Extending the Archimedean copula methodology to model multivariate survival data grouped in clusters of variable size
对于聚类生存数据的分析，通常使用两种不同类型的模型来考虑关联：脆弱性模型和Copula模型。脆弱性模型假设每个集群的脆弱性条件，集群内的个体的风险函数是独立的。这些未知的脆弱性术语及其强加的分布被用来表达集群中不同个体之间的关联。另一方面，Copula模型假设集群内个体的联合生存函数由Copula函数给出，并在每个个体的边际生存函数中进行评估。Copula函数描述了一个簇内生命周期之间的关联。目前的Copula模型的一个主要缺点是脆弱性模型的大小不同的集群必须是小的和相等的，以建立管理的估计程序，不同的模型参数。在这篇手稿中，我们描述了一个Copula模型的集群生存数据的集群被允许是中等到大，并考虑类阿基米德Copula完全单调发电机的大小不同。我们开发了一个和两个阶段的估计不同的copula参数。此外，我们证明了这些估计的相合性和渐近正态性。最后，我们进行了模拟研究，调查有限样本性质的估计。我们说明了一个数据集上的方法，包含时间的第一次授精的奶牛，奶牛群。
2014-01-09 stat.ME
Estimating Knots and Their Association in Parallel Bilinear Spline Growth Curve Models in the Framework of Individual Measurement Occasions
潜在增长曲线模型与样条函数是灵活的，方便的统计工具，调查非线性变化模式，表现出不同的发展阶段的变量。在这些模型中，双线性样条增长模型（BLSGM）是最直接和直观的，但有用的。一项现有的研究表明，BLSGM允许结（或变点），在两个线性段连接在一起，是一个额外的增长因素以外的截距和斜率，使研究人员可以估计结及其变异性的框架中的个人测量场合。然而，发展过程通常是在一个共同的发展中展开的，其中两个或两个以上的结果及其变化模式随着时间的推移而相互关联。作为现有的BLSGM与未知的结的扩展，本研究认为，并行BLSGM（PBLSGM）调查多个非线性增长过程和估计结与其变异性的每个过程以及结结的关联框架中的个人测量场合。我们提出了该模型的模拟研究和现实世界的数据分析。我们的仿真研究表明，建议PBLSGM一般估计的参数的兴趣无偏，精确，并表现出适当的置信区间覆盖。使用纵向阅读成绩，数学成绩和科学成绩的实证例子表明，该模型可以估计结的方差为每个增长曲线和两个结之间的协方差。我们还提供了相应的代码所提出的模型。
2021-08-18 stat.ME
Improved methods for empirical Bayes multivariate multiple testing and effect size estimation
本文提出改进的经验贝叶斯方法“Ultimate Deconvolution”，通过自适应正则化和协方差估计解析加速，提升多元多重检验中共享模式估计的速度与准确性，并在模拟和49个人体组织eQTL分析中验证了其优越性。
2024-06-13 stat.ME
Efficient and powerful familywise error control in genome-wide association studies using generalized linear models
在遗传关联研究中，检测表型-基因型关联是主要目标。我们假设数据之间的关系-表型，遗传标记和环境协变量-可以用广义线性模型（GLM）建模。纳入环境协变量使得有可能考虑到重要的混杂因素，如性别和人口结构。多变量得分统计量，在没有表型-基因型关联的完全原假设下，渐近地具有多元正态分布，其具有可以从数据估计的协方差阵，用于测试大量遗传标记与表型的关联。我们强调控制familywise错误率（FWER）的重要性，并使用多变量得分检验统计量的渐近分布，以找到一个局部的显着性水平的个人测试。使用真实的数据（从一项研究精神分裂症和双相情感障碍和一个最大摄氧量），并构建相关的结构，我们表明，我们的方法是一个强大的替代流行的Bonferroni和Sidak方法。对于没有环境协变量的GLM，我们表明，我们的方法是一个有效的替代排列方法的多重检验。此外，我们表明，如果环境协变量和遗传标记是不相关的，估计的协方差阵的得分检验统计量可以近似估计的相关矩阵的遗传标记。作为我们的方法的副产品，可以定义有效数量的独立测试，并且可以计算FWER调整的$p$值作为使用局部显著性水平的替代方案。
2016-12-22 stat.AP stat.ME
Nonparametric Multivariate L1-median Regression Estimation with Functional Covariates
当协变量取值于无穷维空间时，本文提出了多元条件分布的L1-中位数的非参数估计。多变量情况更适合于同时预测随机变量向量的分量，而不是分别预测它们中的每一个。在利用著名的Nadarya-Waston估计量估计条件L1-median函数时，我们证明了该估计量的强相合性和渐近正态性。我们还提出了一些模拟，并提供如何建立条件con？多元L1-中位数回归的置信椭圆。对化学计量实际数据进行了数值研究，比较了协变量X为曲线，X为随机向量时多元L1-中位数回归与边际中位数回归向量的异同。
