Bayesian non-parametric survival estimation: stochastic hyperparameter sequences and distribution splicing
本文提出一种用于生存时间数据的贝叶斯非参数框架,允许先验分布依赖随机源并随样本量更新,利用混合非递减可加过程研究累积危险函数,证明了其渐近性质并提供精确模拟算法,为非参数拼接模型提供了新方案。
2025-05-02 stat.ME
A robustified posterior for Bayesian inference on a large number of parallel effects
许多现代实验,如微阵列基因表达和全基因组关联研究,提出了估计大量平行效应的问题。贝叶斯推断是一种流行的方法,用于通过将大量未知参数建模为来自公共先验分布的随机效应来分析此类数据。然而,先验分布的错误设定可能导致随机效应的错误估计,尤其是对于最大和最有趣的效应。本文有两个目的。首先,我们提出了一个鲁棒的后验分布的参数贝叶斯分层模型,可以大大减少错误指定的先验的影响。其次,我们进行了一个系统的比较标准的参数后验,建议鲁棒参数后验,和非参数贝叶斯后验,使用狄利克雷过程混合先验。与灵活的参数先验相结合,建议鲁棒后可以是一个更好的替代非参数贝叶斯方法。
2018-10-25 stat.ME
Non-parametric targeted Bayesian estimation of class proportions in unlabeled data
我们引入了一种新的贝叶斯估计的类比例在未标记的数据集,基于有针对性的学习框架。我们的程序需要事先说明(并输出后验)仅用于推理的目标,而不是先验当科学问题可以由低维参数泛函表征时,关注这样的先验分布和后验分布更符合贝叶斯主观主义,相比之下,专注于整个数据分布。我们证明了Bernstein-von Mises型的结果,我们提出的贝叶斯过程,这保证了后验分布收敛到一个有效的,渐近线性估计的分布。特别是,后验是高斯的,双重鲁棒性,和有效的限制,在唯一的假设下,某些滋扰参数估计在缓慢的速度。我们进行数值研究,说明该方法的频率属性。我们还举例说明了它们在激励应用中的用途,以估计来源不明的栓塞性中风的比例,这些中风是由隐匿性心脏来源或大动脉粥样硬化病变引起的。虽然我们关注的是未标记数据集中案例比例的激励示例,但该过程是通用的,可以适用于估计非参数模型中的任何路径可微参数。
2019-11-22 stat.ME
Non-parametric Bayesian inference via loss functions under model misspecification
King’s College London(伦敦国王学院);McGill University(麦吉尔大学);Imperial College London(帝国理工学院);London School of Economics and Political Science(伦敦政治经济学院)
本文提出了一种基于损失函数的非参数贝叶斯方法,在模型不规范情况下构建有效的后验分布,并通过模拟验证了其恢复真实参数的能力。
2026-01-19 stat.ME
Bayesian Non-Parametric Inference for Lévy Measures in State-Space Models
University of Cambridge(剑桥大学)
提出贝叶斯非参数框架,利用独立伽马缩放狄利克雷过程(IGSDP)推断线性状态空间模型中子序和正态方差均值过程的Lévy测度,实现可识别参数化与高效MCMC算法。
2026-06-11 stat.ME
Bayesian Non-parametric Simultaneous Quantile Regression for Complete and Grid Data
本文考虑了多个连续预测变量取值在单位区间内的非参数分位数回归的贝叶斯方法。在第一种方法中,假设分位数函数在解释变量上是光滑的,并在B样条基函数的张量积中展开。在第二种方法中,假设分布函数在解释变量上是光滑的,并将其展开为B样条基函数的张量积。与其他现有的非参数分位数回归方法不同,所提出的方法估计整个分位数函数,而不是估计的分位数网格。先验的B样条系数放在这样一种方式,估计的分位数水平的单调性保持不同于本地多项式分位数回归方法。所提出的方法也被修改为分位数网格数据,其中只有百分位数范围的每个响应观测是已知的。模拟研究提供了完整的和分位数的网格数据。该方法已被用来估计美国家庭收入数据和北大西洋飓风强度数据的分位数。
2016-12-01 stat.ME
A Bayesian semi-parametric approach for modeling memory decay in dynamic social networks
