Bayesian Inference for Spatial-Temporal Non-Gaussian Data Using Predictive Stacking
University of California Los Angeles（加州大学洛杉矶分校）；University of Southern California（南加州大学）；Florida State University（佛罗里达州立大学）
本文提出基于预测堆叠的贝叶斯推断方法，用于处理时空非高斯数据，通过共轭先验和广义共轭多变量分布理论实现精确采样，提升推断性能。
2025-12-25 stat.CO stat.ME
Bayesian Inference for Multivariate Spatial Models with R-INLA
用于空间数据分析的贝叶斯方法和软件现在在科学界已普遍成熟。尽管空间模型应用广泛，但在现有文献中，使用R-INLA分析多变量空间数据并没有被广泛描述。因此，本文的主要目的是证明R-INLA是一个方便的工具箱，分析不同类型的多元空间数据集。此外，这将通过分析三个公开的数据集来说明。此外，这些分析的细节和R代码提供给说明如何调整多变量空间数据集与R-INLA。
2022-12-21 stat.CO stat.ME
Finite Population Inference for Factorial Designs and Panel Experiments with Imperfect Compliance
Institute of Economics, PUC-Chile（智利天主教大学经济研究所）
本文提出了一种有限总体框架，用于分析因子设计和面板实验中不完全合规性的因果效应，并通过模拟验证了估计器的有效性。
2026-01-23 econ.EM stat.ME
Inference Suboptimality in Variational Autoencoders
Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
分期推理允许通过变分学习训练的潜变量模型扩展到大型数据集。近似推理的质量由两个因素决定：a）变分分布匹配真实后验的能力和b）识别网络为每个数据点产生良好变分参数的能力。我们研究近似推理变分自编码器在这些因素。我们发现，从真正的后验发散往往是由于不完善的识别网络，而不是有限的复杂性的近似分布。我们表明，这部分是由于发电机学习，以适应近似的选择。此外，我们表明，用于增加近似的表达能力的参数在推广推理中发挥作用，而不是简单地提高近似的复杂性。
2018-05-27 cs.LG stat.ML
Bayesian Inference from Composite Likelihoods, with an Application to Spatial Extremes
复合似然越来越多地用于完全似然在分析上未知或计算上禁止的应用中。虽然最大合成似然估计具有类似于通常的极大似然估计的频率论性质，但基于合成似然的贝叶斯推断还有待探索。在本文中，我们研究使用梅特罗波利斯-黑斯廷斯算法来计算基于复合似然的伪后验分布。提出了两种调整算法的方法，并使用模拟数据集和实际降雨空间极值数据研究了它们在逼近真实后验分布方面的性能。
2011-07-06 math.ST stat.ME stat.TH
Relative Bias Under Imperfect Identification in Observational Causal Inference
Yale University（耶鲁大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文研究了在识别假设不成立时，选择性可观测性、工具变量和近端推断估计的偏差问题，提出敏感性工具和偏倚轮廓图以量化不同识别策略的敏感性。
2026-10-15 econ.EM stat.ME
Approximate Bayesian inference in spatial environments
Volkswagen Group（大众集团）
基于模型的方法在与物理世界交互的智能体的决策方面有着巨大的潜力。在空间环境的背景下，不同类型的问题，如定位，绘图，导航或自主探索通常是用专门的方法来解决的，通常依赖于手头系统的详细知识。我们将这些任务表示为概率推理和深度顺序生成模型下的规划。利用变分推断和神经网络的框架，我们的方法继承了有利的属性，如灵活性，可扩展性和从数据中学习的能力。该方法在两个不同的模拟环境中执行专门的最先进的方法。