2013-04-16 math.ST stat.ME stat.TH
Joint estimation of conditional quantiles in multivariate linear regression models. An application to financial distress
本文提出了一种最大似然方法来联合估计线性回归框架中多元响应变量的边缘条件分位数。我们考虑了Kotz等人（2001）提出的多元非对称Laplace分布的一个轻微的重新参数化，并利用其位置-尺度混合表示来实现一个新的估计模型参数的期望最大化算法。其思想是将非对称拉普拉斯分布和众所周知的单变量分位数回归模型之间的联系扩展到多变量环境，即当涉及多变量因变量时。该方法考虑了多个响应之间的关联，并研究响应和解释变量之间的关系如何在响应的边际条件分布的不同分位数之间变化。一个惩罚版本的期望最大化算法也提出了解决问题的变量选择。我们的方法的有效性进行了分析，在模拟研究中，我们还提供证据的效率增益所提出的方法相比，通过单独的单变量分位数回归估计。一个真正的数据应用程序，最后提出了研究的主要决定因素，在一个样本的意大利企业的财务困境。
2018-08-03 stat.ME
Local Quadratic Spectral and Covariance Matrix Estimation
本文重新讨论了多元时间序列谱密度矩阵$f(w)$的估计问题，特别着重讨论了频率$w=0$和$w=π$。认识到在这两个边界点的谱密度矩阵的条目是实值的，我们提出了一个新的估计构造从本地多项式回归的实部的多元周期图。$w=0$情况特别重要，因为$f(0)$与样本均值的大样本协方差阵相关;因此，估计$f(0)$对于对均值进行任何类型的统计推断至关重要。我们通过理论和模拟来探索局部多项式估计的性质，并讨论其在通货膨胀和失业问题中的应用。
2022-12-05 stat.ME
Minimax bounds for estimating multivariate Gaussian location mixtures
我们证明了极小极大界估计高斯位置混合$\mathbb{R}^d$下的平方$L^2$和平方Hellinger损失函数。在平方$L^2$损失下，证明了极大极小化率的上下界为$n^{-1}(\log n)^{d/2}$的常数倍.在平方Hellinger损失下，我们考虑基于混合测度尾部行为的两个子类。当混合测度具有亚高斯尾部时，平方Hellinger损失下的极大极小化率由$(\log n)^{d}/n$从下到上有界。另一方面，当仅假设混合测度对于固定的$p > 0$具有有界$p^{\text{th}}$矩时，平方Hellinger损失下的极大极小化率由$n^{-p/(p+d)}(\log n)^{-3d/2}$自下而上有界。这些利率是最小最大最优的对数因子。
2021-05-19 math.ST stat.TH
Convergence rates for estimating multivariate scale mixtures of uniform densities
Korea University（高丽大学）；University of California at Berkeley（加利福尼亚大学伯克利分校）
本文提出了一种多变量尺度混合均匀密度估计方法，证明其收敛速度为立方根，且避免了维度灾难，同时提供了计算算法和实证分析。
2026-02-22 math.ST stat.TH
A consistent multivariate test of association based on ranks of distances
我们关心的是检测任意维度的随机向量之间的关联。很少有独立性的测试存在，是一致的对所有依赖的替代品。我们提出了一个强大的测试，适用于所有方面，是一致的对所有的替代品。该测试形式简单，易于实现。我们在模拟和例子中展示了它良好的功率特性。
2012-05-31 stat.ME
A new multivariate and non-parametric association measure based on paired orthants
本文提出一种基于配对卦限概念的多变量非参数关联度量方法，不仅能评估多变量间的相互关联性，还能确定变量的特定倾向。
2024-02-12 stat.ME
Inference for Multivariate Normal Mixtures
多元正态混合模型为高维数据提供了一个灵活的模型。它们广泛应用于统计遗传学、统计金融学等学科。由于似然函数的无界性，经典的基于似然函数的方法虽然具有很好的实用性，但并不一致。本文提出了一种估计混合分布的惩罚似然方法。我们证明了最大惩罚似然估计是强相合的，当组件的数量有一个已知的上界。我们还探讨了一个方便的EM算法计算的最大惩罚似然估计。大量的模拟进行了探索的有效性和实际限制的新方法和批准的最大似然估计。根据仿真结果给出了指导原则。
2008-05-26 math.ST stat.ME stat.TH
Partial and semi-partial measures of spatial associations for multivariate lattice data
本文关注的发展的部分和半部分措施的空间关联的背景下，多变量空间点阵数据，描述全球或本地的关联空间聚集测量对不同的组件条件下，所有剩余的组件。这些新措施使用区一级犯罪计数的汇总数据加以说明。
2019-06-04 stat.AP stat.ME
