Modelling multivariate volatilies via conditionally uncorrelated components
本文提出了一种基于新定义的条件不相关成分（CUC）的多元波动过程建模方法。这个模型代表了矩阵值过程的一种简约表示。它是灵活的，因为我们可以用任何适当的单变量波动率模型来拟合每个CUC。在计算上，它将一个高维最优化问题分解为几个低维子问题。已确定CUC估计值的一致性。提出了一种Bootstrap检验方法来检验CUC的存在性。所提出的方法与模拟和真实的数据集。
2005-06-02 math.ST stat.TH
Conditional Transformation Models
回归分析的最终目标是获得关于给定一组解释变量的响应的条件分布的信息。然而，这一目标很少实现，因为大多数已建立的回归模型只估计作为解释变量的函数的条件均值，并假设较高的矩不受回归变量的影响。这种限制的根本原因是信号和噪声的可加性假设。我们建议在转换模型的框架中放松这一常见假设。本文提出的一类新的半参数回归模型允许转换函数依赖于解释变量。这些转换函数通过概率预测的评分规则的正则化优化来估计，例如连续排名的概率得分。相应的估计条件分布函数是一致的。条件转换模型在描述可能的异方差性、比较空间变化分布、识别极端事件、推导预测区间和选择超出平均回归效应的变量等方面可能很有用。基于异方差变系数模拟模型的实证研究表明，半参数估计的条件分布函数可以更有益于基于核的非参数方法或参数广义加性模型的位置，规模和形状。
2012-11-28 stat.ME
Multivariate Density Estimation with Missing Data
多元密度估计是统计学中的一种流行技术，具有广泛的应用，包括允许条件方差异方差的回归模型。当多变量向量中的一个或多个变量的观测值缺失时，估计问题变得更具挑战性。提出了一种灵活的混合类的核密度的张量积，它可以很容易地实现使用吉布斯抽样的插补方法，并显示出具有优越的性能相比，目前在文献中的一些crackiting插补方法。使用几个模拟的数据方案和应用程序，以夫妇的案例研究提供了数值说明。
2018-08-14 stat.ME
Easy Conditioning far beyond Gaussian
本文探讨了在非高斯分布中实现简单条件化的分布族，提出了一种基于copula的生成方法，用于估计条件分布并进行数据插补，展示了其在条件密度估计和数据插补任务中的有效性。
2026-09-20 stat.ME
Predictive Independence Testing, Predictive Conditional Independence Testing, and Predictive Graphical Modelling
University College London（伦敦大学学院）
检验多变量随机变量的（条件）独立性是统计推断和一般建模的核心任务-尽管不幸的是，迄今为止还不存在可行的工作流程。最先进的工作流程需要启发式或主观的手动选择、高计算复杂性或强参数假设。我们通过建立多元/条件独立性检验和多元预测建模（又称监督学习任务）中的模型比较之间的理论联系来解决这些问题。这个链接允许在广泛研究的监督学习工作流程中的进步直接转移到独立性测试工作流程中-包括自动调整机器学习类型，其解决了启发式选择的需求，定量权衡计算需求与准确性的能力，以及用于检查和接口的现代黑箱哲学。作为两个工作流之间这种联系的实际实现，我们提出了一个python包“pcit”，它实现了我们新颖的多变量和条件独立性测试，与scikit-learn包的监督学习API接口。理论和包还允许基于图形模型结构的学习的直接独立性测试。我们的经验表明，我们提出的预测独立性测试优于或等同于目前的做法，和派生的图形模型结构学习算法渐近恢复的“真”图。这篇文章，以及它附带的“pcit”包，为多元和条件独立性测试以及图形模型结构学习提供了强大的，可扩展的，可推广的和易于使用的方法。
2018-04-28 cs.LG math.ST stat.ME
Markov Kernels and the Conditional Extreme Value Model
多元极值建模的经典方法假设联合分布属于多元吸引区域。这就要求每个边缘分布都被一个单变量极值分布所吸引。一个明显更灵活的极值模型的多变量数据提出了Hynnan和Tawn下，不是所有的组件都需要属于一个吸引区域吸引力，而是假设存在一个渐近近似的条件分布的随机向量给定的一个组件是极端的。结合条件分量属于单变量吸引区域的知识，这导致某些风险区域的概率的近似。最初对条件分布的关注有技术上的缺陷，但在某些情况下是自然的。我们把这种方法的背景下，更一般的方法，使用收敛的措施和多元经常变化的锥。
2012-10-10 math.ST stat.TH
Two-stage weighted least squares estimator of multivariate non-negative observation-driven models
本文针对多元非负时间序列的半参数观测驱动模型，提出两阶段多元加权最小二乘估计量（MWLSEs），在保持与拟最大似然估计一致性的同时，通过选择适当的加权矩阵序列提高估计效率，并通过模拟和实际数据验证了其优越性。
2025-07-18 math.ST stat.ME stat.TH
