Likelihood-free Bayesian inference for alpha-stable models
$α$ -稳定分布在统计、金融和信号处理工程的许多领域中被用作重尾噪声的模型。然而，在一般情况下，无论是单变量还是多变量$α$ -稳定模型都不承认可以逐点评估的封闭形式密度。这使推理过程复杂化。因此，$α$稳定模型实际上仅限于贝叶斯范式下的单变量设置和经典框架下的双变量模型。在这篇文章中，我们开发了一种新的贝叶斯方法来建模单变量和多变量$α$ -稳定分布的基础上，最近的进展“无似然”的推断。我们提出了一个评估的性能，这个过程中的1，2和3个维度，并提供了一个分析的实际每日货币汇率数据。所提出的方法提供了一个可行的推理方法在一个温和的计算成本。
2009-12-23 stat.CO
Bayesian Inference for Logistic Regression Models Using Sequential Posterior Simulation
logistic规范已被广泛用于非贝叶斯统计，以模拟离散结果对指定协变量值的依赖性。由于似然函数是全局弱凹的，所以即使在通常出现的具有几十个或几百个参数的应用中，极大似然估计也是直接的。相比之下，贝叶斯推断已被证明是笨拙的，需要对现有的马尔可夫链蒙特卡罗和数据增强方法的可能性或专门的适应性进行正常近似。本文使用最近开发的一般序贯后验模拟（SPS）方法，只需要多一点的能力，以评估的似然函数的逻辑模型的贝叶斯推断。与现有的替代方案相比，SPS是简单得多，并提供了数字标准误和准确的近似边际可能性作为副产品。用于贝叶斯推断的SPS算法适合于大规模并行实现，并且当使用图形处理单元实现时，它比现有的替代方案更有效。本文通过几个例子来说明这些观点。
2013-04-16 stat.CO
Estimating the marginal likelihood with Integrated nested Laplace approximation (INLA)
边际似然是贝叶斯统计学中一个公认的模型选择准则。它还允许有效地计算边缘后验模型概率，该概率可用于对感兴趣的量进行贝叶斯模型平均。然而，对于许多复杂的模型，包括潜在建模方法，边缘似然性难以计算。最近一个有前途的方法近似的边缘可能性是集成嵌套拉普拉斯近似（INLA），设计的模型与潜在的高斯结构。在这项研究中，我们比较了近似与INLA获得一些不同复杂性的例子上的替代方法。特别是，我们讨论了简单的线性潜在模型、贝叶斯线性回归模型、具有probit和logit链接的逻辑贝叶斯回归模型以及Poisson纵向广义线性混合模型。
2016-11-04 stat.CO
Bayesian hierarchical weighting adjustment and survey inference
我们结合贝叶斯预测和加权推理作为一个统一的方法来调查推理。贝叶斯分析的一般原则意味着，调查结果的模型应取决于影响纳入概率的所有变量。我们将加权变量的框架下的多级回归和后分层，作为一个副产品生成基于模型的权重平滑后。我们研究了深层的相互作用，并引入了结构化的先验分布的平滑和稳定的估计。计算通过Stan完成，并在开源R包“rstanarm”中实现，可供公众使用。仿真研究表明，基于模型的预测和加权推理优于经典加权。我们将该建议应用于纽约幸福纵向研究。新方法产生强大的权重，并提高有限人口推断的效率，特别是对人口的子集。
2020-06-23 stat.AP stat.CO stat.ME
Bayesian prognostic covariate adjustment
关于疾病结局的历史数据可以通过多种方式整合到临床试验分析中。我们建立在现有文献的基础上，这些文献使用预测模型的预后评分，通过协变量调整来提高处理效应估计的效率。在这里，我们更进一步，利用贝叶斯框架，结合预测协变量调整与经验先验分布从预测模型的预测性能在过去的试验中学习。贝叶斯方法在既往扩散时采用严格第一类错误控制的预后协变量调整与既往达到峰值时采用单臂试验之间进行插值。理论上表明，该方法可大幅提高统计功效，同时在合理条件下限制第一类错误率。我们证明了我们的方法在模拟和分析过去的阿尔茨海默病的临床试验的效用。
2020-12-24 stat.AP stat.ME stat.ML
Bayesian model-data synthesis with an application to global Glacio-Isostatic Adjustment
我们介绍了一个框架，更新大规模的地理空间过程中使用的模型数据合成方法的基础上贝叶斯分层建模。两个主要的挑战来自于更新大规模高斯过程和建模的非平稳性。为了解决第一个问题，我们采用了SPDE方法，使用稀疏高斯马尔可夫随机场（GMRF）的近似，以减少计算成本，并通过使用INLA方法实现贝叶斯推断。对于非平稳的全球进程，我们提出了两个通用的模型，以适应常见的地理空间问题。最后，我们展示了一个例子，更新全球冰川均衡调整（GIA）的估计使用GPS测量。
2018-04-30 stat.AP stat.OT
Bayesian inference, model selection and likelihood estimation using fast rejection sampling: the Conway-Maxwell-Poisson distribution