Estimating Systemic Risk within Financial Networks: A Two-Step Nonparametric Method
本文针对CoVaR估计中多元分位数条件不可观测的难题，提出基于蒙特卡洛模拟数据的两步非参数方法，先以次序统计量估计多元分位数，再用核方法估计条件分位数，并证明其一致性与渐近正态性，数值实验验证了方法的有效性。
2023-10-28 math.ST q-fin.RM q-fin.ST
Detecting non-causal artifacts in multivariate linear regression models
我们考虑线性模型，其中$d$潜在原因$X_1,...,X_d$与一个目标量$Y$相关，并提出了一种方法来推断该关联是否是因果关系，或者它是否是由过拟合或隐藏的共同原因引起的伪影。我们采用的想法，在前一种情况下，回归系数的向量具有相对于$X$的协方差阵$Σ_{XX}$的“通用”方向。使用ICA为基础的模型的混杂，我们表明，混杂和过拟合产量回归向量，主要集中在空间的低特征值的$Σ_{XX}$。
2018-03-02 cs.LG stat.ML
Estimating the Hüsler--Reiss variogram matrix by clipped moments
Chongqing University of Posts and Telecommunications（重庆邮电大学）；KU Leuven（荷语鲁汶大学）；UCLouvain（法语鲁汶大学）
研究多元极值分析中因变量尾部相关性弱导致估计偏差的问题，提出基于许斯勒 - 赖斯模型的截尾矩估计量，证明其渐近正态性，模拟和实际数据应用表明该估计量在某些情况下偏差更小且拟合尾部相关结构更优。
2026-07-23 math.ST stat.TH
Improved multivariate portmanteau test
基于标准化多元残差自相关的行列式，导出了向量自回归滑动平均（VARMA）模型的一种新的组合诊断检验。新的检验统计量可以被认为是Pena和Rodriguez（2002，A Powerful Portmanteau Test of Lack of Test for时间序列，Journal of American Statistical Association）建议的单变量Portmanteau检验统计量的扩展。但是，除非序列很长，否则建议使用Monte-Carlo检验。大量的仿真实验表明，这种测试的有用性，以及其改进的功率性能相比，广泛使用的以前的多变量组合诊断检查。两个说明性的应用程序。
2016-11-02 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
Correcting the estimator for the mean vectors in a multivariate errors-in-variables regression model
当多元回归中的因变量和自变量都存在测量误差时，多元变量误差回归模型适用。在这种情况下，长期以来一直认为，传统的最小二乘法估计模型参数是有偏差的和不一致的。广义最小二乘、普通最小二乘和最大似然估计（在高斯误差假设下）在Gleser（1981）的开创性论文中导出。然而，均值向量的普通最小二乘和最大似然估计量推导错误。在这篇简短的论文中，我们修改了这个错误，提出了正确的估计的均值向量。
2015-10-13 math.ST stat.TH
Semiparametric Multivariate Accelerated Failure Time Model with Generalized Estimating Equations
半参数加速失效时间模型没有像Cox相对风险模型那样广泛使用，主要是由于计算困难。最小二乘估计和诱导平滑估计方程的最新发展为加速失效时间模型的应用提供了有力的工具。对于半参数多变量加速失效时间模型，我们提出了一个广义估计方程的方法，通过工作相关结构来考虑多变量的相关性。边际误差分布可以与顺序事件设置相同，也可以与并行事件设置不同。某些回归系数可根据需要跨边界共享。初始估计是一个基于秩的估计与Gehan的权重，但从一个诱导平滑方法与计算方便。所得的估计量是一致的和渐近正态的，方差估计通过乘子回归方法。在一个模拟研究中，我们的估计是三倍的效率作为初始估计，特别是更强的多元依赖性和更重的删失百分比。两个实例表明了该方法的实用性。
2012-04-02 stat.ME
Multivariate initial sequence estimators in Markov chain Monte Carlo
马尔可夫链蒙特卡罗（MCMC）是一种模拟方法，通常用于估计关于给定分布的期望。本文考虑估计样本均值向量的渐近多元正态分布的协方差阵。Geyer（1992）开发了一种用于估计单变量均值的蒙特卡罗误差估计方法。我们提出了一种新的多元版本的Geyer的方法，提供了一个渐近有效的估计的协方差阵和稳定的蒙特卡罗估计的结果。通过仿真实验研究了该方法的有限样本性质。
2017-06-02 stat.ME
Genetic association testing with multivariate survival phenotypes under interval censoring
Michigan State University（密歇根州立大学）；University of Michigan（密歇根大学）；University of Florida（佛罗里达大学）
