A Bayesian computer model analysis of Robust Bayesian analyses
我们利用贝叶斯仿真技术的力量，旨在帮助复杂的计算机模型的分析，检查复杂的贝叶斯分析本身的结构。这些技术有助于对复杂问题进行稳健的贝叶斯分析和/或敏感性分析，从而允许在可能性和先验规范中对选择的影响进行全局探索。我们展示了如何在鲁棒性研究中以前棘手的问题可以克服使用仿真技术，以及这些方法如何让其他科学家快速提取近似后的结果对应于自己的特定的主观规范。我们的方法的实用性和灵活性证明了一个真正的应用程序，贝叶斯方法被用来捕捉河流流量的信念的重新分析。我们讨论了这种方法开辟的未来研究的明显扩展和方向。
2017-03-03 stat.AP stat.CO stat.ME
A Bayesian Nonparametric Meta-Analysis Model
在荟萃分析中，重要的是要指定一个模型，充分描述研究的基础人群的效应量分布。传统的正态固定效应和正态随机效应模型假设效应量总体分布为正态分布，以参数和协变量为条件。对于估计平均总体效应量，这些模型可能是足够的，但对于预测，如果效应量分布表现出非正态行为，它们肯定不是。为了解决这个问题，我们提出了一个贝叶斯非参数荟萃分析模型，它可以描述更广泛的效应量分布，包括单峰对称分布，以及偏态和更多的多峰分布。我们证明我们的模型，通过分析真正的元分析数据所产生的行为遗传学研究。我们比较了贝叶斯非参数模型对各种传统和更现代的正态固定效应和随机效应模型的预测性能。
2013-10-17 stat.ME
Posterior propriety in Bayesian extreme value analyses using reference priors
广义Pareto（GP）分布和广义极值（GEV）分布在极值分析中起着重要的作用，分别作为阈值超集和块极大值的模型。对于这些分布中的每一个，我们认为贝叶斯推断使用“参考”先验分布（在一般意义上的先验构造使用正式的规则）的模型参数，特别是Jeffreys先验，最大数据信息（MDI）先验和独立的统一先验模型参数。我们调查的重要问题，这些不适当的先验是否导致适当的后验分布。我们表明，在GP和GEV的情况下，MDI之前，除非修改，从来没有产生一个适当的后，在GEV的情况下，这也适用于Jeffreys之前。我们还表明，样本量为三（四）是足够的独立均匀先验产生一个适当的后验分布在GP（GEV）的情况下。
2015-08-20 stat.ME
On weakly informative prior distributions for the heterogeneity parameter in Bayesian random-effects meta-analysis
正态-正态分层模型（NNHM）构成了一个简单而广泛使用的荟萃分析框架。在通常情况下，只有少数研究有助于荟萃分析，标准的推理方法往往表现不佳，贝叶斯荟萃分析已被建议作为一个潜在的解决方案。然而，贝叶斯方法需要合理地指定先验分布。虽然无信息先验通常用于总体平均效应，但已建议使用弱信息先验用于异质性参数，特别是在（非常）少数研究的背景下。然而，到目前为止，如何一般指定一个弱信息的异质性先验缺乏共识。在这里，我们调查的问题更密切，并提供一些指导事先规范。
2021-01-13 stat.ME
Nonparametric Bayesian Approach to Treatment Ranking in Network Meta-Analysis with Application to Comparisons of Antidepressants
网络荟萃分析是一种强大的工具，可以综合独立研究的证据，同时比较多种治疗方法。进行网络荟萃分析的一项关键任务是为特定疾病结局提供所有可用治疗方案的排名。通常情况下，估计的治疗排名伴随着大量的不确定性，遭受多重性问题，很少允许的关系。这些问题使得解释排名成为问题，因为它们通常被视为绝对指标。为了解决这些缺点，我们制定了一个排名策略，通过产生更保守的结果，以适应高阶不确定性的情况。这提高了可解释性，同时考虑到多重比较。为了承认处理效应之间的联系，我们还开发了贝叶斯非参数网络荟萃分析方法。该方法利用贝叶斯非参数方法的诱导聚类机制，产生两个处理效应相等的正概率。我们通过数值实验和旨在研究抗抑郁治疗的网络荟萃分析证明了该程序的实用性。
2022-07-13 stat.ME
On Bayesian Sequential Clinical Trial Designs
临床试验通常涉及连续的患者输入。在设计临床试验时，通常需要包括对累积数据进行中期分析的规定，这些数据可能会提前停止试验。我们回顾贝叶斯序贯临床试验设计的基础上后验概率，后验预测概率和决策理论框架。一个相关的问题是贝叶斯序贯设计是否需要调整中期分析的计划。我们从三个角度回答这个问题：频率导向的角度，校准贝叶斯的角度，和主观贝叶斯的角度。我们还提供了新的见解似然原理，这是通常绑在统计推断和决策的顺序临床试验。一些理论结果的推导，并进行数值研究，以说明和评估这些设计。
2023-03-10 stat.ME
Dangers of Bayesian analyses and how to address them
University of California, Los Angeles（加州大学洛杉矶分校）；University of Oxford（牛津大学）
本文针对FDA支持贝叶斯方法背景下，指出贝叶斯分析对先验偏倚敏感的危险性，提出基于实证文献论证先验、参考分析及将先验转化为数据等安全措施，并主张其作为传统分析的补充而非替代。
2026-10-14 stat.AP stat.ME