在关系事件网络中,参与者之间相互作用的趋势在很大程度上取决于社会网络中参与者之间过去的相互作用。过去交互的数量和自过去交互发生以来经过的时间都会影响参与者与网络中其他参与者交互的决策。最近发生的事件通常比很久以前发生的过去事件对当前交互行为的影响更大-这种现象被称为“记忆衰退”。以前的研究要么预先定义了一个短期和长期的记忆或固定的参数指数记忆使用一个预先定义的半衰期。然而,在现实生活中的关系事件网络中,人们通常不知道行为者对过去事件的记忆是如何随着时间的推移而逐渐消失的。出于这个原因,我们不能以特别的方式解决这个问题,而是应该从观察到的数据中了解记忆衰退的形状。在本文中,提出了一种新的基于贝叶斯模型平均的半参数方法,用于学习记忆衰减的形状,而不需要任何参数假设。该方法被应用到印度的社会政治行为者之间的关系事件的历史数据。
2021-09-04 stat.ME
Bayesian Non-parametric Quantile Process Regression and Estimation of Marginal Quantile Effects
多个条件分位数的灵活估计在许多应用中是令人感兴趣的,例如研究妊娠相关因素对低出生体重和高出生体重的影响。我们提出了一个贝叶斯非参数方法,同时估计非交叉,非线性分位数曲线。我们扩展了响应的条件分布函数在I-样条基函数的协变量依赖系数建模使用神经网络。通过利用样条函数和神经网络的逼近能力,我们的模型可以逼近任何连续的分位数函数。与现有的模型相比,我们的模型估计所有的分位数,而不是一个有限的子集,规模以及高维,估计的不确定性。虽然该模型是任意灵活的,可解释的边际分位数效应估计使用累积局部效应图和变量的重要性措施。仿真研究表明,当数据稀疏时,我们的模型可以更好地恢复响应分布的分位数,并对出生体重数据进行了分析。
2021-08-29 stat.ME
Bayesian Indirect Inference Using a Parametric Auxiliary Model
间接推理(II)是一种方法,用于在分析和计算上更容易处理的替代参数(辅助)模型的基础上估计棘手(生成)模型的参数。这种方法已经在经典文献中得到了很好的探讨,但在贝叶斯范式中受到的关注却少得多。本文的目的是比较和对比我们所说的参数贝叶斯间接推理(pBII)方法的集合。一类pBII方法使用近似贝叶斯计算(这里称为ABC II),其中汇总统计量是基于辅助模型,使用II中的思想形成的。在文献中提出的另一种方法,这里称为参数贝叶斯间接似然(pBIL),使用辅助似然作为替代的棘手的可能性。我们表明,pBIL是一个根本不同的方法ABC II。我们设计了新的理论结果pBIL提供额外的见解,它的行为,也与ABC II的差异。此外,我们更详细地研究了使用每种pBII方法所需的假设。本文中开发的结果,见解和比较说明了简单的例子和其他两个实质性的应用。第一个实质性的例子涉及执行复杂的分位数分布的基础上模拟数据的推断,而第二个是用于估计一个三变量随机过程的参数描述的演变的大型寄生虫在主机的基础上的真实数据。我们创建了一个新的框架,称为贝叶斯间接似然(BIL),其中包括pBII以及一般的ABC方法,以便可以建立方法之间的连接。
2015-05-13 stat.ME
Defensive Model Expansion for Robust Bayesian Inference
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出防御性模型扩展方法,通过将非参数成分与参数模型结合,实现模型自动适应,从而在参数模型正确时恢复效率,在不正确时捕捉缺失信号,提升鲁棒贝叶斯推断性能。
2026-03-12 stat.ME
Bayesian estimation for a parametric Markov Renewal model applied to seismic data
本文提出了一个完整的方法,贝叶斯推断的半马尔可夫过程,从启发的先验分布,计算后验摘要,包括指导其JAGS实现。假设保持时间(以两个给定状态之间的过渡为条件)为威布尔分布。我们检查引出的联合先验密度的形状和尺度参数的韦布尔分布,推导出一个特定的类的先验在一个自然的方式,以及一种方法用于确定超参数的基础上"学习数据“和时刻存在条件。这个框架适用于三种类型的严重性(低,中,高尺寸),发生在意大利北部亚平宁山脉中部和收集的\cite{CPTI04}目录的地震数据。两种类型的能量积累和释放机制的假设进行了评估。
2014-04-04 stat.ME
A Bayesian Semi-Parametric Scalar-On-Function Quantile Regression with Measurement Error using the GAL
分位数回归提供了一种一致的方法来研究协变量与超出平均值的响应分布的各个方面之间的关联。当回归协变量测量有误差时,需要测量误差(ME)调整步骤以进行有效推断。这对于标量协变量和函数协变量都是正确的。在这里,我们建议扩展贝叶斯测量误差和贝叶斯分位数回归文献,以允许可用的协变量倾向于潜在的复杂测量误差。我们的方法使用广义非对称拉普拉斯(GAL)分布作为工作可能性。GAL分布族是贝叶斯分位数回归建模中一个比非对称拉普拉斯分布族更灵活的分布族。然后,我们通过一系列模拟场景,在ME调整步骤中比较和对比了两种方法。最后,我们将我们的方法应用于2013-2014年NHANES数据集的分析,以将体重指数(BMI)的分位数建模为50岁及以上成年人队列中分钟级基于设备的身体活动的函数。
