A Split-Merge MCMC Algorithm for the Hierarchical Dirichlet Process
Princeton University(普林斯顿大学)
分层狄利克雷过程(HDP)已成为一个重要的贝叶斯非参数模型的分组数据,如文档集合。HDP用于构建灵活的混合成员模型,其中组件的数量由数据确定。对于大多数贝叶斯非参数模型,精确的后验推断是难以处理的-从业者使用马尔可夫链蒙特卡罗(MCMC)或变分推断。受Dirichlet过程(DP)混合模型的分裂-合并MCMC算法的启发,提出了一种新的HDP后验推理的分裂-合并MCMC采样算法。我们研究了它的合成数据和文本语料库的属性。我们发现,分裂合并MCMC的HDP可以提供显着的改进,传统的吉布斯抽样,我们给一些理解的数据属性,引起更大的改善。
2012-01-08 cs.AI stat.ML
Inference without smoothing for large panels with cross-sectional and temporal dependence
本文讨论了在大面板数据模型中,同时存在未知形式的横截面和时间相关的推断问题。我们有兴趣作出推论,不依赖于任何平滑参数的选择,因为是经常采用的“HAC”估计的协方差矩阵的情况下。为此,我们提出了一个集群估计的渐近协方差的估计和有效的自助方案,不需要选择的带宽或平滑参数,并容纳非参数性质的时间和横截面的依赖。我们的方法是基于这样的观察,即固定效应面板数据模型的谱表示是这样的,误差变得近似时间不相关。我们提出的自举方案可以被视为在频域中的野生自举。我们提出了一些蒙特卡罗模拟,以阐明我们的推理过程的小样本性能。
2020-06-25 econ.EM math.ST stat.TH
Graphical Assistant Grouped Network Autoregression Model: a Bayesian Nonparametric Recourse
向量自回归模型在经典的时间序列数据分析中是普遍存在的。随着社交网站的迅速发展,基于潜图的时间序列数据越来越流行。在本文中,我们开发了一种新的贝叶斯分组网络自回归模型,同时估计组信息(组数和组配置)和组的参数。具体而言,一个图形辅助的中国餐馆的过程中纳入网络自回归模型的框架下,以提高统计推断性能。采用一种有效的马尔可夫链蒙特卡罗抽样算法对后验分布进行抽样。进行了广泛的研究,以评估我们提出的方法的有限样本性能。此外,我们分析了两个真实的数据集作为我们的方法的有效性的说明。
2021-10-11 stat.ME
Selective inference using randomized group lasso estimators for general models
本文针对一般分布与损失函数下的组 lasso 估计量开发了基于随机化的选择性推断方法,通过构建选择后似然进行参数估计与置信区域推断,并在真实数据与模拟中验证了其有效性。
2024-03-26 math.ST stat.ME stat.ML
A grouped, selectively weighted false discovery rate procedure
结构化假设检验中的错误发现率控制是同时推理中的一个重要课题。大多数现有的方法,旨在利用组结构之间的假设,要么采用groupwise混合模型或加权所有p值或假设。因此,当分组混合模型不合适或大多数组仅包含真零假设时,可以提高它们的功效。出于这一动机,我们提出了一个分组的,选择性加权的FDR程序,我们称之为“sGBH”。具体而言,在不采用分组混合模型的情况下,sGBH识别感兴趣的假设组,仅对每个这样的组中的p值进行加权,并且仅使用加权的p值来测试所选择的假设。sGBH包含标准分组加权FDR程序,我们将其称为“GBH”。我们提供了简单的条件,以确保sGBH的保守性,连同经验证据,其大大提高了GBH的权力。新的程序应用于基因表达研究。
2019-08-14 stat.ME
The Group R2D2 Shrinkage Prior for Sparse Linear Models with Grouped Covariates
Akita International University(秋田国际大学);The University of Tokyo(东京大学);Keio University(庆应义塾大学)
本文提出组R2D2先验,用于处理具有分组协变量的稀疏线性模型,通过狄利克雷分布实现灵活的收缩,提升估计精度和预测性能。
2025-12-13 stat.ME
Causal Inference in Randomized Trials with Partial Clustering
本研究针对部分聚类随机试验,提出基于因果模型和靶向最小损失估计(TMLE)的推断方法,统一了不同设计下的依赖结构,在模拟和真实数据中均提升了统计功效与效率。
2024-11-08 stat.ME
Reduced-Rank Network Autoregression with Grouped Edge Effects
Shanghai Jiao Tong University(上海交通大学);Tongji University(同济大学);University of Hong Kong(香港大学)
本文提出RRNAR模型,通过降维技术有效捕捉高维多变量网络时间序列中的复杂交互,提升网络参数估计精度。
2026-09-03 stat.ME
