Permutation tests for assessing potential non-linear associations between treatment use and multivariate clinical outcomes
在许多心理测量应用中，结果的平均值与定量协变量之间的关系过于复杂，无法用简单的参数函数来描述;相反，可以使用惩罚样条来合并灵活的非线性关系。惩罚样条可以方便地表示为线性混合效应模型（LMM），其中样条基函数的系数是随机效应。惩罚样条的LMM表示使得扩展到多变量结果相对简单。在LMM中，定量协变量对结果无影响对应于原假设，即固定效应和方差分量均为零。在零值下，方差分量的似然比检验的通常渐近χ 2分布不成立。因此，我们提出了三个排列测试的似然比检验统计量：一个基于置换的定量协变量，其他两个基于置换残差。我们通过模拟的第一类错误率和功率的三个排列测试获得的联合模型的多个结果，以及常用的参数测试。测试说明使用数据从兴奋剂使用障碍的心理社会临床试验。
2023-02-24 stat.AP stat.ME
Multivariate Log-Contrast Regression with Sub-Compositional Predictors: Testing the Association Between Preterm Infants' Gut Microbiome and Neurobehavioral Outcomes
所谓的肠-脑轴刺激了对微生物组的广泛研究。一个重点是评估某些临床结果与肠道微生物的相对丰度之间的关联，其可以呈现为符合细菌分类层次的亚组成数据。受一项用于识别早产儿肠道微生物组中影响其后期神经行为结果的微生物的研究的启发，我们制定了一种约束综合多视图回归，其中神经行为评分形成多变量响应，子组成微生物组数据形成多视图特征矩阵，并且对其相应子系数矩阵的一组线性约束确保符合单纯形几何。为了实现子组成/视图的联合选择和推断，我们假设所有子系数矩阵可能是低秩的，即，这些结果通过来自不同分类群的不同的潜在亚组成因子组与微生物组相关联。我们提出了一个规模化的复合核范数惩罚模型估计的方法，并通过去偏置来评估不同观点的重要性，开发了一个假设检验程序。仿真研究证实了所提出的程序的有效性。在早产儿研究中，鉴定出的微生物大多与现有研究和生物学理解一致。我们的方法支持压力的早期生活经历通过调节肠-脑轴来影响肠道微生物组。
2020-05-31 stat.AP stat.ME
Joint Model for Survival and Multivariate Sparse Functional Data with Application to a Study of Alzheimer's Disease
阿尔茨海默病（AD）的研究通常收集多个纵向临床结果，这些结果与AD进展相关并可预测AD进展。研究结果与AD发作时间之间的关系具有重大的科学意义。我们将多个纵向结果建模为多变量稀疏函数数据，并提出了一个将多变量函数数据与事件时间数据联系起来的函数联合模型。特别是，我们提出了一个多变量函数混合模型（MFMM），以确定共享的进展模式和结果的特定进展模式的结果，这使得更多的解释建模的结果和AD发病之间的关联。所提出的方法被应用到阿尔茨海默病神经影像学倡议研究（ADNI）和功能关节模型揭示了新的光推理的五个纵向结果及其与AD发病的关联。仿真研究也证实了所提出的模型的有效性。
2020-12-03 stat.AP stat.CO stat.ME
Subspace decompositions for association structure learning in multivariate categorical response regression
针对多元分类响应回归中现有方法可解释性差、灵活性不足的问题，提出基于新颖子空间分解的惩罚似然方法，可识别三类关联并在张量积空间转化为线性问题，兼具理论保证与良好的可解释性和预测精度。
2024-10-06 math.ST stat.ME stat.TH
Genetic association testing with multivariate survival phenotypes under interval censoring
Michigan State University（密歇根州立大学）；University of Michigan（密歇根大学）；University of Florida（佛罗里达大学）
该研究针对区间删失下多变量生存表型，开发了WV-M-IC方法，经模拟和ZOE 2.0研究验证，其检验功效优于单一结局分析，可用于遗传关联检测。
2026-09-02 stat.ME
Efficient and powerful familywise error control in genome-wide association studies using generalized linear models
在遗传关联研究中，检测表型-基因型关联是主要目标。我们假设数据之间的关系-表型，遗传标记和环境协变量-可以用广义线性模型（GLM）建模。纳入环境协变量使得有可能考虑到重要的混杂因素，如性别和人口结构。多变量得分统计量，在没有表型-基因型关联的完全原假设下，渐近地具有多元正态分布，其具有可以从数据估计的协方差阵，用于测试大量遗传标记与表型的关联。我们强调控制familywise错误率（FWER）的重要性，并使用多变量得分检验统计量的渐近分布，以找到一个局部的显着性水平的个人测试。使用真实的数据（从一项研究精神分裂症和双相情感障碍和一个最大摄氧量），并构建相关的结构，我们表明，我们的方法是一个强大的替代流行的Bonferroni和Sidak方法。对于没有环境协变量的GLM，我们表明，我们的方法是一个有效的替代排列方法的多重检验。此外，我们表明，如果环境协变量和遗传标记是不相关的，估计的协方差阵的得分检验统计量可以近似估计的相关矩阵的遗传标记。作为我们的方法的副产品，可以定义有效数量的独立测试，并且可以计算FWER调整的$p$值作为使用局部显著性水平的替代方案。
2016-12-22 stat.AP stat.ME
Multivariate tests of association based on univariate tests