Estimation of extreme $L^1$-multivariate expectiles with functional covariates
本文研究了极端水平下多元期望值的半参数估计。所考虑的多变量风险度量还包括关于函数协变量的可能条件，该函数协变量属于无限维空间。利用一阶最优性条件最优性条件，我们将这些期望值解释为一个多维非线性最优化问题的解。然后，推理是基于梯度下降型的最小化算法，加上相容核估计我们的关键统计量，如条件分位数，条件尾指数和条件尾依赖函数。该方法适用于等价重尾边缘和多元正则变分条件下的潜在未知随机向量的任意依赖结构。我们的主要结果建立了速度速率的最佳近似解向量的概率的一致性。这使得我们能够根据数据样本量来估计整个过程的全局计算成本。
2023-03-29 math.ST stat.TH
Diagonal sections of copulas, multivariate conditional hazard rates and distributions of order statistics for minimally stable lifetimes
作为一个激励问题，我们的目标是研究一些特殊方面的边缘分布的顺序统计量的可交换和（更一般地说）最小稳定的非负随机变量$T_{1},...,T_{r}$。在任何情况下，我们假设$T_{1},...,T_{r}$是同分布的，具有共同的生存函数$\overline{G}$，它们的生存copula由$K$表示。$K$的对角线和次对角线部分以及$\overline{G}$是描述恢复顺序统计量定律所需信息的可能工具。当注意力被限制在绝对连续的情况下，这样的联合分布可以用相关的多变量条件危险率（m.c.h.r.）来描述。功能协调发展的然后，我们研究了$T_{1},...,T_{r}$的顺序统计量的分布也在系统的m.c.h.r.功能协调发展的我们比较，并在某种意义上说，我们结合这两种不同的方法，以获得不同的详细公式，并分析一些概率方面的分布的利益。这项研究还导致我们比较两种情况下的可交换和最小稳定的变量都在copula和m.c.h.r.。功能协调发展的本文最后分析了两个显着的特殊情况下的随机依赖，即阿基米德copula和负载分担模型。这种分析将使我们能够提供一些说明性的例子，并对我们的结果的特殊方面进行一些讨论。
2021-06-15 math.PR math.ST stat.ME
Products in Conditional Extreme Value Model
经典的多变量极值理论试图在多变量吸引区域条件下捕捉各分量之间的极值依赖关系，它要求每个分量也在单变量极值分布吸引区域中。多元极值（MEV）模型有着丰富的理论基础，但在渐近独立的情况下，MEV模型无法捕捉到相关结构，存在一定的局限性。Hynnan和Tawn（2004年）给出了一种不同的MEV方法，他们通过将其中一个分量作为极端条件来检查MEV分布。在这里，我们假设一个组件是在Frechét或威布尔吸引区域力和研究的产品的组件下的条件极值模型的行为。
2011-04-12 math.PR math.ST stat.TH
Multivariate Standardized Residuals for Conformal Prediction
Sierra team, Inria Paris, France（Inria巴黎分部）
本文提出多元标准化残差方法，通过白化残差解耦输出相关性并标准化局部方差，从而提升置信预测的条件覆盖性能。
2026-05-07 cs.AI cs.LG stat.ME
Total variation approximations and conditional limit theorems for multivariate regularly varying random walks conditioned on ruin
研究了一种新的方法，用于大偏差事件下重尾系统的渐近分析。我们说明了我们的方法的背景下，破产事件的多维定期变化的随机游动。我们的方法是研究击中一个罕见的目标集的条件下的随机游动所描述的马尔可夫过程。我们构造了一个马尔可夫链，它的转移核可以直接由相关的随机游动的增量分布来计算。这个过程被证明是近似的全变差感兴趣的条件过程。然后，通过对逼近过程的分析，得到了破产时刻、破产前的整个随机游动和目标集上的超调量等目标的渐近条件联合分布和条件泛函中心极限定理.这些类型的联合条件极限定理已获得以前的文献中只在一维的情况下。除了使用不同的技术，我们的研究结果包括从一维的情况下，定性不同的功能。例如，破产时间的渐近条件定律不再像多维情形那样是纯粹的帕累托定律。
2014-03-07 math.ST stat.TH
Multivariate Uncertainty Quantification with Tomographic Quantile Forests
Kobe Gakuin University（神户学院大学）
本文提出Tomographic Quantile Forests，一种非参数、不确定性感知的树回归模型，用于多变量目标的条件分布估计，通过多方向量化聚合和 sliced Wasserstein 距离最小化实现多变量分布重建。
2026-04-01 cs.LG stat.ML
Approximating the conditional density given large observed values via a multivariate extremes framework, with application to environmental data