该研究针对区间删失下多变量生存表型，开发了WV-M-IC方法，经模拟和ZOE 2.0研究验证，其检验功效优于单一结局分析，可用于遗传关联检测。
2026-09-02 stat.ME
Asymptotic results with estimating equations for time-evolving clustered data
研究了由p维鞅变换估计函数得到的估计的存在性、强相合性和渐近正态性。这个问题的动机是进化聚类数据的分析，分布属于指数家庭，也可能会有所不同，在其他组件系列。在一个准似然方法，我们构建估计方程，它适应不同形式的依赖性之间的组件的响应向量，并建立多变量扩展的线性和广义线性模型的结果，随机协变量。此外，我们的特点是渐近最优的估计函数，因为它们导致置信区域的回归参数是最小的大小，渐近。从模拟研究和应用程序到一个真正的数据集的结果。
2020-11-27 math.ST stat.TH
A copula-based set-variant association test for bivariate continuous or mixed phenotypes
在全基因组关联研究（GWAS）中，研究人员经常处理非正态分布性状或离散-连续性状的混合。然而，目前大多数基于区域的方法依赖于多变量线性混合模型（mvLLM），并假设感兴趣的表型的多元正态分布。因此，这些方法不适用于疾病或非正态分布性状。因此，需要开发统一和灵活的方法来研究一组（可能罕见的）遗传变异和非正常多变量表型之间的关联。Copula是在$[0, 1]$区间上具有均匀边界的多元分布函数，它们为处理多元关联研究中的非正态误差提供了合适的模型。我们提出了一种新的统一的和灵活的基于Copula的多元关联检验（CBMAT），发现遗传区域和二元连续或混合表型之间的关联。我们还推导出一个数据驱动的分析p值的建议区域为基础的得分类型测试的程序。通过模拟研究，我们证明了CBMAT具有很好的控制第一类错误率和更高的权力，以检测关联相比，其他现有的方法，离散和非正态分布的性状。最后，我们应用CBMAT检测位于11号染色体上的两个基因与ASLPAC研究中1,477名受试者的几种血脂水平之间的关联。
2021-09-29 stat.AP stat.ME
A note on forecasting demand using the multivariate exponential smoothing framework
简单指数平滑在经济时间序列预测中有着广泛的应用。这是因为它计算速度快，而且通常可以提供准确的预测。另一方面，它的多变量版本很少受到关注，由于估计所产生的并发症。事实上，标准的多元极大似然方法受到数值收敛问题和不良复杂性的影响，随着模型的维数而增长。在本文中，我们介绍了一种新的估计策略，多元指数平滑的基础上聚集其观测到标量模型和估计。将原来的高维极大似然问题分解为几个单变量问题，使其更易于求解。与多变量极大似然方法相反，该算法不受模型维数的影响。该方法可用于时间序列预测。此外，模拟结果表明，我们的方法执行至少以及极大似然估计的基本VMA（1）表示，至少在我们的测试问题。
2014-11-15 stat.CO
USAT: A Unified Score-based Association Test for Multiple Phenotype-Genotype Analysis
复杂疾病的全基因组关联研究（GWAS）通常收集多种相关内表型的数据。这些相关表型的多变量分析可以提高检测遗传变异的能力。多元方差分析（MANOVA）可以在GWAS水平上进行这种关联分析，但MANOVA在不同性状模型下的行为尚未得到仔细研究。在本文中，我们表明，MANOVA通常是非常强大的检测关联，但也有情况下，如当一个遗传变异与所有的性状，MANOVA可能没有任何检测能力。我们调查的MANOVA的行为，无论是理论上和使用模拟，并推导出MANOVA失去权力的条件。根据我们的研究结果，我们提出了一个统一的基于分数的检验统计量USAT，可以执行更好的比MANOVA在这种情况下，几乎以及MANOVA在其他地方。我们提出的测试报告了关联的近似渐进p值，并且在GWAS级别实现时计算效率非常高。我们通过广泛的模拟研究了USAT，MANOVA和其他现有方法的性能，并证明了使用USAT方法检测遗传变异和多变量表型之间的关联的优势。我们将USAT应用于从社区动脉粥样硬化风险（ARIC）研究中收集的5，816名白人个体的三个相关性状的数据，并检测到一些有趣的关联。
2015-03-11 stat.ME
Multivariate Differential Association Analysis
提出一种基于核的多元差异关联分析方法，用于检验两组高维变量在两种条件下的依赖关系是否不同，并证明其在有限样本下计算高效且对线性和非线性关系检测具有高功效。
2023-07-28 stat.ME
Subspace decompositions for association structure learning in multivariate categorical response regression
针对多元分类响应回归中现有方法可解释性差、灵活性不足的问题，提出基于新颖子空间分解的惩罚似然方法，可识别三类关联并在张量积空间转化为线性问题，兼具理论保证与良好的可解释性和预测精度。
2024-10-06 math.ST stat.ME stat.TH