2023-02-07 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
Screening Methods for Classification Based on Non-parametric Bayesian Tests
特征或变量选择是大型数据集固有的问题。虽然已经提出了许多方法来处理这个问题,但有些方法的规模与数据集中的预测因子的数量相关性很差。筛选方法通过一次检查一个预测因子,与预测因子的数量呈线性关系,并且是用于在进一步分析或变量选择之前减少要考虑的变量数量的工具。对于分类,有各种各样的技术。存在基于参数的筛选测试,例如基于t检验或SIS的筛选,以及基于非参数的筛选测试,例如基于Kolmogorov距离的筛选和MV-SIS。我们提出了一种方法,变量筛选,使用贝叶斯动机的测试,比较它SIS为基础的筛选,并提供模拟和真实数据的方法的应用程序的例子。结果表明,我们的筛选方法可以导致分类率的提高。即使我们的方法与分类器(如DART)结合使用,也是如此,DART旨在选择变量的稀疏子集。最后,我们提出了一个分类器的基础上内核密度估计,在某些情况下,可以产生显着的改善分类率相对于DART。
2023-01-05 stat.ME
Bayesian non-parametric ordinal regression under a monotonicity constraint
针对有序尺度结果变量的回归问题,提出仅受随机单调性约束的贝叶斯非参数有序回归模型,采用可逆跳马尔可夫链蒙特卡洛估计,具备协变量选择能力,经模拟和真实数据验证有效。
2022-02-11 stat.ME
A Bayesian semi-parametric model for longitudinal growth and appetite phenotypes in children
本研究开发了一种贝叶斯半参数联合模型,通过扩展Partial Credit Model和样条回归并共享非参数先验,分析GUSTO队列儿童纵向生长与饮食行为的关系,揭示了早期饮食行为对生长模式及肥胖风险的影响。
2025-01-28 stat.ME
Bayesian Parametric Methods for Deriving Distribution of Restricted Mean Survival Time
本文提出基于贝叶斯参数模型推导限制平均生存时间分布的方法,通过显式积分公式和Stan实现,结合随机效应与脆弱性处理簇间异质性,模拟和印度真实数据验证了方法的稳健性与准确性。
2024-06-11 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 Non-Parametric Inference for Infectious Disease Data
我们提出了一个框架,贝叶斯非参数估计的新的感染发生率假设的流行病是部分观察。所开发的方法依赖于将新感染发生的速度建模为仅取决于时间的函数。提出了两种不同类型的先验分布,即使用阶跃函数和B样条。该方法使用模拟和真实数据集进行说明,我们表明,流行病的某些方面,如季节性和超级传播事件,而不必明确地将它们纳入参数模型。
2014-12-15 stat.AP stat.CO stat.ME
Bayesian semi-parametric inference for clustered recurrent events with zero-inflation and a terminal event/4163305
复发性事件数据在临床研究中很常见,当受试者纵向随访时,经常发生终末事件。随着具有异质性来源人群的大型实用性试验的日益普及,参与者通常嵌套在诊所中,并且可能对复发过程敏感或结构上不敏感。这些复杂性需要新的建模策略,以适应潜在的零事件膨胀以及分层数据结构的终端和非终端事件过程。在本文中,我们开发了一个贝叶斯半参数模型,以联合特征的零膨胀的复发事件过程和终端事件过程。我们使用一个点质量混合的非齐次泊松过程来描述经常性的强度,并引入共享的随机效应从不同的来源来桥接非终端和终端事件过程。为了实现鲁棒性,我们考虑非参数Dirichlet过程建模的剩余的加速失效时间模型的生存过程以及集群特定的脆弱性分布,并开发一个马尔可夫链蒙特卡罗算法的后验推理。我们证明了我们提出的模型与竞争模型相比,通过模拟的优越性,并将我们的方法应用到一个务实的集群随机试验中的老年人跌倒伤害预防。
2022-12-05 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 Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches
本文面向统计实践者系统介绍因果效应的贝叶斯估计,涵盖参数先验收缩、稀疏性、概率敏感性分析及非参数贝叶斯方法,并提供点处理、时变处理与开源代码示例。
2020-08-21 stat.ME stat.ML
Bayesian Structural Learning with Parametric Marginals for Count Data: An Application to Microbiota Systems