为了检验两个随机向量的独立性，我们考虑通过单变量检验来检验一个向量到中心点的距离是否独立于另一个向量到中心点的距离。在本文中，我们提供的条件下，它是足够的，有一个一致的单变量测试的独立性的距离，以保证功率检测之间的依赖性的随机向量增加到一个，作为样本量增加。这些条件被证明是最低限度的。如果单变量检验是无分布的，则多变量检验也是无分布的。如果我们考虑多个中心点并汇总中心特定的单变量检验，则功效可能会进一步提高，并且所得的多变量检验对于特定的汇总方法可能是无分布的（如果单变量检验是无分布的）。我们表明，最近在文献中提出的几个多变量测试可以被视为这种一般方法的实例。
2016-03-10 math.ST stat.ME stat.TH
USAT: A Unified Score-based Association Test for Multiple Phenotype-Genotype Analysis
复杂疾病的全基因组关联研究（GWAS）通常收集多种相关内表型的数据。这些相关表型的多变量分析可以提高检测遗传变异的能力。多元方差分析（MANOVA）可以在GWAS水平上进行这种关联分析，但MANOVA在不同性状模型下的行为尚未得到仔细研究。在本文中，我们表明，MANOVA通常是非常强大的检测关联，但也有情况下，如当一个遗传变异与所有的性状，MANOVA可能没有任何检测能力。我们调查的MANOVA的行为，无论是理论上和使用模拟，并推导出MANOVA失去权力的条件。根据我们的研究结果，我们提出了一个统一的基于分数的检验统计量USAT，可以执行更好的比MANOVA在这种情况下，几乎以及MANOVA在其他地方。我们提出的测试报告了关联的近似渐进p值，并且在GWAS级别实现时计算效率非常高。我们通过广泛的模拟研究了USAT，MANOVA和其他现有方法的性能，并证明了使用USAT方法检测遗传变异和多变量表型之间的关联的优势。我们将USAT应用于从社区动脉粥样硬化风险（ARIC）研究中收集的5，816名白人个体的三个相关性状的数据，并检测到一些有趣的关联。
2015-03-11 stat.ME
Multivariate Differential Association Analysis
提出一种基于核的多元差异关联分析方法，用于检验两组高维变量在两种条件下的依赖关系是否不同，并证明其在有限样本下计算高效且对线性和非线性关系检测具有高功效。
2023-07-28 stat.ME
A Flexible Partially Linear Single Index Proportional Hazards Regression Model for Multivariate Survival Data
本文提出一种扩展比例风险模型的灵活部分线性单指标模型，用于多元生存数据，通过分段常数基线、copula关联和样条单指标处理非线性效应，并采用全似然推断，模拟和实际数据验证其有效性。
2025-10-15 stat.ME
Semiparametric Estimation of Cross-covariance Functions for Multivariate Random Fields
空间参考多变量数据的流行促使研究人员开发一个多个空间过程的联合建模过程。这通常涉及使用多变量空间协方差函数对任意位置对的边际和跨进程依赖性进行建模。然而，构建非负定的灵活的多变量空间协方差函数具有挑战性。在这里，我们提出了一个半参数的方法来估计多变量空间协方差函数的近似Matérn边缘和高度灵活的交叉协方差函数，通过他们的谱表示。我们的交叉协方差函数中的灵活性是由于底层相干函数的基于B样条的规范而产生的，这反过来又允许我们捕获非平凡的交叉谱特征。然后，我们开发了一个基于似然的估计过程，并进行了多次仿真研究，以证明我们的方法的性能，特别是在相干函数估计。最后，我们分析了颗粒物浓度（$\text{PM}_{2.5}$）和风速数据在美国东北部地区，在那里我们说明了我们提出的方法优于常用的全双变量Matérn模型和线性模型的空间预测的协区域化。
2019-11-06 stat.AP stat.ME
Distance-based analysis of variance: approximate inference and an application to genome-wide association studies
在一些现代应用中，从遗传学到基因组学和神经成像，需要比较不同人群的观察结果，例如健康和患病个体的群体。我们的兴趣在于检测群体效应。当观测值为向量、实值且服从多元正态分布时，常规应用多元方差分析（MANOVA）检验。然而，当处理更复杂的数据结构时，例如函数（例如曲线）或图形结构（例如树和网络）对象，这样的传统过程是不合适的，其中可能违反所需的分布假设。在本文中，我们讨论了一种基于距离的MANOVA类方法，DBF测试，用于检测更广泛的数据类型的组之间的差异。类似于其他基于距离的统计量，检验统计量仅依赖于适当选择的距离度量，该距离度量捕获所有可用样本之间的成对相异性。提出了一种近似零概率分布的DBF统计，从而允许推断得出，而不需要昂贵的置换程序。通过大量的模拟，我们提供的证据表明，所提出的方法适用于一系列的数据类型和距离，并概括了传统的MANOVA测试。我们还报告了所提出的方法的应用程序进行分析的多位点全基因组关联研究阿尔茨海默病，这已进行了使用几个遗传距离的措施。
2012-05-11 stat.AP stat.ME
A Bayesian location-scale joint model for time-to-event and multivariate longitudinal data with association based on within-individual variability
