Bayesian Markov Switching Tensor Regression for Time-varying Networks
提出了一种新的二值时间序列多维数组（张量）贝叶斯马尔可夫切换回归模型。我们假设一个零膨胀logit回归与时变参数，并将其应用到多层时间网络。原来的贡献是三重的。首先，为了避免过度拟合，我们提出了一个简约的参数化的基础上的低秩分解的张量的回归系数。其次，我们假设参数是由一个隐藏的马尔可夫链，从而允许在网络拓扑结构的变化。我们遵循贝叶斯推理方法，并提供了一个有效的吉布斯采样后验近似。我们将该方法应用于一个真实的金融网络数据集，研究了几个风险因素对边缘概率的影响。本文的补充材料可在网上查阅。
2019-07-03 stat.ME
Dynamic Treatment Regimes using Bayesian Additive Regression Trees for Censored Outcomes
为了实现为每位患者提供最佳护理的目标，医生需要为具有相同诊断的患者定制治疗方法，特别是在治疗可能进一步发展并需要额外治疗的疾病时，例如癌症。随着疾病的进展，在多个阶段做出决定可以被正式定义为动态治疗方案（DTR）。大多数现有的估计动态治疗方案的优化方法，包括流行的Q-学习方法是在频率论的背景下开发的。最近，一个通用的贝叶斯机器学习框架，促进使用贝叶斯回归建模优化DTR已经提出。在这篇文章中，我们使用贝叶斯加性回归树（BART）为加速故障时间建模框架下的每个阶段，以及模拟研究和实际数据的例子，比较所提出的方法与Q学习的删失结果。我们还开发了一个R包装函数，利用标准的BART生存模型来优化DTR的删失结果。包装器函数可以很容易地扩展以适应任何类型的贝叶斯机器学习模型。
2022-10-24 stat.ME
Variational Bayesian Logistic Tensor Regression with Application to Image Recognition
本文提出一种变分贝叶斯逻辑张量回归方法，通过张量分解和多向收缩先验处理图像张量预测变量及系数稀疏性，并在模拟与真实图像数据上验证了分类性能。
2025-05-09 stat.ME
Bayesian Nonlinear Tensor Regression with Functional Fused Elastic Net Prior
本文提出非线性贝叶斯张量加性回归模型，并设计函数融合弹性网先验，以同时建模非线性与空间平滑性、检测边界跳跃并识别活跃区域，模拟和人脸数据验证了其灵活性与可解释性。
2023-02-16 stat.ME
Tensor Regression Meets Gaussian Processes
Caltech（加州理工学院）；University of Southern California（南加州大学）
低秩张量回归是一种从数据中学习高阶相关性的新模型，近年来受到了广泛的关注。同时，高斯过程（GP）是结构学习的机器学习模型。在本文中，我们展示了两者之间有趣的联系，特别是对于多路数据分析。我们表明，低秩张量回归本质上是学习高斯过程中的多线性核，低秩假设转化为约束贝叶斯推理问题。我们证明了预言不等式，并推导出等价GP模型的平均情况学习曲线。我们的发现意味着，低秩张量回归，虽然经验上是成功的，是高度依赖于协方差函数的特征值以及变量的相关性。
2017-10-31 cs.LG stat.ML
Bayesian tensor regression using the Tucker decomposition for sparse spatial modeling
使用多维数组或张量建模通常会由于高维性而出现问题。此外，这些结构通常表现出固有的稀疏性，需要使用正则化方法来正确表征张量协变量和标量响应之间的关联。我们提出了一种贝叶斯方法，使用Tucker张量分解有效地对具有张量协变量的标量响应进行建模，以保留张量系数内的空间关系，同时减少模型内变化的参数数量并应用正则化方法。模拟数据进行了分析，比较最近提出的方法的模型。一个神经影像学分析使用的数据从阿尔茨海默氏症的数据神经影像学倡议包括说明的好处，模型结构进行推理。
2022-10-07 stat.ME
Compressed Bayesian Tensor Regression
University of Toronto（多伦多大学）
针对张量回归中的高维问题，提出广义张量随机投影方法将高维协变量嵌入低维子空间，结合贝叶斯推理框架和低秩参数表示，实现高效预测与计算成本降低。
2026-06-11 stat.CO stat.ME
Clinical Prediction Models to Predict the Risk of Multiple Binary Outcomes: a comparison of approaches