似然函数模型的贝叶斯推断是现代统计学中一组具有挑战性的问题。在这项工作中，我们分析了康威-麦克斯韦-泊松（COM-泊松）分布，两个参数的推广的泊松分布。COM-泊松回归建模允许灵活地将离散计数数据建模为具有COM-泊松响应的广义线性模型（GLM）的一部分，其中外源协变量控制响应的平均值和离散水平。COM泊松回归的主要困难是，似然函数包含多个棘手的归一化常数，是不服从标准的推理和MCMC技术。最近Chanialdaughter等人的工作。（2017）已经看到了一个采样器的发展，使用拒绝抽样算法从COM泊松似然中提取随机变量。我们提供了一个新的拒绝抽样COM-泊松分布，显着减少所需的CPU时间进行推断COM-泊松回归模型。这项工作的一个新的扩展表明，对于任何棘手的似然函数与相关的拒绝采样器，有可能构建无偏估计量估计的棘手的似然证明有用的模型选择或用于伪边缘MCMC算法（Andrieu和罗伯茨，2009年）。我们展示了所有这些方法在现实世界的收购出价数据集。
2020-07-10 stat.CO
Regression approaches for Approximate Bayesian Computation
本书介绍了近似贝叶斯计算（ABC）的回归方法和回归调整。回归调整在拒绝抽样之后调整参数值，以考虑模拟与观测之间的不完全匹配。当有许多汇总统计数据时，模拟和观察之间的不完美匹配可能更加明显，这种现象被称为维数灾难。由于这种不完美的匹配，与真实的可信区间相比，用回归方法获得的可信区间可能会膨胀。本章介绍了回归调整的主要概念。本文给出了一个定理，比较了有无回归调整的后验分布的理论性质。最后，回归调整在群体遗传学中的实际应用表明，与拒绝方法相比，回归调整缩小了后验分布，这是一种避免置信区间膨胀的解决方案。
2017-07-05 stat.ME
Transformations in Semi-Parametric Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic likelihood，BSL）是一种在似然函数难以处理的情况下进行近似贝叶斯推断的常用方法。在合成似然方法中，似然函数通过模型模拟进行参数近似，然后使用标准的基于似然的技术来执行推断。高斯合成似然估计已成为无处不在的BSL文献，主要是因为它的简单性和易于实现。然而，它通常限制性太强，并可能导致较差的后验近似。最近，一个更灵活的半参数贝叶斯合成似然（semiBSL）估计已被引入，这是显着更强大的不规则分布的汇总统计量。在这项工作中，我们提出了一些扩展semiBSL。首先，我们考虑使用变换核密度估计的边缘分布的更灵活的估计。其次，我们提出了白化semiBSL（wsemiBSL）-显着提高semiBSL的计算效率的方法。wsemiBSL在每次算法迭代时使用近似白化变换来解相关汇总统计量。本文开发的方法显着提高了BSL算法的通用性和效率。
2020-07-03 stat.CO stat.ME
Bayesian Elastic Net based on Empirical Likelihood
我们提出了一个贝叶斯弹性网，使用经验似然和开发一个有效的调整哈密顿蒙特卡罗后验采样。该模型放松了对误差分布的假设，当变量高度相关时表现良好，并通过提供回归系数的后验分布来进行更直接的推断。在贝叶斯经验似然中实现的哈密顿蒙特卡罗方法克服了后验分布缺乏封闭的解析形式和其域是非凸的挑战。提出了贝叶斯经验似然的蛙跳参数整定算法。我们还证明了回归系数的后验分布是渐近正态的。仿真研究和实际数据分析表明，所提出的方法在预测精度的优势。
2022-07-18 stat.CO stat.ME
Approximate Bayesian Computation: a nonparametric perspective
近似贝叶斯计算是一种无似然推理技术，非常适合于根据随机生成机制定义的模型。简而言之，近似贝叶斯计算通过从数据中计算汇总统计量s_obs并模拟参数theta的不同值的汇总统计量来进行。然后通过条件密度g（θ）的估计量来近似后验分布|s_obs）。本文给出了基于拒绝抽样和线性调整的后验分布标准估计的渐近偏差和方差。此外，我们引入了一个原始的估计的后验分布的基础上二次调整，我们表明，其偏差包含的条款数比线性调整的估计。虽然我们发现，调整的估计量并不普遍优于基于拒绝抽样的估计量，我们发现，他们可以达到更好的性能时，有一个近似的统计量和感兴趣的参数之间的同方差关系。为了使这种关系尽可能同方差，我们建议使用汇总统计量的转换。在从人群遗传学和流行病学文献中借来的不同例子中，我们展示了调整方法和汇总统计量转换的潜力。包含证明细节的补充材料可在网上查阅。
2010-05-31 math.ST stat.CO stat.TH
Efficient Bayesian Inference for Spatial Point Patterns Using the Palm Likelihood
North Carolina State University（北卡罗来纳州立大学）；Department of Statistics, North Carolina State University（北卡罗来纳州立大学统计系）
本文提出在贝叶斯框架下利用 Palm 似然进行空间点模式推断，并通过两种校准方法修正后验覆盖不足问题，在保证统计性能的同时显著提升计算效率。