Confidence Intervals for Quantiles from Histograms and Other Grouped Data
分位数的区间估计已被许多文献所处理。然而,据我们所知,当数据以分组格式提供时,没有考虑区间估计。受此启发,我们介绍了几种方法来获得置信区间的分位数时,只有分组数据。对于区间估计,我们的首选方法是使用广义Lambda分布(GLD)来估计分位数和分位数估计量的方差来近似基础密度。我们比较GLD方法与其他一些方法,我们也介绍了这是基于频率近似的方法和线性插值近似的密度。我们的方法得到了模拟的有力支持,模拟结果表明,对于大量的分布,可以实现出色的覆盖率。这些分布包括高度偏态分布,如对数正态分布、Dagum分布和Singh-Maddala分布。我们还将我们的方法应用于真实数据,并表明可以对仅由直方图总结的已发表结果进行推断。因此,我们的方法适用于广泛的应用。我们还创建了一个Web应用程序,可用于方便地计算估计量。
2017-12-07 stat.AP stat.ME
Diagnosing overdispersion in longitudinal analyses with grouped nominal polytomous data
本研究针对农业科学纵向名义多项数据中的过度分散问题,提出构建纵向多项分散指数作为诊断工具,通过模拟研究和动物科学案例验证其有效性。
2024-08-27 q-bio.QM stat.ME
A finite-infinite shared atoms nested model for the Bayesian analysis of large grouped data
针对部分可交换分组数据的贝叶斯分析需求,提出基于有限共享原子的分层非参数先验嵌套模型,搭配高效变分推断算法,可扩展至大规模数据,精度媲美现有最优采样方法,可实现歌手与歌曲的同步聚类。
2024-06-19 stat.AP stat.ME
Graphical Dirichlet Process for Clustering Non-Exchangeable Grouped Data
针对非可交换分组数据的聚类问题,提出 graphical Dirichlet process 这一 Bayesian nonparametric 方法,利用 directed acyclic graph 联合建模组间依赖的随机测度并实现聚类共享。
2023-07-31 stat.ME stat.ML
Exact Gradient Evaluation for Adaptive Quadrature Approximate Marginal Likelihood in Mixed Models for Grouped Data
本文提出了一种在含单一分组因子的混合模型中,通过自适应高斯求积法计算近似对数边际似然精确梯度的算法,利用拟牛顿优化提升了计算效率,并在伯努利混合模型中通过逆对数Cholesky参数化实现了无需矩阵分解的高效推断。
2024-11-11 stat.CO stat.ME
Spatio-temporal Ornstein-Uhlenbeck processes: theory, simulation and statistical inference
时空建模是统计学中越来越受欢迎的话题。我们的论文有助于这条线的研究发展的理论,模拟和推理的时空Ornstein-Uhlenbeck过程。我们进行了详细的模拟研究,并证明了这些过程的辐射异常数据的实证研究的实际意义。最后,我们描述了如何在高斯设置中进行预测。
2016-03-03 stat.ME
STACI: Spatio-Temporal Aleatoric Conformal Inference
North Carolina State University(北卡罗来纳州立大学);Brookhaven National Laboratory(布鲁赫斯国家实验室);University of the Basque Country(巴斯克大学)
STACI提出变分贝叶斯神经网络近似非平稳时空高斯过程,结合新颖时空共形推断,实现可扩展且统计有效的预测区间,优于现有方法并支持百万级数据。
2025-10-23 cs.LG stat.ME stat.ML
Community-Size Biases in Statistical Inference of Communities in Temporal Networks
Southern Methodist University(南方卫理公会大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Santa Fe Institute(圣塔菲研究所)
本文提出了一种新的统计模型,用于减少时间网络中社区大小偏差,以更准确地识别社区结构。
2026-01-22 cs.SI physics.soc-ph stat.ME
Bounds on inequality with incomplete data
University of Manchester(曼彻斯特大学);LSE(伦敦政治经济学院);University of Cambridge(剑桥大学)
本文提出非参数框架,研究不完整数据下不平等指标的精确识别与推断,通过有限支持分布得到极值分配,并利用线性或二次规划求解边界问题。
2026-08-06 econ.EM stat.CO stat.ME
Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood
本研究提出结合HMM与MTGCN的预测因果推断集成框架,非对称处理时空信息以拓展双稳健估计,经临床场景模拟验证,可适配生物医学数据时空复杂性、提升偏差校正与预测精度。
2025-10-30 cs.LG stat.ME stat.ML
Distribution-Free Predictive Inference under Unknown Temporal Drift
Columbia University(哥伦比亚大学)
本文针对时间漂移环境下校准数据不可靠的问题,提出基于自适应窗口选择的无分布预测集构造方法,通过优化偏差-方差权衡选取窗口,并提供覆盖率保证与实验验证。
2024-06-10 cs.LG stat.ME stat.ML
Temporal Configuration Model: Statistical Inference and Spreading Processes
本文提出时间配置模型以推广配置模型至时间网络,给出参数一致估计量、SIR传播早期再生数解析解,并在学生近距离网络上比较三种模型性能。
2024-07-16 stat.ME
Causal inference for temporal patterns
复杂动力系统在许多科学学科中都很普遍。在分析这类系统时,有两个方面特别令人感兴趣:1)它们演变的时间模式和2)潜在的因果机制。离散傅立叶变换和小波变换等时间序列表示方法已被广泛应用,以便深入了解复杂动力系统的时间结构。因果问题可以在因果推断框架中形式化。我们提出了一个基本的和系统的方法来结合时间序列表示与因果推断。我们的方法是基于一个因果关系的概念,从一个原因的影响过程中的一对时间模式。特别是,我们的框架可以用来研究频域中的因果效应。我们将看到我们的方法与频域中众所周知的Granger因果关系相比如何。此外,使用奇异值分解,我们建立了一个表示一个过程如何驱动另一个在指定长度的时间窗口的时间脉冲响应模式。对于这些,我们将称为因果正交函数(COF),这是基于协方差的多变量奇异谱分析(mSSA)得出的时间模式的因果模拟。
2022-05-30 stat.ME
Statistical Inference in a Spatial-Temporal Stochastic Frontier Model
本文在由外生变量解释异质技术效率的随机前沿模型中增加了时空分量,放松了面板数据中的面板独立性假设。估计过程利用了模型的可加性,比参数的极大似然估计具有计算上的优越性。时空部分可以改善对通常向下倾斜的生产前沿技术效率的估计。我们提出了一个测试,以验证模型假设,有利于估计参数。
2021-04-28 stat.ME
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
Adaptive Change Point Inference for High Dimensional Time Series with Temporal Dependence
Bejing Normal University(北京师范大学);Nankai University(南开大学)
本文研究高维时间序列的变点推断,提出基于max-$L_2$范数的检验程序,并利用Cauchy组合方法将其与现有max-$L_\infty$统计量结合,构建了在不同稀疏度下均稳健有效的自适应推断方法。
2025-11-03 stat.ME
Nonparametric efficient inference for network quantile causal effects under partial interference
Washington University in St. Louis(圣路易斯华盛顿大学);Yale School of Public Health(耶鲁公共卫生学院)
本文研究了在部分干扰下网络分位数因果效应的非参数高效推断方法,提出了一种非参数高效估计器,具有参数一致性且允许灵活的数据自适应估计复杂 nuisance 函数。
2026-04-14 stat.AP stat.ME stat.ML
A spatio-temporal model and inference tools for longitudinal count data on multicolor cell growth
多色细胞时空图像数据已经成为重要的研究器官发育和再生,恶性生长或免疫反应,通过跟踪不同类型的细胞在体内和体外。由于不同细胞类型之间存在复杂的时空相互作用以及与单细胞轨迹测量相关的困难,来自常见纵向细胞实验的图像数据的统计建模带来了重大挑战。目前的分析方法主要集中在单变量的情况下,往往没有考虑影响不同细胞群体之间的细胞生长的时空效应。本文提出了一个条件空间自回归模型来描述格点上的多元计数单元数据,并开发了相应的推理工具。所提出的方法是计算上易处理的,使研究人员能够估计一个完整的统计模型的肿瘤细胞生长。我们的方法应用于真实的实验数据,我们研究细胞之间的相互作用如何影响它们的生长。我们包括两个案例研究;第一个评估癌细胞和通常存在于肿瘤微环境中的成纤维细胞之间的相互作用,而第二个评估克隆的癌细胞在以不同组合生长时之间的相互作用。
2018-04-10 stat.ME
Integrating Expert Knowledge and Recursive Bayesian Inference: A Framework for Spatial and Spatio-Temporal Data Challenges