临床预测模型（CPM）用于预测临床相关结果或事件。通常，预后CPM是用来预测单一未来结果的风险。然而，随着对多发病率预测的日益重视，越来越需要CPM同时预测多个未来结果中的每一个的风险。多结果风险预测的一种常见方法是分别为每个结果导出CPM，然后乘以预测的风险。这种方法仅在给定协变量的结果是条件独立的情况下有效，并且它未能利用结果之间的潜在关系。本文概述了几种方法，可用于开发多种结果的预后CPM。我们考虑了四种方法，在复杂性和假设条件独立的假设：即，概率分类链，多项逻辑斯谛回归，多元逻辑斯谛回归，贝叶斯概率模型。这些依赖于条件独立的方法进行比较：单独的单变量CPM和堆叠回归。采用模拟研究和现实世界的例子，通过MIMIC-III数据库，我们说明，CPM的联合风险预测的多个结果应该只使用模型的结果之间的剩余相关性的方法。在这种情况下，我们的研究结果表明，概率分类链，多项逻辑斯谛回归或贝叶斯概率模型都是合适的选择。当多个相关或结构相关的结果是有意义的时，我们对单独为每个结果制定CPM提出了质疑，并建议进行更全面的风险预测。
2020-01-21 stat.ME
Compositional Outcomes and Environmental Mixtures: the Dirichlet Bayesian Weighted Quantile Sum Regression
本研究提出Dirichlet-BWQS回归，用于联合建模组合结局与环境混合物，可同时估计混合物权重及总体暴露指数与各结局比例的关联，并通过模拟和真实数据验证，提供R包实现。
2025-03-28 stat.AP stat.ME
Bayesian Dynamic Tensor Regression
张量值数据在经济学中变得越来越可用，这需要合适的计量经济学工具。我们提出了一个新的动态线性模型张量值的响应变量和协变量，包括一些著名的计量经济模型作为特殊情况。我们的贡献是多方面的。首先，我们定义了一个张量自回归过程（ART），研究了它的性质，并导出了相应的脉冲响应函数。其次，我们利用PARAFAC低秩分解提供了一个简约的参数化，并将稀疏效应。我们还有助于张量的推理方法，通过开发一个贝叶斯框架，允许包括额外的样本信息和引入收缩效应。我们将ART模型应用于国际贸易和资本存量的时变多层网络，并研究了冲击在各国之间、随着时间的推移以及各层之间的传播。
2019-07-03 stat.ME
Graph-Adaptive Horseshoe for Compositional Regression
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；Rice University（莱斯大学）
本研究提出用于成分回归的GRACE贝叶斯框架，自适应学习结果驱动的收缩图，在模拟和口腔微生物组数据应用中表现出更优性能，证实自适应图对成分回归的重要性。
2026-08-19 stat.AP stat.ME
Prenatal phthalate exposures and adiposity outcomes trajectories: a multivariate Bayesian factor regression approach
本研究基于MSCEHS母婴队列，提出BMFR模型联合分析邻苯二甲酸酯潜在混合因子对多项儿童肥胖指标的非线性、时变及性别特异性影响，发现男孩存在年龄反转关联而女孩无显著关联。
2025-10-19 stat.AP stat.ME
Bayesian Tensor Regression for Neuroimaging Data
Sanford Health（桑福德健康）；St. Edward’s University（圣爱德华大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）；Bowling Green State University（鲍灵格林州立大学）
针对神经影像张量响应数据，提出贝叶斯张量包络回归模型，通过识别物质子空间实现降维，结合Gibbs采样算法，提升估计精度并应用于酒精使用与脑活动关联研究。
2026-09-24 stat.CO stat.ME
Adverse Subpopulation Regression for Multivariate Outcomes with High-Dimensional Predictors
生物医学研究在评估多个相关健康结果和高维预测因子之间的关系方面有着共同的兴趣。例如，在生殖流行病学中，人们可以收集妊娠结果，如妊娠期和出生体重，以及预测因子，如多个候选基因中的单核苷酸多态性和环境暴露。在这种情况下，需要一种简单而灵活的方法，用于从一组高维候选预测因子中选择不良健康反应的真实预测因子。为了解决这个问题，可以考虑连续结局的线性回归模型，或者使用预定义的截止值将这些结局转换为不良反应的二元指标。前一种策略的缺点是往往会导致拟合不佳的模型，不能很好地预测风险，而后一种方法可能对临界值的选择非常敏感。作为一个简单而灵活的替代方案，我们提出了一种方法，不利亚群回归（ASPR），它依赖于一个两个组件的潜在类模型，与占主导地位的组件对应（假定）健康的个人和下降的风险，在少数组件的特点通过逻辑斯谛回归。逻辑斯谛回归模型的设计，以适应高维预测，发生在大量的基因与环境相互作用的研究，通过使用一个灵活的非参数多重收缩方法。吉布斯采样器是为后验计算而开发的。使用模拟研究的方法进行评估，并适用于遗传流行病学研究的妊娠结局。
2011-11-23 stat.AP
Bayesian low-rank latent-cluster regression for mixed health outcomes