2026-09-29 stat.CO stat.ME
Bayesian Synthetic Likelihood
本文介绍贝叶斯合成似然（BSL）方法，用于似然不可计算但可模拟的模型中的后验推断，并概述其可扩展稳健的扩展。
2023-05-10 stat.CO stat.ME
Bayesian and Maximum Likelihood Estimation for Gaussian Processes on an Incomplete Lattice
本文提出了一种新的方法来估计大格点上具有缺失值的平稳高斯过程的贝叶斯和极大似然参数估计。我们提出了一个MCMC方法的贝叶斯推断，和极大似然推理的蒙特卡罗期望最大化算法。我们的方法使用数据增广和循环嵌入的协方差阵，并提供精确的推断参数和缺失数据。使用模拟数据和应用卫星海洋表面温度在太平洋，我们表明，我们的方法提供了准确的推断尺寸高达512 × 512的格子，并优于两个流行的方法：复合似然和谱近似。
2014-02-18 stat.CO stat.ME
Expectation-Propagation for Bayesian Empirical Likelihood Inference
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；School of Mathematics and Statistics, The University of Melbourne（墨尔本大学数学与统计学院）
本文提出基于期望传播的变分方法近似贝叶斯经验似然后验，解决其计算挑战，在小样本下实现更优成本-精度权衡，且理论上近似与目标后验渐近等价。
2026-08-05 stat.CO stat.ME
Adaptive Gaussian process approximation for Bayesian inference with expensive likelihood functions
我们考虑计算密集型似然函数的贝叶斯推断问题。我们提出了一种基于高斯过程（GP）的方法来近似未知参数和数据的联合分布。特别是，我们写的联合密度近似为一个近似的后验密度和一个exponentiated GP代理的产品。然后，我们提供了一个自适应算法来构建这样的近似，其中使用主动学习方法来选择设计点。数值例子表明，该方法具有竞争力的性能对现有的贝叶斯计算方法。
2018-03-14 stat.CO stat.ML
Approximate Bayesian Computing for Spatial Extremes
用于模拟空间极值的最大稳定过程的统计分析受到计算联合似然函数的困难的限制。这排除了所有标准的基于可能性的方法，包括贝叶斯方法。在本文中，我们提出了一个贝叶斯方法，通过使用近似贝叶斯计算。这避免了联合似然函数的需要，而是依赖于来自（不可用的）似然的模拟。该方法与基于复合似然的另一种方法进行了比较。我们表明，近似贝叶斯计算可以导致较低的均方误差比复合似然方法估计的极端空间依赖性时，虽然在一个明显更高的计算成本。我们还说明了该方法的性能与应用程序，美国的温度数据估计作物损失的风险，由于不太可能冻结事件。
2011-12-13 stat.CO stat.ME
Covariate Adjustment in Bayesian Adaptive Randomized Controlled Trials
本文研究贝叶斯自适应随机对照试验中的协变量调整方法，展示如何从调整分析中获取边际估计目标的后验样本，并通过模拟和COVID-19试验证明其能提高检验效能、增加提前停止概率并降低预期样本量。
2023-11-23 stat.AP stat.ME
Efficient Multifidelity Likelihood-Free Bayesian Inference with Adaptive Computational Resource Allocation
无似然贝叶斯推断算法是用于校准复杂随机模型的参数的流行方法，当观察数据的似然性难以处理时需要。这些算法的特点是严重依赖于重复的模型模拟。然而，每当模拟的计算成本甚至是适度昂贵的，显着的负担所产生的似然自由算法离开他们在许多实际应用中是不可行的。已经引入了多保真度方法（最初是在近似贝叶斯计算的上下文中），通过使用模拟计算上便宜的近似模型代替感兴趣的模型所提供的信息，来减少无可能性推理的模拟负担，而不损失准确性。这项工作的第一个贡献是证明多保真度技术可以应用于一般的似然自由贝叶斯推断设置。在不同的保真度水平的模拟计算资源的最佳分配的分析结果，并随后实际实施。我们提供了一个自适应的多保真度似然自由推理算法，学习模型之间的关系，在不同的精度，并相应地适应资源分配，并证明该算法产生后验估计与接近最佳的效率。
2021-12-22 q-bio.QM stat.CO
An approximate Bayesian marginal likelihood approach for estimating finite mixtures
当混合分布的支持未知时，有限混合模型的估计是一个重要的问题。本文提出了一种新的基于边际似然的未知支持度估计方法。受贝叶斯Dirichlet先验模型的启发，提出了一种计算效率高的边际似然随机逼近形式，并给出了大样本理论。通过将支持度限制在有限网格上，采用模拟退火方法来最大化边际似然并估计支持度。实际和模拟数据的例子表明，这种新的随机逼近-模拟退火过程优于现有的方法。