当观测量很大时，空气污染水平等现象最受关注，但标准预测方法并不是专门为大型观测量设计的。我们提出了一种方法，植根于极值理论，它近似的条件分布的一个未观察到的组成部分的随机向量给定的大观察值。具体地，对于$\mathbf{Z}=(Z_1,...,Z_d)^T$和$\mathbf{Z}_{-d}=(Z_1,...,Z_{d-1})^T$，当$|\mathbf{z}_{-d}|>r_*$时，该方法近似$[Z_d|\mathbf{Z}_{-d}=\mathbf{z}_{-d}]$的条件分布。该方法是基于这样的假设，即$\mathbf{Z}$是一个多元的定期变化的随机向量的尺寸$d$。条件分布近似依赖于$\mathbf{Z}$的角度测量的知识，这为分布尾部的依赖性提供了明确的结构。由于该方法产生预测分布而不仅仅是点预测器，因此可以回答关于预测量的任何问题，特别是可以评估极端行为的表现情况。使用一个拟合模型的角度测量，我们应用我们的方法在华盛顿特区大都市的二氧化氮测量。我们得到一个预测分布的空气污染物在一个位置给定的空气污染物的测量在附近的四个位置，并考虑到所观察到的测量向量的范数是大的。
2013-01-08 stat.AP
Neural Optimal Transport Meets Multivariate Conformal Prediction
Department of ML, MBZUAI（机器学习系，MBZUAI）；MBZUAI, UAE（MBZUAI，阿联酋）；CMAP, École polytechnique（CMAP，巴黎高等理工学院）；Ecole Polytechnique, Palaiseau, France（巴黎高等理工学院，Palaiseau，法国）
本文提出融合神经最优传输与摊销优化的CVQR框架，利用多元秩构建有限样本有效的无分布共形预测区域，并在基准上取得更优覆盖—效率权衡。
2025-09-29 cs.LG stat.ML
Conditional Rank-Rank Regression via Deep Conditional Transformation Models
Nankai University（南开大学）
本文提出通过深度条件转换模型改进的条件秩秩回归，用于分析代际流动性，提升了在非线性和离散结果中的表现，并通过实证研究验证了其有效性。
2026-03-07 cs.LG stat.ME stat.ML
Super-Level-Set Regression: Conditional Quantiles via Volume Minimization
Sierra team, Inria Paris, France（Inria巴黎研究所）
本文提出超水平集回归，通过直接优化几何边界，解决多变量回归中构造满足条件覆盖的最小体积预测区域的挑战，替代传统密度估计方法。
2026-05-07 cs.AI cs.LG stat.AP
Conditional Extreme Value Models: Fallacies and Pitfalls
条件极值模型由Hynnan和Resnick（2007）引入，用于描述当一个特定分量变得极值时随机向量的渐近行为。显然，这类模型与经典的多元极值理论有关，该理论描述了随机向量的行为，因为其范数（因此至少有一个分量）变得极端。然而，事实证明，这种关系是相当微妙的，有时与直觉相反。我们澄清两种方法之间的差异与几个启发性（反）的例子的帮助。此外，我们讨论了边际标准化，这是一个有用的工具，在经典的多元极值理论，但正如我们指出的，更不直接，有时甚至模糊的条件极值模型。最后，我们指出，在某些情况下，一个更全面的渐近行为的表征，可以得到条件极值模型的条件放宽，使极限不再是唯一的。
2017-02-23 math.PR math.ST stat.TH
Conditional empirical copula processes and generalized dependence measures
当条件事件具有非零概率时，研究了条件经验copula过程的弱收敛性。几个自助方案的有效性，包括可交换的自助。我们定义了一般可能条件多元相关测度及其估计量.应用我们的理论结果，我们证明了这类相依测度的一些估计的渐近正态性。
2020-08-21 math.ST stat.TH
Graph-based Multivariate Conditional Autoregressive Models
条件自回归模型是流行病学、社会经济或生态研究等领域数据的常用统计模型。各种多变量条件自回归模型也已被广泛研究的文献中，它已被证明，从单变量的情况下，扩展到多变量的情况下是不平凡的。困难在于多方面，包括有效性，解释性，灵活性和计算的可行性的模型。在本文中，我们从一个基于元素的角度，而不是传统的基于向量的角度来处理多元建模。我们专注于联合邻接结构的元素，并讨论空间和非空间域的图形结构。我们假设空间域的图通常是已知的和固定的，而非空间域的图可以是未知的和随机的。我们提出了一个非常一般的规范的多元条件建模，然后专注于三个特殊的情况下，这是众所周知的模型在文献中。针对重点案例，给出了参数学习和图学习的贝叶斯推断，最后以公共卫生数据为例进行了说明。
2019-07-20 stat.ME
Some benefits of standardisation for conditional extremes
