The Jeffreys-Lindley Paradox and Discovery Criteria in High Energy Physics
杰弗里斯-林德利悖论显示了在频率论假设检验中使用p值（或标准差z的数量）如何导致与哈罗德·杰弗里斯在20世纪30年代倡导的贝叶斯假设检验形式截然不同的推论。该设置是一个明确的原假设（如基本粒子物理学的标准模型，可能有“讨厌的参数”）与一个复合替代（如标准模型加上一个未知强度的新的自然力）的测试。p值以及零假设下的似然与备择假设下的最大似然之比可能强烈不利于零假设，而原假设的贝叶斯后验概率可以任意大。学术统计文献包含了许多慷慨激昂的评论这个悖论，但没有共识，无论是在其相关性的科学交流或其正确的解决方案。该悖论与高能物理学的前沿研究非常相关。本文试图向物理学家和统计学家解释这种情况，希望能取得进一步的进展。
2014-08-23 physics.data-an stat.ME
Reference Bayesian analysis for hierarchical models
本文提出了另一种方法来构建不变的Jeffreys先验分布适合分层或多层模型。特别是，我们的提议基于分层模型的Fisher信息的灵活分解，克服了模型参数似然性的边缘化步骤。分层模型的Fisher信息矩阵是从感兴趣的参数值的邻域中的模型的Kullback-Liebler（KL）散度的Hessian导出的。KL发散的性质被用来证明所提出的分解。我们的建议利用层次结构，并导致另一种方法计算Jeffreys先验的超参数和先验信息的上界。虽然Jeffreys先验给出了关于参数的最小信息，但所提出的界给出了任何先验分布中的信息的上极限。具有高于该限制的信息的先验可能被认为信息量太大。从实际的角度来看，所提出的先验可以作为MCMC算法的一部分进行计算评估。这个属性对于具有许多层次的建模设置可能是必不可少的，在这些层次中，分析边缘化是不可行的。我们说明了我们的建议的有用性与混合模型中的例子，在模型选择先验，如套索和学生t模型。
2019-04-25 math.ST stat.TH
Classical and Bayesian Analyses of a Mixture of Exponential and Lomax Distributions
在混合模型的寿命试验中，指数分布和Lomax分布被广泛应用。提出了一种指数分布与Lomax分布的混合模型。所提出的模型的参数估计使用经典和贝叶斯程序下的第一类右删失。贝叶斯估计的表达式推导出假设非信息（均匀和杰弗里斯）先验下对称和非对称损失函数。后验预测分布的未来观测的推导和预测估计。广泛的蒙特卡罗模拟进行调查性能的估计方面的样本量，删失时间和混合比例。混合模型的分析进行了使用的数据集的发射机和接收机的寿命。有趣的性质的估计进行了观察和讨论。
2020-02-25 stat.ME
Generalized Jeffreys's approximate objective Bayes factor: Model-selection consistency, finite-sample accuracy, and statistical evidence in 71,126 clinical trial findings
本文提出广义Jeffreys近似客观贝叶斯因子（eJAB），证明其模型选择一致性，并通过模拟和71,126项临床试验数据验证其有限样本精度，发现大量p值显著但证据支持零假设的矛盾结果，揭示I型错误及Jeffreys-Lindley悖论。
2025-10-27 stat.AP stat.ME
Bayesian test of normality versus a Dirichlet process mixture alternative
本文提出基于狄利克雷过程混合备择模型的贝叶斯正态性检验方法，利用潜在聚类标量参数化和序贯重要性采样计算贝叶斯因子，在保持正态性成立时不误判的同时有效检测非正态性。
2019-11-14 math.ST stat.CO stat.ME
Testing hypotheses via a mixture estimation model
我们考虑一种新的范式贝叶斯检验的假设和贝叶斯模型比较。我们的替代传统的后验概率的建设，一个给定的假设是真的，或数据来源于一个特定的模型是考虑比较的模型作为混合模型的组成部分。因此，我们取代原来的测试问题的估计一个集中在一个混合模型中的一个给定的模型的概率权重。我们分析了各种先验模型的权重的后验分布的灵敏度。我们强调，在使用这种新颖的角度来看，一个主要的吸引力是，通用的不适当的先验是可以接受的，而不是把收敛的危险。在其他功能中，这允许解决林德利-杰弗里斯悖论。当在混合权重上使用参考Beta B（a，a）先验时，我们注意到，权重的后验估计对a选择的敏感性随着样本量的增加而消失，并支持从Rousseau和Mengersen（2011）导出的默认选择a=0.5。这个容易实现的替代经典贝叶斯解决方案的另一个特征是，权重的后验平均值和相应的后验概率的收敛速度非常相似。
2018-12-31 stat.ME
Differential gene expression analysis via two-component mixture models with a semiparametric skew-normal scale mixture alternative
Pukyong National University（釜庆国立大学）；University of Queensland（昆士兰大学）