MRC Biostatistics Unit, University of Cambridge（剑桥大学MRC生物统计单元）；Department of Medical Statistics, London School of Hygiene & Tropical Medicine（伦敦卫生与热带医学院医学统计学系）；Royal Brompton Hospital, part of Guy’s and St Thomas’ NHS Foundation Trust（皇家布龙普顿医院（盖伊和圣托马斯NHS基金会信托旗下））；National Heart and Lung Institute, Imperial College（帝国理工学院国家心肺研究所）；Divisions of Biostatistics and Epidemiology and Pulmonary Medicine, Cincinnati Children’s Hospital Medical Center（辛辛那提儿童医院医疗中心生物统计、流行病学和肺病科）；Department of Pediatrics, University of Cincinnati（辛辛那提大学儿科系）；Department of Public Health, Policy and Systems, University of Liverpool（利物浦大学公共卫生、政策和系统系）；Cardiovascular Epidemiology Unit, University of Cambridge（剑桥大学心血管流行病学单元）；Ohio University Heritage College of Osteopathic Medicine（俄亥俄大学遗产骨科医学院）；University of Edinburgh（爱丁堡大学）
提出一种贝叶斯联合模型，通过混合效应位置尺度模型分析纵向标志物的个体内变异及其与事件时间的关联，解决回归稀释问题，并应用于囊性纤维化数据评估肺功能、营养不良与死亡风险的关系。
2025-03-15 stat.ME
Semi-parametric modeling of excesses above high multivariate thresholds with censored data
如何将删失数据纳入统计分析是统计学中经常遇到的问题。在多变量极值中，大观测值的相关结构可以用非参数角度测度来表征，而超过渐近大阈值的边际超额具有参数分布。本文提出了一种适用于角度测度的半参数Dirichlet混合模型，并将其应用于删失数据和缺失分量的情形.一个主要的问题是要考虑审查区间重叠的极值阈值，不知道是否相应的隐藏数据实际上是极端的。此外，贝叶斯推断所需的截尾似然没有解析表达式。第一个问题是解决使用泊松过程模型的极端，而数据增强计划避免了多变量整合的泊松过程强度在两个截尾区间和故障区域以上的阈值。实现MCMC算法允许同时估计的边缘和相关参数，使所有来源的不确定性以外的模型偏差捕获的后验可信区间。模拟和真实数据的方法说明。
2014-12-02 stat.AP stat.ME
Semiparametric Modeling for Multivariate Survival Data via Copulas
本文提出了一类新的基于阿基米德Copula的多变量生存模型，其边际由Yang和Prentice（YP）模型建模。Ali-Mikhail-Haq（AMH）、Clayton、Frank、Gumbel-Hougaard（GH）和Joe Copula函数被用来处理边缘分布之间的依赖关系。基线分布由分段指数（PE）分布和伯恩斯坦多项式半参数化建模。这类新的模型具有一些吸引人的特点：i）能够考虑具有交叉生存曲线的生存数据; ii）包括众所周知的比例风险（PH）和比例优势（PO）模型作为特殊情况; iii）边缘基线分布的半参数建模提供了更大的灵活性;（iv）似然函数的封闭形式表达式的可用性，导致更直接的推理过程。我们进行了广泛的蒙特卡罗模拟研究，以评估所提出的模型的性能。最后，我们通过分析诊断为卵巢癌的患者的生存数据，证明了我们的新一类模型的多功能性。
2022-03-07 stat.AP stat.ME
Small sphere distributions for directional data with application to medical imaging
我们提出了新的小球体分布的家庭建模多元方向数据的$(\mathbb{S}^{p-1})^K$为$p \ge 3$和$K \ge 1$。在$\Re^3$中的单变量方向的特殊情况下，新的密度模型$\mathbb{S}^2$上的随机方向具有沿着球体上的小圆圈变化的趋势，并且在小圆圈上具有唯一的模式。所提出的多元密度使我们能够对多元方向之间的关联进行建模，并且在医学成像中是有用的，其中多元方向用于表示三维对象的形状和形状变化。当底层对象在噪声下旋转变形时，例如，扭曲和/或弯曲，相应的方向倾向于遵循所提出的小球分布。该模型与其他分析小圆形集中数据的方法相比具有一些优点，包括关联和小圆形拟合的推理过程。我们证明了使用建议的多变量小球分布在分析的sperally-represented对象的形状和人类膝盖步态数据。
2017-05-29 stat.ME
Modeling Dependence in Omics Association Analysis via Structured Co-Expression Networks to Improve Power and Replicability
针对组学数据高维变量间结构化依赖性被忽视的问题，提出CoReg方法，将共表达网络整合进多元回归，模拟显示其显著提升统计推断准确性与跨研究可重复性。
2025-10-14 stat.ME
On Weighted Multivariate Sign Functions
多元符号函数常用于稳健估计和推理。我们建议使用数据相关的权重与这些功能。建议的加权符号函数保留了理想的鲁棒性，同时显着提高效率的估计和推理相比，未加权的多元符号为基础的方法。使用加权符号，我们展示了鲁棒的位置估计和鲁棒的主成分分析方法。我们扩展了使用鲁棒多变量方法的范围，包括鲁棒充分的降维和功能异常检测。一些数值研究和实际数据的应用表明，所提出的方法的有效性。
2020-12-25 stat.ME
Combining regional estimation and historical floods: a multivariate semi-parametric peaks-over-threshold model with censored data
