ASN-Minimax double sampling plans by variables for two-sided specification limits when σ is unknown
本文介绍了正态分布质量特性参数未知的标准差和双侧规格限的ASN-Minimax双重抽样方案。这些方案基于缺陷率p的最大似然(ML)估计量p* 和最小方差无偏(MVU)估计量^p。ASN-Minimax双重抽样方案的操作特性(OC)是通过使用分别与第一和第二样本相关的独立随机变量p*_1,p*_2和^p_1,^p_2来确定的。这些方案的最大平均样本量(μ)比相应的单次抽样方案的样本量小得多。
2011-04-04 stat.ME
IID Sampling from Intractable Multimodal and Variable-Dimensional Distributions
Bhattacharya(2021 b)介绍了一种新的方法,用于从欧几里得空间上的任何目标分布生成iid实现,而不管维度如何。在本文中,我们的目的是双重的。我们首先扩展了从一般多峰分布获得iid实现的方法,并用两个50维正态分布的混合来说明。然后,我们将固定维分布的iid抽样方法推广到变维情况,并以著名的“酸度数据”的变维正态混合模型为例进行说明,进一步证明了iid抽样方法对多峰分布的适用性。
2021-12-15 stat.CO stat.ME
A Theory of Truncated Inverse Sampling
Louisiana State University(路易斯安那州立大学);Southern University and A&M College(南方大学及农工学院)
本文建立了一个新的截断逆抽样框架,用于估计非负随机变量的均值,如二项分布、泊松分布、超几何分布和有界分布。我们推导出明确的公式和计算方法,设计抽样方案,以确保规定的精度和置信度的点估计。此外,我们还发展了区间估计方法。
2008-11-11 cs.LG math.PR math.ST
Inverse probability weighting for auxiliary variable dependent sampling in observational studies of Long COVID
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);University of Utah School of Medicine(犹他大学医学院)
针对长新冠观察性研究中辅助变量依赖抽样的偏差问题,结合RECOVER队列研究,提出用逆概率加权法处理该抽样设计以避免估计偏差。
2026-08-06 stat.AP stat.ME
Efficient Gibbs Sampling in Cox Regression Models Using Composite Partial Likelihood and Pólya-Gamma Augmentation
National Institute of Infectious Diseases(国立感染症研究所)
针对Cox回归贝叶斯方法基线风险建模复杂、计算低效的问题,提出GS4Cox全吉布斯采样器,结合广义贝叶斯框架、复合部分似然、Pólya-Gamma增强及仿射校准,实现高效采样并提升估计性能。
2025-11-18 stat.ME
Importance sampling squared for Bayesian inference in latent variable models
我们考虑贝叶斯推断时,重要性抽样的可能性是分析棘手的,但可以无偏估计。我们将此过程称为重要性抽样平方(IS 2),因为我们通常可以通过重要性抽样来估计可能性本身。我们提供了一个正式的理由重要性抽样时,估计的可能性和研究其收敛特性。我们分析的影响,估计的可能性推断,并提供指导方针,如何建立的精度的可能性估计,以获得最佳的权衡?计算成本和模型参数后验推断的准确性之间的关系。我们举例说明的过程中的经验应用的广义多项logit模型和随机波动率模型。结果表明,在最优实现下,IS2方法可以得到快速准确的后验推理。
2016-07-24 stat.ME
Annealed Important Sampling for Models with Latent Variables
本文研究了似然函数在解析上难以处理但可以无偏估计时的贝叶斯推断。我们提出了一个退火的重要性抽样过程中估计的期望后验。该算法是有用的情况下,找到一个好的建议密度是具有挑战性的,当需要估计的边际似然。似然估计的效果进行了研究,结果提供了指导方针,如何设置的似然估计的精度,以最佳地实现该程序。在几个模拟和真实数据的例子中,经验证明了方法的结果。
2014-02-25 stat.ME
R package SamplingStrata: new developments and extension to Spatial Sampling
R软件包SamplingStrata于2011年开发,作为优化分层样本设计的工具。通过考虑抽样框中可用的分层变量以及对调查目标估计值的精度约束来进行优化(Ballin和Barcaroli,2014年)。遗传算法在优化步骤的基础上探索可能的替代分层的宇宙,为它们中的每一个确定最佳分配,即允许满足精度约束的最小总大小的分配:最终的最优解是确保全局最小样本量的解。使这一方法可行的一个基本要求是,有可能估计所产生的地层中目标变量的可变性;一般而言,由于框架中没有目标变量值,只有代理变量值,因此通过对目标变量和代理变量之间的关系进行建模来计算预期方差。在空间采样的情况下,重要的是不仅要考虑总模型方差,而且还要考虑由空间自相关导出的协方差。SamplingStrata的最新版本允许考虑方差的两个分量,从而允许利用空间自相关来获得更有效的样本。
2020-04-20 stat.ME
Generalized Linear Models for Longitudinal Data with Biased Sampling Designs: A Sequential Offsetted Regressions Approach
