Pair circulas modelling for multivariate circular time series
本文研究多元圆时间序列建模，提出通过圆连接函数描述横截面与序列依赖性，将多元圆连接函数密度分解为配对圆连接函数密度乘积，并结合严格平稳多阶马尔可夫过程减少参数，最后通过风向数据验证了模型有效性。
2023-11-22 stat.ME
Graphical modelling of multivariate time series
我们引入图形时间序列模型来分析多元时间序列中变量之间的动态关系。建模方法是基于强格兰杰因果关系的概念，并可以应用到时间序列与非线性相关。该模型是从普通的时间序列模型通过施加约束，是由混合图编码。在这些图中，每个组件系列由一个单一的顶点和有向边表示变量之间可能的格兰杰因果关系，而无向边用于映射同期的依赖结构。我们介绍了各种概念的格兰杰因果马尔可夫性，并讨论它们之间的关系和其他马尔可夫性，可以应用在这种情况下。
2011-01-14 math.ST stat.TH
Graphical Modeling for Multivariate Hawkes Processes with Nonparametric Link Functions
Hawkes（1971）引入了一个强大的多变量相互激励过程的点过程模型来解释数据中的因果结构。在本文中，它表明，这种过程的格兰杰因果关系结构是完全编码在相应的链接功能的模型。利用无穷阶自回归，基于点过程的时间离散化形式，提出了一种新的连接函数的非参数估计。新的估计量的一致性推导。估计器被施加到模拟数据和神经尖峰训练数据从脊髓背角的大鼠。
2016-05-22 math.ST stat.TH
PoARX Modelling for Multivariate Count Time Series
本文介绍了多元Poisson自回归模型与外生协变量（PoARX）的建模多元时间序列的计数。我们获得的PoARX过程是平稳和遍历的条件，然后提出了一个计算效率高的过程，估计参数的推断函数的方法（IFM），并获得这些估计的渐近正态性。最后，我们展示了一个应用程序，用于计算进出建筑物的人数，并展示了模型的不同方面如何结合起来产生一个强大的预测模型。最后，我们提出了一些进一步的应用领域，并列出了未来工作的方向。
2018-06-13 stat.ME
Modelling, simulation and inference for multivariate time series of counts
本文提出了一种新的连续时间建模框架的多元时间序列的计数，具有无限可分的边缘分布。该模型基于由Lévy噪声驱动的混合移动平均过程-称为拖网过程-其中序列相关性和横截面依赖性彼此独立地建模。这样的过程可以表现出短或长的记忆。我们推导出一个随机模拟算法和一个统计推断方法，这样的过程。新的方法，然后应用到高频的金融数据，在那里我们调查的数量之间的关系的限制订单提交和删除的限制订单书。
2016-08-10 stat.ME
Graphical estimation of multivariate count time series
Indian Institute of Technology Bombay（印度理工学院孟买分校）
考虑计数数据的偏相关图和因果图的选择问题。一个参数驱动的广义线性模型被用来描述所观察到的多变量时间序列的计数。对应于该模型的部分相关性和因果关系图解释了多变量计数数据的每个时间序列之间的依赖性。为了估计这些图的可调稀疏性，一个适当的似然函数最大化正则化的l1型约束。提出了一种新的MCEM算法迭代求解该正则化极大似然估计。证明了所提出的L1型正则化MCEM算法产生的序列的渐近收敛性。该算法首先成功地测试模拟数据。此后，它被应用于观察每周登革热疾病计数从大孟买市的每个病房。各病区在疾病扩散中的相互依赖性由推断的偏相关图的边缘表征。另一方面，各种病房的登革热传播的源和汇的相对作用是量化的有向边缘起源于每个病房和事件的数量和权重。从这些估计的图表中可以观察到，一些特殊病房作为登革热传播的震中，即使它们的疾病计数相对较低。
2023-02-17 cs.LG stat.AP stat.ML
Multivariate Spatio-temporal Modelling for Completing Cancer Registries and Forecasting Incidence
Public University of Navarre（纳瓦拉公立大学）；Institute for Advanced Materials and Mathematics (INAMAT2)（先进材料与数学研究所）
本文提出多变量时空共享组件模型，用于在区域和国家层面预测癌症发病率，以解决数据不完整和时间不一致的问题。
2025-11-26 stat.AP stat.ME
Multivariate stochastic volatility modelling using Wishart autoregressive processes