University of Central Florida（中佛罗里达大学）
本文提出一种贝叶斯潜变量聚类降维回归模型，用于处理高维健康和监测研究中的多重相关结果和潜在异质性，通过低秩系数矩阵实现聚类、降维和可解释性。
2026-05-12 stat.CO stat.ME
Bayesian Scalar-on-Tensor Quantile Regression for Longitudinal Data on Alzheimer's Disease
Rice University（莱斯大学）；MD Anderson Cancer Center（安德森癌症中心）
本文提出一种新的贝叶斯张量分位数回归方法，用于分析高维纵向影像数据，以探索脑行为关联随时间的变化。该方法结合低秩分解和多向收缩先验，提高参数估计和预测性能。
2026-03-18 stat.AP stat.ME
Bayesian Panel Quantile Regression for Binary Outcomes with Correlated Random Effects: An Application on Crime Recidivism in Canada
本文提出了一种贝叶斯方法，用于在存在相关随机效应的情况下估计具有二元结果的面板分位数回归。我们使用非对称拉普拉斯（AL）误差分布构建工作似然，并将其与合适的先验分布相结合，以获得完整的联合后验分布。对于后验推理，我们提出了两个马尔可夫链蒙特卡罗（MCMC）算法，但更喜欢的算法，利用阻塞过程中产生较低的自相关MCMC提请。我们还解释了如何使用MCMC抽签来计算边际效应，相对风险和比值比。我们的首选算法的性能在多个模拟研究中得到证明，并表现得非常好。此外，我们实施了拟议的框架，研究犯罪累犯在魁北克省，加拿大省，使用一个新的数据，从行政矫正档案。我们的研究结果表明，最近实施的“强硬的犯罪”政策，加拿大政府已在很大程度上成功地减少了重复犯罪的概率在后政策时期。此外，我们的研究结果支持现有的研究结果，犯罪累犯，并提供了新的见解，在不同的分位数。
2020-01-25 econ.EM stat.ME
IV regression with distribution-valued outcomes
University of Michigan（密歇根大学）；CESifo
提出IV Fréchet回归（IVFR），一种针对结果为整个分布的工具变量方法，通过2-Wasserstein空间中的IV回归扩展全局Fréchet回归以处理内生协变量，并证明投影减少估计误差、保证有效拟合分布，且估计量弱收敛到高斯过程。
2026-05-27 econ.EM math.ST stat.ME
Tensor-variate Gaussian process regression for efficient emulation of complex systems: comparing regressor and covariance structures in outer product and parallel partial emulators
本文系统发展张量变量高斯过程回归，统一外积与并行偏仿真器，并通过案例比较二者在矩阵输出下的协方差依赖结构与性能。
2025-02-14 stat.CO stat.ME
Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression
McGill University（麦吉尔大学）
针对时空变系数模型计算成本高难以大规模应用的问题，提出贝叶斯核化张量回归框架，结合低秩张量分解与高斯过程先验，搭配高效MCMC算法，在合成和真实数据上实现了更优的模型估计性能与效率。
2024-04-13 cs.LG stat.ML
Seemingly unrelated Bayesian additive regression trees for cost-effectiveness analyses in healthcare
针对医疗成本效益分析中多结果依赖问题，提出多元BART扩展，允许各响应关联不同树集成，并实现非参数看似无关回归与多元概率比推广，通过模拟与实证验证了新型创伤干预的成本效益。
2025-02-26 econ.EM stat.AP stat.ME
Bayesian tensor factorization for predicting clinical outcomes using integrated human genetics evidence
Global Blood Therapeutics（Global Blood Therapeutics（全球血液治疗公司））
候选药物的批准成功率非常低，大多数失败是由于安全性和有效性。越来越多的关于靶点、药物分子和适应症的高维信息为ML方法提供了整合多种数据模式并更好地预测临床上有前景的药物靶点的机会。值得注意的是，具有人类遗传学证据的药物靶点被证明有更好的成功几率。然而，最近的一种基于张量因子分解的方法发现，关于目标和适应症的额外信息可能不一定会提高预测准确性。在这里，我们通过整合从公开来源整理的不同类型的人类遗传学证据来重新审视这种方法，以支持每个目标-适应症对。我们使用贝叶斯张量因子分解来表明，与使用单线遗传学证据的模型相比，结合所有可用的人类遗传学证据（罕见疾病，基因负担，常见疾病）的模型适度改善了临床结果预测。我们对不同类型的人类遗传学证据的相对预测能力提供了额外的见解，以预测临床结果的成功。