在研究罕见(二元)或低变异性(连续)终点时,偏倚抽样设计可以非常有效。我们考虑纵向数据设置,其中被采样的概率取决于通过结果相关的辅助变量重复测量的响应。这种辅助变量或结果依赖性采样改善了观察到的反应,并可能比随机采样的暴露变异性,{即使}辅助变量不是科学的兴趣。{For分析,}我们提出了一个广义线性模型为基础的方法,使用序列的两个偏置回归。第一种方法使用偏移逻辑斯谛回归模型估计辅助变量与响应和协变量数据的关系。偏移取决于辅助变量的不同值的采样概率的(假定的)已知比率。辅助模型的结果用于估计以响应和协变量为条件的采样的观察特异性概率,然后使用这些概率来解释第二个目标人群模型中的偏倚。我们提供了渐近标准误占不确定性的辅助模型的估计,并进行模拟研究,证明大量的偏差减少,正确的覆盖概率,并提高了设计效率超过简单随机抽样设计。我们用两个例子来说明这种方法。
2020-01-13 stat.ME
Model-based Inference for Rare and Clustered Populations from Adaptive Cluster Sampling using Auxiliary Variables
稀有种群,如濒危动植物、吸毒者和患有罕见疾病的个人,往往聚集在区域内。自适应整群抽样通常用于从聚集和稀疏的种群中获取信息,因为它增加了对感兴趣的个体进行观察的区域的调查工作。这项工作的目的是提出一个单元级的模型,假设计数相关的辅助变量,改善采样过程,分配不同的权重的细胞,除了参考他们的空间。该模型适合罕见的和分组的人口,在一个规则的网格,在贝叶斯框架。该方法相比,替代方法使用模拟数据和真实的实验中,自适应样本来自非洲水牛种群在东非24,108平方公里的地区。仿真研究表明,该模型是有效的,在几个设置下,验证了本文提出的方法,为实际情况。
2020-03-16 stat.ME
Variable Selection for Stratified Sampling Designs in Semiparametric Accelerated Failure Time Models with Clustered Failure Times
本文针对分层抽样设计下具有聚类失效时间的半参数加速失效时间模型,提出一种基于 GEE 框架的正则化 BJ 估计方法,建立了其 oracle 性质,并通过模拟和牙科研究应用验证了其在变量选择上的优越性。
2025-07-19 stat.ME
Bayesian analysis of finite population sampling in multivariate co-exchangeable structures with separable covariance matric
我们探讨了有限总体抽样在多变量交叉分类设计问题中的作用。特别是,我们研究的设计,我们希望样本属于不同的群体,其基础的协方差阵是可分离的组和变量之间的个人。我们利用模型的广义条件独立结构来展示如何将完整模型的分析简化为一系列可解释的低维问题。我们通过采样获得的信息类型与正交典范方向相一致。我们首先解决一个变量的问题,它利用了强大的属性的调整二阶可交换向量,它具有相同的定性特征,所代表的基本典型变量的方向,无论所选择的组,人口规模或样本量。然后,我们解决了一系列的组问题,在一个平衡的设计减少到二阶可交换向量的采样。如果总体大小是有限的,则每个组问题的定性和定量特征将取决于每个组中的抽样比,当每个组中的抽样比相同时,模仿无限问题。
2017-11-29 stat.ME
Optimal Sampling for Generalized Linear Model under Measurement Constraint with Surrogate Variables
针对半监督学习中测量约束导致标注数据稀缺、代理变量含测量误差难直接用的问题,提出结合代理变量的广义线性模型最优采样策略,采用A-最优准则提升统计效率,理论与实验均验证其优于现有方法。
2025-01-14 stat.AP stat.CO stat.ME
Thompson Sampling via Local Uncertainty
McCombs School of Business, The University of Texas at Austin(德克萨斯大学奥斯汀分校麦库姆斯商学院)
汤普森抽样是一种有效的序贯决策算法,它利用后验不确定性来解决探索-开发困境。最近,人们对将贝叶斯神经网络集成到汤普森采样中产生了极大的兴趣。这些方法大多依赖于全局变量的不确定性进行探索。在本文中,我们提出了一个新的概率建模框架汤普森采样,局部潜变量的不确定性被用来采样的平均回报。采用变分推断逼近局部变量的后验,并进一步引入半隐式结构以增强其表达能力。我们在八个上下文bandit基准数据集上的实验结果表明,由局部不确定性引导的Thompson采样在具有低计算复杂度的同时实现了最先进的性能。
2020-08-05 cs.LG stat.ME stat.ML
Variable Selection via Thompson Sampling
University of Chicago(芝加哥大学)
Thompson抽样是机器学习中求解多臂强盗问题的一种启发式算法。该算法具有贝叶斯精神的意义上,它选择武器的奖励概率的后验样本的基础上,每个arm. By锻造组合二进制土匪和钉和板变量选择之间的连接,我们提出了一个随机优化方法,子集选择称为汤普森变量选择(TVS)。TVS是一个可解释的机器学习框架,它不依赖于底层模型是线性的。TVS将贝叶斯强化和机器学习结合在一起,以便将贝叶斯子集选择的范围扩展到非参数模型和具有非常多预测因子和/或非常多观测值的大型数据集。根据奖励的选择,TVS可以部署在离线和在线设置中,并具有流数据批次。定制多人玩强盗变量选择,我们提供遗憾的界限,而不必假设手臂意味着奖励是无关的。我们在模拟和真实数据上都表现出非常强的经验表现。与确定性优化方法的钉和板变量选择,随机性质使得TVS不太容易局部收敛,从而更强大。
2021-02-11 cs.LG stat.CO stat.ME
Mixture model fitting using conditional models and modal Gibbs sampling
Department of Mathematics, School of Industrial Engineering-Albacete(工业工程学院阿尔巴塞特分校数学系)
提出一种基于模态吉布斯采样的新算法,通过仅采样辅助变量来近似混合模型的后验分布,利用集成嵌套拉普拉斯近似计算密度参数的条件分布众数,降低计算负担并给出良好估计。
2026-06-18 stat.CO stat.ME