Information projection approach to propensity score estimation for handling selection bias under missing at random
倾向得分加权被广泛用于提高自愿样本的代表性和纠正选择偏差。倾向得分通常使用抽样概率模型来开发，这可能会受到模型错误指定的影响。在本文中，我们考虑了另一种方法，估计逆的倾向得分使用的密度比函数满足自效率条件。通过求解信息在满足平衡分数矩条件的空间上的投影，得到平滑密度比函数。通过仅在密度比模型中包括结果回归模型的协变量，我们可以实现有效的倾向得分估计。惩罚回归用于识别重要的协变量。我们进一步扩展所提出的方法，多变量缺失的情况下。一些有限的模拟研究与现有的方法进行比较。
2022-07-19 stat.ME
A potential outcomes approach to selection bias
本文提出一种基于潜在结果的分析流行病学选择偏倚新定义，涵盖结构方法与传统定义，支持非参数分析和单世界干预图，能同时分析混杂与选择偏倚，并简化了匹配及病例队列研究的偏倚分析。
2023-06-02 stat.AP stat.ME
Recover Experimental Data with Selection Bias using Counterfactual Logic
Department of Computer Science（计算机科学系）；Florida State University（佛罗里达州立大学）
本文利用结构因果模型构建反事实世界，提出图形与理论准则及方法，从有偏实验数据中恢复无偏因果分布$P(Y^*_{x^*})$，并通过模拟验证其有效性。
2025-06-04 cs.AI stat.ME
A Constraint-Based Algorithm For Causal Discovery with Cycles, Latent Variables and Selection Bias
自然界中的因果过程可能包含循环，而真实数据集可能违反因果充分性并包含选择偏差。目前没有基于约束的因果发现算法可以同时处理周期、潜变量和选择偏差（CLS）。因此，我介绍了一种算法，称为循环因果推断（CCI），使健全的推论与条件独立的预言CLS下，只要我们可以表示为一个非递归的线性结构方程模型的非递归的因果过程的独立错误。实证结果表明，CCI优于CCD在循环的情况下，以及竞争对手的FCI和RFCI在非循环的情况下。
2018-05-05 cs.LG stat.ME stat.ML
Towards a holistic understanding of Selection Bias for Causal Effect Identification
Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加州大学伯克利分校）
研究在观测研究中存在选择偏差时，如何利用弱假设刻画倾向得分和选择概率，给出平均处理效应可识别性的充要条件，扩展了现有图形识别准则。
2026-06-01 cs.AI cs.LG stat.ME
Clarifying Selection Bias in Cluster Randomized Trials: Estimands and Estimation
在整群随机试验中，患者通常在整群随机化后招募，招募人员和患者可能对分配不知情。这通常会导致招募差异，从而导致干预组和对照组之间招募患者的基线特征存在系统性差异，从而诱导随机化后选择偏倚。我们严格定义的因果被估量存在选择偏差。我们阐明的条件下，标准的协变量调整方法可以有效地估计这些被估量。我们进一步讨论了在不满足这些条件时估计因果效应所需的额外数据和假设。采用因果推断中的主分层框架，阐明了整群随机试验中存在两个平均处理效应（ATE）估计量：一个用于总体人群，一个用于招募人群。我们推导出分析公式的两个被估量的主要阶层的具体因果关系的影响。使用模拟研究，我们评估的经验性能的多元回归调整方法在不同的数据生成过程中，导致选择偏差。当各主要分层的处理效应不均匀时，总体人群的ATE通常与招募人群的ATE不同。招募样本的意向治疗分析导致两种ATE的估计值存在偏倚。在存在随机化后选择且没有关于未招募受试者的额外数据的情况下，仅当主要分层之间的处理效应均匀时，招募人群的ATE才可估计，而总体人群的ATE通常不可估计。协变量调整可以消除选择偏倚的程度取决于主要分层之间的效应异质性程度。
2021-10-04 stat.AP stat.ME
An empirical likelihood approach to reduce selection bias in voluntary samples
本文提出一种经验似然加权方法，在不可忽略选择模型下通过偏差校准和基准约束降低自愿样本选择偏差，并开发线性化方差估计，模拟验证其性能。
2023-05-11 math.ST stat.ME stat.TH
Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding
TU Dortmund University（多特蒙德工业大学）；University Alliance Ruhr（鲁尔大学联盟）
针对连续变量因果效应估计问题，本文推导了存在选择偏差与混杂时的可识别条件，提出线性两步回归估计器（TSR），经模拟验证其在对应场景下的正确性且方差更低。
2026-08-24 cs.LG stat.ME stat.ML
Mediation Analysis in the Presence of Sample Selection Bias with an Application to Disparities in Liver Transplantation Listing
针对肝移植登记研究中的样本选择偏差问题，提出基于有向无环图的重加权中介分析方法，可校正选择偏差并识别各类因果效应，还通过临床案例探究了社会经济地位对移植登记的影响。
2025-09-02 stat.AP stat.ME
On Identifying Total Effects in the Presence of Latent Variables and Selection bias
Kyoto University（京都大学）；Osaka University（大阪大学）
假设变量之间的因果关系可以用有向无环图和相应的线性结构方程模型来描述，考虑了在存在潜变量和处理变量与反应变量之间的选择偏差的情况下总效应的识别问题。Pearl和他的同事提供了后门标准、前门标准（Pearl，2000年）和条件工具变量方法（Brito和Pearl，2002年）作为存在潜变量但不存在选择偏差的情况下总效应的可识别性标准。为了解决这一问题，我们提出了新的图形识别总效应的可识别性准则的基础上可识别的因素模型。本文的结果对观测研究中总效应的识别有一定的参考价值，并对因子模型的识别条件提供了新的观点。
2012-06-13 cs.AI stat.AP stat.ME
Causal Calculus in the Presence of Cycles, Latent Confounders and Selection Bias
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们证明了因果演算（也称为do-calculus）的I/O结构因果模型（ioSCM），最近提出的一般类的非线性结构因果模型，允许周期，潜在的混淆和任意概率分布的推广的主要规则。我们还推广调整标准和公式从非循环设置到一般的（即ioSCM）。这样的标准，然后允许估计（条件）的因果关系的影响，从观察数据（部分）收集的选择偏差和周期。这将后门标准、选择后门标准和这些标准的扩展推广到任意ioSCM。总之，我们的研究结果，从而使因果推理的周期，潜在的混杂因素和选择偏见的存在。最后，我们扩展的ID算法的因果关系的识别ioSCM。
2019-07-03 cs.AI cs.LG stat.ME
Selection bias in the treatment effect for a principal stratum
对主要地层处理效应的估计已经研究了二十多年。现有的研究主要集中在估计方面，而对基于主层的被估计量的假设形成和检验的研究较少。在这份简短的报告中，我们讨论了一种现象，即即使两种治疗在患者水平上具有相同的效果（这意味着主层的平均处理效应相同），主层的真实处理效应也可能不等于零。我们从选择偏差的角度解释了这一现象。这是一个重要的发现，在使用和解释基于主要分层的结果时值得注意。如何形成主层被估计量的原假设还有待进一步研究。
2021-12-17 math.ST stat.ME stat.TH
Local Constraint-Based Causal Discovery under Selection Bias
University of Amsterdam（阿姆斯特丹大学）；Microsoft Research Cambridge（微软剑桥研究院）
我们认为，除了混杂的问题，发现因果关系的独立性约束的选择偏差。虽然开创性的FCI算法是健全和完整的，在这种设置下，没有标准的因果关系的解释，其输出下的选择偏见是目前已知的。相反，我们专注于本地模式的独立关系，在那里我们找到没有声音的方法，只有三个变量，可以包括背景知识。Y-结构模式被证明是合理的选择偏差下的数据，其中可能存在周期预测因果关系。我们引入了一个有限样本评分规则的Y结构，成功地预测因果关系的模拟实验，包括选择机制。在真实世界的微阵列数据上，我们表明Y结构变体在不同的数据集上表现良好，可能会避免由于选择偏差而导致的虚假相关性。
2022-03-03 cs.AI cs.LG stat.ML
Complete Causal Identification from Ancestral Graphs under Selection Bias
Korteweg-de Vries Institute for Mathematics, University of Amsterdam（科特维格-德弗里斯数学研究所，阿姆斯特丹大学）