极端洪水分位数的估计是具有挑战性的，因为与典型的目标重现期相比，极端数据相对稀缺。多年来，为应对这一挑战，开发了几种方法，包括区域估计和使用历史洪水数据。本文研究了这两种方法的组合使用多变量峰值阈值模型，允许估计共在每个站点的站点间的依赖结构和边缘分布。利用半参数Dirichlet混合模型构造了多个站点极值的联合分布。部分缺失和删失观测值（历史数据）的存在在数据扩充方案中进行解释。该模型适用于一个案例研究，涉及四个集水区在法国南部，自1604年以来的历史数据。从四个版本的模型（有或没有区域化的形状参数;使用或忽略历史洪水）的边际估计值的比较突出了显着差异的回报水平估计。此外，附近几个集水区的历史数据的可用性允许调查极端洪水的渐近相关性。流域显示了大量的渐近依赖，需要适应多元统计模型。
2014-11-28 stat.AP stat.ME
cc-Shapley: Measuring Multivariate Feature Importance Needs Causal Context
Physikalisch-Technische Bundesanstalt（德国联邦物理技术研究院）；Technische Universität Berlin（柏林工业大学）；Charité – Universitätsmedizin Berlin（柏林夏里特医学院）
本文提出cc-Shapley方法，通过结合因果结构修正传统Shapley值，以避免因 collider bias 引起的虚假关联，提升特征重要性评估的准确性。
2026-03-27 cs.LG stat.ME
Partial Wavelet Canonical Coherence for Nonstationary Signals with High Dimensional Confounders
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University of York（约克大学）
提出部分小波典型相干性，用于在调整高维混杂因素后测量两个多变量非平稳时间序列之间的直接典型关联，通过小波方法实现尺度特定、时变的关联度量。
2026-06-24 stat.ME
A Multivariate Regression Approach to Association Analysis of Quantitative Trait Network
许多复杂的疾病综合征，如哮喘，包括大量的高度相关的，而不是独立的，临床表型，提出了一个新的技术挑战，在确定同时与相关性状相关的遗传变异。在这项研究中，我们提出了一个新的统计框架，称为图形引导融合套索（GFlasso），以原则性的方式解决这个问题。我们的方法明确表示的依赖结构之间的数量性状作为一个网络，并利用这个性状网络编码结构化的正则化在一个多元回归模型的基因型和性状，使遗传标记，共同影响亚组的高度相关的性状可以检测到高灵敏度和特异性。虽然大多数传统的方法独立地检查每个表型，然后将结果结合起来，但我们的方法在一个单一的统计方法中共同分析所有性状，并借用相关表型之间的信息来发现共同干扰相关triats子集而不是单个性状的遗传标记。使用基于HapMap联盟数据和哮喘数据集的模拟数据集，我们比较了我们的方法与单标记分析的性能，以及其他稀疏回归方法，如岭回归和套索，不使用任何结构信息的性状。我们的研究结果表明，有一个显着的优势，在检测真正的因果SNPs时，我们将相关模式的性状，使用我们提出的方法。
2008-11-13 q-bio.GN q-bio.MN q-bio.QM
Estimating Stochastic Production Frontiers: A One-stage Multivariate Semi-Nonparametric Bayesian Concave Regression Method
本文描述了一种方法来估计生产前沿，满足公理的单调性和单调性在非参数贝叶斯设置。一个低效率的长期，允许显着偏离先前的分布假设，在一个单一的阶段与参数先验假设联合估计。我们通过局部超平面收缩超参数将异方差引入到无效项中，并使用有界约束的局部非线性回归来施加单调性。我们的最小超平面估计量施加了。我们的蒙特卡罗模拟实验表明，前沿和效率估计是有竞争力的，经济合理的，并允许分析更大的数据集比现有的非参数方法。我们使用2007-2010年日本混凝土行业的数据验证了所提出的方法。结果表明，在这段时间内，效率水平保持相对较高。
2015-10-06 stat.AP stat.ME
Boosting Multivariate Structured Additive Distributional Regression Models
我们开发了一个基于模型的助推方法的多变量分布回归的广义可加模型的框架内的位置，规模和形状。我们的方法使所有分布参数的任意参数分布的解释变量条件的多变量响应的同时建模，同时适用于潜在的高维数据。此外，boosting算法结合了数据驱动的变量选择，考虑了各种不同类型的影响。作为我们方法的一个特殊优点，它允许通过相关协变量对多个连续或离散结果之间的关联进行建模。经过详细的模拟研究调查估计和预测性能，我们证明了我们的方法在三个不同的生物医学应用的充分灵活性。第一个是基于来自英国生物银行的高维基因组队列数据，考虑双变量二元反应（慢性缺血性心脏病和高胆固醇）。在这里，我们能够识别对胆固醇和心脏病之间的关联提供信息的遗传变异。第二个应用程序考虑了澳大利亚的医疗保健需求，将咨询次数和处方药数量作为双变量计数响应。第三个应用程序分析了两个方面的儿童营养不良在尼日利亚作为一个双变量响应，我们发现，两个营养不良分数之间的相关性是相当不同的，这取决于儿童的年龄和儿童生活的地区。
2022-07-18 stat.ME
Vine copula based likelihood estimation of dependence patterns in multivariate event time data