2019-06-20 cs.LG stat.ML
Debiased Inference for AI-Generated Data without Gold-Standard Labels: Identification via Multiple Imperfect Measurements
Massachusetts Institute of Technology（麻省理工学院）
针对无黄金标准标签的AI生成数据的下游分析偏差问题，提出DMM框架，结合多个不完美AI测量实现有效推断，经模拟验证其有效性与效率提升作用，还开发了条件独立性假设的诊断方法。
2026-09-02 cs.AI cs.CL cs.LG
Beyond the Average: Distributional Causal Inference under Imperfect Compliance
CyberAgent, Inc.（CyberAgent公司）；Databricks Japan, Inc.（Databricks日本公司）；Keio University（庆应义塾大学）
本文提出一种基于工具变量和分布回归的估计器，用于在不完全依从的随机实验中估计局部分布处理效应，达到半参数效率界，并在俄勒冈健康保险实验中验证其有效性。
2025-10-26 econ.EM math.ST stat.AP
Using Imperfect Surrogates for Downstream Inference: Design-based Supervised Learning for Social Science Applications of Large Language Models
Columbia University（哥伦比亚大学）；Princeton University（普林斯顿大学）
本文针对大语言模型代理标签存在偏差的问题，提出基于设计的有监督学习（DSL）估计器，通过双重稳健方法结合少量金标准标签，在无需严格假设的情况下保证下游统计分析的有效推断。
2024-01-14 cs.CL cs.LG stat.ME
Heterogeneous causal effects with imperfect compliance: a Bayesian machine learning approach
Harvard University（哈佛大学）；KU Leuven（鲁汶大学）；IMT School for Advanced Studies（IMT高等研究院）
本文介绍了一种创新的贝叶斯机器学习算法，用于在存在不完美依从性的情况下（例如，不定期分配机制）。我们表明，通过蒙特卡罗模拟，提出的贝叶斯因果森林与工具变量（BCF-IV）的方法优于其他机器学习技术的因果推断中发现和估计的异质因果效应，同时控制familywise错误率（或-不太严格-为错误发现率）在叶子的水平。第四个生物多样性合作框架揭示了工具变量假设情景中因果效应的异质性，从而为决策者提供了有针对性的政策的相关工具。其实证应用评估的影响，额外的资金对学生的表现。研究结果显示，BCF-IV可用于提高学校资助对学生表现的有效性。
2021-11-30 cs.LG stat.ME stat.ML
Long-Term Causal Inference with Imperfect Surrogates using Many Weak Experiments, Proxies, and Cross-Fold Moments
针对短期替代指标推断长期因果效应时的替代悖论与弱实验偏差，提出基于交叉折叠矩（如JIVE）和代理变量的方法，构造有效置信区间并处理混杂与效应泄漏。
2023-11-08 math.ST stat.ME stat.TH
A review of spatial causal inference methods for environmental and epidemiological applications
因果推断的科学严谨性和计算方法对许多学科产生了巨大的影响，但直到最近才开始在空间应用中站稳脚跟。空间因果推理提出了分析的挑战，由于复杂的相关性结构和干扰之间的治疗在一个位置和其他的结果。在本文中，我们回顾了目前的文献空间因果推断，并确定未来的工作领域。我们首先讨论的方法，利用空间结构，占不可测量的混杂变量。然后，我们讨论的因果关系分析中存在的空间干扰，包括几个常见的假设，用于降低所考虑的干扰模式的复杂性。这些方法扩展到时空的情况下，我们比较和对比潜在的结果框架与格兰杰因果关系，并涉及空间随机场场的治疗和反应的地质统计分析。这些方法是在观察性环境和流行病学研究的背景下介绍的，并使用模拟研究和环境空气污染对COVID-19死亡率影响的分析进行比较。提供了使用流行的贝叶斯软件OpenBUGS实现许多方法的代码。
