Computational strategies and estimation performance with Bayesian semiparametric Item Response Theory models
项目反应理论（IRT）模型通常依赖于特定主题的潜在特质的正态性假设，这在实践中往往是不现实的。基于Dirichlet过程混合的半参数扩展提供了一个更灵活的表示未知分布的潜在特质。然而，在IRT文献中使用这种模型是非常有限的，在很大程度上是因为缺乏全面的研究和可用的软件工具。本文为半参数IRT模型及其实现提供了指导。特别是，我们依赖于NIMBLE，一个灵活的软件系统，分层模型，使使用狄利克雷过程的混合物。我们强调有效的抽样策略模型估计和比较参数和半参数模型下的推断结果。
2022-08-10 stat.AP stat.ME
Generalised bayesian sample copula of order $m$
在这项工作中，我们提出了一个半参数的二元copula的密度是由一个分段常数函数定义的不相交的平方。我们得到了模型参数的极大似然估计，并证明了在特定条件下，它们约化为样本Copula。我们进一步建议进行一个完整的贝叶斯模型分析，并引入一个空间依赖的先验分布的模型参数。这种先验允许参数在相邻区域借用强度，以产生平滑的后验估计。为了通过全条件分布来估计后验分布，我们提出了一种数据增强技术。一个大都市黑斯廷斯步骤是必需的，我们提出了一种新的适应计划的随机游动建议分布。我们实现了一个模拟研究和一个真实的数据集的分析，以说明我们的模型和推理算法的性能。
2023-03-09 stat.ME
Objective priors for the number of degrees of freedom of a multivariate t distribution and the t-copula
提出了一种估计多变量$t$分布和$t$ -copula的自由度数$(ν)$的客观贝叶斯方法。对于多变量$t$和由于没有任何方法，对于$t$ -copula，对这个参数的推断是有问题的。采用了基于损失函数的客观标准，可以克服直接定义客观概率的问题。$ν$的先验的支持被截断，这来自于多变量$t$和$t$ -copula对于足够大的自由度收敛到正态的性质。先验的性能进行了测试模拟场景。R代码和复制材料可作为论文电子版的补充材料和真实数据：IBM和证券价格数据库研究中心的每日对数回报。
2018-03-13 stat.AP stat.ME
Bayesian Gaussian Copula Graphical Modeling for Dupuytren Disease
Dupuytren病是一种病因不明的纤维增生性疾病，通常会进展并最终导致受影响手指的永久性挛缩。在本文中，我们提供了一个计算效率的贝叶斯框架，发现潜在的风险因素，并调查哪些手指共同受到影响。我们的贝叶斯方法是基于高斯copula图形模型，这是一个潜在的方式来发现潜在的条件独立结构的变量在多元混合数据。特别地，我们将半参数高斯copula与扩展秩似然相结合，适用于分析具有任意边缘分布的多元混合数据。对于图结构学习，我们构造了一个计算效率高的搜索算法，这是一个跨维MCMC算法的基础上的生灭过程。此外，为了使我们的统计方法易于其他研究人员使用，我们已经在C++中实现了我们的方法，并与R软件接口，作为R软件包BDgraph，可在线使用。
2015-09-15 stat.AP
Bayesian Gaussian Copula Factor Models for Mixed Data
高斯因子模型已被证明是非常有用的吝啬特征的依赖性在多变量数据。有丰富的文献，他们的扩展到混合的分类和连续变量，使用潜在的高斯变量或通过广义的潜在特质模型commodating测量指数家庭。然而，当推广到非高斯测量变量时，潜在变量通常会影响依赖结构和边缘分布的形式，使解释复杂化并引入伪影。为了解决这个问题，我们提出了一类新的贝叶斯高斯copula因子模型，解耦的潜在因素的边缘分布。基于扩展秩似然的边缘的半参数规范产生简单的实现和大量的计算增益，对于扩展到高维应用程序至关重要。我们提供了新的理论和经验的理由使用这种可能性在贝叶斯推断。我们提出了新的默认先验的因素加载和开发有效的参数扩展吉布斯抽样后验计算。该方法通过模拟评估，并应用于政治科学的数据集。本文中的方法在R包bfa中实现。
2013-01-07 stat.AP stat.ME
Estimation procedures for a semiparametric family of bivariate copulas
在本文中，我们提出了简单的估计方法致力于一个半参数家庭的二元copula。这些Copula可以通过估计它们的单变量母函数来简单地估计。我们利用这一结果来估计相关的措施，协会以及copula的高概率区域。这些程序都说明了模拟和真实数据。
2011-04-01 stat.ME