Finite Mixtures of Generalized Estimating Equations for Clustering Multivariate Correlated Outcomes
Faculty of Economics, Keio University（庆应义塾大学经济学部）；Research School of Finance, Actuarial Studies and Statistics, The Australian National University（澳大利亚国立大学金融、精算与统计研究学院）
针对多变量相关结局聚类问题，提出MixGEE模型，通过区域特定工作相关结构处理物种间相关性，经模拟验证可靠，应用于凯尔盖朗高原鱼类数据得到三类群落特征。
2026-09-07 stat.ME
A Flexible Partially Linear Single Index Proportional Hazards Regression Model for Multivariate Survival Data
本文提出一种扩展比例风险模型的灵活部分线性单指标模型，用于多元生存数据，通过分段常数基线、copula关联和样条单指标处理非线性效应，并采用全似然推断，模拟和实际数据验证其有效性。
2025-10-15 stat.ME
Testing the constancy of Spearman's rho in multivariate time series
提出了一类对多变量时间序列的横截面秩相关变化特别敏感的变点检测检验。派生的程序是基于斯皮尔曼的ρ的几个多元扩展。研究了两种检验方法：第一种是基于回归的检验，第二种是估计渐近零分布。证明了这两种方法在零点下对强混合观测的渐近有效性。提出了一种用于估计这两种方法中涉及的关键带宽参数的程序，使得导出的测试无参数。通过蒙特卡罗实验研究了它们的有限样本行为。最后给出了三变量财务数据的实例。
2015-02-26 stat.ME
Multivariate tests of association based on univariate tests
为了检验两个随机向量的独立性，我们考虑通过单变量检验来检验一个向量到中心点的距离是否独立于另一个向量到中心点的距离。在本文中，我们提供的条件下，它是足够的，有一个一致的单变量测试的独立性的距离，以保证功率检测之间的依赖性的随机向量增加到一个，作为样本量增加。这些条件被证明是最低限度的。如果单变量检验是无分布的，则多变量检验也是无分布的。如果我们考虑多个中心点并汇总中心特定的单变量检验，则功效可能会进一步提高，并且所得的多变量检验对于特定的汇总方法可能是无分布的（如果单变量检验是无分布的）。我们表明，最近在文献中提出的几个多变量测试可以被视为这种一般方法的实例。
2016-03-10 math.ST stat.ME stat.TH
Estimating Associations Between Cumulative Exposure and Health via Generalized Distributed Lag Non-Linear Models using Penalized Splines
针对现有ACE-DLNM仅适用于连续结局、难适配大数据集的局限，提出结合惩罚样条的广义ACE-DLNM及高效估计策略，经仿真和加拿大污染与住院数据验证，其推断更稳定且保留可解释性。
2025-05-21 stat.ME
A novel approach for estimating functions in the multivariate setting based on an adaptive knot selection for B-splines with an application to a chemical system used in geoscience
提出利用 generalized lasso 自适应选择 B 样条节点并结合 EBIC 的多元非参数回归估计方法，实验表明其稳健且优于现有方法，并以 glober R 包发布。
2024-01-25 stat.ME
Estimating sparse direct effects in multivariate regression with the spike-and-slab LASSO
提出一种基于spike-and-slab LASSO先验的稀疏高斯链图模型拟合方法，通过期望条件最大化算法自适应惩罚参数以估计直接效应和残差精度矩阵，在理论与模拟中表现优异并应用于老年人肠道微生物组研究。
2024-03-26 stat.ME
A Bayesian location-scale joint model for time-to-event and multivariate longitudinal data with association based on within-individual variability