极值方法不同于标准统计模型的一个关键方面是通过渐近理论为用于外推的模型的性质提供理论依据。在多元极值中，已经提出了许多不同的渐近理论，部分原因是向量随机变量缺乏有序性。由Hongnan和Tawn（2004）发展的一类基于条件极限理论的多变量模型，当一个变量变得极端时，已经发展了广泛的实际用途。这种方法的基础价值得到了Hynnan和Resnick（2007）以及Resnick和Zeber（2014）对极限关系的进一步理论表征的支持。然而，Drees和Janßen（2017）提供了一些反例，这可能会破坏对这些统计方法的信任。在这里，我们表明，在Hongnan和Tawn（2004）的框架，其中涉及到一个共同的指数衰减尾边缘分布的边缘标准化，在这些例子中的问题被删除。
2023-07-03 math.ST stat.TH
Application of Multivariate Selective Bandwidth Kernel Density Estimation for Data Correction
本文提出一种基于多元核密度估计的数据修正方法，利用条件PDF期望值与可信区间量化不确定性，并引入选择性KDE因子通过LSCV或MCSE准则调整核大小和形状，实验证明其优于非选择性方法且能平衡拟合度与误差。
2025-09-18 stat.AP
Conditional Inference for Multivariate Generalised Linear Mixed Models
我们提出了一种广义线性混合模型（GLS-Model）的推理方法，并对这些模型进行了一些扩展。首先，我们扩展的GLMM允许的随机分量的分布是非高斯的，也就是说，假设一个绝对连续分布相对于勒贝格措施是对称的零，单峰和有限的时刻高达四阶。其次，我们允许条件分布遵循一个分散模型，而不是指数分散模型。最后，我们将这些模型扩展到一个多变量框架，其中通过对所有边际模型中代表共同观测聚类的随机分量施加多变量绝对连续分布来组合多个响应。在这些模型中的极大似然推断涉及评估通常不能以封闭形式计算的积分。我们提出了一种推断方法，预测值的随机成分，不涉及条件似然量的整合。我们所研究的多元广义似然图可以由不同统计性质的边际似然图构造而成，同时又能表示复杂的依赖结构，为应用提供了一种相当灵活的工具。
2021-07-25 stat.ME
Bayesian mixture modeling for multivariate conditional distributions
我们提出了一个贝叶斯混合模型，用于估计一组固定变量条件下的混合有序、名义和连续数据的联合分布。该模型对随机变量使用多元正态和分类混合核。它通过多变量正态混合核和截断局部Dirichlet过程来诱导随机变量和固定变量之间的依赖性。后者鼓励具有相似固定变量值的观测值共享混合分量。使用数据融合的模拟，我们说明，该模型可以估计潜在的关系，在数据和缺失值的分布更准确地比混合模型应用于随机和固定变量联合。我们使用该模型来分析消费者的阅读行为，使用配额样本，即，一个样本，其中一些变量的经验分布是固定的设计，所以不应该被建模为随机的，由图书出版商哈珀柯林斯进行。
2016-07-13 stat.ME
Spatio-Temporal Models for Big Multinomial Data using the Conditional Multivariate Logit-Beta Distribution
我们介绍了一种贝叶斯方法，用于分析在空间和时间上引用的高维多项式数据。特别是，假设与多项式数据相关的比例与潜在的时空混合效应模型有logit联系。这种策略允许协方差在空间和时间上都是非平稳的，不对称的，并且是简约的。我们还介绍了使用的条件多元logit-β分布的依赖多项式的数据设置，这导致共轭全条件分布用于在一个崩溃的吉布斯抽样。我们把这个模型称为多项时空混合效应模型（MN-STM）。此外，我们提供的方法的发展，包括：相关的全条件分布的推导，与潜在的高斯过程模型的关系，和非平稳向量自回归模型的稳定性。我们说明了MN-STM通过模拟，并通过演示与公共使用的季度劳动力指标（QWI）的纵向雇主家庭动态（LEHD）计划的美国人口普查局的数据。
2018-12-09 stat.ME
Conditional Regime Analog Forecasting with Trajectories: A Nonparametric Framework for Multivariate Probabilistic
本研究提出多元概率时间序列预测的非参数框架CRAFT，通过构建轨迹轮廓、学习状态标签等方法保留依赖关系，经模拟基准验证其预测性能优于多种对比方法。
2026-08-11 stat.ME
Bayesian Spectral Modeling of Microscale Spatial Distributions in a Multivariate Soil Matrix
最近的技术进步使各个领域的研究人员能够同时收集几个变量的精确地理编码数据。在许多情况下，联合建模这些多变量空间过程而不限制其条件关系可能是最合适的。当数据被收集在一个规则的网格上时，多变量条件自回归（MCAR）模型是一个常见的选择。然而，这些MCAR模型的推断严重依赖于预先指定的邻域结构，并且通常假设可分离的协方差结构。在这里，我们提出了一个多变量的空间模型，使用频谱分析方法，使推理的条件关系的变量，不依赖于预先指定的邻域结构，是不可分离的，是计算效率。在谱域中定义协方差和互协方差函数以获得计算效率。相关矩阵上的后验推断允许条件依赖性的量化。该方法说明了有毒元素砷和其他四种土壤元素的相对浓度进行了测量的空间晶格。了解砷和其他土壤元素之间的条件关系为减轻南亚和其他地区的中毒提供了见解。