2012-02-13 stat.CO stat.ME
Wasserstein Gaussianization and Efficient Variational Bayes for Robust Bayesian Synthetic Likelihood
针对贝叶斯合成似然（BSL）的正态分布假设偏差及统计量兼容性需求，结合Wasserstein高斯化变换、鲁棒BSL与高效变分贝叶斯，提出一种高效可靠的无似然近似贝叶斯推断方法。
2024-08-15 stat.CO stat.ML
Slamming the sham: A Bayesian model for adaptive adjustment with noisy control data
本文提出一种基于贝叶斯层次建模的自适应调整方法，在重复实验中利用数据决定调整程度，相比差异估计提高统计效率，并在真实和模拟数据上验证其实际影响。
2025-01-21 stat.AP stat.ME
Bayesian Optimization of Hyperparameters from Noisy Marginal Likelihood Estimates
贝叶斯模型通常涉及通过最大化边际似然来确定的一小组超参数。贝叶斯优化是一种流行的迭代方法，其中底层函数的高斯过程后验通过新的函数评估顺序地更新。获取策略使用该后验分布来决定在何处放置下一个函数评估。我们提出了一种新的贝叶斯优化框架的情况下，用户控制的计算工作量，因此精度的功能评估。这是计量经济学中常见的情况，通常通过马尔可夫链蒙特卡罗（MCMC）或重要性抽样方法计算边际似然，边际似然估计量的精度由样本数量决定。新的获取策略使优化器可以选择使用廉价的噪声评估来探索函数，从而更快地找到最佳值。该方法被应用于估计先验超参数在两个流行的模型对美国宏观经济时间序列数据：稳态贝叶斯向量自回归（BVAR）和随机波动率的时变参数BVAR。该方法比传统的贝叶斯优化或网格搜索更快地找到最优解。
2022-08-17 econ.EM stat.CO
Approximate Bayesian Computation via Regression Density Estimation
近似贝叶斯计算（ABC）方法，适用于当可能性是困难的或不可能的计算，是当前研究的一个活跃的话题。大多数当前的ABC算法直接近似的后验分布，但替代的，不太常见的策略是近似的似然函数。这有几个优点。首先，在某些问题中，近似似然比近似后验更容易。第二，近似的可能性允许参考分析仅基于可能性构建。第三，一旦构建了可能性的近似值，就可以直接对几种不同的先验选择进行敏感性分析，这只需要进行一次。本文的贡献是考虑回归密度估计技术近似的可能性在ABC设置。我们的似然逼近建立在最近开发的边缘自适应密度估计器的基础上，将其扩展到条件密度估计。我们的方法有利于参考贝叶斯推断，以及频率论的推理。该方法是通过一个具有挑战性的问题，推理体视学的极端，在那里我们进行频率和贝叶斯推断。
2012-12-06 stat.CO stat.ME
Efficient Bayesian synthetic likelihood with whitening transformations
无似然方法是一种已建立的方法，用于对具有难处理的似然函数的模型执行近似贝叶斯推断。然而，它们可能需要计算。贝叶斯综合似然（Bayesian synthetic likelihood，BSL）是一种流行的方法，它用已知的、易处理的分布（通常是高斯分布）近似概括统计量的似然函数，然后使用标准的基于似然的技术执行统计推断。然而，随着汇总统计量的增加，精确估计该可能性的协方差阵所需的模型模拟数量迅速增加。这对BSL的应用提出了重大挑战，特别是在模型模拟昂贵的情况下。在这篇文章中，我们提出了白化BSL（wBSL）-一个有效的BSL方法，使用近似白化变换去相关的汇总统计在每个算法迭代。我们的经验表明，这可以减少所需的模型模拟实现BSL的数量超过一个数量级，而不会损失太多的准确性。我们探索了一系列的白化程序，并展示了一系列的模拟和真实的建模方案，从生态学和生物学的wBSL的性能。
2020-02-01 stat.CO stat.ME stat.ML
Robust Approximate Bayesian Inference with Synthetic Likelihood
贝叶斯合成似然（BSL）是一种用于在模型中进行近似贝叶斯推断的成熟方法，其中，由于似然函数的棘手性，精确贝叶斯方法要么是不可行的，要么是计算量太大。BSL应用中隐含的假设是，数据生成过程（DGP）可以生成模拟汇总统计量，以捕获观察到的汇总统计量的行为。我们证明，如果实际和假设的DGP之间的兼容性不满足，即，如果模型被错误指定，BSL会产生不可靠的参数推断。为了规避这个问题，我们提出了一个新的BSL方法，可以检测模型的误指定的存在，并同时提供有用的推论，即使在显着的模型误指定。两个模拟和两个真实数据的例子证明了这种新的方法BSL的性能，并证明其优越的精度比标准BSL时，假设的模型是错误的。
2020-06-11 stat.AP stat.CO stat.ME
On the overestimation of widely applicable Bayesian information criterion