本文针对高维异质计数数据,开发了一种结合参数化边缘回归与计算高效搜索算法的高斯连接图形模型,实现了对边缘效应和依赖结构的同步贝叶斯结构学习,并成功应用于微生物组网络推断。
2024-01-11 stat.ME
The semi-Markov beta-Stacy process: a Bayesian non-parametric prior for semi-Markov processes
关于离散时间半马尔可夫过程分析的贝叶斯方法的文献很少。本文介绍了半马尔可夫β-Stacy过程,这是一个用于半马尔可夫过程的贝叶斯非参数分析的随机过程。半马尔可夫β-Stacy过程相对于由半马尔可夫过程生成的数据是共轭的,这一性质使得容易获得概率预测。其预测分布的特点是由一个强化的随机游动的骨灰盒系统。
2020-07-23 math.ST stat.ME stat.TH
Adaptive Nonparametric Perturbations of Parametric Models with Generalized Bayes
Columbia University(哥伦比亚大学);Technical University of Denmark(丹麦技术大学);Memorial Sloan Kettering Cancer Center(纪念斯隆-凯特琳癌症中心);University of Michigan(密歇根大学)
本文提出一种自适应非参数化修正方法,用于改进参数贝叶斯模型的鲁棒性和效率,通过广义贝叶斯方法避免非参数贝叶斯因子计算,应用于单细胞RNA测序数据中的基因表达因果效应估计。
2026-04-01 stat.ME stat.ML
Non-Parametric Bayesian Inference for Partial Orders with Ties from Rank Data observed with Mallows Noise
Department of Statistics, University of Oxford(牛津大学统计系)
本文提出了一种基于马洛斯噪声观测的非参数贝叶斯方法,用于处理带有并列的偏序数据,通过聚类并列元素来建模社会等级结构。
2024-08-26 stat.ME
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
Fast and scalable non-parametric Bayesian inference for Poisson point processes
研究了泊松点过程强度函数的非参数贝叶斯估计问题。观测值是区间$[0,T]$上Poisson点过程的$n$独立实现。我们提出了两个相关的方法。在这两种方法中,我们将强度函数建模为形成间隔$[0,T]$的分区的$N$箱上的分段常数。在第一种方法中,强度函数的系数被分配独立的伽马先验,导致封闭形式的后验分布。在理论方面,我们证明了作为$n\rightarrow\infty,$的后验渐近集中在“真实”,数据生成强度函数在$h$ -Hölder正则强度函数($0 < h\leq 1$)的最佳速率。在第二种方法中,我们采用伽玛马尔可夫链的强度函数的系数之前。后验分布不再以封闭形式提供,但可以使用吉布斯采样器的直接版本进行推断。这两种方法都能很好地扩展样本量,但第二种方法对选择$N$的敏感性要低得多。我们的方法的实际性能首先证明通过合成数据的例子。我们比较我们的第二种方法与其他现有的方法在英国煤矿灾害数据。此外,我们将其应用于美国大规模枪击事件数据和唐纳德特朗普的Twitter数据。
2020-03-29 stat.ME
Continuity of the Solution of a Non-Parametric Bayesian Statistical Calibration Procedure
Simon Fraser University(西蒙菲莎大学)
研究非参数贝叶斯校准方法中解算子对输入参数分布的连续性,证明其在总变差度量下一致连续且在广泛分布类中弱连续。
2026-03-21 math.ST stat.ME stat.TH
A non-parametric Bayesian approach for adjusting partial compliance in sequential decision making
在给定的动态治疗方案下估计平均结果的现有方法依赖于意向治疗分析,其估计遵循特定动态治疗方案的效果,而不管患者的依从性行为。意向治疗分析有两个主要问题:(1)估计的效应通常偏向于零效应;(2)由于潜在的差异依从性行为,结果不可推广和重现。这些在不遵守规定的情况下尤其成问题,如物质使用障碍治疗。我们的工作是由酒精和可卡因依赖的适应性治疗研究(ENGAGE)的动机,这是一个多阶段的试验,旨在构建最佳的治疗策略,使患者参与治疗。由于本试验的依从性水平相对较低,意向治疗分析基本上估计了随机分配至某个不受关注的治疗序列的影响。我们通过将目标参数定义为给定潜在依从性分层的动态治疗方案下的平均结果来填补这一重要空白。我们提出了一个灵活的非参数贝叶斯方法,它包括一个高斯copula模型的潜在的依从性,和一个狄利克雷过程混合模型的潜在的结果。我们的模拟强调了这种方法在实践中的必要性和实用性,并说明了我们的估计在非线性和非高斯设置的鲁棒性。