在许多研究中，多变量事件时间数据是从具有可能复杂的关联模式的聚类中生成的。需要灵活的模型来捕捉这种依赖性。藤系联结就是为了这个目的。对于完整的数据，可以使用葡萄系连接函数的推断方法。然而，事件时间数据经常受到右删失的影响。因此，需要调整现有的推断工具，例如似然估计。提出了一种两阶段估计方法。首先，对边缘分布进行建模。第二，依赖结构建模的葡萄Copula估计通过似然最大化。由于右截尾的单重和二重积分出现在Copula似然表达式中，因此需要数值积分来评估。对于依赖建模的序贯估计的方法，促进了似然优化的计算挑战。三维仿真研究提供了证据，所提出的方法具有良好的有限样本性能。使用四维乳腺炎的数据，它示出了如何选择一个合适的葡萄系函数模型的数据在手。
2017-07-22 stat.AP stat.ME
Copula Modeling of Multivariate Longitudinal Data with Dropout
联合多变量纵向和事件发生时间数据在生物医学科学中越来越受到关注，其中受试者随时间推移进行随访以监测疾病或医疗状况的进展。在保险方面，索赔结果可能与保单持有人的退出或保单失效的决定有关。本文介绍了一种广义矩技术的方法来估计依赖参数的关联使用copula表示。仿真研究表明了该方法的可行性。本文介绍了如何联合模型提供了新的信息，保险公司可以用来更好地管理他们的投资组合的风险使用说明性数据从西班牙保险公司。
2019-02-09 stat.ME
A Generalized Similarity U Test for Multivariate Analysis of Sequencing Data
University of North Texas Health Science Center（北德克萨斯大学健康科学中心）；Michigan State University（密歇根州立大学）
针对测序数据高维性和多表型分布差异挑战，提出广义相似性U检验（GSU），能处理高维基因型与表型，在功效和稳健性上优于现有方法，并成功识别出4个基因与5种代谢表型的联合关联。
2015-10-20 cs.AI cs.LG stat.ME
Extending the Archimedean copula methodology to model multivariate survival data grouped in clusters of variable size
对于聚类生存数据的分析，通常使用两种不同类型的模型来考虑关联：脆弱性模型和Copula模型。脆弱性模型假设每个集群的脆弱性条件，集群内的个体的风险函数是独立的。这些未知的脆弱性术语及其强加的分布被用来表达集群中不同个体之间的关联。另一方面，Copula模型假设集群内个体的联合生存函数由Copula函数给出，并在每个个体的边际生存函数中进行评估。Copula函数描述了一个簇内生命周期之间的关联。目前的Copula模型的一个主要缺点是脆弱性模型的大小不同的集群必须是小的和相等的，以建立管理的估计程序，不同的模型参数。在这篇手稿中，我们描述了一个Copula模型的集群生存数据的集群被允许是中等到大，并考虑类阿基米德Copula完全单调发电机的大小不同。我们开发了一个和两个阶段的估计不同的copula参数。此外，我们证明了这些估计的相合性和渐近正态性。最后，我们进行了模拟研究，调查有限样本性质的估计。我们说明了一个数据集上的方法，包含时间的第一次授精的奶牛，奶牛群。
2014-01-09 stat.ME
Sparse Estimation of Multivariate Poisson Log-Normal Models from Count Data
Virginia Tech（弗吉尼亚理工大学）
由于响应的离散性，使用多变量计数响应对数据进行建模是一个具有挑战性的问题。单变量计数响应的现有方法不能容易地扩展到多变量的情况下，因为多个响应之间的依赖性需要适当地容纳。本文提出了一个计数响应的多元Poisson对数正态回归模型。该回归模型利用多个计数响应之间的关联性，通过有效的蒙特卡罗期望最大化算法同时估计潜变量的回归系数和逆协方差阵，提高了模型的预测性能.仿真研究和实际数据的应用进行了系统的评估所提出的方法与传统方法相比的性能。
2016-08-12 cs.LG stat.ME
Geographically Weighted Canonical Correlation Analysis: Local Spatial Associations Between Two Sets of Variables
University of Georgia（佐治亚大学）；Wuhan University（武汉大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出地理加权典范相关分析（GWCCA）以探索两个变量集之间的局部空间关联，通过空间加权方法增强传统CCA的适用性，适用于空间数据密集型领域。
2026-02-10 cs.CY stat.ME
A new multivariate Poisson model
本文提出一种基于共同单调冲击向量卷积的新多元泊松模型，用于多维计数数据，可灵活捕捉正相依性，并通过模拟和极端降雨数据评估估计技术。
2024-07-08 stat.ME
Mapping Multivariate Phenotypes in the Presence of Missing Observations for Family-Based Data
针对家系数据中表型缺失的问题，本研究探索基于可用表型（连续、计数、分类型）分别用条件正态、泊松、逻辑模型估计缺失值，再进行基于传递的关联检验，通过模拟评估插补策略对检验功效的影响。
2025-04-15 stat.ME
Bayesian semiparametric modelling of covariance matrices for multivariate longitudinal data
本文开发了多变量纵向响应的边际模型。总体而言，该模型由五个回归子模型组成，一个用于平均值，四个用于协方差阵，后者是通过考虑各种矩阵分解得到的。我们采用的分解是直观的，易于理解的，并且它们不依赖于任何假设，例如多变量响应之间存在排序。回归子模型是半参数的，未知函数由基函数展开表示。我们使用spike-slap先验的回归系数，以实现变量的选择和功能的正则化，并获得参数估计，考虑模型的不确定性。提出了一种有效的后验抽样马尔可夫链蒙特卡罗算法。模拟研究调查先验对后验的影响，当考虑多变量纵向分析而不是单变量分析时可能会获得的收益，以及这些收益是否可以抵消缺失数据的负面影响。我们将这些方法应用于一个高度不平衡的纵向数据集，该数据集在20年的时间内观察到四个响应
