A new class of copula regression models for modelling multivariate heavy-tailed data
引入了一类新的Copula函数，称为MGL Copula函数类。新的copula来源于提取多元广义log-Moyal-Γ分布的依赖函数，其边缘遵循\citet{li2019jan}中引入的单变量广义log-Moyal-gamma（GLMGA）分布。MGL Copula可以捕获边缘坐标之间的非椭圆、可交换和非对称依赖关系，并为回归应用提供了一个简单的公式。讨论了MGL copula的概率特征，得到了相应的极值copula，称为MGL-EV copula。虽然生存MGL Copula也可以被视为一个特殊的情况下，从\citet{yang2011generalized}的MGB 2 Copula，我们表明，该模型是有效的依赖结构的回归建模。接下来的模拟研究，我们提出了两个应用程序说明所提出的模型的有用性。这个方法也可以在一个用户友好的R包中实现：\texttt{rMGLReg}。
2021-08-20 stat.ME
Gradient-Boosted Generalized Linear Models for Conditional Vine Copulas
针对条件藤Copula的参数估计问题，提出结合梯度提升与广义线性模型的方法，通过关联协变量与Kendall's τ实现参数估计与协变量选择，经模拟和天气预报后处理实验验证性能优于基准，并提供对应R包。
2024-06-19 stat.AP stat.ME
A Skew-Normal Copula-Driven GLMM
提出了一种拟合Copula驱动的广义线性混合模型的方法。为了增加灵活性，采用斜态Copula进行拟合。偏态Copula的相关矩阵用于捕获单位内的依赖结构，而固定和随机效应系数通过Copula的平均值来估计。对于估计，蒙特卡罗期望最大化算法的开发。模拟显示旁边的一个真实数据的例子，从心脏研究。
2017-07-29 stat.ME
Probabilistic Rainfall Downscaling: Joint Generalized Neural Models with Censored Spatial Gaussian Copula
本研究提出一种结合联合广义神经模型与截断空间高斯Copula的概率性降雨降尺度方法，生成具有时空依赖的条件概率预报，并在英国大型数据集上验证其优于现有方法。
2025-03-28 stat.ME
Bayesian Multivariate Nonlinear State Space Copula Models
在本文中，我们提出了一个灵活的多变量非线性非高斯状态空间模型，基于copula。更准确地说，我们假设观测方程和状态方程由不一定相等的copula族定义。对于每个时间点，所得到的模型可以通过在第一棵树之后截断的C-vine copula来描述，其中根节点由潜在状态表示。在贝叶斯框架内进行推断，使用哈密顿蒙特卡罗方法，其中在第一棵树之后截断的另一个D-藤被用作先验分布以捕获潜在状态中的时间依赖性。仿真研究表明，所提出的基于Copula的方法是非常灵活的，因为它能够描述广泛的依赖结构，并在同一时间，允许我们处理缺失数据。大气污染物测量数据的应用表明，我们的方法是适合于准确的建模和预测的数据动态缺失值的存在。比较高斯线性状态空间模型和贝叶斯加性回归树显示了该模型的预测精度方面的优越性能。
2019-11-01 stat.ME
Bayesian inference for generalized extreme value distribution with Gaussian copula dependence
依赖广义极值（dGEV）模型因其在实际数据中经常出现的依赖结构而受到广泛关注。为了构建dGEV模型，一种自然的方法是假设模型中的一些参数是时变的。以前的研究表明，一个依赖的Gumbel过程可以自然地纳入GEV模型。该模型是一个非线性状态空间模型，其隐状态遵循马尔可夫过程，其新息遵循Gumbel分布。可以使用贝叶斯方法对模型进行推断，从用于近似Gumbel分布的混合正态分布中对隐藏过程进行采样。因此，响应遵循近似GEV模型。我们提出了一个新的模型，其中每个边缘分布是一个精确的GEV分布。我们使用一个变量变换结合边际CDF的Gumbel分布与标准的正常Copula。然后，我们的模型是一个非线性状态空间模型，其中隐藏的状态方程是高斯。我们使用贝叶斯方法分析该模型，并使用粒子吉布斯祖先采样（PGAS）的状态向量的元素进行采样。PGAS算法在求解非线性状态空间模型方面是非常有效的。我们还表明，我们的模型是灵活的，足以纳入季节性。
2017-03-02 stat.ME
Boosting Distributional Copula Regression