Universitat de València(瓦伦西亚大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出了一种整合专家知识与递归贝叶斯推断的框架,用于解决空间和时空数据挑战,通过递归推断和支持转换方法提高估计准确性。
2025-11-25 stat.ME
Estimating Heterogeneous Treatment Effects for Spatio-Temporal Causal Inference
University of Florida(佛罗里达大学);Harvard University(哈佛大学);Dartmouth College(达特茅斯学院)
该研究针对时空因果推断的空间溢出和时间延续问题,提出Hajek型CATE估计量及相关检验,通过模拟验证性能,并应用于美国空袭对伊拉克叛乱暴力影响的分析,发现与反叛乱理论预期相反的结果。
2026-08-05 stat.ME
Exact Bayesian inference in spatio-temporal Cox processes driven by multivariate Gaussian processes
在本文中,我们提出了一种新的推理方法来执行贝叶斯推断时空考克斯过程的强度函数依赖于一个多元高斯过程。动态高斯过程的引入,允许在离散时间的强度函数的演变。该方法的新颖之处在于,没有离散化错误涉及的事实,尽管非易处理的似然函数和无穷维的问题。该方法是基于一个马尔可夫链蒙特卡罗算法,从联合后验分布的参数和潜在变量的模型进行采样。模型的定义一般和灵活的方式,但他们是服从直接采样相关的分布,由于其组件的仔细表征。该模型还允许纳入回归协变量和/或时间分量,以解释强度函数的变异性。这些组件可能会受到与空间和/或时间的相关相互作用。真实和模拟的例子说明了方法,然后是结束语。
2019-03-10 stat.ME
Causal Inference with Spatio-temporal Data: Estimating the Effects of Airstrikes on Insurgent Violence in Iraq
许多因果过程具有空间和时间维度。然而,经典的因果推断框架是不直接适用的治疗和结果变量产生的时空点过程。我们扩展了潜在的结果框架,这些设置制定治疗点过程作为一个随机干预。我们的因果被估量包括在特定的随机治疗分配策略下,在指定区域的预期结果事件数。我们的方法允许任意模式的空间溢出和时间结转效应。利用鞅理论,我们证明了所提出的估计是一致的,渐近正态的时间周期的数目增加。我们提出了一个敏感性分析的可能存在的不可测量的混杂因素,并将其扩展到Hajek估计。仿真研究进行检查估计的有限样本性能。最后,我们说明了所提出的方法,估计2007年2月至2008年7月在伊拉克的叛乱暴力美国空袭的影响。我们的分析表明,在长达一个月的时间内增加每日空袭的平均次数可能会导致更多的叛乱袭击。我们还发现一些证据表明,空袭可以将巴格达的袭击转移到400公里以外的新地点
2022-06-08 stat.ME
Predictive Inference for Spatio-temporal Precipitation Data and Its Extremes
降水量及其极端情况的建模对于城市和农业规划很重要。我们提出了一种方法,用于产生空间预测和时空数据的不确定性的措施,是重尾和substantial偏度,经常出现在许多环境过程的测量,我们将该方法应用于降水数据在西澳大利亚州西南部。一个广义双曲贝叶斯层次模型的强度,频率和持续时间的日降水量,包括极端。与基于极值理论的模型不同,该模型仅对有限大小的块或高于大阈值的最大值进行建模,所提出的模型有效地使用了所有可用的数据,因此不仅适合极端情况,而且还模拟了整个降雨分布。它捕捉空间和时间聚类,以及空间和时间变化的波动性和偏度。该模型假设区域降水是由一个潜在的过程,其特征是地理和气候协变量驱动。未完全描述的协变量的影响被捕获的空间和时间结构的层次结构。MCMC使用梅特罗波利斯-黑斯廷斯算法和空间插值方法提供推断,这为估计不确定性提供了一种自然的方法。同样,空间和时间的预测与不确定性可以产生的模型。
2014-11-18 stat.AP stat.ME
Spectral Inference under Complex Temporal Dynamics
我们开发了统一的理论和方法的推理进化傅立叶功率谱的一般类的局部平稳和可能的非线性过程。特别是,同时置信区域(SCR)与渐近正确的覆盖率构造的进化谱密度的联合时间-频域的一个接近最优的密集网格。提出了一种基于仿真的自举方法来实现SCR。SCR使研究人员和从业人员能够直观地评估渐进准确的统计保证的进化功率谱的幅度和模式。SCR还作为一个统一的工具,用于时频分析中的各种统计推断问题,从白噪声、平稳性和时频可分性的测试到非平稳线性模型的验证。
2020-04-17 eess.SP math.ST stat.ME
Bayesian inference for spatio-temporal spike-and-slab priors
在这项工作中,我们解决的问题,解决了一系列欠定线性反问题的稀疏约束。我们推广的尖峰和板先验分布编码先验相关的支持的解决方案在空间和时间上施加一个变换的高斯过程的尖峰和板的概率。在此模型下,给出了一种后验推理的期望传播算法。对于大规模问题,标准EP算法可能非常慢。因此,我们引入三种不同的近似方案,以减少计算复杂度。最后,我们证明了所提出的模型使用数值实验的基础上合成和真实的数据集。
2017-12-01 stat.CO stat.ME stat.ML