2020-12-17 stat.ME
Lagged coherence: explicit and testable definition
针对容积导电导致的信号混合问题，本文提出了一种显式且可测试的多元时间序列频域滞后连接性定义，该定义对非奇异线性变换和瞬时关联均具有不变性。
2024-01-07 q-bio.QM stat.ME
Second order semi-parametric inference for multivariate log Gaussian Cox processes
本文介绍了一种新的方法来推断具有复强度函数的多元对数高斯Cox过程（LGCP）的二阶性质。我们假设一个半参数模型的多变量强度函数包含一个未指定的复杂因素共同的所有类型的点。鉴于此模型，我们利用几种类型的点的可用性来构建一个二阶条件复合似然来推断LGCP的对相关和交叉对相关函数。重要的是，这种可能性不依赖于强度函数的未指定部分。我们还介绍了一个交叉验证方法的模型选择和正则化推理，可用于获得交叉对相关函数的稀疏模型的算法。该方法适用于模拟数据以及从显微镜和犯罪学的数据例子。这显示了新方法如何优于现有的替代方案，其中强度函数是非参数估计的。
2022-01-03 stat.ME
Semiparametric fractional imputation using Gaussian mixture models for handling multivariate missing data
在实践中经常遇到项目无应答。忽略缺失数据会降低效率并导致误导性推断。分数插补是一种处理缺失数据的频率主义插补方法。然而，\cite{kim2011parametric}的参数部分插补可能会在模型误设下出现偏倚。在本文中，我们提出了一种新的半参数分数填补方法使用高斯混合模型。所提出的方法是计算效率，并导致稳健估计。所提出的方法进一步扩展到将分类辅助信息。并证明了半参数分式插补估计的渐近模型相合性和$\sqrt{n}$ -相合性。一些仿真研究，以检查所提出的方法的有限样本性能。
2018-09-16 stat.ME
A new multivariate meta-analysis model for many variates and few studies
研究通常估计结果与多个变量之间的关联。例如，诊断测试准确性的研究估计灵敏度和特异性，预测和预后因素的研究通常估计多个因素的关联。荟萃分析是一系列统计方法，用于综合多项研究的估计值。存在多变量模型，可解释研究内相关性和研究间异质性。在现有模型中必须估计的参数的数量在变量的数量上是二次的（例如，风险因素）。这意味着如果数据稀疏，变量多，研究少，则它们可能无法使用。我们提出了一个新的模型，解决了这个问题，近似方差-协方差阵，模型内的研究相关性和研究之间的异质性在一个低维空间中使用随机投影。在该模型中必须估计的参数的数量在变量的数量上线性地缩放，并且在近似空间的维度上二次地缩放，使得估计更易于处理。我们进行了一项模拟研究，以比较覆盖范围，偏差和精度的估计，使用该模型的单变量荟萃分析。我们使用一项正在进行的全膝关节置换术后疼痛和功能预测因素的系统评价数据来证明该方法。最后，我们提出了一个决策工具，以帮助分析师选择可用的模型。
2021-02-12 stat.ME
Spatial Factor Modeling: A Bayesian Matrix-Normal Approach for Misaligned Data
面向空间的多变量数据集在环境和物理科学中很普遍。科学家们试图联合建模多个变量，每个变量由一个空间位置索引，以捕获每个变量的任何潜在空间关联以及不同因变量之间的关联。多变量潜在空间过程模型已被证明在驱动空间过程的任意位置处的统计推断和呈现更好的预测推断方面是有效的。高维多变量空间数据是指空间位置数和空间相关变量数都非常大的数据集，这也是本文的主题。该领域已经见证了单变量空间过程的可扩展模型的实质性发展，但多变量空间过程的方法，特别是当结果的数量是适度的大，是有限的比较。在这里，我们扩展可扩展的建模策略，为一个单一的过程，多变量的过程。我们追求贝叶斯推断，这是有吸引力的充分的不确定性量化的潜在空间过程。我们的方法利用分布理论的矩阵-正态分布，我们用它来构建可扩展版本的分层线性模型的coregionalization（LMC）和空间因子模型，提供推理的高维参数空间，包括潜在的空间过程。我们说明了我们的算法的计算和推理的好处竞争的方法，使用模拟研究和分析的一个庞大的植被指数数据集。
2021-02-15 stat.CO stat.ME
Bayesian Bandwidths in Semiparametric Modelling for Nonnegative Orthant Data with Diagnostics
多元非负正交数据是零向量左边的实向量，它们可以是连续的，离散的或混合的。本文首先回顾了近年来多元非负连续分布和计数分布的相对变异性指标。作为前奏，具有相同平均向量的两个可比分布的分类通过相对于参考分布的欠、等和过变异来完成。多元相关的核估计，然后审查新的建议，可以容纳任何非负orthant数据集。我们专注于带宽矩阵选择的自适应和局部贝叶斯方法连续和计数支持，分别。最后，我们介绍了一个灵活的半参数方法估计所有这些分布的非负支持。相应的估计器是由一个给定的参数部分，和一个非参数部分，这是一个权重函数估计通过多元关联核。一个诊断模型进行了讨论，使参数，半参数和非参数方法之间的适当选择。纯非参数的保留意味着在建模中使用参数部分的不便。逐步考虑多变量真实数据的例子，在连续设置的可靠性来说明所提出的方法。最后对扩展到其他多种功能作了总结。
2021-01-20 stat.ME
Generalized Liquid Association Analysis for Multimodal Data Integration