广泛适用的贝叶斯信息准则（Watanabe，2013）适用于模型选择问题中的正则和奇异模型。这个标准往往会高估对数边际似然。我们确定了一个广泛适用的贝叶斯信息标准的高估。调整的长期提供了一个渐进的无偏估计量的领先的两项渐近展开的对数边际似然。在规则和奇异模式的数值试验中，调整导致比原来的标准更小的偏差。
2019-08-28 math.ST stat.ME stat.ML
Robust Bayesian Synthetic Likelihood via a Semi-Parametric Approach
贝叶斯合成似然（BSL）是一种成熟的方法，用于对不具有易处理的似然函数的基于模拟的模型进行近似贝叶斯参数估计。BSL近似一个棘手的似然函数的一个精心选择的汇总统计量的参数值与多元正态分布。该正态分布的均值协方差阵是根据模型的独立模拟估计的。由于BSL中隐含的参数假设，在某些对高维汇总统计量感兴趣的应用中，它可能优于其非参数竞争对手，近似贝叶斯计算。然而，尽管BSL的几个成功的应用，它在科学领域的广泛使用可能会受到阻碍的强正态性假设。在本文中，我们开发了一个半参数的方法，放松这一假设在一定程度上，并保持计算优势的BSL没有任何额外的调整。我们测试我们的新方法，semiBSL，在几个具有挑战性的例子，涉及模拟和真实数据，并证明semiBSL可以显着更强大的BSL和文献中的另一种方法。
2019-10-03 stat.CO stat.ME
Approximate Bayesian inference from noisy likelihoods with Gaussian process emulated MCMC
提出用高斯过程模拟Metropolis-Hastings采样进程的近似贝叶斯推断框架，在有限噪声似然评估下实现高效且鲁棒的推断。
2023-08-31 stat.CO stat.ME stat.ML
Parallel Gaussian process surrogate Bayesian inference with noisy likelihood evaluations
Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所）；Aalto University（阿尔托大学）；University of Edinburgh（爱丁堡大学）
我们考虑贝叶斯推断时，只有有限数量的噪声对数似然评价可以得到。例如，当将复杂的基于模拟器的统计模型拟合到数据时，会发生这种情况，并且使用合成似然（SL）方法来使用计算成本高的前向模拟来形成噪声对数似然估计。我们框架的推理任务作为一个连续的贝叶斯试验设计问题，其中的对数似然函数建模与分层高斯过程（GP）代理模型，这是用来有效地选择额外的对数似然评估位置。最近的进展的相关问题的批量贝叶斯优化的动机，我们开发了各种批量顺序的设计策略，允许并行运行一些潜在的昂贵的模拟。我们从理论和经验上分析了所产生的方法的属性。几个玩具问题和仿真模型的实验表明，我们的方法是强大的，高度并行化，样本效率。
2020-03-06 cs.LG stat.CO stat.ME
Bayesian model inversion using stochastic spectral embedding
在本文中，我们提出了一种新的无采样方法来解决贝叶斯模型反演问题，这是以前提出的谱似然展开（SLE）方法的扩展。我们的方法，称为随机谱似然嵌入（SSLE），使用最近提出的随机谱嵌入（SSE）方法的局部谱扩展细化近似的似然函数的贝叶斯反演问题的核心。我们表明，与SLE类似，这种方法通过直接对展开系数进行后处理，得到了贝叶斯后验分布的关键统计数据（例如证据、后验矩和后验边缘）的解析表达式。因为SSLE和SSE依赖于似然函数的直接近似，所以它们在某种程度上独立于前向模型的计算/数学复杂性。我们进一步提高SSLE的效率，通过引入似然特定的自适应样本富集计划。为了展示所提出的SSLE的性能，我们解决了三个问题，表现出不同种类的复杂性的似然函数：多模态，高后验浓度和高标称维数。我们展示了SSLE如何显着改善SLE，并提出它作为一个有前途的替代现有的反演框架。
2021-04-20 stat.CO stat.ME
Bayesian Prognostic Covariate Adjustment With Additive Mixture Priors
本文提出 Bayesian PROCOVA，用 DTG 生成的预后评分调整协变量，并以可预指定的加性混合先验融合历史对照信息，从而在控制偏倚的同时降低方差、缩小试验规模。
2024-02-28 stat.AP stat.ME stat.ML
BSL: An R Package for Efficient Parameter Estimation for Simulation-Based Models via Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic似然函数，BSL）是一种用于估计复杂统计模型和随机过程的参数后验分布的常用方法。BSL通过模型模拟和密度估计来近似一个明智选择的数据汇总统计量的可能性，而不是评估可能性。与近似贝叶斯计算（ABC）等替代方法相比，当所选汇总统计量为高维时，BSL需要很少的调整，并且需要比ABC更少的模型模拟。原始的合成似然依赖于一个多元正态近似的棘手的可能性，其中的平均值和协方差估计模拟。BSL的扩展考虑用惩罚协方差估计量替换样本协方差，以减少所需模型模拟的数量。此外，半参数方法已被开发来放松正态性假设。在本文中，我们提出了一个名为BSL的R包，它将上述方法合并到一个单一的，易于使用的和连贯的软件中。R包还包括几个示例来说明如何使用该包并演示方法的实用性。