Bayesian Time-Varying Meta-Analysis via Hierarchical Mean-Variance Random-effects Models
NTT DOCOMO, INC.（NTT DOCOMO公司）；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）
本文提出基于分层均方随机效应模型的贝叶斯时间变化元分析方法，通过高斯过程建模时间效应，实现对实验均值的高精度估计。
2026-01-16 stat.ME
A Bayesian framework for incorporating exposure uncertainty into health analyses with application to air pollution and stillbirth
环境暴露与不良健康结果之间关系的研究通常依赖于两阶段统计建模方法，在第一阶段对暴露进行建模/预测，并在第二阶段将其用作单独拟合健康结果分析的输入。在估计感兴趣的关联时，这些预测中的不确定性经常被忽略，或者以过于简单的方式被考虑。工作在贝叶斯设置，我们提出了一个灵活的核密度估计（KDE）的方法，充分利用后输出的第一阶段的建模/预测，在第二阶段的接触和健康之间的关联作出准确的推断，获得有效的模型拟合所需的完整的条件分布，详细的连接与现有的方法，并通过模拟比较其性能。我们的KDE方法通常在几个设置和模型比较指标上都有改进的性能。使用竞争的方法，我们调查了新泽西州（2011-2015年）滞后的每日环境细颗粒物水平和死产计数之间的关联，观察到分娩前三天暴露增加的风险增加。新开发的方法可在R包KDExp中使用。
2022-03-30 stat.ME
Spatial Bayesian Latent Factor Regression Modeling of Coordinate-based Meta-analysis Data
功能性磁共振成像（fMRI）已经有20多年的历史了，它有大量不断增长的文献，这些文献最好用元分析工具进行综合。由于大多数作者不共享图像数据，因此只有论文中报告的峰值激活坐标（病灶）可用于基于坐标的荟萃分析（CBMA）。神经影像学荟萃分析用于1）识别一致激活的区域; 2）为新研究建立任务类型或认知过程的预测模型（反向推理）。为了同时解决这些目标，我们提出了一个贝叶斯点过程层次模型CBMA。我们从每个研究模型的焦点作为一个重随机泊松过程，研究特定的日志强度函数的特点是作为一个高维基集的线性组合。强度的稀疏表示通过基础系数的潜在因子建模来保证。在我们的框架内，还可以考虑研究水平协变量的影响（荟萃回归），显著扩展了当前可用的神经影像学荟萃分析方法的能力。我们将我们的方法应用于合成数据和神经成像荟萃分析数据集。
2016-06-22 stat.ME
Frequentist performances of Bayesian prediction intervals for random-effects meta-analysis
预测区间作为评价处理效应大小和研究间异质性的有用指标，在荟萃分析中得到越来越多的应用。在预测区间的计算中，尽管Higgins-Thompson-Spiegelhalter方法在实践中最常使用，但在现实情况下，它可能不具有足够的覆盖概率，以用于未来研究的真实处理效应。一个有效的替代候选是贝叶斯预测区间，它也被广泛用于一般的预测问题。然而，这些预测区间是基于贝叶斯哲学构建的，即使采用非信息先验，它们的频率论有效性也只能通过大样本近似来证明。在Meta分析的实际情况下，还没有确定的证据来评价他们的频率主义表现。在这项研究中，我们进行了广泛的模拟研究，以评估贝叶斯预测区间的频率覆盖性能与11个非信息性的先验分布在一般的荟萃分析设置。通过这些仿真研究，我们发现频率覆盖性能强烈依赖于采用什么样的先验分布。此外，当研究数量小于10时，没有保留精确频率论覆盖特性的先验分布。我们还说明了这些方法通过应用程序到八个真正的元分析数据集。所得的预测区间也不同，根据所采用的先验分布。不准确的预测区间可能提供无效的证据和误导性的结论。因此，如果需要频率论的准确性，贝叶斯预测区间应谨慎使用在实践中。
2019-06-30 stat.ME
Bayesian random-effects meta-analysis of aggregate data on clinical events
University Medical Center Göttingen（哥廷根大学医学中心）；University of Marburg（马尔堡大学）；Merck KGaA（默克KGaA）；DZHK (German Center for Cardiovascular Research)（德国心血管研究中心）
本文提出一种贝叶斯随机效应模型，用于分析罕见临床事件的干预效果，结合生存方法并进行敏感性分析和模拟验证。
2026-02-06 stat.ME
Bayesian non-parametric lumping and splitting of nodes in Network Meta-Analysis under heterogeneity
提出一种基于 Dirichlet 过程先验和正则化 horseshoe 基础度量的贝叶斯非参数框架，通过结合基线风险元回归，在异质性下实现治疗效应的数据驱动聚类与不确定性传播。
2025-06-27 stat.ME
Meta-Analysis with JASP, Part II: Bayesian Approaches
本文介绍JASP元分析模块中的贝叶斯方法，涵盖估计、假设检验和模型平均，使无编程经验的研究者也能进行高级贝叶斯元分析。
2025-09-11 stat.CO stat.ME