Semiparametric topographical mixture models with symmetric errors
受Bowen等人（2012）中考虑的正电子发射断层扫描（PET）成像数据分析的启发，我们引入了一种半参数拓扑混合模型，该模型能够捕获二分移位响应型实验的特征。我们提出了一个局部估计过程，基于局部噪声的对称性，所提出的模型中涉及的比例和位置函数。我们建立在温和的条件下的极小极大性质和渐近正态性的估计进行Monte Carlo模拟，以检查其有限样本性能。最后，Bowen等人（2012）的PET成像数据的统计分析说明了所提出的方法。
2014-02-10 math.ST stat.TH
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
A semiparametric estimation of copula models based on the method of moments
利用经典的矩估计方法，提出了多参数Copula模型的一种新的半参数估计方法。建立了估计量的相合性和渐近正态性。通过考虑阿基米德copula模型，进行了广泛的模拟研究，比较这些估计与伪极大似然，ρ-反演和τ-反演的。我们表明，与其他方法相比，基于矩的估计是快速和简单的使用合理的偏差和根均方误差。
2012-01-07 stat.ME
Optimization-centric cutting feedback for semiparametric models
National University of Singapore（新加坡国立大学）；Monash University（莫纳什大学）
本文提出一种以优化为中心的切割反馈方法，用于半参数模块推理，通过使用Rényi分歧而非Kullback-Leibler分歧提高鲁棒性，解决模型误标和先验-数据冲突问题。
2026-03-26 math.ST stat.CO stat.ME
Bayesian Copula Density Deconvolution for Zero-Inflated Data in Nutritional Epidemiology
不同膳食成分长期平均摄入量的边际密度和联合密度的估计是营养流行病学中的一个重要问题。由于这些变量不能直接测量，数据通常收集的形式，24小时召回的摄入量，这表明显着的模式的条件异方差。显著加剧了挑战，召回的间歇性消费的饮食成分也包括确切的零。从观测到的受测量误差污染的代用指标中估计潜在长时间摄入量的密度的问题则是具有零膨胀数据的密度的反卷积问题。我们提出了一个贝叶斯半参数的解决方案的问题，建立在一个新的层次隐变量框架，将问题转化为一个只涉及连续代理。至关重要的是，以适应问题的重要方面，然后，我们设计了一个基于Copula的方法来建模所涉及的联合分布，采用不同的建模策略的边缘不同的饮食成分。我们设计了有效的马尔可夫链蒙特卡罗算法进行后验推理，并通过仿真实验说明了所提出的方法的有效性。应用于我们的激励营养流行病学问题，相比其他方法，我们的方法提供了更现实的估计消费模式的消费模式的流行性消费的饮食成分。
2019-12-11 stat.ME
Bandwidth Selectors on Semiparametric Bayesian Networks
Computational Intelligence Group（计算智能组）；Departamento de Inteligencia Artificial（人工智能系）；Universidad Politécnica de Madrid（马德里理工大学）
本文针对半参数贝叶斯网络，提出并评估交叉验证与插入式带宽选择器，证明其比正态规则更有效利用数据，尤其无偏交叉验证在高样本量下性能更优。
2025-06-20 cs.AI cs.LG stat.ML
Bayesian Semiparametric Multivariate Density Regression with Coordinate-Wise Predictor Selection
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种灵活的贝叶斯方法，用于估计多变量结果在存在分类协变量时的联合密度。通过高斯Copula框架，方法有效捕捉多变量响应不同坐标的依赖结构，利用共享原子的灵活混合模型和新的Tucker张量分解结构，实现坐标特定的协变量子集识别。
2026-10-22 stat.ME
Copula-based semiparametric nonnormal transformed linear model for survival data with dependent censoring
提出一种基于Copula的半参数非正态变换线性模型，解决生存分析中删失时间与生存时间相关的相依删失问题，证明了模型可识别性并验证了其一致性、渐近正态性及实际应用效果。