2021-10-01 stat.ME
Informed Bayesian survival analysis
我们概述了贝叶斯估计,假设检验和模型平均,并说明它们如何有利于参数生存分析。我们将贝叶斯框架与目前占主导地位的频率论方法进行了对比,并强调了其优势,例如无缝整合历史数据,持续监测证据,以及整合真实数据生成过程的不确定性。我们说明了贝叶斯方法的应用,从结肠癌试验的一个例子数据集。我们比较了贝叶斯参数生存分析和频率论模型与AIC/BIC模型选择在固定n设计和序贯设计中的模拟研究。在示例数据集中,贝叶斯框架提供了对切除的结肠癌患者的无病存活率不存在积极处理效应的证据。此外,贝叶斯序贯分析将比标准频率主义分析提前10.3个月终止试验。在一项采用序贯设计的模拟研究中,贝叶斯框架平均在几乎一半的时间内做出了决定,而频率论框架则保持了相同的功效和适当的假阳性率。在模型误设下,贝叶斯框架导致更高的假阴性率相比,频率主义的同行,这导致更高比例的未决定的试验。在固定n设计中,贝叶斯框架在估计小样本处理效应时显示出略高的功效、略高的错误率、较低的偏倚和RMSE。我们已经在RoBSA R软件包中提供了分析方法。当应用于参数生存分析时,概述的贝叶斯框架提供了几个好处。它更有效地使用数据,能够大大缩短临床试验的时间,并提供更丰富的推论。
2022-09-11 stat.ME
qgam: Bayesian non-parametric quantile regression modelling in R
广义可加模型(GAM)是一种灵活的非线性回归模型,可以使用mgcv R软件包提供的近似贝叶斯方法有效地拟合。虽然mgcv提供的GAM方法是基于响应分布是参数化建模的假设,但在这里,我们讨论更灵活的方法,不需要任何参数假设。特别地,本文介绍了qgam包,它是mgcv的扩展,提供了用于在R中拟合分位数GAM(QGAM)的快速校准贝叶斯方法。QGAM基于Koenker(2005)的弹球损失的平滑版本,而不是基于似然函数,因此,联合实现分位数点估计的令人满意的精度和相应可信区间的覆盖需要采用Fasiolo、Wood、Zaffran、Nedellec和Goude(2020 b)的专门贝叶斯拟合框架。在这里,我们详细介绍了这个框架是如何在qgam中实现的,我们提供了一些例子来说明如何在实践中使用这个包。
2020-07-07 stat.AP stat.CO stat.ME
A Bayesian semiparametric model for semicontinuous data
当目标变量表现出非连续行为(即单一值中的点质量和其他地方的连续分布)时,参数“两部分回归模型”得到了广泛的使用和研究。本文提出了一个处理这类变量的半参数贝叶斯两部分回归模型。该模型允许使用Dirichlet过程的模型的两个部分的半参数表达式。一个激励的例子(在“小面积估计”框架)的基础上,在托斯卡纳葡萄酒生产的伪真实数据,用于评估模型的能力。结果表明,当参数假设(分布和/或关系)不合理时,所建议的方法对连续数据进行建模和预测具有令人满意的性能。
2014-08-13 stat.ME
A fully Bayesian semi-parametric scalar-on-function regression (SoFR) with measurement error using instrumental variables
ActiGraph等可穿戴设备现在通常用于健康研究,以监测或跟踪身体活动。这一趋势与准确评估身体活动对肥胖等健康结果的影响的需求日益增长。当访问这些基于设备的身体活动测量与健康结果(如体重指数)之间的关联时,基于设备的数据被认为是函数,而结果是标量值。在这些设置中应用的回归模型是标量函数回归(SoFR)。SoFR中的大多数估计方法假设函数协变量被精确观测,或者测量误差被认为是随机误差。违反这一假设可能导致模型参数的低估和次优分析。SoFR中关于测量校正方法的文献在非贝叶斯文献中很少,在贝叶斯文献中几乎不存在。本文考虑了一个完全非参数贝叶斯测量误差校正的SoFR模型,放松了所有的约束假设,往往在这些模型。我们的估计依赖于一个工具变量(IV),以确定的测量误差模型。最后,我们引入了一个IV质量标量参数,该参数与所有模型参数一起进行联合估计。我们的方法是很容易实现的,我们证明了它的有限样本特性,通过广泛的模拟。最后,将开发的方法应用于国家健康和检查调查,以评估居住在美国的成年人中基于可穿戴设备的身体活动和身体质量指数之间的关系。
2022-11-09 stat.ME
A Bayesian semi-parametric model for small area estimation
在公共卫生管理方面,有必要编制国家以下各级的卫生成果估计数。然而,往往没有资金来收集足够大的样本,以便为每个国家以下一级地区编制传统的调查样本估计数。虽然参数分层方法已成功地用于从小样本中获得估计值,但人们担心美国人口的地理多样性可能在这些模型中被过度简化。在本文中,一个半参数模型被用来描述模型的地理变异组件。具体来说,我们假设Dirichlet过程的混合物的法线特定于县的随机效应。结果进行比较的基础上的狄利克雷过程的基本措施的参数模型,使用二进制的健康结果相关的乳房X光检查的使用。