B-MASTER: Scalable Bayesian Multivariate Regression for Master Predictor Discovery in Colorectal Cancer Microbiome-Metabolite Profiles
Virginia Commonwealth University（弗吉尼亚联邦大学）；Harvard Medical School（哈佛医学院）；Rice University（莱斯大学）；University of Missouri（密苏里大学）
提出可扩展贝叶斯多元回归框架B-MASTER，结合L1稀疏性和L2组收缩，识别系统性调控代谢组的微生物属，并在结直肠癌数据中发现关键主预测因子。
2026-06-01 stat.ME
Bayesian Dynamic Network Modelling: an application to metabolic associations in cardiovascular diseases
我们提出了一种新的方法来估计多个图形模型，以分析不同患者组的一组代谢物之间的关联的时间模式。我们的激励应用是Southall和Brent Revisited（SABRE）研究，这是一项在英国进行的三种族队列研究。我们感兴趣的是确定代谢物水平和相关性的潜在种族差异以及它们随时间的演变，目的是更好地了解不同种族之间心脏代谢疾病的不同风险。在贝叶斯框架内，我们采用逐节点回归方法来推断图的结构，跨时间和跨种族借用信息。感兴趣的响应变量是在两个时间点测量的两个种族群体（欧洲人和南亚人）的代谢物水平。我们使用逐节点回归来估计代谢物的高维精度矩阵，通过动态马蹄铁先验对回归系数施加稀疏性，从而有利于稀疏图。我们提供的代码，以适应建议的模型使用软件斯坦，它使用哈密顿蒙特卡罗采样，以及块吉布斯抽样计划的详细描述进行后验推理。
2022-07-27 stat.ME
Bayesian inference for multiple Gaussian graphical models with application to metabolic association networks
我们调查镉（一种有毒的环境污染物）的相关结构上的一些尿代谢产物使用高斯图形模型（GGM）的影响。推断的代谢关联可以提供关于代谢系统的生理状态的重要信息和关于复杂代谢关系的见解。使用拟合的GGM，我们构建了差分网络，该网络突出了在不同实验条件下代谢物相互作用的显著变化。对这种代谢关联网络的分析可以揭示镉暴露引起的潜在生物反应的差异。我们考虑贝叶斯推断，并建议使用乘法（或Chung-Lu随机图）模型作为先验的图形空间。在乘法模型中，每条边都是独立选择的，其概率等于端节点的连通性的乘积。这类先验知识很节俭，但高度灵活;当有此类先验知识时，它可用于鼓励稀疏性或具有预先指定度分布的图形。我们将乘法模型扩展到多个GGM，通过逻辑斯谛回归将边缘包含的概率联系起来，并演示了这如何导致多个GGM的联合推理。提出了一种估计图的后验分布的序贯蒙特卡罗（SMC）算法。
2017-04-13 stat.ME
A Bayesian dose-response meta-analysis model: simulation study and application
剂量反应模型表示不同剂量或接触水平对特定结果的影响。在荟萃分析中，如果可以获得汇总水平的数据，则在频率论设置中使用一阶段或两阶段模型合成剂量反应证据。我们提出了一个层次化的剂量反应模型中实施的贝叶斯框架。我们提出了一个二分的结果与立方剂量反应形状的模型，并考虑到异质性，由于在剂量反应形状的变化。我们开发了贝叶斯模型，假设正态或二项式可能性，并考虑到分组在集群中的暴露。我们使用JAGS在R中实现这些模型，并在模拟研究中将我们的方法与一阶段剂量反应荟萃分析模型进行比较。我们发现二项似然的贝叶斯剂量反应模型比正态似然的贝叶斯模型和频率主义的一阶段模型具有稍低的偏倚。然而，所有三个模型都表现得很好，并给出了几乎相同的结果。我们还重新分析了来自60项随机对照试验（15,984名参与者）的数据，这些试验检查了不同剂量抗抑郁药物的疗效（反应）。所有模型均表明，剂量-反应曲线在0剂量和40 mg氟西汀等效剂量之间增加，此后保持恒定。当我们考虑到在纳入的试验中研究了五种不同的抗抑郁药时，我们得出了同样的结论。我们表明，在贝叶斯框架中的分层模型的实现具有类似的性能，但克服了一些频率论方法的局限性，并提供了最大的灵活性，以适应数据的功能。
2020-04-27 stat.ME
Bayesian Model-Averaged Meta-Analysis in Medicine
我们概述了标准化平均差异的贝叶斯模型平均荟萃分析，以量化治疗有效性$δ$和跨研究异质性$τ$的证据。我们通过正交组合两个存在-不存在的假设构建了四个竞争模型，一个用于处理效应，一个用于跨研究异质性。为了告知模型参数先验分布的选择，我们使用了50%的Cochrane系统评价数据库来指定$δ$和$τ$的竞争先验分布。使用Cochrane数据库的剩余50\%评估竞争模型和竞争对手先验分布的相对预测性能。平均而言，$\mathcal{H}_1^r$ --假设存在处理效应以及跨研究异质性的模型--预测优于其他模型，但幅度不大。在$\mathcal{H}_1^r$中，预测充分性在竞争对手的先验分布中相对恒定。我们提出了具体的经验先验分布，无论是在一般领域和46个特定的医学分支学科。口腔健康的一个例子演示了如何提出的先验分布可以用来进行贝叶斯模型平均元分析的开源软件R和JASP。预注册的分析计划可在https://osf.io/zs3df/上获得。
2021-10-03 stat.ME
Reconciling Bayesian and frequentist approaches to robustness against outliers