提出了一种新的金融时间序列多元随机波动率估计方法。波动率精度协方差矩阵采用Wishart自回归过程，其估计采用两步法。第一步是对自回归参数的条件推断，第二步是基于Newton-Raphson迭代算法的无条件推断。所提出的方法，这主要是贝叶斯，是适合于中维数据，它的桥梁之间的差距封闭形式的估计和基于模拟的估计算法。一个由外汇汇率数据组成的例子说明了所提出的方法。
2013-11-03 q-fin.CP stat.ME
Multivariate Geometric Anisotropic Cox Processes
本文介绍了一种新的建模框架，多变量各向异性Cox过程。基于多元空间统计学的最新研究成果，提出了一类新的多元各向异性随机场，并由此构造了一类各向异性点过程，给出了模型成立的条件，并对有效点过程依赖性提供了进一步的理解.我们还提出了一个基于似然的推理机制，这种类型的过程。最后，我们通过分析巴罗科罗拉多岛研究中植物和树木的空间生态观测来说明所提出的建模框架的实用性。
2018-08-13 stat.ME
Conditionally specified graphical modeling of stationary multivariate time series
针对非高斯或混合型多元时间序列，本文提出CEStGM，用指数族条件分布和交互核编码过程级条件独立性，并建立Markov性质、几何混合性及近似Gibbs采样方法。
2025-08-28 math.ST stat.TH
Graphical Modeling of Spatial Health Data
关于高斯图形模型（GGM）的文献包含两个同样丰富和同样重要的研究工作和兴趣领域。第一个研究领域涉及图的确定问题。也就是说，底层图是未知的，需要从数据中推断出来。第二个研究领域主导了空间流行病学的应用。在该上下文中，GGM通常被称为高斯马尔可夫随机场（GMRF）。这里假设底层图是已知的：顶点对应于地理区域，而边与被认为是彼此邻居的区域相关联（例如，如果它们共享边界）。我们介绍了多路高斯图形模型，统一的统计方法来推断时空流行病学与一般GGM的文献。所提出的工作的新颖性包括增加的G-Wishart分布的大量收集的统计工具，用于模拟多变量面积数据。与描述地理的固定图形相反，在数据的其他维度上，存在与图形确定相关的固有不确定性。我们的一类新的空间流行病学方法允许同时使用GGM来表示已知的空间依赖关系并确定数据其他维度中的未知依赖关系。关键词：高斯图形模型、高斯马尔可夫随机场、时空多元模型
2014-11-24 stat.ME
An Efficient Approach to Graphical Modelling of Time Series
针对Matsuda提出的高维平稳高斯时间序列图模型后向选择算法计算成本过高的问题，本研究通过多重假设检验重构方法，将计算复杂度降低$O(p^2)$，检验功效不逊原方法且易并行加速。
2015-02-10 stat.AP stat.CO
On the number of signals in multivariate time series
我们假设一个二阶源分离模型，其中所观察到的多元时间序列是一个潜在的，时间上不相关的时间序列与一些成分纯白噪声的线性混合物。为了避免噪声的建模，我们使用一些标准的方法提取非噪声潜在成分，允许单独建模提取的单变量时间序列。一个重要的问题是确定哪些潜在成分在建模中是感兴趣的，哪些可以被认为是噪声。基于Bootstrap的方法最近已被用于确定潜在的尺寸在各种方法的无监督和监督的降维，我们提出了一套类似的估计策略，二阶平稳时间序列。仿真研究和一个声波的例子来说明该方法的有效性。
2018-01-14 stat.ME
Discrete Autoregressive Switching Processes with Cumulative Shrinkage Priors for Graphical Modeling of Time Series Data
针对多元时间序列的稀疏高斯图建模问题，提出结合隐藏离散自回归过程、图马蹄形先验和累积收缩先验的贝叶斯方法，可估计状态数与滞后数，经模拟验证性能，还能用于基于fMRI数据的动态脑连接估计。
2025-08-19 stat.ME
Modelling multivariate spatio-temporal data with identifiable variational autoencoders
针对时空盲源分离仅支持线性解混的问题，本文将可识别变分自编码器扩展至非线性非平稳场景，提出两种潜维度估计方法，经模拟和气象应用验证，可有效恢复潜成分并提升预测精度。
2024-11-01 stat.ME
Causal Reasoning in Graphical Time Series Models
University of Maastricht（马斯特里赫特大学）；University College London（伦敦大学学院）