MRC Biostatistics Unit, University of Cambridge（剑桥大学MRC生物统计单元）；Department of Medical Statistics, London School of Hygiene & Tropical Medicine（伦敦卫生与热带医学院医学统计学系）；Royal Brompton Hospital, part of Guy’s and St Thomas’ NHS Foundation Trust（皇家布龙普顿医院（盖伊和圣托马斯NHS基金会信托旗下））；National Heart and Lung Institute, Imperial College（帝国理工学院国家心肺研究所）；Divisions of Biostatistics and Epidemiology and Pulmonary Medicine, Cincinnati Children’s Hospital Medical Center（辛辛那提儿童医院医疗中心生物统计、流行病学和肺病科）；Department of Pediatrics, University of Cincinnati（辛辛那提大学儿科系）；Department of Public Health, Policy and Systems, University of Liverpool（利物浦大学公共卫生、政策和系统系）；Cardiovascular Epidemiology Unit, University of Cambridge（剑桥大学心血管流行病学单元）；Ohio University Heritage College of Osteopathic Medicine（俄亥俄大学遗产骨科医学院）；University of Edinburgh（爱丁堡大学）
提出一种贝叶斯联合模型，通过混合效应位置尺度模型分析纵向标志物的个体内变异及其与事件时间的关联，解决回归稀释问题，并应用于囊性纤维化数据评估肺功能、营养不良与死亡风险的关系。
2025-03-15 stat.ME
Multivariate longitudinal modeling of cross-sectional and lagged associations between a continuous time-varying endogenous covariate and a non-Gaussian outcome
针对纵向研究中时变内生协变量违反GLMM假设、数据缺失及非同步测量等问题，本文扩展JMM与JSM两类多变量模型，结合INLA贝叶斯估计方法，实现可解释的协变量与非高斯结局间截面、滞后关联估计。
2025-11-14 stat.AP stat.ME
Distance-based Chatterjee correlation: a new generalized robust measure of directed association for multivariate real and complex-valued data
本研究提出基于距离的Chatterjee相关，一种稳健的非参数度量，用于多元实值和复值数据的有向关联，支持因果方向推断。
2024-06-25 stat.AP stat.ME
Estimating Product Cannibalisation in Wholesale using Multivariate Hawkes Processes with Inhibition
针对批发市场中的产品同类相食现象，本文提出带交叉抑制效应的多变量Hawkes过程进行建模，解决了强度函数积分难题，引入了新的稳定性条件，并在贝叶斯框架下设计了与维度无关的先验。
2023-09-09 stat.AP stat.ME
Joint Model for Survival and Multivariate Sparse Functional Data with Application to a Study of Alzheimer's Disease
阿尔茨海默病（AD）的研究通常收集多个纵向临床结果，这些结果与AD进展相关并可预测AD进展。研究结果与AD发作时间之间的关系具有重大的科学意义。我们将多个纵向结果建模为多变量稀疏函数数据，并提出了一个将多变量函数数据与事件时间数据联系起来的函数联合模型。特别是，我们提出了一个多变量函数混合模型（MFMM），以确定共享的进展模式和结果的特定进展模式的结果，这使得更多的解释建模的结果和AD发病之间的关联。所提出的方法被应用到阿尔茨海默病神经影像学倡议研究（ADNI）和功能关节模型揭示了新的光推理的五个纵向结果及其与AD发病的关联。仿真研究也证实了所提出的模型的有效性。
2020-12-03 stat.AP stat.CO stat.ME
Estimating Extremal Dependence in Univariate and Multivariate Time Series via the Extremogram
Davis和Mikosch [7]介绍了极值图作为一种灵活的定量工具，用于测量平稳时间序列中各种类型的极值相关性。在那里，我们展示了样本极值图的一些标准统计特性。一个主要的困难是为极值图建立可信的置信带。在本文中，我们采用平稳的引导，以克服这个问题。此外，我们引入交叉极值图作为两个或多个时间序列之间的极值序列相关性的度量。我们还研究了极值事件之间的返回时间的极值图。平稳引导的极值图和由此产生的解释的使用说明在几个单变量和多变量的金融时间序列的例子。
2011-07-27 math.ST stat.ME stat.TH
Estimating Stochastic Production Frontiers: A One-stage Multivariate Semi-Nonparametric Bayesian Concave Regression Method