Université de Montréal（蒙特利尔大学）；Université du Québec à Montréal（蒙特利尔魁北克大学）
本文通过广义贝叶斯框架弥合贝叶斯与频数派在抗异常值方法上的差异，使两者能够使用相同工具并获得一致结果。
2026-07-24 stat.ME
Summarizing empirical information on between-study heterogeneity for Bayesian random-effects meta-analysis
针对贝叶斯随机效应荟萃分析中研究间异质性先验难以依据历史数据设定的问题，本文扩展正态-正态分层模型，提出拟合经验异质性数据并选择参数分布族的简便方法。
2022-11-17 stat.ME
A nutritionally informed model for Bayesian variable selection with metabolite response variables
本文提出基于偏正态删失混合模型和马尔可夫随机场先验的贝叶斯变量选择框架，用于高维代谢组学中识别饮食与代谢物关联，并在队列数据中发现多个已知及潜在新关联。
2025-09-08 stat.ME
Bayesian unanchored additive models for component network meta-analysis
本文提出统一记号区分锚定与非锚定CNMA模型，并开发两个新的非锚定贝叶斯CNMA模型，通过模拟和真实数据验证其良好性能。
2025-07-21 stat.ME
Bayesian inference for group-level cortical surface image-on-scalar-regression with Gaussian process priors
针对组级神经影像分析，提出一种基于高斯过程先验的贝叶斯空间回归模型，利用Vecchia近似实现计算可行性，在皮层表面fMRI数据分析中展现出优于标准顶点分析的自适应平滑与推断性能。
2024-09-25 stat.ME
Scalable Bayesian modeling, monitoring and analysis of dynamic network flow data
网络中的流量计数数据出现在许多应用中，例如汽车或航空运输，某些定向社交网络上下文和互联网研究。使用的互联网浏览器流量通过一个国际新闻网站的网站部分的例子，我们提出了贝叶斯分析的两个链接类的模型，在串联，允许快速，可扩展和可解释的贝叶斯推断。我们首先为流式计数数据开发了灵活的状态空间模型，能够实时有效地自适应地表征和量化网络动态。然后，我们使用这些模型作为仿真器的更结构化的，随时间变化的重力模型，允许正式解剖网络动态。这会产生可解释的交通流特性的推断，并在网络节点之间的相互作用的动态。贝叶斯监测理论定义了一种策略，当网络流量数据偏离基于模型的预测时，进行顺序模型评估和自适应。探索性和连续的监测分析不断变化的流量在网络上的网站段在电子商务演示了这种耦合的贝叶斯仿真方法来分析流网络计数数据的效用。
2016-07-09 stat.ME
meta4diag: Bayesian Bivariate Meta-analysis of Diagnostic Test Studies for Routine Practice
本文介绍了\proglang{R}软件包\pkg{meta4diag}，用于实现诊断试验研究的贝叶斯双变量荟萃分析。我们的软件包\pkg{meta4diag}是\proglang{R}软件包\pkg{INLA}的专用前端。虽然\pkg{INLA}使用集成嵌套拉普拉斯近似为大量潜在高斯模型提供了完整的贝叶斯推理，但\pkg{meta4diag}提取了二元荟萃分析所需的特征，并以直观的方式呈现它们。它允许用户一个简单的模型规格，并提供用户特定的先验分布。此外，新提出的惩罚复杂性先验框架的支持，建立在先验的直觉的行为的方差和相关参数。准确的后验边缘分布的灵敏度和特异性以及所有的超参数，和协变量直接获得没有马尔可夫链蒙特卡罗采样。此外，感兴趣的单变量估计，如比值比，以及SROC曲线和其他常见图形可直接用于解释。交互式图形用户界面为用户提供了软件包的全部功能，而无需任何\proglang{R}编程。该软件包可通过CRAN \url{https://cran.r-project.org/web/packages/meta4diag/}获得，并将使用三个真实数据示例说明其用法。
2016-07-07 stat.AP stat.ME
Posterior Belief Assessment: Extracting Meaningful Subjective Judgements from Bayesian Analyses with Complex Statistical Models
在本文中，我们关注的是归因于意义的贝叶斯分析的结果，这是足够复杂的问题，我们无法断言一个精确的对应关系的专家概率判断的分析师和特定的形式选择的事先规范和分析的可能性。为了做到这一点，我们建议执行一个有限的收集额外的贝叶斯分析下的先验和似然建模判断，我们也可以视为我们的先验知识和问题结构的代表，并使用这些来计算后验信念评估的关键数量的兴趣。我们表明，这些评估比原始贝叶斯分析更接近我们真正的潜在信念，并使用时间确定偏好原则来建立我们真正的后验判断，后验信念评估和原始贝叶斯分析之间的概率关系，以使其精确。我们利用二阶交换，以概括我们的方法的情况下，有无限多的替代贝叶斯分析，我们可能会考虑为我们的真实判断提供信息，使该方法仍然易于处理，即使在这些情况下。我们认为，后验信念评估是一个听话的和强大的替代强大的贝叶斯分析。我们描述了一种方法，即使是最复杂的统计模型计算后的信念评估，并说明了一个例子，校准昂贵的海洋模型，以量化全球平均温度在真实的海洋的不确定性。