捕获结果变量之间的复杂依赖结构（例如，研究终点）在当代生物医学数据问题和医学研究中具有高度相关性。分布copula回归提供了一个灵活的工具来模拟多个结果变量的联合分布，通过解开边际响应分布和它们的依赖结构。在回归设置中，copula模型的每个参数，即边缘分布参数和copula依赖参数，可以通过结构化的加性预测因子与协变量相关。我们提出了一个框架，以适应分布copula回归模型，通过基于模型的提升算法。基于模型的提升是一种现代估计技术，它结合了有用的功能，如内在变量选择机制，参数收缩和在高维数据设置中拟合回归模型的能力，即协变量比观测值更多的情况。因此，基于模型的提升不仅补充了现有的贝叶斯和基于最大似然的估计框架，而且还实现了独特的内在机制，这些机制可以在许多应用问题中有所帮助。在模拟研究中评估了我们的提升算法在具有连续利润率的copula回归模型的背景下的性能，该模拟研究涵盖了低维和高维数据设置以及响应之间存在或不存在依赖关系的情况。此外，分布copula助推用于联合分析和预测的长度和新生儿的体重条件下，超声测量的胎儿分娩前连同其他临床变量。
2022-02-25 stat.ME
A Flexible Quasi-Copula Distribution for Statistical Modeling
针对分组数据参数估计的挑战，基于 Tonda 工作推导出一类新的概率密度函数，支持显式计算矩、边际与条件分布及最大似然估计所需信息，并在 UK-Biobank 三变量全基因组关联分析中验证了其灵活性与计算可扩展性。
2024-10-14 stat.ME
Discrete Responses in Bivariate Generalized Additive Models
介绍了一个分析惩罚多元广义线性模型中二分和有序多分响应的概念框架。建议的结构允许一个相当灵活的预测规范，通过包括非参数和空间协变量的影响，和随机模型组件的分布与copulae的单变量边际的特征。还提供了一个二元系统的二分结果的高斯边缘的特定情况下的分析推导，并随后说明了该框架通过估计艾滋病毒在赞比亚的流行率使用2007年人口与健康调查数据集。
2015-08-06 stat.ME
Truly Multivariate Structured Additive Distributional Regression
针对真正多元响应的分布回归挑战，提出基于高斯copula的多元分布模型，保留GAMLSS灵活性，通过贝叶斯收缩先验估计，在模拟及真实数据集上验证竞争力并补充现有模型。
2024-11-11 stat.ME
Boosting Distributional Copula Regression for Bivariate Binary, Discrete and Mixed Responses
本文提出面向任意边际分布的二元分布型 copula 回归统计提升框架，通过逐分量梯度提升联合建模边际与 copula 参数，并在多类生物医学数据中验证。
2024-03-04 stat.ME
Conditional Copula Models for Right-Censored Clustered Event Time Data
本文提出了一种建模策略来推断协变量对右删失聚类事件时间数据的依赖结构的影响。联合生存函数的事件时间建模使用参数条件Copula，其参数依赖于一个集群级协变量的功能。我们使用局部似然方法来估计Copula参数的形式，并概述了广义似然比型测试策略，正式测试其恒常性。采用引导程序来获得测试的近似$p$值。所提出的估计和测试方法的性能进行评估，在模拟下不同的右删失率和各种参数copula家庭，考虑参数和非参数估计的利润。我们将这些方法应用于糖尿病视网膜病变研究的数据，以评估发病年龄对视力丧失的影响。
2016-06-04 stat.ME
Estimating Copula and Test of Independence based on a generalized framework of all rank-based Statistics in Bivariate Sample
Copula是完全捕捉随机变量之间的依赖结构的数学对象，因此，在构建多变量随机模型时提供了很大的灵活性。在统计学中，Copula是一种用公式表示多元分布的通用方法，可以表示各种一般类型的依赖关系。在二元样本的情况下，估计Copula的概念与检验二元样本的独立性密切相关，因为当二元样本的分量独立时，Copula就变成了两个均匀分布的简单乘积。因此，除了Copula的非参数估计，我们还认为引入一些非参数检验以更好地理解Copula在解释成分之间的关联时的本质是相关的。事实上，我们将开发一个通用的多变量统计，从而产生一个更大的类的非参数秩为基础的统计。这类统计量可用于估计和检验双变量样本中存在的关联。我们选择了一些有代表性的统计数据，并比较了他们的权力，在测试独立性，使用模拟作为尝试，选择最好的候选人在该类中。