2015-05-28 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
Bayesian Nonparametric Modeling for Multivariate Conditional Copula Regression with Varying Coefficients
Yonsei University（延世大学）
本文提出一种贝叶斯非参数框架，用于具有变系数的多元条件Copula回归，结合自适应样条边际回归与无限混合高斯Copula，通过Probit stick-breaking过程使权重随协变量变化，提供灵活的协变量依赖建模，避免显式全局约束。
2026-04-14 stat.ME
An utopic adventure in the modelling of conditional univariate and multivariate extremes
HEC Montréal（HEC蒙特利尔）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文针对条件单变量和多变量极值建模中的四个挑战，提出新的交叉验证方法、验证指标及联合超出行概率公式，探讨模型验证与自定义估计策略。
2023-12-21 stat.AP stat.ME
Multivariate Spatial Covariance Models: A Conditional Approach
多变量地质统计学的基础是对连续索引域中任意位置的两个或多个变量的所有可能组合之间的所有协方差进行建模。多变量空间协方差模型需要小心构建，因为从此类模型导出的任何协方差阵都必须是非负定的。在这篇文章中，我们开发了一个有条件的空间模型的建设，其有效性条件很容易检查的方法。我们从二元空间协方差模型开始，然后展示该方法与由空间变量网络定义的多变量模型的连接。在某些情况下，如模拟呼吸道疾病与空气污染的关系，条件依赖的方向是明确的。当它不是时，可以比较两个方向模型。更一般地，网络的图结构减少了要比较的可能模型的数量。因此，模型选择相当于在网络中找到可能的因果联系。我们证明了我们的条件方法表面温度和压力的数据，这两个变量的作用被认为是不对称的。
2016-10-07 stat.AP stat.ME
Conditional Wasserstein Barycenters and Interpolation/Extrapolation of Distributions
日益复杂的数据分析任务促使人们研究多变量连续随机变量分布对标量或向量预测变量的依赖性。统计回归模型的分布响应到目前为止，主要是调查的情况下，一维响应分布。我们在这里调查的情况下，多变量响应分布，同时采用2-Wasserstein度量的分布空间。挑战在于，与单变量情况下的情况不同，在具有2-Wasserstein度量的分布空间中对应于测地线的最优传输对于多变量分布没有明确的表示。我们表明，在一些规律性的假设下，条件Wasserstein重心构造的测地线在欧几里得预测空间中形成相应的测地线在Wasserstein分布空间，并演示了如何利用条件重心的概念可以插值以及外推多元分布。分布间和外推的效用进行了探讨，在模拟和例子。我们研究了全局参数化和局部光滑化模型，以实现条件Wasserstein重心，并建立相应估计的渐近收敛性质。对于算法的实现，我们使用Sinkhorn熵惩罚算法。条件瓦瑟斯坦重心和分布外推说明了在气候科学和老龄化研究中的应用。
2021-07-20 stat.ME
Detecting causality in multivariate time series via non-uniform embedding
基于非一致嵌入方案的因果分析是发现动态系统间潜在相互作用的重要方法。然而，传统的非均匀嵌入方案在估计高维条件互信息和形成最优混合嵌入向量方面仍存在一些障碍。在这项研究中，我们提出了一个新的非均匀嵌入方法的信息论框架来检测因果关系的多变量时间序列，命名为LM-PMIME，它集成了低维近似的条件互信息和混合搜索策略的混合嵌入向量的建设。我们将该方法应用于线性随机，非线性随机和混沌系统的模拟，证明其优越性部分条件互信息从混合嵌入（PMIME）方法。此外，所提出的方法适用于多变量时间序列与弱耦合强度，特别是混沌系统。在实际应用中，我们展示了它对癫痫多通道皮层电图记录的适用性。
2019-12-14 stat.ME
Clustering of multivariate tail dependence using conditional methods
University of Bath（巴斯大学）；University of Edinburgh（爱丁堡大学）
针对多元极值聚类难解释比较的问题，提出基于条件极值框架的新方法，利用偏几何詹森 - 香农散度构建差异度量，经模拟研究和实际应用验证，该方法优于现有方法且能扩展到多元场景。
2026-07-17 stat.AP stat.ME
