-05-08stat.ME

基于变分逼近的经验似然ABC方法

On a Variational Approximation based Empirical Likelihood ABC Method

自然科学、工程学和环境科学中的许多科学上动机良好的统计模型都是通过生成过程来指定的。然而，在某些情况下，可能无法通过分析写下这些模型的可能性。近似贝叶斯计算（ABC）方法允许在这种情况下进行贝叶斯推断。然而，这些程序通常是计算密集型的。最近，在文献中提出了计算上有吸引力的基于经验似然的ABC方法。所有这些方法都依赖于几个合适的易于分析的估计方程的可用性，这有时是有问题的。本文提出了一种易于使用的经验似然ABC方法。首先，通过使用变分近似参数作为动机，我们表明，目标对数后验可以近似为一个预期的联合对数似然和差分熵的数据生成密度的总和。然后通过经验似然估计预期对数似然，其中所需的唯一输入是汇总统计量的选择，它的观察值，以及模拟模型下任何参数值的选定汇总统计量的能力。利用传统的方法从模拟摘要中估计微分熵。后验一致性建立的方法，我们详细讨论了所需的模拟摘要的数量的界限。所提出的方法的性能进行了探讨，在各种例子。

2020-11-12stat.COstat.MEstat.ML

使用贝叶斯模型平均法估算CMIP模式的气候敏感性

Estimating Climate Sensitivity Using Bayesian Model Averaging for CMIP Models

Emory University（埃默里大学）；The Ohio State University（俄亥俄州立大学）

该研究采用贝叶斯模型平均法（BMA），基于CMIP6的37个气候模式，结合观测数据估算TCRE，得出的TCRE范围与IPCC AR6重叠但均值更高、标准差更低，2100年变暖预测更明确且不确定性更小，参数不确定性为主要方差来源。

2026-08-05stat.APstat.ME

利用高斯混合模型平均，基于客户行为估计家庭电视画像数量

Estimating the number of household TV profiles based in customer behaviour using Gaussian mixture model averaging

Hamilton Institute, Maynooth University（马尼特大学哈密尔顿研究所）；Department of Mathematics and Statistics, Maynooth University（马尼特大学数学与统计学系）；Ulster University（乌斯特大学）；British Telecommunications（英国电信）

针对家庭多人观看导致画像难识别的问题，提出高斯混合模型平均结合贝叶斯随机游走的框架，可估计家庭电视画像数量、特征演变及不确定性。

2025-05-15cs.LGstat.ME

基于模型的近似贝叶斯计算的有效获取规则

Efficient acquisition rules for model-based approximate Bayesian computation

近似贝叶斯计算（ABC）是当可能性不可用但从模型进行模拟是可能的时用于贝叶斯推断的方法。然而，许多ABC算法需要大量的模拟，这可能是昂贵的。为了减少计算成本，贝叶斯优化（BO）和代理模型，如高斯过程已经提出。贝叶斯优化使人们能够智能地决定下一步在哪里评估模型，但常见的BO策略并不是为了估计后验分布而设计的。我们的论文解决了文献中的这一空白。我们建议计算ABC后验密度的不确定性，这是由于缺乏模拟来准确估计这个数量，并定义一个损失函数来测量这种不确定性。然后，我们建议选择下一个评估位置，以尽量减少预期损失。实验表明，该方法往往产生最准确的近似相比，常见的BO策略。

2018-08-08stat.COstat.MEstat.ML

基于条件贝叶斯因子的工具变量贝叶斯模型平均

Instrumental Variable Bayesian Model Averaging via Conditional Bayes Factors

我们发展了一种方法来执行两阶段线性回归系统的模型平均值受到内消。我们的方法扩展了现有的吉布斯采样器的工具变量，将模型的不确定性的组成部分。在这种情况下，模型概率的直接评估是棘手的。我们表明，通过嵌套模型移动内的吉布斯采样器，模型比较可以通过条件贝叶斯因子，导致简单的计算。这个新的吉布斯采样器只是比原来的算法稍微多一点，并没有表现出混合困难的证据。最后，我们研究了两种不同的建模挑战：将不确定性纳入宏观经济增长的决定因素，并通过对零售价格的批发来估计需求函数。

2012-03-19stat.APstat.ME

基于分布随机森林的Copula近似贝叶斯计算

Copula Approximate Bayesian Computation Using Distribution Random Forests

该研究提出名为copulaABcdrf的新型近似贝叶斯计算框架，结合分布随机森林与多元copula元t分布估计后验分布，兼具变量选择、模型选择等功能，在多类模拟与真实网络数据上表现优于标准ABC方法，还可缓解模拟成本问题。