我们提出了一个定义的因果关系的时间序列的影响，在一个多变量时间序列的一个组件上的另一个组件在稍后的时间点的干预。可识别性的条件，可比的后门和前门的标准，提出，也可以通过图形验证。因果效应的计算推导和说明的线性情况下。
2012-06-20 cs.AI stat.ME
Modelling multivariate ordinal time series using pairwise likelihood
Athens University of Economics and Business（雅典经济与商业大学）
本文提出利用Copula和条件配对似然建模多变量有序时间序列，通过独立最大化双变量模型并使用加权平均合成估计，展示了在不同样本量下的良好拟合效果和预测方法。
2026-02-13 stat.ME
A Parameter Estimation Method for Multivariate Aggregated Hawkes Processes
在用点过程对数据建模时，通常假设事件不能同时发生。这就产生了一个问题，因为真实世界的数据往往包含同步观测，这是由于记录能力的限制和存储大量精确数据的费用造成的聚合或舍入。为了更好地理解过程之间的关系，我们考虑使用多变量Hawkes过程对聚合事件数据进行建模，该过程提供了相互激励行为的描述，并在地震学和金融等领域得到了广泛的应用。在这里，我们概括现有的单变量聚合Hawkes过程的参数估计的方法，多变量的情况下，使用蒙特卡罗期望最大化（MC-EM）算法，并通过模拟研究表明，这个问题的替代方法可以严重偏差，与多变量MC-EM方法优于他们的MSE在所有考虑的情况下。
2021-08-27 stat.ME
A Spatial Autoregressive Graphical Model with Applications in Intercropping
本文融合多元空间自回归模型与高斯图模型，提出可刻画不同类别相邻位置间非对称空间效应的 SAGM，并通过贝叶斯模拟和间作数据验证其应用价值。
2024-04-09 stat.ME
Multiple Changepoint Estimation in High-Dimensional Gaussian Graphical Models
我们考虑了多元时间序列中同时识别变点和图形依赖结构的正则化估计的一致性。传统上，高斯图形模型（GGM）的估计是在i.i.d设置中执行的。最近，这种模型已经扩展到允许分布的变化，但只有在变点是已知的先验。在这项工作中，我们研究了组融合图形套索（GFGL），它用L1惩罚惩罚部分相关性，同时诱导块平滑随着时间的推移来检测多个变化点。我们提出了一个证明的一致性的估计，无论是在变点，在每个部分的图形模型的结构。
2017-12-15 math.ST stat.ME stat.TH
Neural graphical modelling in continuous-time: consistency guarantees and algorithms
University of Cambridge（剑桥大学）；Alan Turing Institute（艾伦·图灵研究所）；Columbia University（哥伦比亚大学）；GlaxoSmithKlein（葛兰素史克）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
从时间序列数据中发现结构是复杂系统研究领域的一个关键问题。大多数可识别性结果和学习算法都假设潜在的动态在时间上是离散的。相比之下，很少有明确定义在无限小的时间间隔内的依赖关系，独立于观察的规模和采样的规律性。在本文中，我们考虑基于分数的结构学习的动力系统的研究。我们证明了向量场参数化的一大类神经网络，最小二乘优化与自适应正则化计划一贯恢复有向图的随机微分方程系统中的局部独立性。利用这一见解，我们提出了一个基于惩罚神经常微分方程（建模的平均过程），我们证明是适用于不规则采样的多变量时间序列的一般设置，并在一系列的动态系统优于最先进的分数为基础的学习算法。
2022-02-03 cs.LG math.DS stat.ML
Bayesian forecasting of multivariate time series: Scalability, structure uncertainty and decisions
综述了多元时间序列贝叶斯状态空间建模的研究进展。一个主要的重点是解耦/重新耦合的概念，使应用程序的状态空间模型越来越大规模的数据，适用于连续或离散的时间序列的结果。其范围包括经济和金融等领域的预测和多元波动分析的大规模动态图形模型，商业销售和需求预测等领域的离散/计数时间序列预测的多尺度方法，以及互联网流量监控等领域的动态网络流量模型。在应用中，明确的预测，监测和决策目标是至关重要的，并应考虑到模型评估和比较，这是一个突出的观点。
2019-12-11 eess.SP math.DS stat.AP
Temporal Point Process Graphical Models