本文提出在选择偏见下基于祖先图的因果识别算法，通过建立条件独立关系的理论框架，实现对因果结构的完整识别。
2026-03-27 math.CO math.PR math.ST
Reducing Selection Bias in Counterfactual Reasoning for Individual Treatment Effects Estimation
University of Alberta（阿尔伯塔大学）
反事实推理是一个重要的范式，适用于许多领域，如医疗保健，经济学和教育。在这项工作中，我们提出了一种新的方法来解决这个问题的\textit{selection bias}。我们学习了两组潜在随机变量，其中一组对应于仅导致选择偏差的变量，另一组与结果预测相关。它们由自动编码器学习，其中基于Pearson相关系数（PCC）的额外正则化损失鼓励两组随机变量之间的去相关。这允许通过仅保留与估计个体治疗效果相关的潜在变量来明确减轻选择偏倚。在合成玩具数据集和基准数据集上的实验结果表明，我们的算法能够实现最先进的性能，并改善其对应的结果，没有明确的模型的选择偏差。
2019-12-19 cs.LG stat.ML
Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference
Peking University（北京大学）；University of Science and Technology of China（中国科学技术大学）；Beijing Technology and Business University（北京工商大学）
本文从因果推断视角将推荐系统中的邻域效应形式化为干扰问题，提出处理表示、理想损失及两个估计器，在同时存在选择偏差和邻域效应时实现无偏学习，并通过半合成与真实实验验证其有效性。
2024-04-30 cs.IR cs.LG stat.ML
Minimizing Interference and Selection Bias in Network Experiment Design
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
目前网络中A/B测试的方法集中在限制干扰，担心治疗效果可能从治疗节点“溢出”到控制节点，并导致有偏见的因果效应估计。网络实验设计的主要方法依赖于两阶段随机化，其中稀疏连接的集群被识别，集群随机化决定了节点分配给治疗组和对照组。在这里，我们表明，集群随机化并不能确保足够的节点随机化，它可能会导致选择偏差，治疗和控制节点代表不同的用户群体。为了解决这个问题，我们提出了一个原则性的网络实验设计框架，共同最大限度地减少干扰和选择偏差。我们介绍了边缘溢出概率和聚类匹配的概念，并证明了它们对设计网络A/B测试的重要性。我们在一些真实世界的数据集上的实验表明，我们提出的框架导致因果效应估计的误差显着低于现有的解决方案。
2020-04-15 cs.LG cs.SI stat.ML
Bias correction in treatment effect estimates following data-driven biomarker cutoff selection
本研究针对数据驱动生物标志物截断值选择导致的治疗效果估计偏差，通过广泛模拟评估了 Bootstrap Bias Correction 和 ABC 方法的校正性能，并提出了临床应用建议。
2025-04-28 stat.AP
Bounding the Risk Difference Bias Given Incomplete Parameters for Externally Adjusting Uncontrolled Confounding
University of California, Los Angeles (UCLA)（加州大学洛杉矶分校）；Aarhus University（奥胡斯大学）
本文针对未控制混杂的外部校正，在三个偏倚参数缺失一个时，提出风险差偏倚的尖锐双参数界限，并给出数值示例。
2026-09-22 stat.AP stat.CO stat.ME
SelectionBias: An R Package for Bounding Selection Bias in Causal Estimands
本文介绍R包SelectionBias，用于计算因果风险比和风险差异的选择偏倚界限，包含多种界限方法，并通过模拟数据示例展示其应用及与EValue包的比较。
2026-09-28 stat.ME
Bounding Counterfactuals under Selection Bias
IDSIA（瑞士人工智能研究所）；University of Almería（阿尔梅里亚大学）
因果分析可能会受到选择偏倚的影响，选择偏倚定义为系统性排除某个亚群的数据。以前的工作集中在这方面的可识别性条件的推导。相反，我们提出了第一个算法来解决可识别和不可识别的查询。我们证明，尽管由选择偏差引起的缺失，可用数据的可能性是单峰的。这使我们能够使用因果期望最大化计划，以获得可识别的情况下的因果查询的值，否则计算界限。实验证明该方法是切实可行的。理论上的收敛特性。