2024-09-11stat.COstat.ME

在MCMC的精确近似中建立某种顺序

Establishing some order amongst exact approximations of MCMCs

精确逼近马尔可夫链蒙特卡罗（MCMC）算法是一类新兴的采样算法。精确近似背后的主要思想之一是用估计量取代运行标准MCMC算法所需的棘手量，例如梅特罗波利斯-黑斯廷斯算法中的目标概率密度。也许令人惊讶的是，这样的近似导致强大的算法是准确的，在这个意义上，他们保证有正确的限制分布。在本文中，我们发现了一个通用的框架，它允许一个比较，或顺序，性能指标的两个实现这样的算法。特别是，我们建立了一个顺序的平均接受概率，第一自相关系数，渐近方差和右谱间隙。保证排序的关键概念是用于实现算法的估计量之间的凸序。我们相信，我们的凸序条件是接近最优的，这是支持一个反例，表明较弱的方差顺序是不够的。凸顺序起着核心作用，使我们能够构建一个鞅耦合，使性能指标的比较马尔可夫链与不同的不变分布，与现有的结果。我们详细应用我们的结果，通过确定极值分布在给定类的近似值，平均副本提高性能的单调的方式和分层保证提高性能的标准实施的近似贝叶斯计算（ABC）MCMC方法。

2015-10-29math.PRstat.CO

基于高斯尺度混合分布的贝叶斯平均因果估计及其逼近

Bayesian Model Averaging for Causality Estimation and its Approximation based on Gaussian Scale Mixture Distributions

Waseda University（早稻田大学）

在线性结构因果模型（SCM）下的因果效应估计中，通常的做法是首先识别因果结构，估计概率分布，然后计算因果效应。然而，如果目标是估计因果效应，则没有必要固定单个因果结构或概率分布。在本文中，我们首先从贝叶斯的角度表明，它是贝叶斯最优的加权（平均）的因果效应估计在每个模型下，而不是估计在一个固定的单一模型的因果效应。这个想法也被称为贝叶斯模型平均。虽然贝叶斯模型平均是最佳的，但随着候选模型数量的增加，加权计算在计算上变得困难。我们开发了一个近似的贝叶斯最优估计使用高斯尺度混合分布。

2021-03-15cs.LGstat.MEstat.ML

通过局部信息传播求平均的可扩展贝叶斯模型

Scalable Bayesian model averaging through local information propagation

我们表明，经典的向前逐步变量包含过程的概率版本可以作为一个通用的数据增强计划模型空间分布（广义）线性模型。该潜在变量表示采用马尔可夫过程的形式，从而允许信息传播算法被应用于从模型空间后验进行采样。特别是，我们提出了一个序贯蒙特卡罗方法实现有效的无偏贝叶斯模型平均在高维问题，利用建议分布构造使用本地信息传播。我们说明了我们的方法-所谓的LIPS为本地信息传播为基础的采样-通过真实和模拟的例子，维数范围从15到1,000，并比较其性能估计后验包含概率和样本外预测的其他几种方法-即MCMC，BAS，iBMA和LASSO。此外，我们还表明，潜变量表示也可以作为一种建模工具，用于指定模型空间的先验知识，占模型的复杂性和条件包含关系。

2014-10-22stat.COstat.ME

多尺度扩散的粗粒度模拟：p-变差估计

Coarse-grained modeling of multiscale diffusions: the p-variation estimates

研究了多尺度扩散系统在平均化和均匀化条件下的极限方程参数估计问题，给出了相应多尺度系统的数据。首先，我们回顾了最近的一些结果，利用极限方程的最大似然。特别是，它已被证明，在平均的情况下，极大似然估计将是渐近一致的限制，而在均匀化的情况下，极大似然估计将是渐近一致的，只有当我们对数据进行二次抽样。然后，我们重点讨论了扩散系数的估计问题。我们提出了一种新的方法，利用总的$p$变化，定义在粗糙路径的理论，并避免了二次采样步骤。该方法被应用到一个多尺度离散过程。

2010-02-17math.PRmath.STstat.ME

原子脉塞中的极大似然与无似然量子系统识别

Maximum likelihood versus likelihood-free quantum system identification in the atom maser