本文提出一种半参数混合模型，用于微基因表达分析，通过偏正态尺度混合替代处理偏态和厚尾问题，提高分析精度。
2026-03-17 stat.ME
The expected demise of the Bayes factor
本说明是对Ly等人的论文“Harold Jeffreys的默认贝叶斯因子假设检验：解释，扩展和在心理学中的应用”以及经典贝叶斯方法测试的感知缺点的讨论，同时报告Kamary，Mengersen，Robert和Rousseau（2014）提出的替代方法。arxiv：1412.2044）作为这个典型推理问题的解决方案。
2015-07-27 stat.ME
Semiparametric inference in mixture models with predictive recursion marginal likelihood
预测递推算法是混合模型中混合密度非参数估计的一种精确且计算效率高的算法。然而，在半参数混合模型中，该算法无法考虑额外的未知结构参数中的任何不确定性。作为现有的配置文件似然方法的替代方案，我们把预测递归作为一个过滤器近似拟合完全贝叶斯模型，从而出现的结构参数的近似边际似然，并可用于推理。我们称之为预测递归边际似然。预测递归下的模型误指定的收敛特性也导致了这个新的过程有吸引力的建设。我们证明了这个边缘似然函数的规范化版本的逐点收敛。仿真结果比较了这种新的边缘似然方法的性能，现有的轮廓似然方法以及Dirichlet过程混合物的密度估计。混合效应模型和经验贝叶斯多重检验应用在时间序列分析也被认为是。
2011-06-16 math.ST stat.ME stat.TH
Mixture representations and Bayesian nonparametric inference for likelihood ratio ordered distributions
本文利用混合表示刻画似然比有序分布，提出基于Dirichlet过程混合的非参数贝叶斯密度估计方法，首次证明有序约束下的后验相合性，并给出MCMC算法及生物医学应用。
2023-10-26 math.ST stat.ME stat.TH
Testing the Order of Multivariate Normal Mixture Models
多元正态分布的有限混合分布在统计遗传学和统计金融学等领域的经验应用中得到了广泛的应用。检验多元正态混合模型中的分量数是一个长期存在的挑战，即使是在最重要的检验同质性的情况下。本文开发了基于似然性的$M_0$组件的原假设对一般$M_0 \geq 1$的$M_0 + 1$组件的备择假设的测试。对于异方差正态混合模型，我们提出了EM检验，并给出了EM检验统计量的渐近分布。对于同方差正态混合，我们得到了似然比检验统计量的渐近分布。在局部替代下，我们还得到了似然比检验统计量和EM检验统计量的渐近分布，并证明了参数自助法的有效性。仿真结果表明，该检验具有良好的有限样本量和功效特性。
2019-02-08 econ.EM math.ST stat.TH
A two-component normal mixture alternative to the Fay-Herriot model
本文考虑了一种稳健的分层贝叶斯方法来处理小面积均值的随机效应，当这些效应中的一些假设极值，导致离群值。在存在离群值的情况下，在随机效应的正态假设下，用于对地区水平数据建模的标准Fay-Herriot模型可能高估随机效应方差，从而提供了低于理想的合成回归预测收缩，并抑制了借用信息。即使是少量的随机效应的实质性离群值也会导致Fay-Herriot模型中随机效应方差的较大估计值，从而对模型的合成部分几乎没有收缩，或者对任何小区域的常规贝叶斯估计值相关的后验方差几乎没有减少。虽然已发现随机效应的具有已知混合分布的正态分布的尺度混合在存在离群值的情况下是有效的，但解决方案取决于混合分布。作为一个可能的替代解决方案的问题，一个两个组件的正常混合模型已被提出的基础上的模型方差参数，回归系数和混合概率的非信息先验。基于真实、模拟和合成数据的数据分析和仿真研究表明，该方法优于随机效应正态分布下的标准贝叶斯Fay-Herriot解。
2015-10-22 stat.ME
A Review of Brown 1971 (in)admissibility results under scale mixtures of Gaussian priors
布朗1971年的论文“Admissible Estimators，Recurrent Diffusions and Unsolved边值问题“是可容许性文献中的一个里程碑。它几乎完全解决了误差平方和损失下协方差一致的多元正态分布均值估计的容许/不容许问题。我们重新审视这一美妙的巡回演出的力量在其成立50周年，并提出了一种替代和更直接的证明结果的广义贝叶斯估计对应的先验是一个子类的规模混合球法线。
2021-10-05 math.ST stat.TH
Model-based functional mixture discriminant analysis with hidden process regression for curve classification
Université de Toulon（土伦大学）；Aix Marseille Université（艾克斯-马赛大学）；ENSAM（国立高等工程技术学院）；Institut Universitaire de France（法国大学研究院）；IFSTTAR（法国交通与安全科学技术研究所）