本文描述了一种方法来估计生产前沿，满足公理的单调性和单调性在非参数贝叶斯设置。一个低效率的长期，允许显着偏离先前的分布假设，在一个单一的阶段与参数先验假设联合估计。我们通过局部超平面收缩超参数将异方差引入到无效项中，并使用有界约束的局部非线性回归来施加单调性。我们的最小超平面估计量施加了。我们的蒙特卡罗模拟实验表明，前沿和效率估计是有竞争力的，经济合理的，并允许分析更大的数据集比现有的非参数方法。我们使用2007-2010年日本混凝土行业的数据验证了所提出的方法。结果表明，在这段时间内，效率水平保持相对较高。
2015-10-06 stat.AP stat.ME
Causal Inference for Unobservable Multivariate Outcomes, with Applications to Brain Effective Connectivity
Brown University（布朗大学）
本文提出方法用于评估干预对多变量结果的因果效应，通过样本分割和逆概率加权处理大脑区域间方向性关系的估计问题，验证了方法在控制假阳性率和家族错误率方面的有效性。
2026-04-01 stat.ME
Estimating probabilities of multivariate failure sets based on pairwise tail dependence coefficients
LIDAM/ISBA UCLouvain（卢旺大学 LIDAM/ISBA）
针对金融和气候科学等领域中估计多风险因素极端事件概率的难题，本文提出基于尾部成对相依矩阵信息的参数方法，通过有效算法获得近似分解，构建最大线性模型来估计失效概率，并经实际数据集验证其在风险评估中的实用性。
2026-07-13 stat.AP stat.ME
Bayesian Semiparametric Covariate Informed Multivariate Density Deconvolution
不同膳食成分长期平均摄入量的边际密度和联合密度的估计是营养流行病学中的一个重要问题。由于这些变量无法直接测量，因此通常以24小时回顾摄入量的形式收集数据。估计潜在的长期平均摄入量的密度的问题，从他们的观察，但错误污染的回忆，然后成为一个问题的多变量反卷积的密度。潜在的密度可能会随着受试者的人口统计学特征，如性别，种族，年龄等，在相关的精确测量的协变量的存在下，密度反卷积的问题，但是，从来没有被考虑过，甚至在单变量设置。我们提出了一个灵活的贝叶斯半参数方法协变量知情的多元反卷积。基于Copula反卷积和条件张量分解技术的最新进展，我们提出的方法不仅允许联合和边缘密度随相关预测因子灵活变化，而且允许自动选择最有影响力的预测因子。重要的是，该方法还允许感兴趣的密度和测量误差的密度随潜在的不同预测器组而变化。我们设计了马尔可夫链蒙特卡罗算法，可以实现高效的后验推理，适当地适应分析各个方面的不确定性。通过仿真实验验证了该方法的有效性。它的实际效用在上述营养流行病学应用中被证明是在估计不同膳食成分的协变量调整的长期摄入量。补充材料包括实质性的额外细节和R代码也可在线获得。
2022-05-17 stat.ME
Boosting Multivariate Structured Additive Distributional Regression Models
我们开发了一个基于模型的助推方法的多变量分布回归的广义可加模型的框架内的位置，规模和形状。我们的方法使所有分布参数的任意参数分布的解释变量条件的多变量响应的同时建模，同时适用于潜在的高维数据。此外，boosting算法结合了数据驱动的变量选择，考虑了各种不同类型的影响。作为我们方法的一个特殊优点，它允许通过相关协变量对多个连续或离散结果之间的关联进行建模。经过详细的模拟研究调查估计和预测性能，我们证明了我们的方法在三个不同的生物医学应用的充分灵活性。第一个是基于来自英国生物银行的高维基因组队列数据，考虑双变量二元反应（慢性缺血性心脏病和高胆固醇）。在这里，我们能够识别对胆固醇和心脏病之间的关联提供信息的遗传变异。第二个应用程序考虑了澳大利亚的医疗保健需求，将咨询次数和处方药数量作为双变量计数响应。第三个应用程序分析了两个方面的儿童营养不良在尼日利亚作为一个双变量响应，我们发现，两个营养不良分数之间的相关性是相当不同的，这取决于儿童的年龄和儿童生活的地区。
2022-07-18 stat.ME
Dimension-Grouped Mixed Membership Models for Multivariate Categorical Data
混合隶属度模型（MMM）是一种流行的复杂多元数据的潜在结构模型。MMM不是强制每个主题属于单个集群，而是包含一个特定主题权重的向量，该向量表征跨集群的部分成员关系。这种灵活性带来了唯一识别、估计和解释参数的挑战。在这篇文章中，我们提出了一个新的类的扩展-分组MMM（Gro-M $^3$ s）的多元分类数据，它提高了简约性和可解释性。在Gro-M $^3$ s中，观测变量被划分为组，使得潜在成员资格对于组内的变量是恒定的，但是可以在组之间不同。当所有变量都在一个组中时获得传统的潜在类模型，而当每个变量都在自己的组中时获得传统的MMM。新模型对应于一种新的概率张量分解。理论上，我们推导出透明的可识别性条件，在一般设置的未知的分组结构和模型参数。在方法论上，我们提出了Dirichlet Gro-M $^3$ s的贝叶斯方法来推断变量分组结构和估计模型参数。仿真结果表明，良好的计算性能和经验确认的可识别性的结果。我们说明了新的方法，通过应用程序的功能残疾调查数据集和人格测试数据集。