许多现实世界的对象可以被建模为图的节点上的事件流。在本文中，我们提出了一类图形事件模型称为时间点过程图形模型表示的时间依赖性的不同组成部分的多变量点过程。在我们的模型中，事件流的强度可以以非线性的方式依赖于历史事件。我们提供了一个程序，使我们能够估计模型中的参数与凸损失函数在高维设置。对于在实现过程中引入的近似误差，我们也建立了我们的估计的误差界。我们证明了我们的方法与广泛的模拟和穗训练数据集的性能。
2021-10-22 math.ST stat.ME stat.TH
Statistical Downscaling of Model Projections with Multivariate Basis Graphical Lasso
我们描述了一种改进的统计降尺度方法，地球科学应用使用多元基图形套索（BGL）。我们证明了我们的方法使用的海洋表面温度（SST）预测CMIP 6地球系统模型，这有直接的应用程序的珊瑚礁漂白的几十年预测研究的案例研究。我们发现，BGL降尺度方法是计算上易于处理的大数据集，和均方预测误差约为8%，低于目前最先进的基于插值的统计降尺度方法。最后，不像大多数目前可用的方法，BGL降尺度产生不确定性估计。我们的新方法可以适用于任何模型输出变量，相应的高分辨率观测数据。
2022-01-31 stat.AP stat.ME
Correlation between Multivariate Datasets, from Inter-Graph Distance computed using Graphical Models Learnt With Uncertainties
我们提出了一种多变量数据集的相关矩阵和图形模型的同时贝叶斯学习方法，以及每个数据集的不确定性，以随后计算一对数据集的学习图形模型之间的距离，使用一个新的度量，该度量近似于给定相应数据集的图形模型的后验概率之间的不确定性归一化Hellinger距离;然后计算该对数据集之间的相关性作为相应的相似性度量。我们实现了一个封闭形式的列间相关矩阵的似然边缘化的行间矩阵。在给定数据的情况下，首先更新该列间相关性，然后在给定在给定更新的相关性的情况下计算的部分相关性矩阵的情况下更新图形，从而允许学习数据的相关性矩阵和图形模型的95个$\%$最高概率密度可信区域。通过确认测量噪声，对学习的图形模型进行了区分，在一个小的模拟数据集上进行了演示，而大型人类疾病-症状网络-具有$>8,000$节点-使用真实数据进行学习。葡萄牙红葡萄酒和白葡萄酒样品的葡萄酒化学属性的数据学习与每个数据集的不确定性图形模型，随后，这些学习的图形模型之间的距离。
2018-11-06 stat.AP stat.ME
Graph-constrained Analysis for Multivariate Functional Data
本文研究已知图约束下的多元函数型数据分析，建立部分可分离函数型高斯图模型与图高斯过程的等价性，提出基于 Dempster 协方差选择的估计算法并改进边缘分布保留能力，通过实验和脑影像应用验证其有效性。
2024-10-01 stat.AP stat.ME
Graphical Gaussian Process Models for Highly Multivariate Spatial Data
对于多变量空间高斯过程（GP）模型，互协方差函数的常规规范没有利用相关变量间图来确保变量之间的过程级条件独立性。这是不期望的，特别是对于高度多变量的设置，其中流行的交叉协方差函数（诸如多变量Matérn）遭受“维数灾难”，因为参数的数量和浮点运算在变量的数量中分别以二次和三次顺序按比例增加。我们提出了一类多变量的“图形高斯过程”，使用一种称为“拼接”的一般结构，从图形中提取交叉协方差函数，并确保变量之间的过程级条件独立性。对于Matérn函数族，拼接产生多变量GP，其单变量分量是Matérn GP，并且符合由图形模型指定的过程级条件独立性。对于高度多变量设置和可分解的图形模型，拼接提供了大量的计算增益和参数降维。我们展示了图形Matérn GP的实用性，以联合建模高度多元的空间数据，使用模拟的例子和应用程序的空气污染建模。
2021-11-18 stat.ME
Graphical models for nonstationary time series
我们提出了NonStGM，一个通用的非参数图形建模框架，用于研究非平稳多元时间序列的组成部分之间的动态关联。它建立在高斯图模型（GGM）和平稳时间序列高斯图模型（StGM）的框架上，并补充了现有的基于变点向量自回归（VAR）的参数图模型的工作。类似于StGM，所提出的框架捕获条件的非相关性（跨期和同期）的形式的无向图。此外，为了描述时间序列的组件之间的更细微的非平稳关系，我们引入了新的概念，条件非平稳性/平稳性，并将其纳入图形架构。这使得人们能够区分系统组件之间的直接和间接非平稳关系，并可用于搜索作为大型系统中非平稳性的“源”的小型子网。条件非相关性和非平稳性/平稳性这两个概念共同提供了对时间序列的依赖结构的简洁描述。
2022-03-20 math.ST stat.TH