Gaussian Process Vine Copulas for Multivariate Dependence
Copula允许学习边缘分布独立于多元依赖结构（copula），多元依赖结构将它们连接到一个密度函数中。藤因子分解通过构造条件二元copula的层次结构来简化高维copula的学习。然而，为了简化推理，通常假设这些条件二元Copula中的每一个都独立于其条件变量。在本文中，我们放松了这一假设，发现潜在的功能，指定的形状的条件Copula给定其条件变量我们学习这些功能的贝叶斯方法的基础上稀疏高斯过程的期望传播可扩展的，近似的推理。在真实世界数据集上的实验表明，当对所有条件依赖进行建模时，我们可以更好地估计数据的底层copula。
2013-02-16 stat.ME stat.ML
Bayesian Graphical Models for Multivariate Functional Data
图形模型表达变量之间的条件独立关系。虽然矢量值数据的方法已经很成熟，但函数数据图形模型仍然不发达。我们引入了随机函数之间的条件独立性的概念，并构建了一个框架，贝叶斯推断的无向，可分解的图在多元函数数据的背景下。这个框架是基于扩展马尔可夫分布和超马尔可夫定律从随机变量随机过程，提供了一个原则性的替代天真的应用程序的多元方法离散化的功能数据。马尔可夫性便于根据图的分解来组合似然和先验。我们的重点是使用正交基展开的高斯过程图形模型。我们提出了基展开的无穷系数序列的协方差核的超逆Wishart-process先验，证明了其存在性、唯一性、强超马尔可夫性和共轭性.随机搜索马尔可夫链蒙特卡罗算法的后验推理，通过模拟评估，并应用于大脑活动和酗酒的研究。
2016-01-05 stat.ME
Sign-Flipping Score Tests for Fixed Effects in Multivariate Clustered Data
Ca’ Foscari University of Venice（威尼斯大学）；University of Padova（帕多瓦大学）
本文提出一种无需估计Fisher信息且不依赖随机效应分布正确性的检验方法，用于多元线性混合模型中固定效应的推断。
2026-10-15 stat.ME
MST-Direct at Scale: Multivariate and Conditional Geostatistical Simulation via Sinkhorn Optimal Transport
提出MST-Direct扩展方法，通过稀疏Sinkhorn匹配器、多变量元组匹配和克里金条件化，实现大规模、多变量、条件地质统计模拟，精确保持联合分布。
2026-05-26 cs.LG stat.ME stat.ML
A Conditional-Distribution Framework for Validating Synthetic Multivariate Data
University of Kentucky（肯塔基大学）
提出基于全条件分布的模型无关框架，通过MAP对齐统计量和最近真实相似性诊断，区分合成数据中的依赖丧失、记录重用和模式集中三种失败模式，并在多个真实数据集上验证其有效性。
2026-09-15 math.PR stat.ME
Portfolio optimization with mixture vector autoregressive models
获得条件协方差阵的可靠估计是异方差多元时间序列的一项重要任务。在投资组合优化和金融风险管理中，尽可能准确地提供不确定性和风险的度量至关重要。我们建议使用混合向量自回归（MVAR）模型进行投资组合优化。MVAR模型结合了依赖于过程最近历史的分布的混合物，可以适应多变量时间序列数据中的不对称性、多模态性、异方差性和交叉相关性。对于正态成分的混合，我们利用多元正态分布的一个性质，得到了资产组合收益率的条件预测分布的显式公式。在展示了该方法的工作原理之后，我们对真实的股票收益数据与其他相关的多元时间序列模型进行了比较。
2022-09-15 stat.ME
Bayesian Nonparametric Modelling of Conditional Multidimensional Dependence Structures
近年来，允许变量之间的依赖关系根据一个或多个协变量的值而变化的条件Copula引起了越来越多的关注。在高维中，vine copula比多元copula提供更大的灵活性，因为它们是使用二元copula作为构建块来构建的。在本文中，我们提出了一种新的多元分布的推理方法，它结合了葡萄树结构的灵活性与贝叶斯非参数的优点，不需要指定的参数家庭的每对copula。使用葡萄树表达多变量Copula使我们能够轻松地解释驱动响应变量之间依赖性的协变量规范。更确切地说，我们指定葡萄藤copula密度作为高斯copula的无限混合，定义一个狄利克雷过程（DP）之前的混合措施，我们通过马尔可夫链蒙特卡罗（MCMC）采样进行后验推理。我们的方法是成功的聚类以及密度估计。我们进行了深入的模拟研究，并应用所提出的方法来调查自然灾害对金融发展的影响。我们的研究结果表明，该方法能够捕捉数据集的异质性，并揭示不同国家集群在自然灾害方面的不同行为。
2021-09-22 stat.ME
Conditional and marginal relative risk parameters for a class of recursive regression graph models