2022-07-26 cs.AI stat.ME stat.ML
A Non-Parametric Sensitivity Analysis for Bounding Bias in Hybrid Control Trials
本文提出了一种非参数敏感性分析方法，用于评估混合对照试验中因未测量混杂因素导致的偏差边界，通过敏感性参数量化潜在偏差，并通过模拟验证其在控制偏差和提升统计效力方面的有效性。
2025-11-20 stat.ME
Multiple bias-calibration for adjusting selection bias of non-probability samples using data integration
针对非概率样本选择偏倚校正难题，提出结合多倾向得分模型与经验似然的多重偏倚校准方法，理论与模拟验证了其有效性与实用性。
2023-07-21 stat.ME
Strongly Consistent of Kullback-Leibler Divergence Estimator and Tests for Model Selection Based on a Bias Reduced Kernel Density Estimator
本文研究了有偏约化核密度估计的强相合性，得到了强相合的库尔贝克-莱布勒散度（KLD）估计.作为应用，我们给出了模型选择的拟合优度检验和渐近标准正态检验。蒙特卡罗模拟表明了所提出的估计方法和统计检验的有效性。
2018-05-18 stat.ME
Testing for publication bias in meta-analysis under Copas selection model
在荟萃分析中，发表偏倚是一个众所周知的、重要的和具有挑战性的问题，因为如果检索的研究样本存在偏倚，荟萃分析结果的有效性就会受到威胁。处理发表偏倚的一种流行方法是Copas选择模型，它提供了一种灵活的敏感性分析，用于校正估计值，并对数据抑制机制有相当深入的了解。然而，严格的测试程序下的Copas选择模型来检测偏差是缺乏的。为了填补这一空白，我们开发了一个基于分数的测试，用于检测Copas选择模型下的出版偏差。我们揭示了标准分数检验统计量的行为是不规则的，因为Copas选择模型的参数在原假设下消失，导致可识别性问题。我们提出了一种新的检验统计量，并推导出其极限分布。提供了一个引导程序，以获得实际应用的检验的p值。我们进行了广泛的蒙特卡罗模拟，以评估所提出的测试的性能，并将该方法应用到几个现有的荟萃分析。
2020-07-02 stat.ME
A Generalized Heckman Model With Varying Sample Selection Bias and Dispersion Parameters
许多建议已经出现作为Heckman选择模型的替代方案，主要是为了解决其正常假设的非鲁棒性。2001年医疗支出跟踪调查的数据经常被用来说明Heckman模型的不稳健性。在本文中，我们提出了一个推广的Heckman样本选择模型，允许样本选择偏差和分散参数依赖于协变量。我们表明，非鲁棒性的Heckman模型可能是由于假设的恒定样本选择偏差参数，而不是正态性假设。我们提出的方法使我们能够理解哪些协变量对于解释样本选择偏倚现象是重要的，而不仅仅是形成关于其存在的结论。我们探讨了我们提出的广义Heckman模型的极大似然估计（MLE）的推理方面。更具体地说，我们证明了这个模型满足一些正则条件，使它确保的MLE的一致性和渐近正态性。适当的评分残差样本选择模型，并解决模型的充分性。模拟结果检查有限样本的估计行为，并验证不考虑不同的样本选择偏差和分散参数的后果。我们表明，正常的假设分析医疗支出数据是合适的，使用我们的方法得出的结论是一致的，从以前的文献研究结果。此外，我们确定哪些协变量是相关的，以解释在这个重要的数据集样本选择偏差的存在。
2020-12-03 stat.ME
A Bayesian algorithm for sample selection bias correction
在本文中，我们提出了一种技术，耦合非传统的数据与统计调查数据的基础上，以部分纠正非随机样本选择产生的偏差。所有主要的社交媒体平台都代表了通过自我选择过程产生的普通人群的巨大样本。这意味着他们不能代表更大的公众，从这些样本中得出的结论推断到整个人口存在问题。我们提出了一种算法，将这些海量数据与来自传统来源的数据整合在一起，具有不那么广泛但更可靠的特性。这种整合允许利用两个世界的最佳情况，并达到典型的“大数据”来源的细节和精心设计的抽样调查的代表性。
2022-12-19 stat.ME
A Framework for Understanding Selection Bias in Real-World Healthcare Data
本文提出基于有向无环图的分析框架，剖析真实医疗数据中选择偏倚的来源，并比较四种易实施的加权校正方法及其方差推断。