2022-07-25 cs.LG q-bio.GN stat.AP
Casewise and Cellwise Robust Tensor-on-Tensor Regression
KU Leuven（荷语鲁汶大学）
本文提出ROTOT方法，用于处理张量回归中的张量级和单元级异常值，同时应对缺失值，通过单一损失函数和鲁棒多线性主成分分析提升鲁棒性。
2026-10-02 stat.ME stat.ML
Outcome-Calibrated Regression and Predicted Outcome-Based Inference
University of Maryland School of Medicine（马里兰大学医学院）；The University of Maryland Institute for Health Computing (UM-IHC)（马里兰大学健康计算研究所）
针对OLS预测在结果条件上存在偏差的问题，提出结果校准回归（OCR）方法，通过直接强制结果校准消除条件预测偏差，实现基于预测结果的有效推断。
2026-05-28 stat.ME
Efficient Decision Trees for Tensor Regressions
Department of Statistics, Rice University（里士大学统计系）；Computational Research Division, Lawrence Berkeley National Laboratory（伯克利国家实验室计算研究部）；Department of Statistics, University of California Davis（加州大学戴维斯分校统计系）；Department of Statistics, University of Chicago（芝加哥大学统计系）
本文提出张量输入树（TT）方法，通过快速算法和树集成，高效解决标量对张量和张量对张量回归问题，并在真实与合成数据上验证了其性能。
2025-07-08 cs.LG stat.ME stat.ML
mecor: An R package for measurement error correction in linear regression models with a continuous outcome
协变量或回归模型结果中的测量误差是常见的，但通常被忽略，即使测量误差可能导致估计的协变量-结果关联中的实质性偏倚。虽然有几本关于测量误差校正方法的书，但这些方法仍然很少应用。为了改进测量误差校正方法的使用，我们开发了mecor，这是一个R软件包，它为具有连续结果的回归模型实现了测量误差校正方法。测量误差校正需要关于测量误差模型及其参数的信息。这些信息可以从四种类型的研究中获得，用于估计测量误差模型的参数：内部验证研究、重复研究、校准研究和外部验证研究。在软件包mecor中，实施回归校准方法和极大似然法，以校正回归分析中连续协变量的测量误差。此外，实施矩方法以校正回归分析中的连续结果中的测量误差。修正估计量的方差估计以封闭形式提供，并使用自助法。
2021-02-09 stat.ME
Inverse regression for causal inference with multiple outcomes
State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
本文针对多结局因果推断中权重选择主观的问题，提出逆回归策略，其可等价检验处理效应、提供最优复合结局权重，且适用于多种研究设计，已在R包invreg中实现。
2026-08-21 stat.ME
Binary Outcome Copula Regression Model with Sampling Gradient Fitting
用copula对多元高斯假设下的变量相关性建模。本文首先对具有连续响应的copula回归模型进行了实证研究。给出了仿真研究和实际数据研究。其次，我们给出了一个新的二元copula回归模型，并提出了一种分数梯度估计算法来拟合该模型。对模型和拟合算法进行了仿真研究和实际数据研究。
2021-01-03 stat.AP stat.ME
Robust multi-outcome regression with correlated covariate blocks using fused LAD-lasso
Lasso是一种流行且有效的方法，用于高维回归模型中的同时估计和变量选择。在本文中，提出了一个强大的LAD套索方法的多个结果，解决了非正态分布的结果和离群观测的挑战。从空间或时间，或光谱带或基因组位置测量的协变量数据通常具有由测量协变量之间的距离产生的自然相关结构。所提出的多结果方法包括通过组融合惩罚来处理这样的协变量块，这通过惩罚相邻回归系数向量之间的差异来鼓励相邻回归系数向量之间的相似性，例如在顺序数据情况下。所提出的方法的属性首先说明了广泛的模拟，其次，该方法被应用到现实生活中的倾斜数据的例子，退休行为的异方差解释变量。
2022-12-01 stat.ME