2013-09-28 math.ST stat.ME stat.TH
Probabilistic Crop Yields Forecasts With Spatio-Temporal Conditional Copula Using Extreme Weather Covariates
本文提出一种结合贝叶斯结构时间序列与时变条件Copula的作物产量预测模型，利用动态广义极值模型刻画极端天气影响，并改进聚类算法实现大规模应用。
2025-03-28 stat.ME
Boosting with copula-based components
本文提出基于 copula 成分的加性 boosting 模型，用于二值结果预测，无需离散化连续协变量即可捕捉复杂交互效应，并提供 R 包 copulaboost，实验表明其预测性能优于或可比其他方法。
2024-10-19 stat.AP stat.CO stat.ME
Beyond unidimensional poverty analysis using distributional copula models for mixed ordered-continuous outcomes
贫穷是一个多层面的概念，通常包括金钱结果和其他福利方面，如教育、主观幸福感或健康，按顺序衡量。在应用研究中，普遍通过在单变量回归模型中独立研究每个贫困层面或将几个贫困层面合并为一个标量指数来评估多层面贫困。这妨碍了对贫穷各层面之间可能存在的不同相互依存关系进行透彻分析。我们提出了一个多变量的copula广义可加模型的位置，规模和形状（copula GAMLSS或分布copula模型），以应对这一挑战。通过将Copula参数与协变量联系起来，我们具体研究了某些因素是否决定了贫困维度之间的依赖关系。此外，指定完整的条件双变量分布，使我们能够从一个模型中为不同的个人连贯地获得几个特征，如贫困风险和依赖措施。我们通过研究两个重要的贫困维度：收入和教育来展示这种方法。由于教育水平是衡量有序规模，而收入是连续的，我们扩展的二元Copula的情况下，混合有序连续的结果。新的模型被集成到GJRM包在R和适用于从印度尼西亚的数据。特别强调的是收入-教育依赖性的空间变化和在教育和收入两个方面同时处于贫困风险的个人群体。
2020-09-08 stat.AP stat.ME
A Copula Model for Non-Gaussian Multivariate Spatial Data
本文提出了一种新的多变量复制空间数据的copula模型。与传统的模型，假设多元正态性的数据，建议copula是基于这样的假设，即存在一些因素，影响联合空间依赖的所有测量的每个变量，以及这些变量之间的联合依赖。该模型是参数化的交叉协方差函数，可以从文献中提出的许多模型中选择。此外，在模型中存在附加因子，其允许对在不同位置处测量的每个变量和不同变量的尾部依赖性和反射不对称性进行建模。因此，所提出的方法可以被看作是一个扩展的线性模型coregionalization广泛用于多变量空间数据建模。该模型的似然可以以简单的形式获得，因此似然估计相当快。该模型不限于数据位置的集合，并且使用估计的copula，空间数据可以在变量值未知的位置处插值。我们将该模型应用于温度和压力数据，并将其性能与多变量地质统计学的流行模型的性能进行比较。
2018-10-10 stat.AP stat.ME
Boosting Distributional Copula Regression for Bivariate Right-Censored Time-to-Event Data
提出一种用于右删失双变量事件时间数据的分布copula回归模型，通过梯度boosting实现自动变量选择，适用于高维数据。
2024-12-20 stat.ME
Inference for generalized additive mixed models via penalized marginal likelihood
针对广义加性混合模型中拉普拉斯近似在平滑参数估计上精度不足的问题，提出一种基于惩罚边际似然的新估计策略，以获得具有正确统计性质的估计。
2025-04-14 stat.ME
Doubly-nonparametric generalized additive models
对流行的广义可加模型框架进行了扩展，使均值曲线和响应分布都是非参数的。该方法被证明是一个灵活而简约的数据分析工具，在其本身的权利，以及作为一个有用的工具，在经典的广义可加模型框架的模型选择和诊断。通过各种模拟设置和方法的两个数据分析的例子来说明该方法的样本性能进行检查。
2017-09-15 stat.ME
Copula-based Semiparametric Regression Method for Bivariate Data under General Interval Censoring