2024-08-27 stat.AP stat.ME
A simulation study of semiparametric estimation in copula models based on minimum Alpha-Divergence
本文的目的是介绍两种估计copula参数的半参数方法。这些方法是基于最小α-散度之间的非参数估计copula密度使用局部似然概率单位变换方法和一个真正的copula密度函数。一个蒙特卡罗研究进行测量这些方法的性能的基础上，海林格距离和奈曼分歧的特殊情况下，阿尔法发散。仿真结果进行了比较，最大伪李克图（MPL）估计作为一种传统的估计方法，在著名的二元Copula模型。这些结果表明，基于最小伪Hellinger距离估计的方法在小样本量和弱相关性的情况下具有良好的性能。将参数估计方法应用于水文学中的一个实际数据集。
2020-09-11 stat.ME stat.OT
Semiparametric bivariate extreme-value copulas
极值Copula作为分量最大值的极限依赖结构而出现。根据函数参数定义，它们是最广泛的copula家族之一，因为它们的灵活性和捕获不对称性的能力。尽管如此，在无约束设置中满足该参数的复杂分析特性仍然是一个挑战，限制了大多数使用具有非常少的参数或非参数模型的模型。针对双变量的情况，我们提出了一种新的半参数方法。我们的过程依赖于一系列的变换，包括威廉森变换和从零积分样条开始。在没有进一步约束的情况下，可以通过利用梯度优化的极大似然估计来有效地获得完全兼容的解决方案。我们成功地对模拟和真实世界的数据进行了几次实验。我们的方法优于另一个众所周知的非参数技术在各种设置中的小型和中型样本。它的表现力是由引力波探测LIGO和Virgo合作收集的宝贵数据说明。
2022-03-24 math.ST stat.CO stat.ME
Semiparametric Copula Quantile Regression for Complete or Censored Data
当面对多元协变量时，一般的半参数回归技术可以提出灵活的模型，这些模型不受维数灾难的影响。在这项工作中，半参数Copula为基础的估计条件分位数完全或右删失数据进行了研究。在精神上，该方法扩展了Noh et al.（2013）和Noh et al.（2015）的近期工作，因为主要思想在于根据多变量copula和边缘分布适当定义分位数回归。事先估计后者和简单的插件导致一个容易实现的估计表示，无论上下文中有或没有审查，作为一个加权分位数的观察到的响应变量。此外，与文献中的初始建议相反，研究了多变量Copula密度的半参数估计方案，其动机是纯参数方法的可能缺点，并由回归上下文驱动。由此得到的分位数回归估计具有在分位数水平上自动单调的有价值的性质，并且在经典的正则条件下得到了完全数据和删失数据的渐近正态性。最后，数值例子以及实际数据的应用，以说明所提出的方法的有效性和有限样本性能。
2016-03-24 stat.ME
Multivariate Normality Test with Copula Entropy
本文提出了一种基于Copula熵的多元正态性检验方法。检验统计量定义为具有相同协方差的未知分布与高斯分布的Copula熵之差。基于Copula熵的非参数估计，给出了检验统计量的估计。两个模拟实验进行了比较，建议的测试与现有的五个。实验结果表明，我们的测试优于其他人。
2022-06-13 stat.ME
Semiparametric copula-based quantile regression for semicontinuous outcomes with application to healthcare data
Department of Mathematics and Statistics, University of Windsor（温莎大学数学与统计系）
本文提出了一种半参数化copula基础的两阶段分位数回归框架，用于分析具有零点质量和连续正部分的半连续结果，通过copula条件分布链接发生和幅度过程，展示非线性依赖和协变量效应的灵活性，且在非线性依赖和显著零膨胀情况下优于logistic/线性回归。
2026-03-14 stat.ME
Bayesian Semiparametric Covariate Informed Multivariate Density Deconvolution