我们考虑的系统识别问题估计的马尔可夫量子开放系统（原子脉泽）的动力学参数，通过执行连续时间测量系统的输出（传出的原子）。两种估计方法进行了研究和比较。一方面，极大似然估计（MLE）考虑了全部测量数据，并且就其均方误差而言是渐近最优的。另一方面，近似贝叶斯计算的“无可能性”方法通过在不同参数值下对轨迹进行采样并通过选定的统计数据将其与测量数据进行比较，为给定的一组汇总统计数据产生后验分布的近似值。我们的分析是在原子脉泽模型上进行的，它表现出有趣的特征，如双稳态和动态相变，并与隐马尔可夫过程的经典理论有联系。建立在以前的结果表明，原子计数是穷人的统计拉比角的某些值，我们应用极大似然估计的完整的测量数据，并估计其Fisher信息。然后，我们选择几个相关的统计，如等待时间，连续相同的检测分布，并使用它们作为输入的ABC算法。由此产生的后验分布密切遵循的数据可能性，显示所选的统计包含“最”的拉比角的统计信息。

2013-11-16quant-phstat.ME

从补充来源借款以估计主要数据来源的因果效应

Borrowing from Supplemental Sources to Estimate Causal Effects from a Primary Data Source

越来越多的数据来源提供了令人兴奋的可能性，估计治疗，干预或暴露的影响，特别是如果观察和实验来源可以同时使用。源之间的借用可能会导致更有效的估计，但必须以原则性的方式进行，以减轻增加的偏倚和第一类错误。此外，当治疗效果混杂时，如在观察性来源或不依从的临床试验中，需要因果效应估计量同时调整混杂因素并估计数据源间的效应。我们考虑的问题，估计因果关系的影响，从一个主要来源和借款的任何数量的补充来源。我们建议使用基于回归的估计，借用的基础上假设交换的回归系数和参数之间的数据源。借款是用多变量交换模型和贝叶斯平均模型完成的。我们通过模拟表明，贝叶斯线性模型和贝叶斯加性回归树都具有理想的性质，并在适当的情况下借用。我们应用估计最近完成的试验非常低的尼古丁含量香烟调查其对吸烟行为的影响。

2020-03-21stat.ME

伪真参数的贝叶斯三明治后验

Bayesian sandwich posteriors for pseudo-true parameters

在模型误指定下，MLE通常收敛于伪真参数，该参数对应于模型内最接近数据从中采样的分布的分布。在许多问题中，伪真参数对应于感兴趣的总体参数，因此错误指定的模型可以为该参数提供一致的估计。此外，著名的三明治方差公式Huber（1967）提供了一个渐近准确的抽样分布的最大似然估计，即使在模型误设。然而，基于夹心方差估计的置信区间对于低样本量可能表现不佳，部分原因是使用了插入式方差估计。从贝叶斯的角度来看，干扰参数的插件估计通常低估了未知参数中的不确定性，并且对这些参数进行平均有望提供更好的性能。考虑到这一点，我们提出了一个贝叶斯三明治后验分布，其可能性是基于三明治抽样分布的极大似然估计。这种贝叶斯方法允许将先验信息的参数的利益，平均超过不确定性的滋扰参数，是渐近稳健的模型误设定。在一个小的模拟研究估计的回归参数下异方差，增加准确的先验信息和平均的滋扰参数都被认为是提高精度和校准的置信区间的参数。

2012-11-01stat.ME

基于贝叶斯孟德尔随机化方法的因果链接方向推断及其效应估计

Inferring the Direction of a Causal Link and Estimating Its Effect via a Bayesian Mendelian Randomization Approach

使用遗传变异作为工具变量-一种称为孟德尔随机化的方法-是一种流行病学方法，用于估计暴露（表型、生物标志物、风险因素）对观察数据中疾病或健康相关结局的因果影响。工具变量必须满足强有力的、往往是不可检验的假设，这意味着在一大串潜在的候选者中找到好的遗传工具是具有挑战性的。这一困难由于许多遗传变异通过不同的因果途径影响一种以上的表型而变得更加复杂，这种现象称为水平多效性。这不仅会导致估计因果效应大小的错误，而且会导致推断假定因果联系方向的错误。在本文中，我们提出了一种贝叶斯方法称为BayesMR，这是一个推广的孟德尔随机化技术，我们允许多效性的影响，至关重要的是，反向因果关系的可能性。该方法的输出是目标因果效应的后验分布，它提供了估计中不确定性的直接且易于解释的测量。更重要的是，我们使用贝叶斯模型平均来确定推断方向相对于反向方向的可能性有多大。

2020-12-18q-bio.GNq-bio.QMstat.AP