多模态数据现在在科学研究中很流行。多模态综合分析中的一个核心问题是了解两种数据模态如何在给定另一种模态或人口统计变量的情况下相互关联和相互作用。该问题可以表述为研究三组随机变量之间的关联，这是一个在文献中受到相对较少关注的问题。在本文中，我们提出了一种新的广义液体关联分析方法，这提供了一个新的和独特的角度来研究这类重要的问题的三向关联。我们将\citet{li2002LA}的液体关联的概念从单变量设置扩展到稀疏、多变量和高维设置。建立了种群降维模型，将问题转化为三向张量的稀疏Tucker分解，并提出了一种高阶正交迭代算法进行参数估计.在变量维数大于样本量且随样本量的变化而发散的情况下，我们得到了估计量的非渐近误差界和渐近相合性。我们证明了该方法的有效性，通过模拟和多模态神经成像应用于阿尔茨海默病的研究。
2021-04-25 stat.ME
Bayesian Finite Mixtures of Ising Models
该研究提出伊辛模型有限混合模型以分析二元变量关联的多变量模式，探究其可识别性条件并构建贝叶斯拟合框架，经实验验证可有效用于稀疏二元列联表分析。
2023-04-30 stat.ME
A General Framework for Association Analysis of Heterogeneous Data
多元关联分析在许多应用中具有重要意义。尽管高维和非高斯数据（如计数值或二进制）的流行，大多数现有的方法只适用于连续测量的低维数据。受计算机试听实验室500首歌曲（CAL 500）音乐注释研究的启发，我们开发了一个新的框架，用于两组高维和异构（连续/二进制/计数）数据的关联分析。我们使用指数族分布对异质随机变量进行建模，并利用底层自然参数矩阵的结构化分解来识别两个数据集的共享和个体模式。我们还介绍了一个新的措施的强度的协会，和一个基于置换的程序来测试其意义。设计了一种交替迭代加权最小二乘算法进行模型拟合，并开发了几种变体以加快计算速度和实现变量选择。通过对CAL 500数据的应用，揭示了声学特征与语义标注之间的关系，为音乐的自动标注和检索提供了有效的手段。
2017-07-20 stat.ME
Hierarchical Multivariate Directed Acyclic Graph Auto-Regressive (MDAGAR) models for spatial diseases mapping
疾病分布图是流行病学家用来评估疾病率的地理差异和从空间模式中识别潜在环境风险因素的重要统计工具。这种地图依赖于区域汇总数据的空间模型，其中相邻区域往往表现出与距离较远的区域相似的结果。我们贡献的文献多变量疾病映射，其中涉及多个（两个或两个以上）疾病在每个地区的测量。我们的目标是从每种疾病的空间自相关中解开多种疾病之间的关联。我们开发了多变量有向非循环图形自回归（MDAGAR）模型，以适应空间和疾病间的依赖性。分层结构赋予灵活性和丰富性，空间自相关性和疾病间关系的可解释性，以及计算简便性，但取决于癌症建模的顺序。为了避免这一点，我们演示了如何贝叶斯模型选择和平均跨订单很容易实现使用桥采样。我们比较了我们的方法与竞争对手使用模拟研究，并提出了一个应用程序，多个癌症映射使用的数据从监测，流行病学和最终结果（SEER）计划。
2021-02-04 stat.ME
Joint modelling of longitudinal measurements and survival times via a multivariate copula approach
纵向和时间-事件数据的联合建模通常由联合模型描述，该模型使用共享或相关的潜在效应来捕获两个过程之间的关联。在这个框架下，两个过程的联合分布可以通过假设给定随机效应的条件独立性直接导出。在文献中也考虑了将相互依赖引入子模型的替代方法，其中一种方法是使用copula来引入纵向过程和时间-事件过程的边缘分布之间的非线性相关性。多元高斯copula联合模型已提出在文献中，以适应联合数据，通过应用蒙特卡罗期望最大化算法。在本文中，我们提出了一种精确的似然估计方法，以取代计算成本更高的蒙特卡罗期望最大化算法，我们认为结果的基础上使用多变量高斯和$t$ copula函数。我们还提供了一个简单的方法来计算动态预测的生存概率，表明我们提出的模型是可比的预测性能的共享随机效应联合模型。
2022-03-04 stat.ME
M-quantile regression for multivariate longitudinal data: analysis of the Millennium Cohort Study data
本文提出了一个M-分位数回归模型，用于分析多变量、连续、纵向数据。M-分位数回归代表了标准回归模型的一种有吸引力的替代方法，因为它结合了分位数的稳健性和预期回归的效率，提供了响应变量分布的完整图像。离散的，个体特异性的，随机参数被用来解释在不同时间记录的相同响应内的依赖性和在给定时间在相同样品单元上观察到的不同响应之间的关联。在线性预测器中还引入了合适的参数化，以考虑单个特定随机参数与观测协变量向量之间可能的依赖性，即考虑某些协变量的内隐性。提出了一种扩展的期望最大化算法，在极大似然方法下得到模型参数估计。该模型适用于分析的优势和困难的问卷分数在英国的千年队列研究。
2017-05-08 stat.ME
Classification ensembles for multivariate functional data with application to mouse movements in web surveys
我们提出了新的集成模型的多元函数数据分类的组合半度量为基础的弱学习者。我们的模型将当前的半度量类型的方法从单变量扩展到多变量的情况下，提出了新的半度量来计算函数之间的距离，并考虑更灵活的选择，使用堆栈泛化方法结合弱学习者。我们应用这些集成模型来识别受访者对调查问题的困难，旨在提高调查数据的质量。作为难度的预测因素，我们使用来自受访者与网络调查的交互的鼠标移动轨迹，其中操纵了几个问题以创建具有不同难度水平的两个场景。
2022-05-26 stat.ME stat.ML
Information matrix equivalence in the presence of censoring: A goodness-of-fit test for semiparametric copula models with multivariate survival data