这项研究的动机是发现和支持双侧眼病进展的遗传原因，黄斑相关性黄斑变性（AMD），其主要结局（进展至晚期AMD的时间）是双变量的，并且由于间歇性评估时间而间隔删失。本文提出了一类新的基于Copula函数的一般区间删失双变量数据的半参数变换模型，包括区间删失情形1（当前状态数据）和区间删失情形2.具体地说，联合似然建模通过两个参数阿基米德copula，它可以灵活地表征在两个尾部的两个边缘之间的依赖性。边缘分布是通过半参数转换模型使用筛子，与比例风险或赔率模型是一个特殊的情况。我们开发了一个计算效率高的筛极大似然估计程序的未知参数，以及一个广义得分测试的回归参数（S）。对于有限维参数的筛估计，我们建立了它们的渐近正态性和有效性。进行了大量的模拟，以评估所提出的方法在有限样本的性能。最后，我们将我们的方法应用于使用AMD相关眼病研究（AREDS）数据的AMD进展的全基因组分析，以成功识别与疾病进展相关的新风险变体。我们还为具有不同遗传特征的患者预测了联合和条件性无进展概率。
2019-08-20 stat.ME
A vine copula mixed effect model for trivariate meta-analysis of diagnostic test accuracy studies accounting for disease prevalence
最近提出了一种双变量Copula混合模型来综合诊断测试精度的研究，并已被证明在这方面优于标准的广义线性混合模型（GLMM）。在这里，我们称之为三变量vine copula，通过解释疾病患病率来扩展诊断测试准确性研究的双变量荟萃分析。我们的葡萄树copula混合模型包括三变量GLMM作为一个特殊的情况下，也可以操作的灵敏度，特异性和疾病患病率的原始规模。我们的一般方法是通过重新分析两个已发表的荟萃分析的数据来说明。我们的研究表明，可以有一个改进的三变量GLMM在适合的数据，并提出了论点，移动到藤copula随机效应模型，特别是因为他们的丰富性，包括反射不对称的尾部依赖，和计算的可行性，尽管他们的三维。
2015-06-12 stat.AP stat.ME
Ultra high dimensional generalized additive model: Unified Theory and Methods
广义可加模型是一种功能强大的统计学习和预测建模工具，已得到广泛的应用。在处理高吞吐量数据（如遗传数据分析）的背景下，对高维加法建模的需求是突出的。本文研究了超高维广义可加模型的两步选择和估计方法。第一步在函数的扩展基础上应用group lasso。这很有可能选择所有非零函数，而不会有太多的过度选择。第二步使用自适应组套索与任何初始估计，包括组套索估计，满足一些常规条件。自适应组套索估计被证明是选择一致的改进的收敛速度。本文还讨论了调整参数的选择，并证明了在GIC过程中，调整参数的选择是一致的。理论性质得到了广泛的数值研究的支持。
2020-08-15 stat.ME
Spatiotemporally Consistent Multivariate Bias Correction for Climate Projections via Nested Vine Copulas
University of Lausanne（洛桑大学）；University of Applied Sciences and Arts Western Switzerland (HES-SO)（瑞士西部应用科学和艺术大学）
本文提出GN-VBC方法，利用GAM分离时空确定性效应与残差，结合嵌套藤Copula建模变量间依赖，提升气候预测的时空一致性和可靠性。
2026-07-16 stat.AP stat.ME
Learning Functional Graphs with Nonlinear Sufficient Dimension Reduction
Yonsei University（延世大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出一种基于非线性充分维度缩减的非参数函数图模型，通过避免维度灾难提高估计精度，并保留概率条件独立性作为边不存在的标准。
2026-01-22 stat.ME stat.ML
Statistical Inference for Generalized Additive Partially Linear Model
广义可加模型（GAM）是一种强有力的工具，已经得到了很好的研究。这个模型类有助于识别加性回归结构。通过现有的测试程序，可以识别回归结构，甚至尖锐，如果一些组件功能有参数形式。广义加性部分线性模型（GAPLM）结合了参数和非参数两种模型，具有GLM的简单性和GAM的灵活性。我们使用混合样条-后拟合核估计方法，它结合了样条和核方法的最佳特性，使快速，有效和可靠的估计在阿尔法混合条件下。此外，给出了独立条件下检验总体趋势的同步置信走廊和参数的经验似然置信区域。得到了渐近性质，仿真结果支持理论性质。对于应用程序，我们使用GAPLM来提高$19610$德国公司的默认预测的准确率。本文的quantlet可在https://github.com上获得。