2015-12-03 math.ST stat.ME stat.TH
Bayesian Nonparametric Cost-Effectiveness Analyses: Causal Estimation and Adaptive Subgroup Discovery
成本效益分析（CEA）是卫生经济决策的核心。虽然这些分析有助于政策分析师和经济学家确定覆盖范围，为政策提供信息，并指导资源分配，但由于几个原因，它们在统计上具有挑战性。成本和效益是相互关联的，并遵循复杂的联合分布，这是很难捕捉参数。在许多应用中，有效性（通常以生存时间的增加来衡量）和累积成本往往是右删失的。此外，CEA通常使用非随机治疗分配的观察数据进行。因此，政策相关的因果估计需要强大的混杂控制。最后，目前的CEA方法并没有以原则性的方式解决成本效益异质性-即使可能存在显著的效应异质性，也经常提出人口平均估计值。出于这些挑战，我们开发了一个非参数贝叶斯模型的联合成本生存分布的存在删失。我们的方法利用了联合富集Dirichlet过程之前的成本和生存时间的协变量的影响，而使用伽玛过程之前的基线生存时间的风险。因果CEA估计，与政策相关的解释，确定和估计通过贝叶斯非参数g-计算程序。最后，我们概述了如何诱导聚类的丰富的狄利克雷过程可以用来自适应地检测存在的子群具有不同的成本效益的配置文件。我们概述了一个MCMC程序，充分后验推理和评估频率属性通过模拟。我们使用我们的模型来评估SEER-Medicare数据库中化疗与放疗辅助治疗子宫内膜癌的成本-效果。
2020-09-08 stat.ME stat.ML
Is Bayesian Model-Agnostic Meta Learning Better than Model-Agnostic Meta Learning, Provably?
Rensselaer Polytechnic Institute（伦斯勒理工学院）
元学习的目标是学习一个能够快速适应看不见的任务的模型。广泛使用的元学习方法包括模型不可知元学习（MAML）、隐式MAML、贝叶斯MAML。由于其建模不确定性的能力，贝叶斯MAML往往具有优越的经验性能。然而，对贝叶斯MAML的理论理解仍然有限，特别是在贝叶斯MAML是否以及何时具有比MAML更好的性能等问题上。在本文中，我们的目的是提供理论上的理由贝叶斯MAML的优势性能比较MAML和贝叶斯MAML的Meta测试风险。在Meta线性回归中，在分布不可知和线性质心的情况下，我们已经建立了贝叶斯MAML确实具有可证明的较低的Meta测试风险比MAML。我们通过实验验证了我们的理论结果。
2022-03-06 cs.LG stat.ML
Bayesian methods for genetic association analysis with heterogeneous subgroups: From meta-analyses to gene-environment interactions
遗传关联分析通常涉及来自多个潜在异质亚组的数据。异质性的预期量可以从适度（例如，典型的元分析）到大（例如，一个强的基因-环境相互作用）。然而，现有的统计工具在处理这种异质性方面能力有限。事实上，大多数遗传关联荟萃分析使用“固定效应“分析，该分析假设没有异质性。在这里，我们开发和应用贝叶斯关联方法来解决这个问题。这些方法很容易应用（在最简单的情况下，只需要对每个亚组的遗传效应及其标准误误差进行点估计），并且有效地包括标准频率主义荟萃分析方法，包括通常的“固定效应“分析，作为特殊情况。我们将这些工具应用于两个大型的遗传关联研究：一个是来自全球脂质联盟的全基因组关联研究的荟萃分析，第二个是表达数量性状基因座（eQTL）的交叉群体分析。在Global Lipids数据中，我们发现，也许令人惊讶的是，不同研究的效果通常相当均匀。在eQTL研究中，我们发现eQTL通常在不同大陆群体之间共享，并讨论了这对研究设计的影响。
2014-04-14 stat.AP stat.ME
Personalized Treatment Hierarchies in Bayesian Network Meta-Analysis
McGill University（麦吉尔大学）
本文探讨了在包含治疗-协变量交互的贝叶斯网络元分析中，如何根据特定协变量配置创建治疗等级，通过实证研究展示了方法的应用。
2026-01-27 stat.AP stat.ME
Bayesian Inference for Multivariate Spatial Models with R-INLA
用于空间数据分析的贝叶斯方法和软件现在在科学界已普遍成熟。尽管空间模型应用广泛，但在现有文献中，使用R-INLA分析多变量空间数据并没有被广泛描述。因此，本文的主要目的是证明R-INLA是一个方便的工具箱，分析不同类型的多元空间数据集。此外，这将通过分析三个公开的数据集来说明。此外，这些分析的细节和R代码提供给说明如何调整多变量空间数据集与R-INLA。
2022-12-21 stat.CO stat.ME
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
Graph_sampler: a simple tool for fully Bayesian analyses of DAG-models