在本文中，我们研究的建模和分类的功能数据呈现政权随时间的变化。我们提出了一种新的基于模型的功能混合判别分析方法的基础上，一个特定的隐藏过程回归模型，管理政权随时间的变化。我们的方法是特别适合于处理复杂形状的曲线类的问题，其中每个类是潜在的几个子类组成，并处理每个同质子类内的政权变化。该模型通过混合模型公式明确地集成了每类曲线的异质性，并且通过隐藏的逻辑过程在每个子类内改变政权。每一类复杂形状的曲线是由有限数量的同质集群，他们中的每一个被分解成几个政权。通过使用专用的期望最大化（EM）算法最大化数据对数似然来学习每个类的模型参数。比较与替代曲线分类方法，包括功能线性判别分析和功能混合判别分析与多项式回归混合物和样条回归混合物。模拟数据和实际数据的实验结果表明，该方法在判别力方面优于其他方法，并显着提高了曲线的逼近。
2013-12-25 cs.LG math.ST stat.ME
Multiple hypothesis screening using mixtures of non-local distributions with applications to genomic studies
大规模数据集的分析，特别是在生物医学背景下，经常涉及多个假设的原则性筛选。著名的两组模型联合建模的检验统计量的分布与两个竞争密度的混合物，零和替代分布。我们调查使用加权密度，特别是，非局部密度作为工作的替代分布，强制分离的空，从而完善筛选程序。我们展示了这些加权的替代品如何改善各种操作特性，如贝叶斯错误发现率，相对于一个本地的，未加权的似然方法的固定混合比例的测试结果。参数和非参数模型规格，提出了有效的采样后验推理。通过模拟研究，我们展示了我们的模型如何与成熟和最先进的替代品在各种操作特性方面进行比较。最后，为了说明我们的方法的多功能性，我们进行了三个差异表达分析与公开可用的数据集从基因组研究的异质性。
2023-03-09 stat.AP stat.ME
Robust Clustering with Normal Mixture Models: A Pseudo $β$-Likelihood Approach
针对正态混合模型似然估计鲁棒性差的问题，提出基于β似然的伪β似然鲁棒聚类方法，通过迭代重加权最小二乘同步实现聚类与异常检测，在模拟和真实数据上表现优于现有主流方法。
2023-12-19 math.ST stat.AP stat.ME
Bayesian inference for transportation origin-destination matrices: the Poisson-inverse Gaussian and other Poisson mixtures
在本文中，我们提出了泊松混合方法的起点-目的地（OD）的交通分析建模。我们引入协变量为基础的模型，其中包括不同的运输建模阶段，也允许直接概率推理的基础上贝叶斯预测的链路流量。重点放在泊松逆高斯作为一种替代常用的泊松伽马和泊松对数正态模型。我们提出了第一个完整的贝叶斯公式，并证明了泊松逆高斯是特别适合OD分析，由于理想的边际和层次属性。此外，集成嵌套拉普拉斯近似（INLA）被认为是一种替代马尔可夫链蒙特卡罗和两种方法进行了比较，在特定的建模假设。案例研究是基于2001年比利时人口普查数据，重点是一个大的，稀疏分布的OD矩阵，包含308佛兰芒自治市的行程信息。
2020-11-11 stat.AP stat.ME
Mixture representations of noncentral distributions
对于实数线上的任何对称分布$μ$，我们可以将非中心分布的参数族关联为$(X+δ)^2$、$δ\not=0$的分布，其中$X$是具有分布$μ$的随机变量。如果$μ$是标准正态分布，则出现经典情况，导致非中心卡方分布。众所周知，这些可以写成具有奇数自由度的中心卡方分布的泊松混合。我们得到这样的混合表示的逻辑斯谛分布和双曲正割分布。我们还推导出卡方分布的替代表示，并将这些表示的泊松家庭。虽然这些问题起源于参数统计，但它们也出现在广义第二Ray-Knight定理的背景下，该定理将高斯过程和马尔可夫过程的局部时间联系起来。
2022-06-21 math.PR math.ST stat.TH
A semi-parametric estimation for max-mixture spatial processes
我们提出了一个半参数估计过程，以估计参数的最大混合模型和最大稳定模型（逆最大稳定模型）作为替代的复合似然。一个很好的估计所提出的估计需要的依赖措施，以检测所有的依赖结构的模型，特别是在处理最大混合模型。我们通过使用F-madogram克服了这一挑战。半参数估计是基于准最小二乘法，通过最小化理论F-madogram和经验之间的平方差。我们通过模拟研究评估了这种估计的性能。结果表明，平均而言，估计是执行良好的，虽然在某些情况下，它遇到了一些困难。我们应用我们的估计程序来模拟东澳大利亚的每日风暴。
2017-12-05 math.PR math.ST stat.TH
An Alternative to EM for Gaussian Mixture Models: Batch and Stochastic Riemannian Optimization
University of Tehran（德黑兰大学）；Massachusetts Institute of Technology（麻省理工学院）；School of ECE, College of Engineering, University of Tehran（德黑兰大学工程学院电子与计算机工程系）