Estimating a graphical intra-class correlation coefficient (GICC) using multivariate probit-linear mixed models
数据再现性是所有科学实验中的关键问题。在这篇手稿中，我们考虑的问题量化的图形测量的再现性。本文推广了图像类内相关系数（I2C2）的概念，提出了图形类内相关系数（GICC）的概念。GICC的概念基于多元概率线性混合效应模型。我们将提出一个马尔可夫链EM（MCEM）算法估计的GICC。不同设置的模拟结果进行了演示，我们的方法被应用到KIRBY21重测数据集。
2013-11-19 stat.ME
Multivariate Counterfactual Systems And Causal Graphical Models
在朱迪亚珍珠的许多贡献因果关系和统计，图形d-分离}标准，做演算和调解公式脱颖而出。在本章中，我们将证明d-分离}可以直接洞察最初根据潜在结果和事件树描述的早期因果模型。反过来，由此产生的合成导致简化的做演算，澄清和分离的基本概念，和一个简单的反事实制定的因果模型中的一个完整的识别算法与隐藏变量。
2021-08-28 stat.ME
Bayesian Graphical Models for Multivariate Functional Data
图形模型表达变量之间的条件独立关系。虽然矢量值数据的方法已经很成熟，但函数数据图形模型仍然不发达。我们引入了随机函数之间的条件独立性的概念，并构建了一个框架，贝叶斯推断的无向，可分解的图在多元函数数据的背景下。这个框架是基于扩展马尔可夫分布和超马尔可夫定律从随机变量随机过程，提供了一个原则性的替代天真的应用程序的多元方法离散化的功能数据。马尔可夫性便于根据图的分解来组合似然和先验。我们的重点是使用正交基展开的高斯过程图形模型。我们提出了基展开的无穷系数序列的协方差核的超逆Wishart-process先验，证明了其存在性、唯一性、强超马尔可夫性和共轭性.随机搜索马尔可夫链蒙特卡罗算法的后验推理，通过模拟评估，并应用于大脑活动和酗酒的研究。
2016-01-05 stat.ME
Bayesian inference for general Gaussian graphical models with application to multivariate lattice data
我们介绍了有效的马尔可夫链蒙特卡罗方法的推断和模型确定的多元和矩阵变量高斯图形模型。我们的框架是基于G-Wishart先验的精度矩阵与图，可以是可分解或不可分解的。我们扩展我们的抽样算法，一类新的条件自回归模型的稀疏估计在多元格数据，特别强调空间数据的分析。这些模型在估计跨结果的相关性结构和空间相关性结构方面具有很大的灵活性，从而允许自适应平滑和空间自相关参数。我们的方法使用模拟和现实世界的例子，包括癌症死亡率监测的应用程序进行说明。
2010-05-21 stat.ME
Graphical Principal Component Analysis of Multivariate Functional Time Series
School of Mathematics, Sun Yat-sen University（中山大学数学学院）；Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学统计学院，应用统计中心）
本文提出了一种用于多变量函数时间序列的图示主成分分析方法，通过动态弱分离性来表征双向依赖结构，并用于从受污染数据中重建信号。
2026-01-26 stat.ME
Robust graphical lasso based on multivariate Winsorization
我们提出了使用一个强大的协方差估计的基础上多变量Winsorization的背景下，塔尔-穆勒-韦伯框架稀疏估计的精度矩阵的高斯图形模型。同样Croux-Ollerer的精度矩阵估计，我们提出的估计达到最大有限样本崩溃点0.5下细胞污染。我们进行了广泛的蒙特卡罗模拟研究，以评估我们的性能和目前现有的建议。我们发现我们的算法在精度矩阵的估计和图的恢复方面具有竞争性。我们证明了所提出的方法在乳腺癌数据的实际应用中的实用性。
2022-01-10 stat.ME
Partial Separability and Functional Graphical Models for Multivariate Gaussian Processes