贝叶斯网络（BN）是广泛使用的图形模型，可用于绘制关于有向无环图（DAG）的统计推断。本文介绍了一个快速、免费的C语言软件Graph_sampler，用于BN的结构推理. Graph_sampler使用完全贝叶斯方法，其中考虑了数据的边际似然性和有关网络结构的先验信息。这种新的软件可以处理连续和离散数据，并根据数据类型制定两种不同的模型。该软件还提供了各种各样的结构先验，可以是信息性的或非信息性的。在梅特罗波利斯-黑斯廷斯算法中提出了一种新的、速度更快的核跳跃策略。本源码C代码分布非常紧凑，速度快，占用内存和磁盘存储量低.我们基于不同的模拟数据集和合成以及真实网络进行了几次分析，以讨论Graph_sampler的性能。
2016-02-04 stat.CO
Consistent Bayesian meta-analysis on subgroup specific effects and interactions
University Medical Center Göttingen（哥廷根大学医学中心）；DZHK (German Center for Cardiovascular Research)（德国心血管研究中心）；DZKJ (German Center for Child and Adolescent Health)（德国儿童与青少年健康研究中心）
本文提出了一种贝叶斯方法，用于一致性分析亚组特定效应和交互作用，通过调整亚组贡献提高交互推断的可靠性。
2026-10-30 stat.AP stat.ME
Bayesian bivariate meta-analysis of diagnostic test studies with interpretable priors
在双变量荟萃分析中，涉及的诊断研究数量通常很少，因此频率主义方法可能会导致问题。贝叶斯推断是有吸引力的，因为添加少量信息的信息先验可以稳定分析而不会压倒数据。然而，贝叶斯分析往往是计算上的要求和二元结构的协方差阵的先验的选择是至关重要的数据很少。集成嵌套拉普拉斯近似（INLA）方法提供了一个有效的解决方案的计算问题，避免任何采样，但重要的问题仍然存在的先验。我们探索惩罚复杂性（PC）的先验框架指定信息先验的方差参数和相关参数。PC先验便于模型解释和超参数规范，因为可以直观地结合专家知识。我们进行了模拟研究，以比较不同定义的PC先验的属性和行为，目前使用的先验在该领域。模拟研究表明，使用PC先验的结果在更精确的估计时，指定在一个合理的邻域周围的真相。为了研究PC先验知识在实践中的使用，我们重新分析了使用端粒酶标记物诊断膀胱癌的荟萃分析。
2015-12-19 stat.AP stat.ME
Bayesian model-based outlier detection in network meta-analysis
在网络荟萃分析中，一些收集的研究可能与其他研究有明显的偏差，例如具有非常不寻常的效应量。这些偏离研究相对于网络的其余部分可被视为离群研究，并可能对汇总结果产生影响。因此，在不作进一步调查的情况下综合这些研究可能是不适当的。在本文中，我们提出了两种贝叶斯方法来检测网络荟萃分析中的离群值：（a）均值漂移离群值模型和（b）从ad-hoc差异度量构建的后验预测p值。前一种方法使用贝叶斯因子对每个研究进行正式测试，而后者为网络中的每个研究提供了一个离群度得分，这允许在数字上量化与离群值相关的不确定性。此外，我们提出了一个简单的方法，基于信息先验作为网络荟萃分析模型的一部分，以降低检测到的离群值的权重。我们进行了广泛的模拟，以评估所提出的方法的有效性，同时将其与一些替代的，可用的离群值诊断工具进行比较。两个真正的干预网络，然后用来证明我们的方法在实践中。
2023-01-09 stat.ME stat.OT
Modularized Bayesian analyses and cutting feedback in likelihood-free inference
最近，人们对修改错误指定模型的贝叶斯推断产生了很大的兴趣，以便它对特定目的有用。一种流行的改进的贝叶斯推断方法是“切割反馈”，当模型由多个耦合模块组成时，可以使用该方法，其中只有一些模块被错误指定。切割反馈方法用条件分量和序贯分量表示完整的后验分布，然后基于模块结构修改这种表示中的某些项，以指定或计算修改后的后验分布。这样做的主要目标是避免错误指定的模块对感兴趣的参数的推断的污染。计算削减后验分布是具有挑战性的，在这里，我们考虑切割反馈的似然性的基础上的混合高斯近似的参数和数据汇总统计的联合分布的推断。我们利用高斯混合的边缘和条件分布是高斯混合的事实，给出明确的近似边缘或条件后验分布，使我们可以很容易地近似削减后验分析。混合方法允许基于单一混合拟合对不同数据重复近似后验分布，这对于有助于决定是否“切割”的模型检查很重要。一个半模块化的方法，反馈是部分削减似然自由推理。两个具有挑战性的例子，集体细胞扩散模型和连续时间模型的资产收益跳跃的方法的好处。
2022-03-18 stat.AP stat.CO stat.ME
A Bayesian Framework on Asymmetric Mixture of Factor Analyser
混合因子分析模型（MFA）是一种有效的高维数据分析模型，它利用基于协方差阵的因子分析技术减少了自由参数的个数。该模型还提供了一种重要的方法来确定数据中的潜在组。有几项研究扩展了基于非对称和/或离群数据集的模型，这些数据集具有一些已知的计算限制，这些限制已在频率论案例中进行了研究。在本文中，MFA模型与一个丰富的和灵活的类斜态（无限制）广义双曲（称为SUNGH）分布以及贝叶斯结构与几个计算的好处已经推出。SUNGH系列提供了相当大的灵活性，可以在不同方向上对偏度进行建模，并允许重尾数据。SUNGH系列的结构中有几个理想的属性，包括分析灵活的密度，这导致简化了用于估计参数的计算。考虑到因子分析模型，SUNGH系列还允许误差分量和因子得分的偏态和重尾。在本研究中，使用这一系列的分布的优点进行了讨论，并已被证明使用真实数据的例子和模拟的MFA模型的适当的效率。