Parallel integrative learning for large-scale multi-response regression with incomplete outcomes
在许多应用中，多任务学习越来越多地用于研究多个响应和一组预测变量之间的关联结构。在大数据时代，不完全结果、大量响应和预测因子的高维性并存，对估计、预测和计算提出了前所未有的挑战。在本文中，我们提出了一个可扩展的和计算效率高的程序，称为PEER，大规模的多响应回归与不完整的结果，其中响应和预测的数量可以是高维的。受稀疏因子回归的启发，我们将多响应回归转换为一组单变量响应回归，这可以有效地并行实现。在一些温和的正则条件下，我们证明了PEER具有很好的抽样性质，包括估计，预测和变量选择的一致性。大量的仿真研究表明，我们的建议相比，在估计精度，变量选择和计算效率的几个现有的方法。
2021-04-11 stat.AP stat.CO stat.ME
Conformalized Regression for Continuous Bounded Outcomes
University College London（伦敦大学学院）
针对连续有界结果的回归问题，提出基于变换回归模型的共形预测区间，使用分位数残差得分处理异方差性和边界不对称性，并证明边际有效性和渐近条件有效性。
2026-10-01 cs.LG stat.ME stat.ML
Dirac Delta Regression: Conditional Density Estimation with Clinical Trials
个体化医疗旨在确定治疗对特定患者的因果影响，而不是对整个临床人群的影响。大多数研究者通过回归随机临床试验（RCT）对患者协变量的结果来估计这种个性化的处理效应。然而，结果的实现价值可能与有条件的期望相去甚远。因此，我们引入了一种称为Dirac Delta Regression（DDR）的方法，该方法从RCT数据中估计整个条件密度，以便可视化所有可能结果值的概率。DDR将结果转换为一组渐近Dirac delta分布，然后使用非线性回归估计密度。即使不存在群体水平效应，该算法也可以识别患者特异性结局的显著差异。此外，DDR在条件密度估计中甚至在小样本状态中也以大的裕度优于最先进的算法。R包可在https://github.com/ericstrobl/DDR上获得。
2021-09-01 cs.LG stat.ME stat.ML
Modeling sign concordance of quantile regression residuals with multiple outcomes
分位数回归允许描述标量响应变量的分位数如何取决于一组预测因子。由于缺乏多元分位数的唯一定义，将分位数回归扩展到多元响应有些复杂。在本文中，我们描述了一个简单的方法，基于一个两步的过程：在第一步中，分位数回归分别适用于每个响应;在第二步中，残差的符号的联合分布通过多项式回归建模。所描述的方法不需要分位数的多维定义，并且可以用于捕获多变量响应的重要特征并评估协变量对相关结构的影响。我们应用所提出的方法来分析两个不同的数据集。
2021-04-21 stat.ME
Regression Analysis of Proportion Outcomes with Random Effects
比例，或分数，混合效应的数据的回归方法进行了概述，设计用于分析数据集的结果有很大的重量在边界。在这种情况下，正常的近似是特别不合适的，因为它可能导致不正确的推断。为了解决这个问题，我们采用逻辑斯谛回归模型，然后应用自助法来纠正保守的置信区间。本文概述了该方法的理论，并使用模拟数据证明其实用性。R平台的工作代码通过CRAN上的glmmboot包提供。
2018-05-22 stat.CO stat.ME
When to encourage using Gaussian regression for feature selection tasks with time-to-event outcome
重要提示：关于事件发生时间结局的特征选择是临床试验和生物标志物发现研究中的基本问题之一。但当样本量较小或某些关键协变量未被测量时，应使用何种统计方法尚不清楚。设计：真实模型为10个协变量的多变量考克斯比例风险模型。假设对于所有模型拟合，10个真实特征中只有5个被观察/测量，以及5个随机噪声特征。每个样本量方案都使用10，000个模拟数据集进行了探索。对每个数据集应用八个回归模型来估计特征效应，包括正则化高斯回归（弹性网惩罚）和正则化Cox回归（glmnet Cox）。研究结果：如果协变量是高度相关的高斯，则当事件总数<500时，只有两个协变量的对数转换生存时间的高斯回归优于所有测试的Cox回归模型。
2022-10-13 stat.ME
A Transformation-free Linear Regression for Compositional Outcomes and Predictors