本文研究高斯混合模型的极大似然估计。这个任务几乎总是通过期望最大化（EM）算法来解决（在理论和实践中）。EM的成功得益于多方面的因素，其中以封闭形式满足正定性约束的能力至关重要。我们提出了一种替代EM呼吁丰富的黎曼几何正定矩阵，使用它，我们铸造Gmm参数估计作为一个黎曼优化问题。令人惊讶的是，这样一个开箱即用的黎曼公式完全失败，并证明比EM差得多。这促使我们更仔细地研究问题的几何形状，并推导出更适合黎曼优化的更好的公式。然后，我们开发（黎曼）批处理和随机梯度算法，优于EM，往往大幅。我们提供了一个非渐近收敛分析我们的随机方法，这也是第一个（据我们所知）这样的整体分析黎曼随机梯度。大量的实证结果证明了我们的方法的有效性。
2017-06-10 cs.LG stat.ML
A Mixture of SDB Skew-t Factor Analyzers
斜t分布的混合为基于模型的聚类提供了灵活的选择。这类混合模型可以使用各种斜t分布公式来实现。在这里，我们开发了一个混合的偏-t因子分析模型的聚类高维数据使用灵活的配方的偏- t分布。我们的方法，它代表了一个灵活的偏t分布的混合因子分析模型的扩展，方法的细节，概述和详细的参数估计提供。聚类结果进行了说明和比较的一种替代配方的混合物的偏T因子分析模型以及混合物的因子分析模型。
2017-05-05 stat.CO stat.ME
A new Bayesian two-sample t-test for effect size estimation under uncertainty based on a two-component Gaussian mixture with known allocations and the region of practical equivalence
测试治疗组和对照组之间的差异是生物医学研究中的常见做法，如随机对照试验（RCT）。标准的双样本t检验依赖于通过p值进行的原假设显著性检验（NHST），其具有若干缺点。贝叶斯替代方案最近使用贝叶斯因子引入，贝叶斯因子有其自身的局限性。本文介绍了当前贝叶斯双样本t检验的替代方法，将基础模型解释为双组分高斯混合模型，其中效应量是临床研究中最相关的感兴趣的量。与p值或贝叶斯因子不同，所提出的方法侧重于不确定性下的估计，而不是明确的假设检验。因此，通过吉布斯采样器产生效应量的后验，随后用于不确定性下的估计或基于实际等效区域（ROPE）的明确假设检验。最后通过实例、理论结果和仿真研究验证了该方法的有效性，并在R软件包bayest中进行了检验。
2020-05-15 stat.ME
Approximate Bayesian Computation for Finite Mixture Models
有限混合模型用于统计学和其他学科，但混合模型的推理是具有挑战性的，部分原因是由于似然函数的多峰性和所谓的标签切换问题。我们提出了扩展的近似贝叶斯计算人口蒙特卡罗（ABC-PMC）算法作为一种替代框架的推断有限混合模型。在有限混合模型中实现ABC-PMC算法时，需要做出几个决定，包括选择用于在迭代中移动粒子的内核，如何解决标签切换问题，以及选择信息汇总统计量。最后通过算例验证了ABC-PMC混合建模算法的有效性。所提出的方法的性能进行了评估，在模拟研究和流行的退行速度星系的数据。
2020-11-02 stat.ME
Bayesian Semiparametric Mixture Cure (Frailty) Models
University of Oslo（奥斯陆大学）
本文提出了一种贝叶斯半参数混合治愈模型，通过分层框架灵活处理frailty成分，提升对患者异质性的建模能力，并在模拟和实际数据中验证了其有效性。
2025-12-09 math.ST stat.CO stat.ME
On a Loss-based prior for the number of components in mixture models
我们提出了一个有限混合模型的分量数的先验分布。新颖的是，先验分布是通过考虑的损失，如果没有考虑代表组件的数量的真实值将招致。先验具有优雅且易于实现的结构，其允许自然地包括可能具有的任何先验信息，以及在该信息不可用的情况下选择默认解决方案。通过对实际数据和模拟数据的分析，研究了先验知识的性能，并与现有的替代方案进行了比较。
2018-09-04 stat.ME
Learning Mixtures of Plackett-Luce Models from Structured Partial Orders
Rensselaer Polytechnic Institute（伦斯勒理工学院）
混合排序模型已被广泛用于异质偏好。然而，学习混合模型是非常重要的，特别是当数据集由偏序组成时。在这种情况下，模型的参数甚至可能无法识别。在本文中，我们专注于三个流行的结构偏序：排名前$l_1$，$l_2$的方式，选择数据的一个子集的替代品。我们证明了当数据集由排名靠前的$l_1$和$l_2$ -路（或选择数据超过$l_2$替代品）的组合组成时，当$l_1+l_2\le 2k-1$（当没有$l_2$ -路订单时，$l_2$被设置为$1$）时，$k$ Plackett-Luce模型的混合物是不可识别的。我们还证明了在某些组合下，包括排名靠前的$3$，排名靠前的$2$加上$2$的方式，和选择数据超过$4$替代品，两个Plackett-Luce模型的混合物是可识别的。我们的理论结果的指导下，我们提出了有效的广义矩量法（GMM）算法来学习两个Plackett-Luce模型的混合物，这被证明是一致的。我们的实验证明了我们的算法的有效性。此外，我们表明，当完整的排名，从不同的边缘事件（偏序）的学习提供了统计效率和计算效率之间的权衡。