在线性回归建模中，在条件集的变量边缘化后效应的扭曲在几种情况下被广泛研究。对于高斯变量，边际回归系数和偏回归系数之间的关系已经很好地建立起来，并且这个问题经常作为W。G.科克伦超越线性高斯情况的可能的推广已经开发出来，然而离散变量的情况仍然具有挑战性，特别是在医学和社会科学环境中。提出了一个多元回归框架的二进制数据与相对风险的对数给出的回归系数和多元相对风险公式推导出定义之间的关系边际和条件相对风险。通过对吗啡数据的分析说明了该方法，以评估术前口服吗啡对术后疼痛缓解的影响。
2018-05-05 stat.ME
A nonparametric approach to understand multivariate quantile dynamics in financial time series
Indian Institute of Management Bangalore（班加罗尔印度管理学院）；Indian Institute of Science Education and Research（印度科学教育与研究学院）；University of Haifa（海法大学）
本文提出一种非参数回归框架，用于分析金融时间序列中的多变量分位数动态，探讨了条件均值和波动率估计的收敛性，并通过模拟研究验证了方法的有效性。
2026-03-17 stat.ME
Bayesian Conditional Transformation Models
统计回归方法的最新发展从纯均值回归转向分布回归模型。其中一个重要的链是条件转换模型（CTM）。CTM直接通过将转换函数应用于响应，以一组协变量为条件，朝向简单对数凹参考分布，推断整个条件分布。因此，CTM不仅允许方差、峰度或偏度，而且允许完整的条件分布依赖于解释变量。我们提出了一个贝叶斯概念的条件转换模型（BCTM）专注于精确观察到的连续响应，但也将扩展到随机删失和离散响应。而不是依赖于伯恩斯坦多项式，已被认为是在基于似然的CTM，我们实现了基于样条的参数化的单调效应，补充平滑先验。此外，我们能够受益于贝叶斯范式通过容易获得的可信区间和其他数量，而不依赖于大样本近似。模拟研究表明，我们的方法对它的似然性为基础的同行，但也贝叶斯添加剂模型的位置，规模和形状和贝叶斯分位数回归的竞争力。两个应用程序说明了多功能性的BCTM的问题，涉及现实世界的数据，再次包括与各种类型的竞争对手的比较。
2022-05-21 stat.ME
Multivariate spatial conditional extremes for extreme ocean environments
使用Metop卫星散射计和2007-2018年期间的后报观测以及最终受Hongnan和Tawn（2004）工作启发的多变量空间条件极值（MSE）模型，对东北大西洋风速和有效波高的联合极值空间依赖性进行了量化。分析工作包括：（a）将各个卫星条带和相应的后报数据登记到样带模板上（b）在样带上的一组登记地点进行非固定方向-季节边际极值分析，（c）使用拟合边际模型从物理尺度转换为标准拉普拉斯尺度，（d）对登记位置组的MSCE模型进行估计，并评估模型拟合的质量。联合模型估计三个空间量：气象风速，后报风速和后报有效波高。结果表明，当条件极端Metop风速，极端空间依赖性的所有三个量衰减超过约600-800公里。
2022-01-25 physics.ao-ph stat.AP stat.ME
Conditional copula representations and extremal bounds for multivariate statistical functionals
University of Brasília（巴西利亚大学）
本文推导了多元统计泛函期望的条件Copula表示，建立了固定边缘下的极值界，通过示例展示了其在风险测度等多领域应用的通用性。
2026-07-30 math.ST stat.ME stat.TH
An MTP$_2$ property for conditional distributions
University of Salzburg（萨尔茨堡大学）
研究引入条件分布的二阶多元全正性（cMTP₂）这一新正相关概念，验证其在多种分布和copula族中的性质及稳定性，进而得出马尔可夫结构定向依赖度量的比较结果。
2026-07-28 math.PR stat.ME
Bayesian Hierarchical Models with Conjugate Full-Conditional Distributions for Dependent Data from the Natural Exponential Family
我们介绍了一种贝叶斯方法，用于分析（可能）高维相关数据，这些数据根据自然指数分布家族的成员分布。这个问题需要广泛的方法进步，因为联合建模高维相关数据会导致所谓的“大n问题”。当允许非高斯数据模型时，“大n问题”的计算复杂性进一步加剧，就像这里的情况一样。因此，我们开发了新的计算效率的分布理论，这种设置。特别地，我们引入了“共轭多元分布”，这是由Diaconis和Ylvisaker（1979）中引入的单变量分布所激发的。此外，我们提供了大量的理论和方法的发展，包括：条件分布的结果，与多元正态分布，共轭先验分布的渐近关系，并充分条件分布的吉布斯采样器。为了证明所提出的方法的广泛适用性，我们提供了两个模拟研究和三个应用程序的基础上流行病学数据集，联邦统计数据集，和环境数据集，分别。