2020-09-10 stat.ME
spikeSlabGAM: Bayesian Variable Selection, Model Choice and Regularization for Generalized Additive Mixed Models in R
R软件包spikeSlabGAM在高斯、二项式和泊松响应的（geo-）加性混合模型中实现贝叶斯变量选择、模型选择和正则化估计。其目的是（1）选择潜在协变量及其相互作用的适当子集，（2）确定是否需要线性或更灵活的函数形式来建模各个协变量的影响，以及（3）估计它们的形状。模型项的选择和正则化是基于与参数和半参数效应相关的系数组上的新的尖峰和板型先验。
2011-05-26 stat.ME
Bayesian Generalized Additive Model Selection Including a Fast Variational Option
本文提出贝叶斯广义加性模型选择方法，利用组 LASSO 先验和辅助变量实现 MCMC 与快速平均场变分推断，并提供 R 包支持大规模数据应用。
2023-09-28 stat.ME
A note on Bayesian R-squared for generalized additive mixed models
本文提出一种贝叶斯框架，将广义加性混合模型的后验预测方差分解为已解释与未解释部分，从而严格定义贝叶斯R²，并引入部分贝叶斯R²量化各模型项的贡献。
2024-10-17 stat.ME
Bayesian views of generalized additive modelling
本文从贝叶斯视角阐释广义加性模型（GAMs），强调其与频率论平滑的联系及在生态学中的应用，重点讨论项/模型选择与不确定性估计。
2025-01-07 stat.ME
Generalized Functional Additive Mixed Models
我们提出了一个全面的框架，用于非高斯功能性响应的加性回归模型，允许多个（部分）嵌套或交叉功能性随机效应，具有灵活的相关结构，例如，空间、时间或纵向功能数据，以及功能和标量协变量的线性和非线性效应，这些协变量可能在功能反应指数上平滑变化。我们的实现处理任何指数族分布以及许多其他像Beta或缩放的非中心$t$分布的功能响应。发展的动机和评价上的应用程序，以大规模的纵向饲养记录的猪。在广泛的模拟研究以及复制的两个以前发表的模拟研究广义功能混合模型的结果表明，我们的建议的良好性能。该方法在有良好文档记录的开源软件中的R包“refund”中的“pffr（）”函数中实现。
2016-05-06 stat.ME
A Bivariate Power Generalized Weibull Distribution: a Flexible Parametric Model for Survival Analysis
我们关注的是双变量生存数据的灵活参数分析。在其他地方，我们赞扬了“功率广义威布尔”（PGW）分布作为单变量参数生存分析的一个有吸引力的工具的优点：它是一个易于处理的，简约的，模型，可解释允许各种各样的危险形状，当适应（给一个适应的PGW，或APGW，分布），涵盖了各种重要的特殊/限制情况。在这里，我们还观察到一个脆弱的PGW分布与一个值的参数，控制分布的选择在家庭和PGW分布与一个较小的值相同的参数之间的关系。我们利用这种脆弱性的关系，提出了一个二元共享脆弱性模型与PGW边缘分布：这些边际原来是由所谓的BB 9或“功率方差函数”copula连接。因此，在当前的背景下，这种特定的copula选择是很自然的。然后，我们适应的二元PGW分布，反过来，以适应APGW边缘。我们提供了一些双变量PGW和APGW模型的理论特性，并通过一个涉及众所周知的视网膜病变数据集的说明性示例显示了后者在实际工作中的潜力，该分析被证明是直接实施的，并且在其结果中提供了信息。本文的新颖之处在于将特定成分适当地组合成一个连贯而成功的整体。
2019-01-10 stat.ME
On Bayesian Generalized Additive Models
广义可加模型（GAM）提供了一种将参数和非参数（函数逼近）技术融合在一起的方法，使它们成为适用于许多建模问题的灵活工具。例如，GAM可用于为标准线性回归模型引入灵活性，以表示现象的“几乎线性”行为。在物理模型中也经常出现对GAM的需求，其中理论给出的模型是现实的近似，并且人们希望将系数表示为函数而不是常数。在本文中，我们将讨论GAM从贝叶斯的角度来看，侧重于线性加性模型，其中最终的模型可以制定为一个线性高斯系统。我们讨论高斯过程（GPs）和本地基函数的方法来描述GAM中的未知函数，并为他们指定先验分布，包括空间变化的平滑技术。GAM与单变量和多变量函数进行了讨论。超参数估计技术，以减轻GAM模型相关的调整问题。本文中讨论的所有示例的实现都是可用的。