2020-07-06 stat.ME
Spatial causal inference in the presence of unmeasured confounding and interference
University of Florida（佛罗里达大学）；Bristol Myers Squibb（百时美施贵宝）
本文提出了一种基于贝叶斯方法的空间因果推断框架，用于处理空间数据中未测量混杂和干扰问题，并通过模拟和实证数据验证了其有效性。
2026-02-15 stat.ME
Some recent developments in statistics for spatial point patterns
本文回顾了在过去十年中获得的空间点过程统计的发展。这些发展包括新的类的空间点过程模型，如行列式点过程，模型结合了规律性和聚集，模型点随机分布在潜在的几何结构。关于参数推断的主要重点是各种类型的估计功能来自所谓的创新措施。这种估计函数的最优性进行了讨论，以及计算问题。还简要地讨论了定点过程的极大似然推断和贝叶斯推断。关于非参数推理，我们认为扩展功能汇总统计量的情况下，非齐次点过程以及新的方法，以模拟为基础的推理。
2016-09-04 stat.ME
Data Envelopment Analysis models with imperfect knowledge of input and output values: An application to Portuguese public hospitals
要评估一组观测的技术效率，就需要完全了解由投入和产出组成的相关数据。如果不是这种情况，则可能会得到有偏估计。数据包络分析（DEA）是一种最广泛使用的数学模型来估计效率。它构造了一个分段线性边界，所有观测值都与之进行比较。由于边界是根据经验定义的，因此由低数据质量（数据知识或IKD不完善）导致的任何偏差都可能导致效率低估/高估。在这项研究中，我们模型IKD，然后，应用所谓的打\&运行过程随机生成可接受的意见，一些预先指定的概率密度函数。用于对IKD建模的集限制了与每个观测相关联的数据域。属于该域的任何点都可以作为效率评估的观察点。因此，这个采样过程必须运行相当多的次数（理论上是无限次），以填充整个集合。在每次迭代的执行过程中使用DEA技术来估计每次观察的自举效率得分。我们使用一些场景来表明，建议的例程可以优于一些可用的替代品。我们还解释了如何效率估计可以用于统计推断。基于葡萄牙公立医院数据库（2013-2016）的实证案例研究，解决了使用所提出的方法。
2021-04-20 math.OC stat.ME
The Use of Variational Inference for Lifetime Data with Spatial Correlations
本文研究变分推断（VI）在具有空间相关性的寿命数据模型推断中的应用，通过不同散度度量的VI方法在Titan GPU和松树数据上验证了其在估计精度与计算效率间的良好平衡。
2025-07-13 stat.AP stat.ME
Statistical inference for the logarithmic spatial heteroskedasticity model with exogenous variables
在大量的文献中，大量的模型对均值的空间相关性进行了深入的研究，然而，对方差的空间相关性的研究却相对滞后。现有的方差空间依赖性模型是稀缺的，既没有概率结构，也没有统计推断程序进行了探索。为了克服这一缺陷，本文提出了一个新的带有外生变量的广义对数空间异方差模型（log-SHE模型）来研究方差的空间依赖性。针对log-SHE模型，研究了其空间近历元相关性，给出了系统的统计推断方法，包括极大似然估计和广义矩估计估计，模型参数约束的Wald检验、Lagrange乘子检验和似然比D检验，以及模型诊断检验的过识别检验.使用空间NED工具，在正则条件下建立了所有估计和检验的渐近性。仿真结果和一个真实的数据例子上的房屋销售价格说明了所提出的方法的实用性。
2023-01-17 econ.EM stat.ME