2019-07-25 stat.AP stat.CO stat.ML
Bayesian Computation and Model Selection in Population Genetics
直到最近，贝叶斯推断在群体遗传学中的使用仅限于少数情况，因为对于许多现实的群体遗传模型，似然函数不能解析计算。这种情况随着无可能性推理算法的出现而改变，这种算法通常被归入近似贝叶斯计算（ABC）一词。一个关键的创新是使用后采样回归调整，允许更大的公差值，并因此将计算时间转移到现实的数量级（参见Beaumont等人，2002年）。在这里，我们提出了一个一般线性模型（GLM）的回归调整的重新制定。这允许整合到贝叶斯统计的框架和使用其方法，包括通过贝叶斯因子的模型选择。然后，我们将所提出的方法应用于西部黑猩猩之间的人口细分的问题。
2009-01-15 q-bio.PE stat.CO stat.ME
Classification and Bayesian Optimization for Likelihood-Free Inference
某些统计模型是通过数据生成过程指定的，对于该过程，似然函数不能以封闭形式计算。标准的基于似然的推断是不可行的，但模型参数可以通过找到产生类似于观察数据的模拟数据的值来推断。这种方法至少面临两个主要困难：第一个困难是用于判断模拟数据是否与观测数据相似的差异度量的选择。第二个困难是在参数空间中的差异低的区域的计算有效的识别。我们在这里给我们最近的工作，我们通过分类和贝叶斯优化解决这两个困难的介绍。
2015-02-19 stat.CO stat.ME stat.ML
Nonparametric Bayesian Adjustment of Unmeasured Confounders in Cox Proportional Hazards Models
本文提出一种两阶段非参数贝叶斯方法，通过基于暴露与结局似然的聚类检测并在各聚类内估计风险比，以解决Cox比例风险模型中未测量混杂因素导致的HR估计偏倚和参数识别困难问题。
2024-10-01 stat.ME
Flexible Bayesian Multiple Comparison Adjustment Using Dirichlet Process and Beta-Binomial Model Priors
University of Amsterdam（阿姆斯特丹大学）
本文提出基于贝塔-二项式先验的灵活贝叶斯多重比较调整方法，对比了狄利克雷过程先验和传统方法，通过随机搜索算法高效探索分区空间，用于均值、标准差和比例的比较。
2025-04-30 math.ST stat.ME stat.TH
Bayesian Nonparametric Adjustment of Confounding
观察性研究的分析日益面临的挑战是，确定需要哪些可能的高维可用协变量集来满足因果效应估计的可验证治疗分配假设。我们提出了一种贝叶斯非参数方法，同时1）根据现有的混杂因素选择原则优先纳入调整变量; 2）以允许混杂因素，暴露和结果之间复杂关系的方式估计因果效应; 3）提供因果估计，说明混杂性质的不确定性。该提案依赖于多个贝叶斯加性回归树模型的规范，这些模型与一个共同的先验分布联系在一起，该先验分布根据与暴露和关注结果的关联将后验选择概率累积到协变量。一组广泛的模拟研究表明，所提出的方法相对于类似动机的方法在各种情况下表现良好。我们部署的方法来调查燃煤电厂的排放对环境空气污染浓度的因果影响，由于当地和区域气象因素的混淆前景引入了不确定性周围的一组高维测量变量的混淆作用。最终，我们表明，所提出的方法产生更有效的和更一致的结果在相邻年份比替代方法，贷款强度的证据之间的因果关系的二氧化硫排放量和环境颗粒物污染。
2022-03-22 stat.ME
Calibration of conditional composite likelihood for Bayesian inference on Gibbs random fields
Université Montpellier（蒙彼利埃大学）；University College Dublin（都柏林大学学院）
本文提出了一种校准方法，用于通过复合似然进行Gibbs随机场的贝叶斯推断，通过实例验证了该方法的有效性。
2015-11-18 math.ST stat.CO stat.TH
Quantification of empirical determinacy: the impact of likelihood weighting on posterior location and spread in Bayesian meta-analysis estimated with JAGS and INLA