成分数据在许多领域都很常见，既可以作为结果变量，也可以作为预测变量。当结果变量和预测变量都是组合变量时，模型的库存是有限的，并且由于使用了复杂的对数比转换，现有模型难以解释。我们开发了一个无变换的线性回归模型，其中组合结果的期望值表示为来自组合预测器的单个马尔可夫转移。我们的方法是基于广义矩方法，从而不需要完整的规格数据的可能性，是强大的不同的数据生成机制。我们的模型易于解释，在组成结果和协变量中允许0和1，并包含几个有趣的子案例。我们还开发了线性独立性的排列检验。最后，我们表明，尽管它的简单性，我们的模型准确地捕捉到教育和医学研究的组成数据之间的关系。
2020-04-16 stat.ME
A doubly robust learner for regression and inference with right-censored outcomes
PFA Pension（PFA养老金）；Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
本文提出适配右删失数据的双重鲁棒非参数回归框架，推导伪结局条件偏差新表示以建立估计量渐近性质，经模拟验证性能并应用于右删失回归间断设计的因果效应估计。
2026-08-04 math.ST stat.ME stat.TH
CP Degeneracy in Tensor Regression
Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）；Department of Statistics, Texas A&M University（德克萨斯农工大学统计系）
本文揭示了张量回归中CP低秩约束导致的优化不可达与CP退化问题，并提出一种通用惩罚策略加以克服，同时研究了估计的渐近性质并通过数值实验验证。
2020-10-22 cs.LG stat.ME stat.ML
STORE: Sparse Tensor Response Regression and Neuroimaging Analysis
受神经影像分析中的应用的启发，我们提出了一种新的回归模型，稀疏张量响应回归（STORE），张量响应和向量预测。STORE嵌入了两个关键的稀疏结构：元素稀疏性和低秩。它可以处理非对称和对称张量响应，因此适用于结构和功能神经成像数据。我们将参数估计转化为一个非凸优化问题，并提出了一种有效的交替更新算法。我们建立了一个非渐近的估计误差界的实际估计从所提出的算法。这个误差界揭示了一个有趣的计算效率和统计收敛速度之间的相互作用。当误差张量的分布为高斯分布时，我们进一步得到了一个快速的估计误差率，它允许张量维数随样本量呈指数增长。我们说明了我们的模型的有效性，通过密集的模拟和自闭症谱系障碍的神经成像数据的分析。
2017-11-24 stat.AP stat.ME stat.ML
Functional Tensor Regression
本研究针对带平滑变化结构协变量的张量回归问题，提出融合张量与泛函属性的泛函张量回归框架，结合低Tucker秩分解与平滑正则化，开发具二次收敛性的泛函黎曼高斯-牛顿算法，经模拟与神经影像分析验证其有限样本性能。
2025-06-11 stat.ME
Robust Tensor Regression with Nonconvexity: Algorithmic and Statistical Theory
Nantong University（南通大学）；Shanghai Lixin University of Accounting and Finance（上海立信会计金融学院）；City University of Hong Kong（香港城市大学）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）
本文提出一种低管状秩鲁棒回归方法，用于分析高维张量数据中的重尾随机噪声，通过非凸松弛的张量管状秩建立优化框架，实现全局收敛并提供统计理论支持。
2026-05-08 stat.CO stat.ME stat.ML
An efficient tensor regression for high-dimensional data
本文提出一种基于修正的张量链分解的高效张量回归方法，可高效处理高阶张量数据，并扩展到张量自回归，通过模拟和实例验证其优势。
2024-03-19 stat.ME
Robust inference on the average treatment effect using the outcome highly adaptive lasso
治疗对结果的平均效应的许多估计值需要估计倾向得分、结果回归或两者。利用诸如半参数回归或机器学习之类的灵活技术来估计这些量通常是有益的。然而，这些回归的最佳估计不一定导致平均处理效应的最佳估计，特别是在具有强工具变量的设置中。最近的一项提案通过结果自适应套索解决了这些问题，这是一种用于估计倾向得分的惩罚回归技术，旨在最大限度地减少工具变量对处理效应估计值的影响。然而，这种方法的一个明显的局限性是，它的应用仅限于参数模型。我们提出了一个更灵活的替代方案，我们称之为高度适应性套索的结果。我们讨论了这种估计的大样本理论，并提出了封闭形式的置信区间的基础上提出的估计。我们通过模拟表明，我们的方法提供了几个流行的方法的好处。
2019-05-13 stat.CO stat.ME stat.ML
Tensor Regression with Applications in Neuroimaging Data Analysis