2008-05-21 stat.AP stat.ME
Bayesian Sequential Experimental Design for a Partially Linear Model with a Gaussian Process Prior
研究了在高斯过程先验下估计部分线性模型参数分量的序贯试验设计问题。我们考虑一个主动学习设置,实验者自适应地决定收集哪些数据,以有效地实现他们的目标。实验者的目标可能会有所不同,例如降低分类错误概率或提高估计数据生成过程的参数的准确性。本研究旨在提高部分线性模型参数分量估计的精度。在某些假设下,部分线性模型的参数分量可被视为因果参数,即平均处理效应(ATE)或平均因果效应(ACE)。我们提出了一个贝叶斯序贯试验设计算法的部分线性模型与高斯过程先验,这也被认为是一个序贯试验设计定制的ATE或ACE的估计。我们通过数值实验的基础上合成和半合成数据所提出的方法的有效性。
2022-11-04 stat.ME
Residual lifetime prediction for heterogeneous degradation data by Bayesian semi-parametric method
Indian Statistical Institute(印度统计研究所)
本文提出基于贝叶斯半参数方法的异质退化数据残余寿命预测模型,通过狄利克雷过程混合正态分布建模退化路径,并利用MCMC技术预测残余寿命。
2026-01-14 stat.AP stat.ME
Bayesian Inference for Non-Parametric Extreme Value Theory
由于所研究的罕见事件的低样本量和不准确的模型,在实践中难以对随机事件的极值进行统计推断。如果极值的先验知识是可用的,贝叶斯统计可以应用于降低样本的复杂性,但这需要一个已知的概率分布。通过使用极低概率的分位数($10^{-2}$或更低)并依赖其渐近正态性,可以在不假设任何分布的情况下进行推断。尽管依赖于渐近的结果,它表明,贝叶斯框架,结合先验信息,可以减少所需的观测数量估计一个特定的分位数到一定程度的准确性。
2022-05-17 math.ST stat.ME stat.TH
Semi-parametric Bayesian inference under Neyman orthogonality
McGill University(麦吉尔大学)
本文提出了一种基于奈曼正交性的贝叶斯推断方法,通过非参数模型和狄利克雷过程实现,展示了在因果推断中有效且稳健的边缘后验推断。
2026-02-23 math.ST stat.ME stat.TH
Bayesian non-parametric inference for $Λ$-coalescents: consistency and a parametric method
研究了单位区间上概率测度参数化的具有常返突变的$Λ$ -聚结过程的$Λ$ -测度的贝叶斯非参数推断.给出了观测值为时间序列时后验一致性先验的可验证准则,并证明了当所有观测值同时发生时,任何非平凡先验都是不一致的.然后,我们表明,给定的数据集的大小$n \in \mathbb{N}$的可能性是恒定的$Λ$ -措施,其领先的$n - 2$时刻同意,并专注于推断截断序列的时刻。我们提供了一个大类的泛函,可以使用有限的计算给出了一个可信的区域后截断矩序列,和一个伪边缘梅特罗波利斯-黑斯廷斯算法采样后。最后,我们比较了效率的准确和嘈杂的伪边缘算法,并没有延迟接受加速使用模拟研究。
2017-01-23 math.PR math.ST q-bio.PE
Bayesian non-parametric non-negative matrix factorization for pattern identification in environmental mixtures
环境健康研究人员可能会致力于确定代表来源的暴露模式,产品使用,或行为,引起潜在有害的环境化学品暴露的混合物。我们提出了贝叶斯非参数非负矩阵分解(BN ^2 MF)作为一种新的方法来识别模式的化学品暴露时,模式的数量是未知的先验。我们将非负连续先验放置在模式负载和个体分数上以增强可解释性,并使用聪明的非参数稀疏先验来估计模式数。我们进一步推导出估计值周围的变分置信区间;这是一个关键的发展,因为它量化了模型对估计模式的置信度。这些独特的功能与现有的模式识别方法在这一领域中所采用的是有限的用户指定的模式数,缺乏解释性的模式在人类的理解,以及缺乏不确定性量化。
2021-09-24 stat.AP stat.ME stat.ML
No prior over nuisance parameters is required for credible intervals and Bayes factors
本文提出一种非参数有限样本可信区间构造方法,结合贝叶斯与频率学方法,通过一维先验实现统计区间的中间方法,展示其在两个不同问题中的应用及优势。