多元函数数据的协方差结构可能非常复杂，特别是如果多元维度很大，这使得将标准多元数据的统计方法扩展到函数数据设置具有挑战性。例如，高斯图形模型最近已被扩展到设置多元函数数据，通过应用多元方法截断基展开的系数。然而，与多变量数据相比，一个关键的困难是协方差算子是紧凑的，因此不可逆。在本文中的方法解决了一般问题的协方差建模的多元函数数据，特别是功能高斯图形模型。作为第一步，提出了一个新的概念的多元函数数据的协方差算子的可分性，称为部分可分性，导致一个新的Karhunen-Loève型扩展这样的数据。接下来，部分可分性结构被证明是特别有用的，以提供一个定义良好的功能高斯图形模型，可以确定与一系列的有限维图形模型，每个相同的固定尺寸。这促使一个简单而有效的估计程序，通过联合图形套索的应用。通过模拟和分析运动任务期间的功能性大脑连接来评估图形模型估计方法的经验性能。通过模拟和分析运动任务期间的功能性大脑连接来评估用于图形模型估计的方法的经验性能。
2022-01-04 math.ST stat.ME stat.ML
Bayesian forecasting and scalable multivariate volatility analysis using simultaneous graphical dynamic models
最近推出的一类同步图形动态线性模型（SGDLM）定义了一种能力，规模在线贝叶斯分析和预测更高的维度时间序列。本文提出了SGDLM的方法，开发和嵌入一种新的，自适应的方法，同时预测器选择在线学习和预测的前向滤波。这些进展包括贝叶斯计算的可扩展性的发展，并在探索由此产生的潜力，改善短期预测的大规模波动矩阵的案例研究。一个案例研究涉及财务预测和投资组合优化与400维系列的每日股票价格。分析表明，SGDLM能够很好地预测波动率和共同波动率，使其非常适合为量化投资策略做出贡献，以提高投资组合回报。我们还确定了与序贯贝叶斯过滤分析相关的绩效指标，这些指标定义了金融市场压力增加的领先指标，与标准的圣路易斯联邦储备银行金融压力指数（STLFSI）指标相当，但领先。使用GPU实现的并行计算大大提高了拟合和使用这些模型的能力。
2016-06-27 stat.AP stat.ME
Peaks over thresholds modelling with multivariate generalized Pareto distributions
在评估极端事件的影响时，重要的往往不仅仅是一个单一的组成部分，而是几个组成部分的综合表现。多元广义帕累托（GP）分布的统计建模构成了单变量峰值阈值模型的多元模拟，广泛应用于金融和工程领域。我们开发了一般的方法来构建多元GP分布，并使用它们来创建各种新的统计模型。提出了一个删失似然过程，使这些模型的推断，连同阈值选择过程，拟合优度诊断，和计算上易于处理的策略模型选择。该模型拟合的股票价格回报的四个英国的银行和降雨数据的滑坡风险估计的背景下。补充材料和代码可在网上查阅。
2018-02-06 stat.AP stat.ME
Multivariate Generalized Gaussian Distribution: Convexity and Graphical Models
本文研究了多元广义高斯分布（MGGD）和椭圆对称分布（ES）下的协方差估计。与此问题相关的极大似然优化是非凸的，但它已被证明，其全局解往往可以通过简单的不动点迭代计算。我们的第一个贡献是一个新的分析这种可能性的基础上测地凸，需要较弱的假设。我们的第二个贡献是稀疏约束下的结构协方差估计的广义框架。我们表明，只要MGGD形状参数大于一半，稀疏模式是弦，优化可以制定为凸最小化。这些包括，例如，极大似然估计的带状逆协方差在多变量拉普拉斯分布，这是与时变自回归过程。
2013-09-01 stat.ME
Gaussian Graphical Models for Partially Observed Multivariate Functional Data
University of Florence（佛罗伦萨大学）；University of Palermo（巴勒莫大学）；University of Trento（特伦托大学）
研究部分观测的多元函数数据，在高斯性等假设下，开发期望最大化（EM）型算法对函数图形模型进行惩罚推断，模拟研究和ESG数据说明展示了该方法的潜力。
2026-07-20 stat.ME
Multivariate Generalised Linear Mixed Models With Graphical Latent Covariance Structure
本文介绍了一种研究多元广义线性混合模型（MGLMM）模拟的一系列响应的相关结构的方法。该方法需要存在的集群的观察和研究的几个响应中的每一个建模使用广义线性混合模型（GLMM）包含随机组件代表集群。我们构造一个MGLMM假设的分布的每个随机组成部分代表的集群是边缘分布的（足够规则的）多变量椭圆轮廓分布。我们使用一个无向图模型来表示随机分量的相关性结构，这些随机分量表示每个响应的观测聚类。这种表示使我们能够得出关于与观测聚类相关的未知潜在决定因素的结论。使用无向图和有向无环图（DAG）的组合，我们共同表示的响应和相关的随机组件的相关结构。应用图形模型的理论，使我们能够描述和得出结论的相关性，在某些情况下，不同的统计性质（\eg以下不同的分布，不同的线性预测和链接函数）的响应之间的依赖性。我们提出了一些模拟研究，说明所提出的方法。
2021-07-30 stat.ME