经典回归方法将协变量视为向量，并估计回归系数的相应向量。医学成像中的现代应用产生更复杂形式的协变量，例如多维数组（张量）。传统的统计和计算方法被证明不足以分析这些高通量的数据，由于其复杂的结构和多维性。在这篇文章中，我们提出了一个新的家庭张量回归模型，有效地利用特殊结构的张量协变量。在此框架下，将数据的维数降低到可管理的水平，从而实现有效的估计和预测。本文提出了一种快速、高扩展性的极大似然估计算法，并研究了它的渐近性质。合成和真实的MRI成像数据的新方法的有效性证明。
2012-03-14 stat.ME
When regression coefficients change over time: A proposal
预测问题的一种常见方法是从过去的数据中估计最小二乘回归（或其他统计学习模型），然后将其应用于预测未来的结果。一个基本的假设是，过去观察到的相同相关性在未来仍然成立。我们提出了一个模型的情况下，这个假设是不满足的：采用状态空间文献的方法，我们的模型如何回归系数随时间的变化。我们的方法可以揭示与预测未来相关的巨大不确定性，以及其中有多少是由于过去的动态变化。我们的模拟研究表明，准确的估计时，结果是连续的，但该程序失败的二元结果。
2022-03-19 stat.AP stat.ME stat.ML
Semiparametric copula-based quantile regression for semicontinuous outcomes with application to healthcare data
Department of Mathematics and Statistics, University of Windsor（温莎大学数学与统计系）
本文提出了一种半参数化copula基础的两阶段分位数回归框架，用于分析具有零点质量和连续正部分的半连续结果，通过copula条件分布链接发生和幅度过程，展示非线性依赖和协变量效应的灵活性，且在非线性依赖和显著零膨胀情况下优于logistic/线性回归。
2026-03-14 stat.ME
Assessment of Regression Models with Discrete Outcomes Using Quasi-Empirical Residual Distribution Functions
对于离散结果的回归模型，对模型的充分性做出明智的决策一直是一个突出的问题。这些结果的标准评估工具（例如偏差残差）通常显示出与假设模式的较大差异，即使在真实模型下也是如此，并且不提供信息，特别是当数据高度离散时（例如二进制）。为了填补这一空白，我们提出了一个准经验残差分布函数一般离散（如序数和计数）的结果，作为替代的经验Cox-Snell残差分布函数。我们提出的评估工具是一种原则性的方法，不需要向数据中注入噪声。当至少有一个连续的协变量是可用的，我们渐近地表明，所提出的函数一致收敛到正确指定的模型下的身份函数，即使具有高度离散的结果。通过模拟研究，我们实证表明，拟议的准经验残差分布函数优于常用的各种模型评估任务的残差，因为它是接近真实模型下的假设模式，并显着偏离此模式下的模型误指定，因此是一个有效的评估工具。
2021-03-24 stat.ME
Parsimonious Tensor Response Regression
针对数据量大、维数高、结构复杂的科学与工程数据，研究了多维数组（张量）响应和向量预测的回归问题。应用包括，除其他外，在调整额外的协变量后，比较各组之间的张量图像，这是神经成像分析的核心兴趣。我们提出了采用广义稀疏性原理的简约张量响应回归。它对张量响应的所有体素联合建模，同时考虑体素之间的固有结构信息。它有效地减少了自由参数的数量，导致可行的计算和改善的解释。我们通过一种称为包络方法的新生技术实现模型估计，该方法识别非物质信息并基于张量响应中的物质信息集中估计。我们证明了所得到的估计是渐近有效的，它享有竞争有限样本性能。我们还说明了两个真正的神经影像学研究的新方法。
2015-01-30 stat.ME
Tucker Tensor Regression and Neuroimaging Analysis
大规模的神经影像学研究一直在收集研究个体的大脑图像，这些图像采用二维、三维或更高维阵列的形式，也称为张量。解决这些数据所产生的科学问题需要新的回归模型，以多维数组作为协变量。简单地将图像数组转换为长向量会导致非常高的维数，这会损害经典的回归方法，更严重的是，破坏了拥有丰富信息的数组数据的固有空间结构。本文基于回归系数阵列的Tucker分解，提出了一类广义线性张量回归模型。有效地利用张量协变量的低秩结构，将多维性带到可管理的水平，从而实现有效的估计。我们证明，无论是数值上，新的模型可以提供一个良好的恢复，甚至高秩信号，渐近的模型是一致的估计最好的塔克结构近似的Kullback-Liebler距离的意义上的全阵列模型。新的模型还比较了最近提出的张量回归模型，依赖于替代CANDECOMP/PARAFAC（CP）分解。
2013-04-20 stat.ME
Should univariate Cox regression be used for feature selection with respect to time-to-event outcomes?