2023-02-14 stat.ME
Parsimoniously Fitting Large Multivariate Random Effects in glmmTMB
本文在glmmTMB中实现降秩方法，将大规模多元随机效应表示为低维潜在变量线性组合，从而高效估计高维协方差矩阵，并应用于广义潜在变量模型和随机斜率模型。
2024-11-07 stat.ME
Mapping Multivariate Phenotypes in the Presence of Missing Observations for Family-Based Data
针对家系数据中表型缺失的问题，本研究探索基于可用表型（连续、计数、分类型）分别用条件正态、泊松、逻辑模型估计缺失值，再进行基于传递的关联检验，通过模拟评估插补策略对检验功效的影响。
2025-04-15 stat.ME
Estimating the effectiveness of permanent price reductions for competing products using multivariate Bayesian structural time series models
一家意大利连锁超市的佛罗伦萨分店最近实施了一项战略，永久性地降低了几个产品类别的许多商店品牌的价格。为了量化这种政策变化的影响，研究人员经常使用综合控制方法来估计因果关系，当一个子集的单位接受一个单一的持续治疗，其余的不受影响的变化。然而，在我们的应用中，由于替代效应，未分配给治疗的竞争品牌可能会受到干预的影响;更广泛地说，每当一个单位的治疗分配影响另一个单位的结果时，就会发生这种类型的干扰。本文扩展了合成控制方法，以适应部分干扰，允许在预定义的组内，但不允许它们之间的干扰。专注于一类因果被估量，捕获的效果都在治疗和控制单位，我们开发了一个多变量贝叶斯结构时间序列模型生成的合成控制，会发生在没有干预，使我们能够估计我们的新效果。在模拟研究中，我们探索我们的贝叶斯过程的经验性质，并表明，它实现了良好的频率覆盖，即使当模型是错误的。我们使用新的方法对受影响的商店品牌及其直接竞争对手的销售影响进行因果陈述。我们所提出的方法是在CauseMBSTS R包中实现的。
2021-02-22 stat.AP stat.ME
Adjusting for Participation Bias in Case-Control Genetic Association Studies for Rare Diseases
针对罕见病病例对照遗传关联研究中因基因型相关缺失导致的参与偏倚问题，提出可纳入协变量校正的估计方程方法，利用家系遗传信息补全缺失数据，经模拟验证性能后应用于乳腺癌家系病例对照研究。
2024-07-11 stat.ME
cc-Shapley: Measuring Multivariate Feature Importance Needs Causal Context
Physikalisch-Technische Bundesanstalt（德国联邦物理技术研究院）；Technische Universität Berlin（柏林工业大学）；Charité – Universitätsmedizin Berlin（柏林夏里特医学院）
本文提出cc-Shapley方法，通过结合因果结构修正传统Shapley值，以避免因 collider bias 引起的虚假关联，提升特征重要性评估的准确性。
2026-03-27 cs.LG stat.ME
Estimating marginal association between paired outcomes in clustered data with an application to analyzing caries and periodontal disease data from the National Health and Nutrition Examination Survey
本文提出三种加权估计方法，用于估计集群数据中配对结果之间的边际关联，通过引入基于集群内重采样的权重，扩展了逆集群大小和子组大小加权方法，并利用Stouffer方法改进了现有的ISS检验过程，以减少计算负担。
2026-10-14 q-bio.QM stat.AP stat.ME
A new multivariate meta-analysis model for many variates and few studies
研究通常估计结果与多个变量之间的关联。例如，诊断测试准确性的研究估计灵敏度和特异性，预测和预后因素的研究通常估计多个因素的关联。荟萃分析是一系列统计方法，用于综合多项研究的估计值。存在多变量模型，可解释研究内相关性和研究间异质性。在现有模型中必须估计的参数的数量在变量的数量上是二次的（例如，风险因素）。这意味着如果数据稀疏，变量多，研究少，则它们可能无法使用。我们提出了一个新的模型，解决了这个问题，近似方差-协方差阵，模型内的研究相关性和研究之间的异质性在一个低维空间中使用随机投影。在该模型中必须估计的参数的数量在变量的数量上线性地缩放，并且在近似空间的维度上二次地缩放，使得估计更易于处理。我们进行了一项模拟研究，以比较覆盖范围，偏差和精度的估计，使用该模型的单变量荟萃分析。我们使用一项正在进行的全膝关节置换术后疼痛和功能预测因素的系统评价数据来证明该方法。最后，我们提出了一个决策工具，以帮助分析师选择可用的模型。
2021-02-12 stat.ME