Graphical Models for Multivariate Count Data
Warsaw University of Technology（华沙理工大学）
该研究在现有图形多项、负二项模型基础上补充超几何、负超几何分布，构建多元计数数据的图形建模统一参数框架，开发贝叶斯层级并结合里德伯原子数据验证其应用潜力。
2026-08-13 math.PR math.ST stat.ME
Modeling massive highly-multivariate nonstationary spatial data with the basis graphical lasso
Rutgers University（罗格斯大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）；Colorado School of Mines（科罗拉多矿业学院）
本文提出基图拉斯索框架，将多尺度基函数与高斯图模型结合，以线性复杂度对高维非平稳空间过程建模，并在含40个空间过程的大型气候集合上验证了方法。
2021-06-09 cs.LG stat.ME stat.ML
An utopic adventure in the modelling of conditional univariate and multivariate extremes
HEC Montréal（HEC蒙特利尔）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文针对条件单变量和多变量极值建模中的四个挑战，提出新的交叉验证方法、验证指标及联合超出行概率公式，探讨模型验证与自定义估计策略。
2023-12-21 stat.AP stat.ME
Graphical models for multivariate extremes
本文综述极值图模型的基本概念与最新进展，统一了指数测度视角，涵盖非参数与Hüsler--Reiss模型，并应用于美国机场航班延误数据分析。
2024-02-03 math.ST stat.ME stat.TH
A Fused Latent and Graphical Model for Multivariate Binary Data
我们考虑分析多元二进制数据的建模，推理和计算。我们提出了一个新的模型，由一个低维的潜变量组件和稀疏的图形组件。我们的研究是出于对认知评估中的项目反应数据的分析，并已应用到许多学科的项目反应数据收集。认知评估中项目反应数据的标准方法采用多维项目反应理论（IRT）模型。然而，人类认知通常是一个复杂的过程，因此可能无法通过几个因素充分描述。因此，一个低维的潜在因素模型，如多维IRT模型，往往不足以捕捉数据的结构。该模型增加了一个稀疏的图形组件，捕捉剩余的特设依赖。当图形成分退化时，它简化为一个多维IRT模型。通过构造一个伪似然函数和适当选择惩罚项，同时进行模型选择和参数估计。伪似然函数的凸性使我们能够开发出一种有效的算法，而惩罚项生成一个低维的潜在成分和稀疏的图形结构。在适当的正则条件下建立了理想的理论性质。该方法适用于修订后的艾森克人格问卷，揭示其有用的项目分析。仿真结果表明，该方法在实际应用中效果良好。
2016-06-29 stat.ME
Graphical Models and Efficient Inference Methods for Multivariate Phase Probability Distributions
本文提出一个基于成对指数族分布的概率建模框架，结合Chow-Liu算法和interaction screening等高效推断方法，解决了复杂系统中多元相位关系的统计假设检验与推断难题，为探索类波现象等系统的复杂时空动力学提供了新范式。
2025-05-30 cs.IT math.IT math.ST
Sparse Graphical Modelling via the Sorted L$_1$-Norm
稀疏图建模在各个学术领域都得到了广泛的关注。我们提出了两种新的图形模型方法，Gslope和Tslope，通过惩罚其排序L1范数，并分别依赖于高斯和T-student数据，提供精度矩阵的稀疏估计。我们提供的调谐参数的选择，可证明控制的概率，包括不相交的图形组件之间的错误边缘和经验控制块对角协方差阵的错误发现率。在广泛的模拟和现实世界的分析，新方法相比，其他国家的最先进的稀疏图形建模方法。研究结果表明，Gslope和Tslope是稀疏网络估计的两个新的有效工具，在处理高斯，t-student和混合数据时。
2023-03-31 stat.ME
General Effect Modelling (GEM) -- Part 2. Multivariate GEM applied to gene expression data of type 2 diabetes detects information that is lost by univariate validation