2023-03-05 stat.ME
Model selection-based estimation for generalized additive models using mixtures of g-priors: Towards systematization
本文研究广义可加模型的贝叶斯模型选择估计，通过Laplace近似扩展至指数分布族，发现g-先验混合比单位信息先验更有效，且基于模型选择的方法优于其他贝叶斯方法。
2024-08-30 stat.ME
A mixed effect model for bivariate meta-analysis of diagnostic test accuracy studies using a copula representation of the random effects distribution
诊断测试准确性研究通常报告真阳性、假阳性、真阴性和假阴性的数量。真阳性和真阴性的数量之间通常存在负相关，因为采用不太严格的标准宣布试验阳性的研究会引起更高的灵敏度和更低的特异性。广义线性混合模型（GLMM）是目前推荐的综合诊断试验的准确性研究。我们提出了一个Copula混合模型，用于诊断试验准确性研究的双变量荟萃分析。我们的一般模型包括GLMM作为一个特殊的情况下，也可以操作的灵敏度和特异性的原始规模。通过分位数回归技术和不同的双变量随机效应分布特征，推导出该模型的受试者工作特征曲线。我们的一般方法是证明了广泛的模拟研究，并说明了重新分析的数据，两个发表的荟萃分析。我们的研究表明，可以有一个改进的GLMM在适合的数据，并提出了论点，为移动到copula随机效应模型。我们的建模框架在开源统计环境R中的CopulaREMADA包中实现。
2015-02-26 stat.AP stat.ME
D-Vine GAM Copula based Quantile Regression with Application to Ensemble Postprocessing
提出GAM-DVQR方法，通过Kendall's Tau参数化D-vine copula以引入额外协变量效应，在2米地表温度预报后处理中显著优于EMOS等方法，并支持静态训练期。
2023-09-11 stat.AP stat.ME
Reluctant generalized additive modeling
稀疏广义可加模型（GAM）是稀疏广义线性模型的扩展，它允许模型的预测值随输入变量非线性变化。这使数据分析师能够构建更准确的模型，特别是当线性假设已知是现实的差近似时。受不情愿交互建模（Yu et al. 2019）的启发，我们提出了一种多阶段算法，称为$\textit{reluctant generalized additive modeling (RGAM)}$，可以大规模拟合稀疏广义可加模型。它遵循的原则是，如果其他条件相同，人们应该选择线性特征而不是非线性特征。与现有的稀疏GAM方法不同，RGAM可以很容易地扩展到二进制，计数和生存数据。我们证明了该方法的有效性，真实和模拟的例子。
2020-01-13 stat.ME stat.ML
A comparison between copula-based, mixed model, and estimating equation methods for regression of bivariate correlated data
本文通过模拟和真实数据比较 GJRM、GLMM 与 GEE 在双变量纵向数据回归中的表现，发现非正态情况下 GLMM 系数有偏且拟合不稳定，而 GJRM 在 copula 正确指定时能提供无偏、准确且更灵活的估计。
2025-11-05 stat.AP stat.ME
Dependence and Uncertainty: Information Measures using Tsallis Entropy
本文基于 Tsallis 熵扩展累积 copula 信息测度，提出累积 copula Tsallis 熵与 CMI，并给出非参数估计、独立性检验及金融应用。
2025-02-18 cs.IT math.IT stat.ME
Markov-switching generalized additive models