2022-11-04 cs.LG stat.ME
Seemingly unrelated Bayesian additive regression trees for cost-effectiveness analyses in healthcare
针对医疗成本效益分析中多结果依赖问题，提出多元BART扩展，允许各响应关联不同树集成，并实现非参数看似无关回归与多元概率比推广，通过模拟与实证验证了新型创伤干预的成本效益。
2025-02-26 econ.EM stat.AP stat.ME
Large Language Model-Derived Priors Can Improve Bayesian Survival Analyses: A Glioblastoma Application
本文提出利用生成式 AI 快速生成贝叶斯生存模型中比较胶质母细胞瘤疗法的风险比先验分布，经放射肿瘤学家评估与敏感性分析，证实 AI 先验是替代专家意见获取的优选方法。
2025-11-03 stat.AP
Bayesian Meta-Learning Through Variational Gaussian Processes
Stanford University（斯坦福大学）
元学习领域的最新进展已经解决了由大量小（“Few-Shot”）监督学习任务组成的领域。元学习算法必须能够快速适应任何单个的Few-Shot任务，适应任务中的小支持集，并使用它来预测任务查询集的标签。这个问题设置可以扩展到贝叶斯上下文，其中不是为每个查询数据点预测单个标签，而是模型预测捕获其不确定性的标签分布。这一领域的成功方法包括基于MAML的模型的贝叶斯集成、贝叶斯神经网络和具有学习的深度核和均值函数的高斯过程。虽然高斯过程在元学习上下文中具有鲁棒的贝叶斯解释，但它们并不自然地对用于表达不确定性的非高斯预测后验进行建模。在本文中，我们设计了一个理论上的原则性方法，VMGP，扩展高斯过程为基础的元学习，允许高质量，任意非高斯不确定性预测。在具有复杂非光滑或不连续结构的基准环境中，我们发现我们的VMGP方法的性能明显优于现有的贝叶斯元学习基线。
2021-10-21 cs.LG stat.ML
Bayesian Model-Agnostic Meta-Learning
Element AI（Element AI公司）；Kakao Brain（Kakao Brain公司）；MILA Université de Montréal（蒙特利尔大学MILA研究所）；Rutgers University（罗格斯大学）
学习从Few-Shot数据集推断贝叶斯后验是迈向鲁棒元学习的重要一步，因为问题中固有的模型不确定性。在本文中，我们提出了一种新的贝叶斯模型不可知的元学习方法。该方法结合了可扩展的基于梯度的元学习与非参数变分推理的原则概率框架。在快速自适应过程中，该方法能够学习复杂的不确定性结构，而不仅仅是点估计或简单的高斯近似。此外，一个强大的贝叶斯元更新机制与一个新的元损失，防止过拟合元更新过程中。保持一个有效的基于梯度的元学习器，该方法也是模型不可知的，易于实现。实验结果表明，所提出的方法在各种任务的准确性和鲁棒性：正弦回归，图像分类，主动学习，和强化学习。
2018-11-19 cs.LG stat.ML
Bayesian random-effects meta-analysis using the bayesmeta R package
随机效应或正态-正态分层模型常用于广泛的荟萃分析应用中。在这种情况下，贝叶斯推理方法非常有吸引力，特别是当荟萃分析仅基于少数研究时。bayesmeta R包提供了易于访问的工具来执行贝叶斯元分析并生成图表和摘要，而不必担心计算细节。它允许灵活的事先规范和即时访问所产生的后验分布，包括预测和收缩估计，并促进例如快速灵敏度检查。本文介绍了基本理论和展示其使用。
2018-10-10 stat.CO
A flexible Bayesian g-formula for causal survival analyses with time-dependent confounding
本文提出一种结合BART的灵活贝叶斯g-formula，用于存在时变混杂的因果生存分析，可纳入纵向平衡得分并支持静态与动态治疗策略，通过模拟和电子健康记录数据验证其性能。
2025-02-22 stat.CO stat.ME stat.ML
Gradient-EM Bayesian Meta-learning
Didi AI Labs（滴滴人工智能实验室）；Columbia University（哥伦比亚大学）
贝叶斯元学习通过不确定性评估实现了对新任务的鲁棒和快速适应。贝叶斯元学习的核心思想是对层次模型的经验贝叶斯推理。在这项工作中，我们扩展了这个框架，包括各种现有的方法，然后提出我们的变体的基础上梯度EM算法。我们的方法通过避免元更新步骤中的反向传播计算来提高计算效率，这对于深度神经网络来说是令人疲惫的。此外，它提供了灵活性的内部更新优化过程，从元更新解耦。在正弦回归、Few-Shot图像分类和基于策略的强化学习上的实验表明，该方法不仅以更少的计算代价获得了更好的准确性，而且对不确定性具有更强的鲁棒性。
2020-11-18 cs.LG stat.ML
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
Learning to Balance: Bayesian Meta-Learning for Imbalanced and Out-of-distribution Tasks
KAIST（韩国科学技术院）；TmaxData（Tmax数据公司）；AITRICS（艾特里克斯）