2023-08-17 stat.ME
Using clinical trial registries to inform Copas selection model for publication bias in meta-analysis
在临床试验注册中心中前瞻性注册研究方案是最大限度降低荟萃分析中发表偏倚风险的有效方法，目前已有多个临床试验注册中心可用。然而，它们主要被用作检索研究报告的工具，提交给登记册的信息没有得到尽可能有效的利用。在解决荟萃分析中的发表偏倚时，采用Copas选择模型的敏感性分析是一种比广泛使用的图形方法（如漏斗图和修剪填充法）更客观的替代方法。尽管该模型能够量化发表偏倚的潜在影响，但该模型的一个缺点是一些参数未指定。这可能导致在解释敏感性分析结果时出现一些困难。在本文中，我们提出了一个替代的推理过程的Copas选择模型，利用临床试验注册的信息。我们的方法提供了一个简单而准确的方法来估计Copas选择模型中的所有未知参数。仿真研究表明，我们提出的方法导致更小的偏差和更准确的置信区间比现有的方法。此外，对两项已发表的荟萃分析进行了重新分析，以说明如何在实践中实施拟议的方法。
2020-05-29 stat.ME
Addressing selection bias and measurement error in COVID-19 case count data using auxiliary information
冠状病毒病例数数据影响了政府政策，并推动了大多数流行病学预测。有限的检测被认为是导致COVID-19大流行信息极少的主要原因。虽然扩大检测值得称赞，但测量误差和选择偏差是限制我们对COVID-19大流行的理解的两个最大问题;增加检测能力无法完全解决这两个问题。在本文中，我们证明了它们对估计点患病率和有效繁殖数的影响。我们表明，在美国的数百万分子测试的基础上的估计具有相同的均方误差作为一个小的简单的随机样本。为了解决这个问题，一个程序，结合病例计数数据和随机样本随着时间的推移，估计选择倾向的基础上的关键协变量信息。然后，我们将这些选择倾向与流行病学预测模型相结合，构建了一个\emph{doubly robust}估计方法，同时考虑测量误差和选择偏差。然后，使用病例计数，住院和死亡数据以及人口统计信息，从4月25日至29日收集的全州随机分子样本以及德尔福的COVID-19趋势和影响调查，将该方法应用于估计印第安纳州的活动感染率。最后，我们根据所提出的方法提出了一系列建议。
2022-09-21 stat.ME
Selection and Collider Restriction Bias Due to Predictor Availability in Prognostic Models
King’s College London（伦敦国王学院）
本文探讨了预测模型中因预测变量可用性导致的选择和碰撞限制偏差问题。
2026-02-19 stat.AP stat.ME
Bias-corrected GEE estimation and smooth-threshold GEE variable selection for single-index models with clustered data
本文提出了一种基于广义估计方程的单指标模型的估计方法和变量选择过程，当观测数据是聚类的。与独立观测值的情况不同，当估计方程中使用一般的工作相关矩阵时，需要进行偏差校正。我们的变量选择过程的基础上平滑阈值估计方程\citep{Ueki-2009}可以自动消除不相关的参数设置为零，是计算简单，比其他方法的基础上收缩惩罚。由此产生的估计一致地识别指数中的重要变量，即使工作相关矩阵被错误指定。无论非零参数是否已知，估计量的渐近性质都是相同的（在两种情况下，我们使用相同的估计方程），从而实现了\cite{Fan-Li-2001}意义下的预言性质。通过一些模拟例子以及实际数据的应用，说明了估计的有限样本性质。
2011-08-05 stat.ME
Copas-Jackson-type bounds for publication bias over a general class of selection models
针对元分析中发表偏倚问题，本文在弱化Copas-Jackson界假设的通用选择模型类上构造最坏情况界，提出带线性约束的非线性规划数值方法，通过模拟和真实元分析验证了方法的有效性与适用性。
2025-08-25 stat.ME
Efficient estimation and correction of selection-induced bias with order statistics
本文提出一种基于次序统计量的高效方法，用于估计和校正复合模型选择决策中产生的选择诱导偏差与过拟合，为嵌套交叉验证和自助法提供轻量级替代方案。
2024-08-07 stat.CO stat.ME
Using Instruments for Selection to Adjust for Selection Bias in Mendelian Randomization