Inference in Spatial Experiments with Interference using the SpatialEffect Package
本文介绍了分析空间实验时，复杂的溢出，位移效应，和其他类型的“干扰”的方法。我们提出了一个强大的，基于设计的方法来分析在这种情况下的效果。基于设计的方法推导出因果效应估计量的推理性质，从已知的试验设计的功能，在类似于抽样调查中的推理方式。这里提出的方法针对称为"平均边缘化响应"的感兴趣的量，其等于在给定距离外的干预节点处激活治疗的平均效果，平均来自其他干预节点的环境效果。我们提供了一个基于R的SpatialEffect包的分步教程。我们将这些方法应用于乌干达社区森林保护支付的随机实验，展示了我们的方法如何揭示更传统的分析无法检测到的可能的实质性空间溢出。
2023-03-06 stat.AP stat.ME
Spatially relaxed inference on high-dimensional linear models
我们考虑高维线性模型的推理问题，当协变量有一个潜在的空间组织反映在他们的相关性。这种设置的典型示例是高分辨率成像，其中相邻像素通常非常相似。在协变量比样本多得多的情况下，准确的点和置信区间估计是不可能的，而且协变量之间具有高度相关性。这需要重新表述的统计推断的问题，考虑到潜在的空间结构：如果协变量是局部相关的，它是可以接受的检测到一个给定的空间不确定性。因此，我们建议依赖于$δ$ -FWER，即在距离任何真阳性大于$δ$的距离处做出错误发现的概率。考虑到这一目标的措施，我们研究了集成聚类推理算法，结合三种技术的属性：空间约束聚类，统计推断，和集成聚合几个集群推理解决方案。我们表明，集成聚类推理算法控制$δ$ -FWER下的标准假设为$δ$等于最大的集群直径。我们补充的理论分析与实证结果，证明准确的$δ$ -FWER控制和体面的权力实现这样的推理算法。
2021-06-04 math.ST stat.ME stat.ML
Statistical Inference for Ultrahigh Dimensional Location Parameter Based on Spatial Median
受机器学习中广泛使用的几何中位均值估计的启发，研究了一般多元模型下基于样本空间中位数的多维位置参数的统计推断，包括同时置信区间构造、全局检验和带错误发现率控制的多重检验.为了实现这些目标，我们推导出一种新的Bahadur表示的样本空间中位数的最大范数约束的剩余项，并建立高斯近似的样本空间中位数类的超矩形。此外，提出了一种乘子自举算法来近似样本空间中值的分布。当维数以样本量的指数速率发散时，近似是有效的，这便于在三维区域中应用空间中值。所提出的方法进一步说明了从微阵列研究的基因组数据集的模拟和分析。
2023-01-09 math.ST stat.ME stat.TH
Probit models for capture-recapture data subject to imperfect detection, individual heterogeneity and misidentification
随着用于动物种群的非侵入性采样技术变得越来越流行，人们对开发捕获-再捕获模型越来越感兴趣，该捕获-再捕获模型可以适应个体的不完美检测和错误识别（例如，由于基因分型错误）。然而，目前的方法不允许参数的个体变化，例如检测或存活概率。在这里，我们开发了错误识别模型的捕获-再捕获数据，可以同时考虑时间变化，行为效应和个体异质性的参数。为了方便贝叶斯推断使用我们的方法，我们扩展标准的概率回归技术，潜在的多项模型的维度和零的响应不能观察到。我们还提出了一种新的Metropolis-Hastings内Gibbs算法，使用马尔可夫链蒙特卡罗拟合这些模型。使用封闭的种群丰度模型进行说明，我们重新访问了美国密歇根州黑熊的DNA捕获-再捕获种群研究，发现由于基因分型错误以及检测概率的时间，行为和个体差异而导致错误识别的证据。我们还估计了蝾螈人口已知的大小，从实验室实验评估的有效性，通常用于两栖动物和鱼类的标记技术。我们的模型能够可靠地估计这一人群的规模，并提供了证据的个体异质性的错误识别概率，这是由于变量标记质量。我们的方法比以前提出的方法计算要求更高，但它提供了必要的灵活性，可以探索更广泛的模型套件，同时适当考虑由错误识别和不完美检测引入的不确定性。在没有错误识别的情况下，我们的概率单位公式也提供了一个方便和有效的吉布斯抽样贝叶斯分析传统的封闭人口捕获-再捕获数据。
2015-02-03 q-bio.PE q-bio.QM stat.AP