贝叶斯正态-正态分层模型（Bayesian normal-normal hierarchical model，NNHM）是一种流行的贝叶斯元分析方法，它综合了多项研究的知识，具有较高的实用价值。此外，NNHM是最简单的贝叶斯分层模型（BHM），它说明了更复杂的BHM中的典型问题。到目前为止，它一直不清楚在何种程度上的数据决定的边缘后验分布的参数在NNHM。为了解决这个问题，我们计算了Bhattacharyya系数相对于加权似然的二阶导数，定义了总经验确定性（TED），位置的经验确定性与TED的比例（pEDL），以及传播的经验确定性与TED的比例（pEDS）。我们在R软件包\texttt{ed4bhm}中实现了这种方法，并考虑了两个案例研究和一个模拟研究。我们量化TED，pEDL和pEDS在不同的建模条件下，如模型参数化，主要结果，和先验。这阐明了参数的边缘后验分布的位置和分布在多大程度上由数据决定。虽然这些调查集中在贝叶斯NNHM，所提出的方法更普遍地适用于复杂的BHM。
2021-09-24 stat.CO stat.ME
Bayesian computation via empirical likelihood
当似然函数数值不可用时，近似贝叶斯计算（ABC）已成为分析复杂随机模型的重要工具。然而，经验似然性的成熟统计方法提供了另一种途径，绕过了模型的模拟和ABC参数的选择（汇总统计量，距离，容差），同时在观测数量上收敛。此外，绕过模型模拟可能会在复杂模型中节省大量时间，例如在群体遗传学中发现的那些。我们在本文中开发的BCel算法还通过相关的有效样本量来评估其自身的性能。使用几个例子，包括估计标准分布，时间序列，和人口遗传学模型的方法进行说明。
2012-12-05 q-bio.QM stat.CO stat.ME
Robust Generalised Bayesian Inference for Intractable Likelihoods
广义贝叶斯推断使用损失函数而不是似然更新先验信念，因此可以用于赋予针对可能的似然错误指定的鲁棒性。在这里，我们认为广义贝叶斯推断与斯坦差异作为一个损失函数，动机的应用程序中的可能性包含一个棘手的归一化常数。在这种情况下，斯坦差异规避评价的归一化常数，并产生广义后验，要么是封闭的形式或使用标准的马尔可夫链蒙特卡罗访问。在理论层面上，我们表现出一致性，渐近正态性和偏置鲁棒性的广义后验，突出这些属性是如何影响的选择斯坦差异。然后，我们提供了一系列的棘手的分布，包括应用基于核的指数族模型和非高斯图形模型的数值实验。
2022-01-11 math.ST stat.CO stat.ME
Bayesian optimisation for fast approximate inference in state-space models with intractable likelihoods
本文研究了具有难处理似然的非线性状态空间模型的近似贝叶斯参数推断问题。具有近似贝叶斯计算的序贯蒙特卡罗（SMC-ABC）是一种用于近似这种类型的模型中的可能性的方法。然而，这种近似可能是有噪声的并且计算成本高，这阻碍了使用基于优化和蒙特卡罗方法的标准方法的有效实现。我们提出了一种计算效率高的新方法的基础上结合高斯过程优化和SMC-ABC创建一个拉普拉斯近似的棘手后。我们将所提出的算法用于随机波动率模型的推理，同时使用合成数据和真实数据，以及使用Copula模型估计两个投资组合的风险价值。我们的文件之间的一个和两个数量级的速度相比，国家的最先进的后验推理算法。
2017-06-13 q-fin.RM stat.CO stat.ML
Bayesian Seasonal Adjustment for Survey Time Series
Tam Data Advisory（Tam数据顾问）
研究针对国家统计局季节调整程序忽略调查估计标准误差的问题，将时变抽样误差方差嵌入基本结构模型，扩展DMM贝叶斯框架，通过双块吉布斯采样器得出相关后验及可信区间等，模拟和应用表明其优于X-11，能区分测量噪声与真正季节漂移。
2026-07-21 stat.ME
General Bayesian Updating and the Loss-Likelihood Bootstrap
在本文中，我们重新审视加权似然自助法，一种从参数模型的近似贝叶斯后验生成样本的方法。我们表明，相同的方法可以得到，没有近似，在贝叶斯非参数模型与参数定义为最小化预期的负对数似然未知的抽样分布下的利益。这种解释使我们能够将加权似然自助法扩展到参数的后验抽样，以最大限度地减少预期损失。我们称这种方法为损失似然自助法。我们在此和一般贝叶斯更新之间建立了联系，贝叶斯更新是一种更新先验置信分布的方法，而无需构建全局概率模型，但需要校准两种形式的损失函数。损失似然自举法用于通过匹配渐近费舍尔信息来校准一般贝叶斯后验。我们证明了一些例子的方法。
2018-05-22 stat.ME stat.ML
Bayesian Inference from Composite Likelihoods, with an Application to Spatial Extremes
复合似然越来越多地用于完全似然在分析上未知或计算上禁止的应用中。虽然最大合成似然估计具有类似于通常的极大似然估计的频率论性质，但基于合成似然的贝叶斯推断还有待探索。在本文中，我们研究使用梅特罗波利斯-黑斯廷斯算法来计算基于复合似然的伪后验分布。提出了两种调整算法的方法，并使用模拟数据集和实际降雨空间极值数据研究了它们在逼近真实后验分布方面的性能。