2019-10-25 cs.LG stat.ML
The Bayes Factor Reversal Paradox
Radford University（拉德福德大学）
该研究揭示了贝叶斯推断中因先验选择不同而导致的矛盾，证明在正态模型中，相同数据可能得出相反结论。
2025-11-27 stat.ME
Bayesian Nonparametric Functional Mixture Estimation for Time-Series Data, With Application to Estimation of State Employment Totals
美国劳工统计局使用来自当前人口调查（CPS）的每月各州就业总数作为关键输入，以制定各州各县的就业估计。然而，按州分列的每月CPS总数表达了高水平的波动性，这损害了为各县组成的估计结果的准确性。典型的小面积估计模型通过借用调查月份的信息来产生去噪的州一级就业估计，但假设按州时间序列的集合之间的独立性，由于其基本经济的相似性，通常会违反这一点。我们构造了高斯过程和高斯马尔可夫随随机场替代功能的先验规范，每一个在一个混合的多元高斯分布的Dirichlet过程（DP）的混合措施，其协方差或精度矩阵的参数。我们的DP混合函数模型允许数据同时估计月份之间和状态之间的依赖性。我们的模型的一个特点是，分配给同一聚类的那些函数是从具有相同协方差参数的分布中提取的，因此它们是相似的，但不必完全相同。我们比较了我们的两个替代品的合成数据的性能，并将其应用到恢复去噪，由国家CPS就业总量的数据从$2000-2013$。
2015-08-03 stat.ME
Bayesian mixture modeling using a mixture of finite mixtures with normalized inverse Gaussian weights
Hiroshima University（广岛大学）
研究贝叶斯混合模型中成分数量未知的情况，提出基于归一化逆高斯权重的MFM方法，通过引入潜在变量用块吉布斯采样计算后验，经数值实验和实际数据示例验证性能，还考虑了对动态MFM的扩展。
2026-07-09 stat.ME
Mixture Models and Networks -- Overview of Stochastic Blockmodelling
混合模型是一种概率模型，旨在发现和表示群体中的潜在子群。在网络数据分析领域，节点的潜在子组通常通过其连接行为来识别，其中行为相似的节点属于同一社区。在这种情况下，混合建模是通过随机块建模。我们考虑随机块模型和他们的一些变种和扩展从混合建模的角度来看。我们还调查了一些主要类别的估计方法，并提出了一种替代方法。除了讨论推理特性和估计过程外，我们还重点讨论了模型在几个真实网络数据集上的应用，展示了不同方法的优点和缺陷。
2020-05-26 stat.AP stat.ME
Repulsive Mixtures
离散混合模型通常用于密度估计和聚类。在对特定于聚类的参数进行推断时，当前的频率论和贝叶斯方法经常遇到问题，当聚类被放置得太近而没有科学意义时。当前贝叶斯实践独立于共同先验生成特定于组件的参数，这倾向于支持相似组件，并且通常导致分配给不需要拟合数据的冗余组件的大量概率。作为替代方案，我们建议从排斥过程中生成组件，这会导致更少，更好地分离和更可解释的集群。我们从理论上描述了这种排斥性先验，并提出了一种用于后验计算的马尔可夫链蒙特卡罗采样算法。使用模拟数据以及真实数据集的方法进行说明。
2012-09-20 stat.ME
Order selection with confidence for finite mixture models
有限混料模型的混料分量数（阶数）的确定一直是统计推断中的一个难题。我们证明了封闭测试原则导致一个顺序测试程序（STP），允许的信心声明，以有限混合模型的顺序。我们构造有限样本测试，通过数据分割和数据交换，在STP中使用，我们证明，这样的测试是一致的固定的替代品。模拟研究和真实数据的例子来证明有限样本测试为基础的STP的性能，产生实际的建议，他们使用的置信估计结合点估计，如赤池信息或贝叶斯信息标准。此外，我们证明了修改的STP产生的方法，始终选择有限混合模型的顺序，在渐近意义上。我们的STP不仅适用于有限混合模型的阶选择，而且对于任何嵌套模型序列的置信声明也是有用的。
2022-09-26 stat.ME
Repulsive g-Priors for Regression Mixtures
Graduate School of Economics, Keio University（庆应义塾大学经济学研究科）；Faculty of Economics, Keio University（庆应义塾大学经济学部）
本文提出了一种用于回归混合的排斥性g先验，通过在马氏度量下强制分离组件，提高模型的简洁性和预测性能。
2025-12-18 stat.ME
Introduction to finite mixtures
混合模型已经存在了150多年，作为一种直观简单和实用的工具，用于丰富可用于建模数据的概率分布的集合。在这一章中，我们描述了主题的基本思想，提出了几种替代的表示和这些模型的观点，并讨论了一些元素的推理模型中的未知数。我们的重点是有限混合模型的最简单的设置，但我们也讨论了如何放松各种简化假设，以产生丰富的建模和推理思想的景观，在本书的其余部分。
2018-05-05 stat.ME