2026-11-13 physics.data-an stat.ME
A Bayesian semi-parametric approach for inference on the population partly conditional mean from longitudinal data with dropout
使用纵向数据的记忆轨迹研究,由于选择性的研究招募和流失,通常会导致高度非代表性的样本。另一个偏差来自练习效果,由于熟悉测试内容或上下文,练习效果会提高或保持成绩。这些挑战可能会使研究结果产生偏差,并严重扭曲对目标人群进行概括的能力。在这项研究中,我们提出了一种方法来估计有限的人口平均值的纵向结果条件是活着在一个特定的时间点。我们开发了一个灵活的贝叶斯半参数预测估计人口推断时,纵向辅助信息是已知的目标人群。我们评估结果的敏感性,不可检验的假设,并进一步比较我们的方法用于人口推断的模拟研究中的其他方法。所提出的方法的动机是15年的纵向数据从桦纵向队列研究。我们应用我们的方法来估计情景记忆中的寿命轨迹,目的是将研究结果推广到目标人群。
2021-03-22 stat.AP stat.ME
Two General Methods for Population Pharmacokinetic Modeling: Non-Parametric Adaptive Grid and Non-Parametric Bayesian
群体药代动力学(PK)建模方法在统计学上可分为参数或非参数(NP)。每个分类可以分为最大似然(ML)或贝叶斯(B)方法。在本文中,我们讨论了非参数的情况下,使用最大似然和贝叶斯方法。我们提出了两种非参数方法来估计未知的联合人口分布的模型参数值的药代动力学/药效学(PK/PD)数据集。第一种方法是NP自适应网格(NPAG)。第二种是NP贝叶斯(NPB)算法与棒断裂过程,以构建一个狄利克雷先验。我们的目的是使用模拟PK/PD数据集比较这两种方法的性能。我们的研究结果表明,NPAG和NPB在逼真的模拟PK研究中表现出色。这种模拟使我们能够以真实人群参数的形式进行基准测试,以与两种方法产生的估计值进行比较,同时考虑到不平衡的样本时间和样本数量以及包括患者体重协变量的能力等挑战。我们的结论是,NPML和NPB都可以用于现实的PK/PD群体分析问题。本文讨论了一种方法相对于另一种方法的优点。NPAG和NPB是用R实现的,可以从www.lapk.org的Pmetrics包中免费下载。
2013-03-26 q-bio.GN q-bio.QM stat.AP
Fast and Order-invariant Inference in Bayesian VARs with Non-Parametric Shocks
本文针对VAR模型中冲击的非高斯性,提出基于狄利克雷过程混合的加性误差结构,实现大型VAR中计算快速且顺序不变的贝叶斯非参数推断,并在金融危机和疫情期间展现出显著优势。
2023-05-26 econ.EM stat.ME
Bayesian Survival Analysis Using Gamma Processes with Adaptive Time Partition
在事件发生时间数据的贝叶斯半参数分析中,对于时间轴的给定有限分区,基线风险函数或累积基线风险函数采用非参数过程先验。然而,提出一个一般性的指导方针来构建最佳的时间划分将是有争议的。虽然已经做了大量的研究来放松其他非参数过程的固定分裂时间的假设,据我们所知,还没有方法已经开发的伽玛过程之前,这是最广泛使用的贝叶斯生存分析。在本文中,我们提出了一个新的贝叶斯框架比例风险模型的累积基线风险函数的伽玛过程建模先验。所提出的框架的一个关键特征是,区间截断点的数量和位置被视为随机的,并根据其后验分布进行估计。
2020-08-05 stat.CO stat.ME
Semiparametric Functional Factor Models with Bayesian Rank Selection
函数数据通常伴随着描述函数的典型形状的参数化模板。然而,这些参数化模板可能会产生显著的偏差,这会破坏实用性和可解释性。为了纠正模型的误指定,我们增加了一个无限维的非参数函数的基础上的参数模板。非参数基函数从数据中学习,并被约束为与参数模板正交,这保持了参数项和非参数项之间的区别。这种区别是必不可少的,以防止功能混淆,否则会导致严重的偏见的参数项。的非参数因子正则化与一个有序的尖峰和平板之前,提供一致的秩选择,并满足几个有吸引力的理论性质。所提出的方法的多功能性说明通过应用程序的合成数据,人体运动控制数据,和动态收益率曲线数据。相对于参数和半参数的替代品,建议的半参数功能因子模型消除了偏见,减少过多的后验和预测的不确定性,并提供可靠的推断非参数项的有效数量-所有与最小的额外计算成本。
2022-05-16 econ.EM stat.CO stat.ME
A Bayesian Non-parametric Approach for Causal Mediation with a Post-treatment Confounder
提出一种贝叶斯非参数方法,通过富化狄利克雷过程混合模型处理存在处理后混杂因素时的因果中介分析,可估计自然直接效应和间接效应,并在模拟和Rural LITE试验中验证了其有效性。