2019-04-17 stat.ME
Multivariate Markov-Switching models and tail risk interdependence
马尔可夫转换模型通常用于分析财务回报，因为它们能够捕捉经常观察到的程式化事实。在本文中，我们认为一个多变量的学生t版本的模型作为一个可行的替代通常的多元高斯分布，提供了一个自然的强大的扩展，占重尾和随时间变化的非线性相关性。此外，这些建模假设使我们能够捕捉极端的尾部联动，这对于评估极端事件（如金融危机）期间资产回报的潜在依赖结构至关重要。对于所考虑的模型，我们提供了新的风险相互依存的措施，概括现有的，如条件风险价值（CoVaR）。建议的措施旨在捕捉多个相关市场参与者之间的相互联系，这在危机期间尤其重要，因为多个机构可能同时经历困境。这些措施是分析评估的预测分布的模式，以提供一个前瞻性的风险量化。一组美国银行的应用程序被认为是表明，正确的规格的模型条件分布随着多个风险的相互依赖性措施可能有助于更好地了解如何在机构之间的整体风险分担。
2014-03-02 stat.ME
Graphical modelling of multivariate spatial point processes
本文提出了一种新的图形模型，称为空间依赖图模型，它捕捉了不同的事件，在空间中随机发生的全局依赖结构。在空间依赖图模型中，利用条件部分谱相干性识别边缘集。因此，节点与多元空间点过程的分量相关，而边表示单个分量之间的正交关系。本文介绍了一种有效的方法对高度结构化和高维空间点过程的模式分析。与以前的所有方法不同，我们的新模型允许同时分析所有多变量条件相关性。我们的新技术，调查多元结构关系的潜力说明使用数据林以及每月的数据在伦敦金融城的犯罪。
2016-07-24 stat.AP stat.ME
Computation of Standardized Residuals for MARSS Models
此报表显示如何计算多元自回归高斯状态空间（MARSS）模型的联合条件模型和状态残差的方差。MARSS模型可以写成：x（t）=Bx（t-1）+u+w（t），y（t）=Zx（t）+a+v（t），其中w（t）和v（t）分别是具有方差-协方差阵Q和R的多元正态误差项。联合条件残差是以一组可能不完整的数据y为条件的w（t）和v（t）。Harvey，Koopman和Penzer（1998）给出了这些残差的递归算法。我使用状态的条件方差和未观测数据与状态之间的条件协方差来显示残差的方程。这允许计算未观察到的残差的方差，这对于留一交叉验证测试可能是有用的。我还展示了如何修改Harvey等人的算法在缺失值的情况下，以及如何修改它返回非归一化的条件残差。
2020-01-07 stat.ME
A copula approach for dependence modeling in multivariate nonparametric time series
本文研究了在可能包含时间序列过去值的协变量存在的情况下，两个（或多个）时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差，但标准化新息的分布不受协变量的影响，并且在时间上是稳定的。联合分布的时间序列，然后确定的条件均值，条件方差和边缘分布的创新，我们估计nonparametrically，和copula的创新，它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明，在适当的假设下，这些copula估计是渐近等价的估计，将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。
2018-12-10 math.ST stat.ME stat.TH
A General Framework for Multivariate Functional Principal Component Analysis of Amplitude and Phase Variation
函数数据通常包含幅度和相位变化。在许多数据情况下，相位变化被视为滋扰效应，并在预处理过程中被删除，尽管它可能包含有价值的信息。本文主要研究幅度和相位变化的联合主成分分析。由于翘曲函数空间具有复杂的几何结构，分析的一个关键要素是将翘曲函数转换为$L^2(\mathcal{T})$。我们提出了不同的转换方法，并展示了它们如何适合一般的转换类。这使我们能够比较它们的优势和局限性。在PCA的背景下，我们的研究结果提供了参数，有利于集中的对数比变换。我们进一步将Hadjipantelis et al.（2015）和Lee and Jung（2017）的现有方法嵌入到多变量函数PCA的框架中，其中我们研究了基于适当度量的估计器的特性。该方法是通过应用地震说明。
2018-10-31 stat.ME
Reverse Stress Testing for Multivariate Scenarios: A Conditional Framework for Stressed Time Series
ARCA Fondi SGR
提出一种反向压力测试方法，从单一资产类别的外生冲击出发，重建与市场经验依赖结构一致的多变量压力场景，并通过三种分布假设下的条件密度最大化求解。
2026-06-08 q-fin.RM q-fin.ST stat.ME