我们考虑马尔可夫切换回归模型，即时间序列回归分析的模型，其中协变量和响应之间的函数关系受到由不可观测的马尔可夫链控制的状态切换。建立在强大的隐马尔可夫模型的机械和惩罚的B-样条经常用于回归分析的方法，我们开发了一个框架，非参数估计的功能形式的协变量的影响，在这样的回归模型，假设一个附加结构的预测。由此产生的一类马尔可夫切换广义可加模型是非常灵活的，并包含作为特殊情况下，常见的参数马尔可夫切换回归模型，也广义可加和广义线性模型。最大惩罚似然法的可行性，通过模拟证明，并进一步说明了在西班牙的能源价格如何取决于欧元/美元汇率的建模。
2015-05-10 stat.CO stat.ME
Statistical Inference for Ordinal Predictors in Generalized Linear and Additive Models with Application to Bronchopulmonary Dysplasia
离散但有序的协变量在应用统计学中非常常见，并且已经提出了一些正则化拟合程序来正确处理统计建模中的有序预测变量。在这项研究中，我们将展示如何二次处罚相邻的哑系数的有序预测在文献中提出的广义可加模型的框架中，使统计推断工具，以及有序预测。出于新生儿医学的应用程序，我们讨论是否得到的结果时，构建置信区间和检验显着性的光滑项在广义可加模型是有用的有序预测/处罚。
2021-08-24 stat.AP stat.ME
Bayesian Gaussian Copula Factor Models for Mixed Data
高斯因子模型已被证明是非常有用的吝啬特征的依赖性在多变量数据。有丰富的文献，他们的扩展到混合的分类和连续变量，使用潜在的高斯变量或通过广义的潜在特质模型commodating测量指数家庭。然而，当推广到非高斯测量变量时，潜在变量通常会影响依赖结构和边缘分布的形式，使解释复杂化并引入伪影。为了解决这个问题，我们提出了一类新的贝叶斯高斯copula因子模型，解耦的潜在因素的边缘分布。基于扩展秩似然的边缘的半参数规范产生简单的实现和大量的计算增益，对于扩展到高维应用程序至关重要。我们提供了新的理论和经验的理由使用这种可能性在贝叶斯推断。我们提出了新的默认先验的因素加载和开发有效的参数扩展吉布斯抽样后验计算。该方法通过模拟评估，并应用于政治科学的数据集。本文中的方法在R包bfa中实现。
2013-01-07 stat.AP stat.ME
Measures and Models of Non-Monotonic Dependence
The School for Business and Society, University of York（约克大学商业与社会学院）；Department of Mathematics and Statistics, McGill University（麦吉尔大学数学与统计系）；University College Dublin（都柏林大学学院）
本文提出了一种不依赖边际分布的双变量关联度量，用于非单调依赖情况，并探讨其在copula模型中的应用及在不同依赖结构中的应用。
2026-11-03 math.ST stat.ME stat.TH
evgam: An R package for Generalized Additive Extreme Value Models
本文介绍了R软件包evgam。该软件包提供了拟合极值分布的函数。这些分布包括广义极值分布和广义帕累托分布。前者也可以通过点过程表示来拟合。evgam通过非对称拉普拉斯分布支持分位数回归，这对于估计高阈值非常有用，有时用于区分极端值和非极端值。evgam的主要作用是使极值分布参数具有广义可加模型的形式，可以用Laplace方法进行客观估计。给出了适合各种规格的各种分布的说明性例子。这些包括美国科罗拉多州部分地区的日降水量累积，用于说明空间模型，以及美国科罗拉多州柯林斯堡的日最高温度，用于说明时间模型。
2020-11-08 stat.CO stat.ME
Projection Predictive Inference for Generalized Linear and Additive Multilevel Models
投影预测推理是一种决策理论贝叶斯方法，它将模型估计与决策相结合。给定先前构建的包括数据中存在的所有变量的参考模型，投影预测推理将其后验投影到变量子集的约束空间上。然后通过顺序添加相关变量来进行变量选择，直到预测性能令人满意。以前，投影预测推理已被证明只有广义线性模型（GLM）和高斯过程（GP），它表现出优越的性能，竞争变量的选择程序。在这项工作中，我们扩展了投影预测推理，以支持广义线性多水平模型（GLP-S）和广义加性多水平模型（GAMM）的变量和结构选择。我们的模拟和真实世界的实验表明，我们的方法可以大大降低所需的模型复杂度，达到参考预测性能，并实现良好的频率特性。
2020-10-14 stat.CO stat.ME
Scalable visualisation methods for modern Generalized Additive Models