2023-05-08 stat.AP stat.ME
Bayesian semi-parametric forecasting of ultrafine particle number concentration with penalised splines and autoregressive errors
观测的时间序列数据往往表现出周期性的时间趋势和自相关性,也可能依赖于协变量。因此,需要能够捕获这些趋势并同时对任何剩余自相关进行建模的灵活回归模型。对残差中的自相关进行建模,比假设独立性更能得到更真实的预测。在本文中,我们提出了一种方法,结合样条半参数回归建模的自回归误差的建模。该方法被应用到一个模拟的数据集,以显示其有效性和超细颗粒数浓度在芬兰赫尔辛基,以显示其在现实世界中的问题。
2012-09-25 physics.ao-ph physics.data-an stat.AP
A Bayesian semi-parametric approach to causal mediation for longitudinal mediators and time-to-event outcomes with application to a cardiovascular disease cohort study
针对队列研究中纵向中介变量和时变混杂因素导致的因果中介分析复杂问题,提出基于贝叶斯加法回归树(BART)模型的方法,可处理连续/二元时变变量及竞争事件,应用于ARIC队列研究评估药物对心血管疾病死亡时间的影响。
2024-11-27 stat.AP stat.ME
Non-parametric Bayesian mixture model to study adverse events of COVID-19 vaccines
提出带Dirichlet过程混合先验并嵌入阴性对照程序的贝叶斯模型,以提升小计数不良事件估计并校正报告偏倚,模拟与VAERS数据验证了其有效性。
2023-06-03 stat.AP stat.ME
Simulation-Based Prior Knowledge Elicitation for Parametric Bayesian Models
针对贝叶斯先验提取中难利用多形式专家知识且受模型结构限制的问题,提出基于仿真的方法,通过随机梯度下降学习先验超参数,经多类模型验证具备有效性与适配性。
2024-04-15 stat.ME stat.ML
Approximating the Likelihood in Approximate Bayesian Computation
本章将出现在即将出版的近似贝叶斯计算手册(2018)中。支撑近似贝叶斯计算(ABC)的概念和方法框架主要针对可能性具有挑战性或缺失的问题。ABC使用基于模拟的非参数估计汇总统计量的可能性,并假设从模型生成数据在计算上是便宜的。本章回顾了两种估计棘手的可能性的替代方法,目的是减少必要的模型模拟,以产生近似的后验。其中第一个是合成似然(SL)的贝叶斯版本,最初由Wood(2010)开发,它使用多变量正态近似来概括统计似然。使用ABC的参数近似而不是非参数近似,可以减少所需的模型模拟的数量。我们在本章中考虑的第二种似然近似方法是基于经验似然(EL),这是一种非参数技术,涉及在一组矩约束下最大化经验构建的似然。Mengersen et al(2013)修改了EL框架,以便它可以用于形成ABC可以应用的问题的近似后验,即具有棘手可能性的模型。然而,与ABC和贝叶斯SL(BSL)不同,贝叶斯EL(BCel)方法可以在某些情况下完全避免模型模拟。BSL和BCel方法说明了不同复杂性的模型。
2018-03-18 stat.CO stat.ME
Semi-parametric Bayesian Partially Identified Models based on Support Function
我们提供了一个全面的贝叶斯部分识别计量经济模型的半参数研究。虽然现有的文献贝叶斯部分识别主要集中在结构参数,我们的主要重点是贝叶斯可信集(BCS)的未知识别集和后验分布的支持函数。我们构造了一个(双边)BCS的基础上的支持功能的识别集。我们证明了支持函数的后验分布的Bernstein-von Mises定理。这个强大的结果反过来推断,而BCS和频率论置信集的部分确定的参数是渐近不同的,我们构造的BCS的确定集有一个渐近正确的频率论覆盖概率。重要的是,我们说明,所构造的BCS的识别集不需要事先的结构参数。它可以有效地计算子集推断,特别是当目标的兴趣是一个子向量的部分识别的参数,其中投影到一个低维子集往往是必需的。因此,所提出的方法在许多应用中是有用的。贝叶斯部分识别文献一直假设一个已知的参数似然函数。然而,计量经济学模型通常只识别一组矩不等式,因此使用不正确的似然函数可能导致误导性的推论。与此相反,与一个非参数先验的未知似然函数,我们提出的贝叶斯过程只需要一组矩条件,并可以有效地进行推断的部分识别的参数和它的识别集。这使得它广泛适用于一般的矩不等式模型。最后,以一个金融资产定价问题为例说明了该方法的有效性.
2013-11-22 econ.EM math.ST stat.ME