重要提示：至事件发生时间结局常用于临床试验和生物标志物发现研究，并主要使用考克斯比例风险模型进行分析。但目前还不清楚，当主要关注事件发生时间结果时，应推荐哪些统计模型用于特征选择任务。目的：探讨对数转换生存时间的高斯回归在特征选择上是否优于考克斯比例风险模型。设计：真实模型为10个协变量的多变量考克斯比例风险模型。对于所有特征选择比较，假设对于所有模型拟合，仅观察/测量10个真实特征中的5个，以及5个随机噪声特征。使用10，000个模拟数据集探索每个样本量和删失率场景。将不同的统计模型应用于同一数据集以估计特征效应。模型性能比较使用敏感性，特异性和准确性的效果大小排名。研究结果：当特征是独立的并且真实模型是多变量考克斯比例风险模型时，对数转换生存时间的高斯回归在特征选择方面，仅两个协变量的（反应变量）优于单变量考克斯比例风险模型和逻辑斯谛回归，不仅灵敏度更高，特异性相当，而且效应量排序的准确性更高，无论样本量和删失率值如何。结论和相关性：本研究证明了在至事件发生时间结局的特征选择实践中纳入对数转换生存时间的高斯回归的重要性。
2022-08-20 stat.ME
Diagnostics for Regression Models with Semicontinuous Outcomes
针对半连续数据在零处的点质量导致标准诊断工具失效的问题，提出一种适用于一般回归模型的新残差方法，其收敛于均匀分布以检测模型误设，并可评估预测分布，已通过医疗支出数据验证。
2024-01-12 stat.AP stat.ME
Reduced-Rank Tensor-on-Tensor Regression and Tensor-variate Analysis of Variance
拟合具有许多多元响应和协变量的回归模型可能具有挑战性，但此类响应和协变量有时具有张量变量结构。我们扩展了经典的多元回归模型，利用这种结构，在两个方面：首先，我们施加四种类型的低秩张量格式的回归系数。其次，我们使用张量变量正态分布对误差进行建模，该分布对协方差阵施加Kronecker可分离格式。我们通过块松弛算法获得极大似然估计，并推导出它们的计算复杂度和渐近分布。我们的回归框架使我们能够制定张量变量方差方差分析（TANOVA）方法。这种方法，当应用在一个单向的TAANOVA布局，使我们能够识别大脑区域显着相关的互动的自杀未遂者或非自杀意念者和积极的，消极的或死亡暗示的话在功能磁共振成像研究。另一个应用程序使用三向TAANOVA对野生图像数据集中的标记面部进行分析，以区分与种族起源，年龄组和性别相关的面部特征。
2022-04-11 math.ST physics.data-an stat.CO
Outcome Regression Methods for Analyzing Hybrid Control Studies: Balancing Bias and Variability
本文针对混合对照研究，提出增强、G计算和加权回归三种结局回归方法，探讨偏倚与方差权衡，模拟与实例表明加权回归在提升效率方面表现更优。
2025-01-29 stat.ME
Information Borrowing for Cox Regression with an Auxiliary Outcome
Shanxi University（山西大学）；Bristol Myers Squibb（百时美施贵宝）；Takeda Pharmaceuticals（武田制药）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种半参数方法，通过二次惩罚将辅助结局信息纳入Cox回归，在效应一致时借用信息，不一致时自适应调整，以降低估计方差并保持有效性。
2026-09-29 stat.ME