该研究针对孟德尔随机化分析中的选择偏倚问题，探索用与参与相关的遗传变异作为选择工具变量，结合两种样本选择模型实现缺失数据校正，经模拟和真实数据验证方法可缓解偏倚。
2024-04-13 q-bio.QM stat.ME
Accounting for selection biases in population analyses: equivalence of the in-likelihood and post-processing approaches
本文证明群体研究中直接将选择效应纳入似然与先推断观测分布再事后消除选择效应两种方法在适当假设下等价，并澄清后一种方法不会产生所谓的潜在偏差。
2024-05-10 astro-ph.IM gr-qc stat.ME
Assessing Selection Bias in Regression Coefficients Estimated from Non-Probability Samples, with Applications to Genetics and Demographic Surveys
选择偏差是一个严重的潜在问题，推理的关系，科学利益的基础上没有明确的概率抽样机制的样本。受潜在选择偏倚的影响，（a）在志愿者遗传研究中多基因评分（PGS）与表型的估计关系，以及（b）在智能手机用户调查中亚组平均值的估计差异，我们推导出新的选择偏倚测量方法，用于估计线性和概率回归模型中拟合非概率样本的系数，当所选样本和目标人群的总体辅助数据可用时。这些措施产生于正常模式混合模型，允许分析师检查他们的推断的敏感性，在这些样本中的非一致性选择的假设。我们在模拟研究中检查了所提出的措施的有效性，然后使用它们来量化选择偏差：（a）在通过Facebook招募的志愿者的大型研究中估计的PGS-phenotype关系，以及（b）在低学历智能手机用户的非概率样本中估计的过去一年平均就业时间的亚组差异。我们评估这些应用程序中使用的基准估计大概率样本的措施的性能。
2021-03-08 stat.AP stat.ME
On Estimating Many Means, Selection Bias, and the Bootstrap
随着高通量技术的最新进展，研究人员经常发现自己运行大量的假设检验（数千+）和估计大量的效应量。一般来说，人们特别关注那些估计最极端的影响。不幸的是，这些效应量的天真估计（即使在测试程序中可能考虑多重性之后）可能会严重偏倚。在这篇手稿中，我们从频率论的角度探讨了这种偏差：我们给出了一个正式的定义，并表明使用这种偏差的甲骨文估计占主导地位的天真最大似然估计。我们给出了一个估计近似这个预言，并表明它可以很好地工作在模拟数据。我们还将其与经验贝叶斯的思想联系起来。
2013-11-15 stat.ME stat.ML
Overcoming Selection Bias in Statistical Studies With Amortized Bayesian Inference
University of Bonn（波恩大学）；Institut Pasteur（巴斯德研究所）；University of Freiburg（弗赖堡大学）；LMU University Hospital（慕尼黑大学附属医院）；German Center for Infection Research（德国感染研究中心）；Fraunhofer Institute ITMP（弗劳恩霍夫ITMP研究所）；Max von Pettenkofer Institute（马克斯·冯·佩滕科弗研究所）；LMU Munich（慕尼黑大学）；German Research Center for Environmental Health（德国环境健康研究中心）；Institut Necker-Enfants Malades（内克-儿童疾病研究所）
本文提出一种基于模拟的贝叶斯推断框架，通过将选择机制嵌入生成模拟器，实现无须可 tractable 似然的去偏推断，适用于复杂模型和高维数据。
2026-04-20 cs.LG stat.ME stat.ML
Selection Bias Correction and Effect Size Estimation under Dependence
我们考虑大规模的研究中，它是感兴趣的测试非常大量的假设，然后估计的效果大小对应于拒绝的假设。例如，这种设置出现在基因表达或DNA测序数据的分析中。然而，效应量的朴素估计存在选择偏倚，即，一些最大的朴素估计值仅仅由于偶然性而很大。许多作者已经提出了方法，以减少选择偏倚的影响下，假设的朴素估计的效果大小是独立的。不幸的是，当效应量估计是依赖的，这些现有的技术可以有非常差的性能，在实践中往往会有依赖性。我们提出了一个估计，调整最近提出的频率框架下的选择偏差，没有独立性假设。我们研究了所提出的估计的一些性质，并说明它优于过去的建议，在模拟研究和两个基因表达数据集。
2015-03-28 stat.AP stat.ME stat.ML