Approximating the marginal likelihood in mixture models
在Chib（1995）中，提出了一种在贝叶斯设置中近似边缘密度的方法，其中一个突出的应用是估计正常混合物中组分的数量。如Neal（1999）和Fruhabeth-Schnatter（2004）中所指出的，由于众所周知的标签切换问题，近似通常不能提供对真实边际密度的适当近似（Celeux等人，2000年）。虽然有其他替代方案来推导近似的边际密度，但我们重新考虑了这里的原始提议，并在Berkhof et al.（2003）和Lee et al.（2008）中表明，一旦解决了标签转换问题，它就真正近似了边际密度。
2008-04-15 stat.CO stat.ME
A k-Inflated Negative Binomial Mixture Regression Model: Application to Rate--Making Systems
本文介绍了一种k-膨胀负二项混合分布/回归模型，作为零膨胀泊松分布/回归模型的更灵活的替代。采用期望最大化算法估计模型参数。然后，将该模型与帕累托混合模型相结合，设计了一个最优费率制定系统。也就是说，本文采用了伊朗第三方保险数据集报告的索赔数量/规模。然后，它采用k-膨胀负二项混合分布/回归模型以及其他成熟的计数模型以及帕累托混合模型来模拟伊朗第三方保险数据集中报告的索赔频率/严重程度。这样的数值说明表明：（{ \bf 1}）在费率制定系统下，k-膨胀负二项混合模型为投保人提供了更公平的费率/纯保费;以及（{ \bf 2}）在投保人的过去经验中报告的索赔数量均匀分布的情况下（例如$k_1=1$和$k_2=1$而不是$k_1=0$和$k_2=2$）。k-膨胀负二项混合模型下的费率/纯保费更有吸引力且更容易接受。
2017-01-19 stat.ME
Laplacian-P-splines for Bayesian inference in the mixture cure model
用于分析生存数据的混合治愈模型的特征在于假设研究人群分为一组受试者，该组受试者将在有限的时间范围内发生关注事件，另一组治愈受试者无论随访持续时间如何都不会发生事件。当使用贝叶斯范式推断具有治愈分数的生存模型时，通常的做法是依靠马尔可夫链蒙特卡罗（MCMC）方法从后验分布中采样。虽然计算上可行，但MCMC的迭代性质通常意味着长采样时间来探索具有可能遭受缓慢收敛和不良混合的链的目标空间。本文提出了一种基于拉普拉斯近似和惩罚B样条的混合硫化模型快速、灵活的无采样贝叶斯推断方法。假设治愈比例为逻辑斯谛回归模型，并使用具有P样条近似基线风险的考克斯比例风险模型来指定易感受试者的条件生存函数。拉普拉斯近似的条件潜在向量是基于对数似然的梯度和海森的分析公式，从而大大加快了近似后验分布。在模拟研究中评估了所提出的拉普拉斯-P-样条混合曲线（LPSMC）模型的统计性能和计算效率。结果表明，LPSMC是一个有吸引力的替代经典MCMC近似贝叶斯推断在标准的混合硫化模型。最后，新的LPSMC方法说明了三个应用程序，涉及真正的生存数据。
2021-05-17 stat.CO stat.ME
Functional Mixture Discriminant Analysis with hidden process regression for curve classification
Institut Universitaire de France（法兰西大学研究院）
我们提出了一种新的基于混合模型的判别分析方法的功能数据使用一个特定的隐藏过程回归模型。该方法允许拟合灵活的曲线模型，以每一类复杂形状的曲线呈现政权的变化。通过使用专用的期望最大化（EM）算法，最大化每个类的数据对数似然来学习模型参数。仿真数据与其他方法的比较表明，所提出的方法提供了更好的结果。
2013-12-25 cs.LG stat.ME stat.ML
Modeling with Normalized Random Measure Mixture Models
Dirichlet过程混合物模型和基于离散随机概率测度的更一般的混合物已被证明是密度估计和聚类的灵活和准确的模型。本文的目标是说明使用归一化随机措施的混合措施在非参数分层混合模型，并指出如何可能的计算问题，可以成功地解决。为此，我们首先提供了一个简洁和方便的介绍，规范化的随机措施与独立的增量。然后，我们详细解释了一个特定的方式，从后使用弗格森-克拉斯表示采样。我们开发了一个彻底的位置规模的混合物，认为一组替代品的混合内核和非参数组件的比较分析。仿真结果表明，归一化随机测量混合物可能是一个有效的默认选择密度估计问题。作为这项研究的副产品，一个R包，以适应这些模型的产生，并在综合R档案网络（CRAN）。
2013-10-01 stat.ME
Bayesian I-optimal designs for choice experiments with mixtures
离散选择实验经常被用来量化消费者的偏好，让受访者在不同的替代品之间进行选择。在文献中，涉及成分混合物的选择实验在很大程度上被忽视了，尽管许多产品和服务可以被描述为成分的混合物。因此，很少有研究已经做了关于混合物的选择实验的最优设计。现有的研究主要集中在D-最优设计上，这意味着采用了基于估计的方法。然而，在混合物的实验中，获得能够对任何成分比例组合进行精确预测的模型至关重要。这是因为混合实验的目标通常是找到优化受访者效用的混合物。因此，I-最优性准则比D-最优性准则更适合于设计混合物的选择实验，因为I-最优性准则侧重于用估计的统计模型得到精确的预测。在本文中，我们研究贝叶斯I-最优设计，比较它们与贝叶斯D-最优的同行，并表明，前者的设计表现大大优于后者的预测效用的方差。