本文将General Effect Modelling（GEM）用于2型糖尿病基因表达数据，合并两个队列并开展跨队列多变量效应分析，证明其可发现单变量验证遗漏的信息。
2024-04-03 stat.AP stat.ME
Elliptical graphical modelling
我们提出了基于条件不相关性的椭圆图模型作为高斯图模型的推广，通过使总体分布是椭圆而不是正态分布，允许拟合具有任意重尾的数据。我们研究了一类比例仿射同变散布估计，并展示了它们如何用于执行椭圆图形建模，从而产生一类新的偏相关估计和经典偏差检验的类似物。本文给出了无约束和可分解模型下偏方差估计的渐近方差的一般表达式，并证明了伪偏差检验统计量的渐近卡方逼近。我们的方法的可行性证明了模拟研究，使用，除其他外，泰勒的散射估计，这是分布内的椭圆模型。我们的方法提供了高斯图形建模的鲁棒性。后者是基于似然性的，并且已知对模型错误指定和离群观测非常敏感。
2015-06-13 stat.ME
Graphical model-based clustering of categorical data
Università degli Studi di Milano-Bicocca（米兰比可卡大学）；Università Cattolica del Sacro Cuore（天主教撒克心大学）
本文提出了一种基于图形模型的分类数据聚类方法，通过狄利克雷过程混合模型捕捉变量间的依赖结构，提升聚类效果。
2026-01-21 stat.ME
A graphical framework for interpretable correlation matrix models
本文提出一种构建具有用户自定义图结构相关矩阵模型的新方法，结合 Penalized Complexity 框架定义先验，避免参数二次增长并提升可解释性，通过多元回归、疾病制图和纵向联合建模三个应用验证了方法的有效性。
2025-04-01 stat.ME
Parametric Modelling of Multivariate Count Data Using Probabilistic Graphical Models
CIRAD（法国农业研究与国际合作组织）；Inria（法国国家信息与自动化研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Laboratoire Jean Kuntzmann（让·库茨曼实验室）
多变量计数数据定义为从总体内的抽样中发布的不同类别的项目的数量，其中个体被分组到类别中。多变量计数数据的分析是许多建模问题中经常出现的关键问题，特别是在生物学和生态学（其中数据可以表示与多类型分支过程相关的儿童计数），社会学和计量经济学领域。我们专注于I）识别同时出现的类别，或者相反，相互排斥的类别。这是通过以下方式实现的：识别变量之间的条件独立关系; II）构建与这些关系一致的简约参数模型; III）表征和检验协变量对计数的联合分布的影响。为了实现这些目标，我们提出了一种基于图形概率模型的方法，更具体地说，部分有向无环图。
2013-12-16 cs.LG stat.ME stat.ML
Multivariate Hierarchical Frameworks for Modelling Delayed Reporting in Count Data
在许多领域和应用中，计数数据可能会延迟报告。这就是总数，如在一周内感染的疾病病例数，可能无法立即获得，而是随着时间的推移分批到达。对于短期决策，统计挑战在于基于任何观察到的部分计数预测总计数，以及对不确定性的稳健量化。在这篇文章中，我们讨论了以前的方法来建模延迟报告，并提出了一个多变量的分层框架，计数生成过程和延迟机制同时建模。与其他方法不同的是，该框架还可以很容易地进行调整，以考虑到在最终观察计数中存在报告不足的情况。为了将我们的方法与现有的框架进行比较，我们扩展了其中一个框架，以潜在地提高预测性能，我们提出了一个里约热内卢登革热病例报告的案例研究。基于样本内和样本外的后验预测模型检查和参数的可解释性，适应性和计算效率，我们讨论了每个建模框架的优点和缺点。
2019-04-06 stat.AP stat.ME
Modelling Correlation Matrices in Multivariate Dyadic Data: Latent Variable Models for Intergenerational Exchanges of Family Support
我们定义了一个多个连续潜变量的联合分布模型，其中包括一个模型，它们的相关性如何依赖于解释变量。这是出于分析家庭内代际帮助和支持的社会科学研究问题的动机，并应用于这些问题，其中相关性描述了代际之间的相互帮助和不同类型帮助的互补性。我们提出了一个MCMC程序估计的模型，保持了正定性的隐含的相关矩阵，并描述了理论结果，证明这种方法，并促进有效的实施it.The模型应用于英国家庭纵向研究的数据分析交流的实际和财政支持的成年人和他们的非共同居住的父母。
2022-10-26 stat.AP stat.ME