在过去的二十年里，计算资源的增长使得处理广义可加模型（GAM）成为可能，而这些模型以前对于严肃的应用来说过于昂贵。然而，模型复杂性的增长并没有与模型开发和结果呈现的改进可视化相匹配。受电力负荷预测中的工业应用的启发，我们确定了缺乏用于GAM的现代可视化工具的领域特别严重，并且我们通过提出一组可视化工具来解决现有方法的缺点，所述可视化工具a）对于交互式使用足够快，b）利用GAM的添加剂结构，c）可扩展到大数据集，d）可与广泛的响应分布结合使用。本工作中提出的所有新的可视化方法都由mgcViz R包实现，该包可以在Comprehensive R Archive Network上找到。
2019-05-09 stat.AP stat.ME
Fast stable direct fitting and smoothness selection for Generalized Additive Models
用于惩罚似然GAM拟合的现有计算高效方法在工作线性模型（或工作混合模型）上采用迭代平滑选择。这样的计划无法收敛的一个不可忽略的比例的模型，失败是特别频繁的并发性的存在。如果通过优化“整个模型”标准来进行平滑度选择，这些问题就消失了，但是直到现在，尝试这样做的尝试都采用了基于有限差分的优化方案，这些方案在计算上是低效的，并且可能遭受错误收敛。本文提出了第一个计算效率高的直接GAM平滑选择方法。它是高度稳定的，但通过仔细的结构实现的计算效率，导致在模拟中，以较低的平均计算时间比工作模型平滑选择的基础上的计划。该方法也为广义可加混合模型的拟合提供了一种可靠的方法。
2007-09-25 stat.CO stat.ME
Small area estimation under unit-level generalized additive models for location, scale and shape
提出SAE-GAMLSS模型用于估计家庭经济指标，释放指数族假设并允许分布参数依赖协变量，模拟显示其优于EBLUP，实证揭示了意大利南北差异不适用于外国人。
2023-09-12 stat.AP stat.ME
A note on basis dimension selection in generalized additive modelling
提出了两种新的方法，用于检查使用惩罚回归平滑器时的基函数的维数。第一种方法是充分的基础尺寸的基础上的残差方差的估计计算的差分残差是邻居根据平滑协变量的测试。第二种方法是基于模型残差相对于模型协变量的平滑估计自由度。与基于平滑性选择准则的基维选择算法（GCV、AIC、REML）相比，上述过程对于作为模型检查的一部分的常规使用来说是足够计算有效的。
2016-02-22 stat.ME stat.OT
Generalized Bayesian Additive Regression Trees Models: Beyond Conditional Conjugacy
University of Texas at Austin（德克萨斯大学奥斯汀分校）
贝叶斯加法回归树近年来由于其将机器学习技术与原则性不确定性量化相结合的能力而受到越来越多的关注。然而，用于拟合BART模型的贝叶斯后拟合算法将其应用限制在一小类存在条件共轭的模型上。在这篇文章中，我们通过引入一个非常简单的、无调整参数的、可逆跳马尔可夫链蒙特卡罗算法，大大扩展了BART对任意\emph{generalized BART}模型的适用范围。我们的算法只需要用户能够计算的可能性和（可选）其梯度和费舍尔信息。潜在的应用是非常广泛的，我们考虑的例子在生存分析，结构异方差回归，伽玛形状回归。
2022-02-20 cs.LG stat.ME stat.ML
Classification by sparse generalized additive models
Tel Aviv University（特拉维夫大学）
该研究提出带稀疏组Lasso/Slope型惩罚的稀疏广义加性分类模型，可适配未知稀疏性与平滑性，在多类函数空间达近极小极大率，并用模拟和真实数据验证了性能。
2024-05-15 cs.LG math.ST stat.ME
Generalized Sparse Additive Models
我们提出了一个统一的框架来估计和分析高维广义可加模型。该框架定义了一大类惩罚回归估计，包括许多现有的方法。这一类的一个有效的计算算法，很容易扩展到数千个观察和功能。在弱相容条件下证明了这类问题的极大极小最优收敛界。此外，我们的收敛速度时，这种兼容性条件不满足的特点。最后，我们还表明，在我们的框架中，结构和稀疏性惩罚的最佳惩罚参数是相互关联的，允许交叉验证仅在单个调整参数上进行。我们补充我们的理论结果与实证研究比较，在这个框架内的一些现有的方法。
2019-03-11 math.ST stat.ME stat.ML