2021-09-14 stat.ME
Optimal transport for vector Gaussian mixture models
Stony Brook University（石溪大学）
向量值高斯混合分布是向量值分布的一个重要的特殊子集。一般来说，向量值分布构成物理实体的自然表示，其可以在分布在给定空间中的替代表现形式之间变异或过渡。一个重要的例子是彩色图像。在这篇笔记中，我们向量化的高斯混合模型，并研究了几个不同的最优质量输运相关的问题，这样的模型。使用矢量高斯混合物进行最佳质量输运的好处包括计算效率和保持结构的能力。
2022-11-09 cs.LG math.OC math.PR
Mixture of Directed Graphical Models for Discrete Spatial Random Fields
The Hershey Company（好时公司）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
研究针对空间相关区域单元离散值建模的挑战，提出有向图模型混合（MDGMs）框架。其组件由有向无环图表示，计算快，非MRF近似。通过兼容性概念创建DAG集，在模拟和数据 分析中与MRF等比较，提供有效后验推断且计算更快更有原则。
2026-07-17 stat.ME
Testing for Homogeneity in Mixture Models
未观察到的异质性的统计模型通常形式化为简单参数模型的混合物，并且兴趣自然地集中在检验同质性与一般混合物替代方案。许多这种类型的检验可以解释为$C(α)$检验，如Neyman（1959）所述，并证明是局部渐近最优的。这些$C(α)$测试将与一般混合模型的似然比测试的新方法进行对比。后一种检验是基于一般非参数混合分布的估计，使用Kiefer和Wolfowitz（1956）极大似然估计量。最近的发展，凸优化显着改善了早期EM方法计算这些估计，最近的结果，大样本行为的似然比，涉及这些估计产生一个易于处理的形式的渐近推理。计算效率的提高也有利于使用自举方法来确定临界值，这些临界值比有限样本中的渐近临界值更好。自举程序的一致性也正式确立。我们比较性能的两种方法确定的情况下，每一个是首选。
2016-03-21 stat.ME
Dirichlet Process Parsimonious Mixtures for clustering
Normandie Univ（诺曼底大学）；UNICAEN（卡昂大学）；CNRS（法国国家科学研究中心）；Aix Marseille Université（艾克斯-马赛大学）；ENSAM（法国国立高等工程技术学校）；Université de Toulon（土伦大学）
简约高斯混合模型，它利用一个特征值分解的组协方差阵的高斯混合，已显示出他们的成功，特别是在聚类分析。它们的估计一般通过极大似然估计进行，并且也从参数贝叶斯前景考虑。我们提出了新的Dirichlet过程简约混合物（DPPM），代表这些简约高斯混合模型的贝叶斯非参数制定。所提出的DPPM模型是贝叶斯非参数简约混合模型，允许同时推断模型参数，混合物组分的最佳数量和最佳简约混合物结构的数据。我们开发了一个吉布斯抽样技术的最大后验概率（MAP）估计的DPMM模型，并提供了一个贝叶斯模型选择框架，通过使用贝叶斯因子。我们将它们应用于聚类模拟数据和真实数据集，并将它们与标准的简约混合模型进行比较。所得到的结果突出了所提出的非参数简约混合模型作为一个很好的非参数替代参数简约模型的有效性。
2018-10-17 cs.LG stat.ME stat.ML
Mean regression for (0,1) responses via beta scale mixtures
University of Pretoria（比勒陀利亚大学）；University of the Witwatersrand（威特沃特斯兰德大学）
本文提出beta尺度混合模型，用于更灵活地建模(0,1)响应，通过引入混合随机变量控制尾部行为，提升skewness和kurtosis的适应性，在模拟和真实数据上验证了其优于传统方法的性能。
2026-02-09 stat.ME
Checking for prior-data conflict using prior to posterior divergences
当使用复杂的贝叶斯模型组合信息时，检查组合信息的一致性是良好的统计实践。在这里，一个新的方法来检测先验数据冲突的贝叶斯模型的基础上比较的观察值的先验后验分歧，其分布下的先验预测分布的数据。在我们的模型检查中使用的发散度量是一个度量，用于度量信念从先验到后验发生了多大的变化，并且可以被认为是相对信念函数的整体大小的度量。结果表明，该方法是直观的，具有理想的性质，可以扩展到分层设置，并渐近相关的Jeffreys'和参考先验分布。在计算困难的情况下，建议使用变分近似作为减轻计算负担的一种方式。该方法进行了比较，在一些例子中的替代，但密切相关的方法在文献中的基础上，事先预测分布的最小充分统计量。
2016-11-28 stat.ME
Bayesian Mixture Models for Heterogeneous Extremes