虽然在现实环境中，任务可能会改变实例和类的数量，但现有的用于Few-Shot分类的元学习方法假设每个任务和类的实例数量是固定的。由于这种限制，他们学会了在所有任务中平等地利用元知识，即使每个任务和类的实例数量变化很大。此外，他们没有考虑分布差异看不见的任务，元知识可能有较少的有用性取决于任务的相关性。为了克服这些局限性，我们提出了一种新的元学习模型，自适应平衡的效果的元学习和特定任务的学习在每个任务。通过对平衡变量的学习，我们可以决定是依靠元知识还是特定任务学习来获得解决方案。我们制定这个目标到贝叶斯推理框架，并解决它使用变分推理。我们验证了我们的贝叶斯任务自适应元学习（贝叶斯TAML）在多个现实的任务和类不平衡的数据集，它显着优于现有的元学习方法。进一步的消融研究证实了每个平衡组件和贝叶斯学习框架的有效性。
2022-02-12 cs.LG stat.ML
Bayesian Functional Analysis for Untargeted Metabolomics Data with Matching Uncertainty and Small Sample Sizes
University of Michigan（密歇根大学）；The Chinese University of Hong Kong – Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）
本文提出BAUM方法，整合匹配不确定性推断、代谢物选择和功能分析，提升小样本下无目标代谢组学数据的分析精度与稳定性。
2024-03-23 stat.AP stat.ME
A Bayesian Model of NMR Spectra for the Deconvolution and Quantification of Metabolites in Complex Biological Mixtures
核磁共振（NMR）谱广泛用于代谢组学中以获得溶解在生物流体（诸如细胞上清液）中的代谢物的谱。用于从这些光谱估计代谢物浓度的方法目前限于手动峰拟合和用于整合共振峰的分箱程序。关于人类代谢物产生的光谱共振模式的广泛信息现在可在在线数据库中获得。通过将这些信息纳入贝叶斯模型，我们可以从光谱中去卷积共振峰，并获得相应代谢物的明确浓度估计值。不能以这种方式去卷积的光谱共振也可能具有科学意义，因此我们使用小波对其进行联合建模。我们描述了一个马尔可夫链蒙特卡罗算法，它允许我们从联合后验分布的模型参数的样本，使用专门设计的块更新，以提高混合。共振模式的强先验允许算法自动识别对应于特定代谢物的峰，从而消除手动峰分配的需要。我们评估我们的方法峰对齐和浓度估计。除了在目标共振信号非常弱的情况下，对准是无偏的和精确的。我们比较贝叶斯浓度估计从传统的数值积分方法，发现我们的点估计有六倍低的均方误差。最后，我们将我们的方法应用于从酵母重组蛋白表达的代谢反应的调查中获得的光谱数据集。我们估计26种代谢物的浓度，并与五位光谱专家的手动定量进行比较。我们讨论了差异的原因和我们的方法浓度估计的稳健性。
2012-05-15 q-bio.QM stat.AP stat.ME
Cutting feedback and modularized analyses in generalized Bayesian inference
本文研究了广义贝叶斯推断中处理多模块模型错误设定的切断反馈方法，提出了广义设定下的定义、条件后验的大样本理论及半模块后验推断新方法。
2023-08-01 math.ST stat.ME stat.TH
Sensitivity-Aware Amortized Bayesian Inference
Heidelberg University（海德堡大学）；University of Stuttgart（斯图加特大学）；TU Dortmund University（多特蒙德工业大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
提出敏感性感知的摊销贝叶斯推断（SA-ABI）方法，通过权重共享、快速推断和深度集成高效整合敏感性分析，避免重复拟合，为复杂建模提供隐藏维度的洞察。
2024-08-28 cs.LG stat.ME stat.ML
Bayesian Synthesis: Combining subjective analyses, with an application to ozone data
贝叶斯模型平均使人们能够以连贯的方式组合多个模型的不同预测，从而获得卓越的预测性能。性能的提高来自于对做出不同预测的模型进行平均。在这项工作中，我们利用可能是不同预测的最大驱动力-不同的分析师-以获得模型平均的全部好处。在我们的方法的标准实现中，几个数据分析师独立地处理数据集的各个部分，得出单独的模型，这些模型最终通过特定的加权方法进行更新和组合。我们称这个建模过程为贝叶斯综合。该方法有助于减轻人们对贝叶斯范式的基本基础与贝叶斯统计实践之间存在巨大差距的担忧。在实验工作中，我们表明，人类建模的预测性能优于许多自动建模技术，包括AIC，BIC，平滑样条，CART，袋装CART，贝叶斯CART，BMA和LARS，只有略逊于BART。我们还表明，贝叶斯合成进一步提高了预测性能。此外，我们检查了分析师之间的简单平均值的预测性能，我们称之为凸合成，并发现它也产生了改进。
2011-07-29 stat.AP
Bayesian Analysis of High Dimensional Vector Error Correction Model
针对高维场景下协整水平确定的样本效率问题，本文提出基于贝叶斯方法分析协整矩阵以确定协整秩，设计两种算法在模拟数据上表现优异，并拓展应用于标普500成分股实证研究，在样本内外均能找到低波动率组合。
2024-03-12 econ.EM q-fin.ST stat.ME