2011-07-06 math.ST stat.ME stat.TH
Bayesian adjustment for preferential testing in estimating the COVID-19 infection fatality rate
估计感染死亡率及其与各种相关因素的关系的一个关键挑战是确定病例总数。病例总数尚不清楚，因为不是每个人都接受了检测，而且更重要的是，因为接受检测的个人并不代表整个人口。我们将感染者比未感染者更有可能接受检测的现象称为“优先检测”。“一个悬而未决的问题是，在没有任何关于数据因偏好测试而产生偏差的程度的具体知识的情况下，是否有可能可靠地估计国际财务报告准则。在本文中，我们采取了部分可识别性的方法，制定明确的故意事先假设，可以提出一个贝叶斯模型，从不同的样本池的信息。当该模型与从血清阳性率研究和国家官方COVID-19统计数据获得的欧洲数据拟合时，我们估计欧洲的整体COVID-19 IFR为0. 53%，95% CI。= [0.39%，0.69%]。
2021-03-10 stat.AP stat.ME
Quantification of observed prior and likelihood information in parametric Bayesian modeling
本文提出了两种与数据相关的信息度量来量化参数贝叶斯模型中先验和似然函数的信息，其中一种与Berger，Bernardo和Sun提出的参考先验和Lindley提出的信息度量密切相关.理论，经验和计算支持的组合提供的证据表明，这些信息理论指标可能是有用的诊断工具时，执行贝叶斯分析。
2017-09-07 cs.IT math.IT stat.AP
A Note on Using Discretized Simulated Data to Estimate Implicit Likelihoods in Bayesian Analyses
本文提出了一种贝叶斯推理方法，其中模型的可能性是未知的，但数据可以很容易地从模型中模拟。我们离散化模拟（连续）数据，估计隐含的可能性在贝叶斯分析采用马尔可夫链蒙特卡罗算法。三个例子，以及一个小的研究方法的一些属性。
2020-08-07 stat.ME
Likelihoods and Parameter Priors for Bayesian Networks
我们开发了构建似然性和参数先验的简单方法，以了解贝叶斯网络的参数和结构。特别是，我们引入了几个假设，允许建设的似然性和参数先验的大量贝叶斯网络结构，从一个小的评估。最值得注意的假设是似然等价，即数据不能帮助区分编码相同条件独立断言的网络结构。我们描述了从这些假设遵循的结构，并提出了一种方法，用于直接计算的边际似然的随机样本没有丢失的意见。此外，我们展示了这些假设如何导致一个一般的框架来表征参数先验的多元分布。
2021-06-29 cs.LG stat.ML
Regularized Exponentially Tilted Empirical Likelihood for Bayesian Inference
The Ohio State University（俄亥俄州立大学）
本文提出正则化指数倾斜经验似然方法，通过引入连续指数族分布和正则化技术，解决后验域为原参数空间子集的问题，提升有限样本性能。
2026-10-05 stat.ME
Synthetic likelihood in misspecified models
Monash University（莫纳什大学）；National University of Singapore（新加坡国立大学）；Queensland University of Technology（昆士兰科技大学）
研究分析了在模型不恰当情况下合成似然后验行为，揭示其可能呈现非标准特性如多模态和非高斯性，并指出传统鲁棒方法在合成似然中的不足。
2026-04-16 math.ST stat.ME stat.TH
Random forward models and log-likelihoods in Bayesian inverse problems
我们考虑使用随机正向模型和对数似然内的贝叶斯方法来反问题。当使用更便宜的随机替代来近似计算上昂贵的模型时，如在高斯过程仿真（克里金法）中或在概率数值方法领域中，自然会出现对精确正演模型或对数似然的这种随机近似。我们证明了精确和近似贝叶斯后验之间的Hellinger距离是由真实和近似对数似然之间的差异的矩所限定的。这些稳定性结果的应用实例给出随机失配模型在大数据应用和概率解的常微分方程。
2018-09-28 cs.NA math.NA math.PR
Assigning a value to a power likelihood in a general Bayesian model
贝叶斯数据分析和机器学习方法是广泛和流行的，因为它们为从数据中学习提供了直观而严格的公理;参见Bernardo and Smith（2004）and Bishop（2006）。然而，这种严格性伴随着一个警告，即贝叶斯模型是自然的精确反映。最近的趋势是通过将似然函数提高到幂来解决潜在的模型误设定，主要是出于鲁棒性原因，但不完全是。在本文中，我们提供了一个连贯的规范的功率参数，一旦贝叶斯模型已指定在没有一个完美的模型。
2017-01-30 stat.ME