Unité Biostatistique et Processus Spatiaux, INRAE, France（生物统计与空间过程单元，法国国家农业食品与环境研究院）；School of Mathematics, University of Edinburgh, UK（爱丁堡大学数学学院）；Department of Mathematics, University of Aveiro, Portugal（阿威罗大学数学系）；Department of Environmental Sciences, Informatics and Statistics, Ca’Foscari University of Venice, Italy（威尼斯卡福斯卡里大学环境科学、信息学与统计学系）
本文提出一种贝叶斯混合模型，用于处理极值的异质性，通过Dirichlet过程混合GEV分布，提升灵活性并捕捉观测间的极值相似性。
2026-04-13 stat.ME
Assessing Risk Heterogeneity through Heavy-Tailed Frequency and Severity Mixtures
本文通过构建基于负二项与伽马核的重尾混合分布族，提出4参数和5参数模型来检测和度量风险异质性，并验证推断的稳健性。
2025-11-06 math.PR stat.AP stat.ME
A Mean Field Games model for finite mixtures of Bernoulli and Categorical distributions
有限混合模型是数据的统计分析中的重要工具，例如在数据聚类中。混合模型的最优参数通常通过期望最大化算法最大化对数似然泛函来计算。我们提出了一种替代方法的理论基础上的平均场游戏，一类微分游戏与无限数量的代理。我们证明了有限状态空间多种群平均场博弈系统的解刻画了伯努利混合的对数似然泛函的临界点。然后将该方法推广到分类分布的混合模型。因此，平均场游戏的方法提供了一种方法来计算混合模型的参数，我们展示了它的应用程序在聚类分析中的一些标准的例子。
2020-11-27 cs.LG math.AP stat.ML
Mixture priors for replication studies
University of Trieste（的里雅斯特大学）；University of Zurich（苏黎世大学）
本文提出了一种基于混合先验的新型贝叶斯方法，用于复制研究，通过混合原始研究的后验分布和非信息性分布来量化复制研究的复制程度，并展示了如何利用贝叶斯因子进行科学假设检验。
2026-05-17 stat.AP stat.ME
Exact and Efficient Parallel Inference for Nonparametric Mixture Models
基于狄利克雷过程的非参数混合模型是有限模型的一个优雅的替代品，当底层组件的数量是未知的，但在这样的模型中的推理可能很慢。在这种模型中并行推理的现有尝试依赖于引入近似，这可能导致后验估计的不准确。在本文中，我们描述了辅助变量表示的狄利克雷过程和分层狄利克雷过程，使我们能够从真正的后验分布的方式进行采样。我们表明，我们的方法允许可扩展的推理，而不会恶化估计质量，伴随着现有的方法。
2012-11-29 stat.ML
A probability for classification based on the mixture of Dirichlet process model
在本文中，我们提供了一个明确的概率分布分类的目的。它是从贝叶斯非参数混合狄利克雷过程模型，但适当的修改，删除不适当的方面的分类基于这个模型。由此产生的方法，然后更接近类似于一个经典的层次分组规则，因为它取决于相邻值的平方和。建议的概率模型分类依赖于一个模拟算法，这将是基于一个可逆的MCMC算法来确定的概率，我们提供了数值例子与替代的想法进行分类比较。
2009-05-02 stat.AP
A Method of Moments for Mixture Models and Hidden Markov Models
University of California, Irvine（加州大学欧文分校）；Microsoft Research New England（微软新英格兰研究院）
混合模型是应用统计学和机器学习中用于处理从多个子群体获取的数据的基本工具。用于估计这种模型的参数的当前实践依赖于局部搜索算法（例如，EM算法），而现有的一致性方法由于它们的高计算和样本复杂性（其通常随混合物组分的数量呈指数地缩放）而不利。这项工作开发了一种有效的矩方法的参数估计方法的一个广泛的类别的高维混合模型与许多组件，包括多视图混合高斯（如轴对齐高斯的混合）和隐马尔可夫模型。新方法导致严格的无监督学习的混合模型，没有实现以前的作品的结果，而且，由于其简单性，它提供了一个可行的替代EM的实际部署。
2012-09-05 cs.LG stat.ML
PReMiuM: An R Package for Profile Regression Mixture Models using Dirichlet Processes
PReMiuM是最近开发的R包贝叶斯聚类使用Dirichlet过程混合模型。该模型是回归模型的替代模型，通过聚类成员关系将响应向量与协变量数据非参数化地联系起来。该软件包支持Bernoulli、Binomial、Poisson、Normal和分类响应，以及Normal和离散协变量。此外，可以对响应进行预测，并处理协变量的缺失值。几个采样器和标签切换移动与诊断工具一起实施，以评估收敛。还提供了一些用于输出后处理的R函数。除了拟合混合物之外，还可能需要确定哪些协变量主动驱动混合物成分。这在包中作为变量选择实现。
2014-04-25 stat.CO