该研究证明了多变量删失生存数据下半参数copula模型的信息矩阵等价性，提出基于该等价性的copula函数设定信息比检验，推导其渐近分布并给出有限样本P值计算的参数bootstrap程序，通过模拟与真实数据验证了检验性能。
2023-07-23 stat.ME
Semiparametric imputation using latent sparse conditional Gaussian mixtures for multivariate mixed outcomes
本文提出了一种灵活的贝叶斯方法，多重插补使用条件高斯混合。我们引入了新的收缩先验的协变量依赖的混合比例的混合模型，自动选择合适的数量的组件中使用的插补步骤。我们通过马尔可夫链蒙特卡罗方法开发了一种用于后验计算和多重插补的高效采样算法。所提出的方法可以很容易地扩展到的情况下，数据不仅包含连续变量，但也离散变量，如二进制和计数值。我们还提出了近似贝叶斯推断的损失函数定义的参数的基础上的后验预测分布的缺失观测，通过扩展基于Bootstrap的贝叶斯推断的完整数据。所提出的方法是通过模拟和真实数据的数值研究证明。
2022-08-16 stat.ME
Uncertainty-Aware Neural Multivariate Geostatistics
Texas A&M University（德州农工大学）；University of California San Francisco（旧金山加利福尼亚大学）
本文提出深度神经核心区域化框架，通过深度高斯过程和变分公式实现不确定性的多元地统计学建模，适用于非平稳和复杂依赖性场景，提升计算效率和预测准确性。
2026-02-20 stat.ME
A new non-parametric test for multivariate paired data from pair matching or paired designs
School of Data Science, Fudan University（复旦大学数据科学学院）；Department of Statistics, University of California, Davis（加州大学戴维斯分校统计系）；Beijing International Center for Mathematical Research and School of Public Health, Peking University（北京大学北京国际数学研究中心与公共卫生学院）
针对多变量配对数据，提出一种新非参数检验方法，显著提升高维场景下的统计功效，并推导渐近分布便于应用。
2026-06-23 stat.ME
Entropy measure for the quantification of upper quantile interdependence in multivariate distributions
我们引入了一个新的措施之间的相互依赖性的随机向量沿主对角线的向量Copula，即沿线$u_{1}=\ldots=u_{J}$，为$\left(u_{1},\ldots,u_{J}\right)\in\left[0,1\right]^{J}$。我们的度量与离散随机变量的Shannon熵有关，因此我们称之为“熵指数”。该熵指数相对于边缘非减变换是不变的，并且可以用于量化任意维度中的向量分量关联的强度。通过对DAX指数4只股票的实际数据的分析，验证了熵指数的适用性。当随机向量在极值分布的吸引域中时，我们的指数具有极值分布的极值系数，极值系数可以解释为向量中渐近独立分量的有效个数.
2014-08-28 stat.ME
Covariate-guided Bayesian mixture model for multivariate time series
随着脑活动和结构测量技术的迅速发展，现代脑成像的统计分析方法在科学进步中发挥着重要作用。测量脑功能的成像数据通常是多变量时间序列，并且在成像源和受试者之间是异质的，这导致各种统计和计算挑战。在本文中，我们提出了一种基于组的方法，通过贝叶斯混合平滑样条聚类的多元时间序列的集合。我们的方法假设每个多元时间序列是具有不同混合权重的多个分量的混合。与时间无关的协变量被假定为与混合物成分相关联，并通过混合专家模型的逻辑权重进行合并。我们制定了一个完整的贝叶斯框架下使用吉布斯抽样的组件的数量是基于偏差信息标准选择这种方法。所提出的方法相比，现有的方法，通过模拟研究，并适用于功能性近红外光谱（fNIRS），其目的是了解婴儿的情绪反应和恢复压力的研究。结果揭示了大脑活动的不同模式，以及这些模式与选定的协变量之间的关联。
2023-01-03 stat.AP stat.CO stat.ME
Semiparametric Copula Estimation for Spatially Correlated Multivariate Mixed Outcomes: Analyzing Visual Sightings of Fin Whales from a Line Transect Survey
Tokyo University of Science（东京理科大学）；Meisei University（明海大学）；Keio University（庆应义塾大学）；Institute of Marine Research（海洋研究所）；RIKEN Center for Brain Science（理化学研究所脑科学中心）
本文提出半参数贝叶斯方法，用于分析空间相关多变量混合结果的依赖结构，应用于鲸鱼、磷虾生物量及海洋数据的联合推断。
2026-07-28 stat.ME
Semiparametric estimation for multivariate Hawkes processes using dependent Dirichlet processes: An application to order flow data in financial markets
本研究提出一种基于相依狄利克雷过程的半参数多元霍克斯过程模型，用于分析高频订单流数据，避免强参数假设，通过两种算法实现低误差估计，并能捕捉标准模型无法处理的非单调激发函数特征。
2025-02-24 stat.ME