不同膳食成分长期平均摄入量的边际密度和联合密度的估计是营养流行病学中的一个重要问题。由于这些变量无法直接测量，因此通常以24小时回顾摄入量的形式收集数据。估计潜在的长期平均摄入量的密度的问题，从他们的观察，但错误污染的回忆，然后成为一个问题的多变量反卷积的密度。潜在的密度可能会随着受试者的人口统计学特征，如性别，种族，年龄等，在相关的精确测量的协变量的存在下，密度反卷积的问题，但是，从来没有被考虑过，甚至在单变量设置。我们提出了一个灵活的贝叶斯半参数方法协变量知情的多元反卷积。基于Copula反卷积和条件张量分解技术的最新进展，我们提出的方法不仅允许联合和边缘密度随相关预测因子灵活变化，而且允许自动选择最有影响力的预测因子。重要的是，该方法还允许感兴趣的密度和测量误差的密度随潜在的不同预测器组而变化。我们设计了马尔可夫链蒙特卡罗算法，可以实现高效的后验推理，适当地适应分析各个方面的不确定性。通过仿真实验验证了该方法的有效性。它的实际效用在上述营养流行病学应用中被证明是在估计不同膳食成分的协变量调整的长期摄入量。补充材料包括实质性的额外细节和R代码也可在线获得。
2022-05-17 stat.ME
A single risk approach to the semiparametric copula competing risks model
竞争风险分析中的一个典型情况是研究人员只对风险的一个子集感兴趣。考虑一类相依竞争风险模型，其中一个风险的分布为参数或半参数模型，而另一个风险的分布未知。流行类的参数模型和半参数比例风险模型的可识别性。参数模型的可识别性不需要协变量，而半参数模型至少需要一个协变量。估计方法被证明是$\sqrt{n}$一致的建议。仿真和数据例子的帮助下，证明了适用性和有吸引力的有限样本性能。
2022-05-12 econ.EM stat.ME
Semiparametric Gaussian copula models: Geometry and efficient rank-based estimation
对于具有未知边界和结构相关矩阵的多元高斯copula模型，我们提出了一个基于秩的欧氏copula参数的半参数有效估计。该估计器被定义为基于秩的导频估计器在有效影响函数的方向上的一步更新，该有效影响函数是显式计算的。此外，有限维代数条件，给出了完整的伪似然估计的有效性和适应性的模型关于未知的边缘分布的特征。对于根据因子模型构造的相关矩阵，伪似然估计是半参数有效的。另一方面，对于Toeplitz相关矩阵，伪似然估计的渐近相对效率可以低至20%。这些发现证实了蒙特卡罗模拟。我们指出我们的结果可以扩展到联合回归模型。
2014-10-01 stat.ME
Dir-SPGLM: A Bayesian semiparametric GLM with data-driven reference distribution
本文提出 Dir-SPGLM，通过对基线分布施加 Dirichlet 先验构建贝叶斯半参数 GLM，以支持超越概率等泛函的不确定性推断，并证明渐近性质，在小样本和稀疏数据下表现优于或相当于 ML-SPGLM。
2024-04-07 stat.ME
Finite Sample Bernstein -- von Mises Theorem for Semiparametric Problems
在允许有限样本和模型误设定的非经典设置中重新考虑经典参数和半参数Bernstein - von Mises（BvM）结果。在一个有限维的冗余参数的情况下，我们得到的目标参数的后验分布，这是明确的滋扰和目标参数的尺寸的高斯近似的误差上界。这有助于识别BvM结果适用的完整参数的所谓\emph{critical dimension} $ p $。在重要的身份证里。的情况下，我们证明了条件“$ p^{3} / n $是小的”是足够的BvM结果是有效的，在一般的假设模型。我们还提供了一个例子，一个模型的相变效应：陈述的BVM定理失败时，尺寸$ p $接近$ n^{1/3} $。将所得结果推广到Sobolev类中含有冗余参数的无穷维参数的情形。特别是，我们显示了接近正常的后，如果平滑参数$s$超过3/2。
2014-06-15 math.ST stat.TH
Connecting population-level AUC and latent scale-invariant $R^2$ via Semiparametric Gaussian Copula and rank correlations
曲线下面积（AUC）可以说是最流行的分类准确性度量。我们使用一个半参数的框架来引入一个潜在的尺度不变的$R^2$，一种新的测量变异解释为观察到的二进制结果和观察到的连续预测，然后直接连接潜在的$R^2$ AUC。这使得能够相互一致地同时使用AUC作为分类准确性的度量，并且潜在的$R^2$作为解释的变化的尺度不变度量。具体而言，我们采用半参数高斯Copula（SGC）通过潜在的标准正态随机变量的相关性，观察到的二元结果和观察到的连续预测之间的联合依赖建模。在SGC下，我们展示了如何使用在二进制连续对上计算的四个秩统计量中的任何一个来估计群体水平AUC和潜在尺度不变的$R^2$（定义为平方潜在相关性）：Wilcoxon秩和、Kendall τ、Spearman Rho和象限秩相关性。然后，我们集中在三个含义和应用：i）我们明确表明，在SGC下，人口水平的AUC和人口水平的潜在$R^2$通过依赖于人口水平患病率的单调函数相关，ii）我们提出了象限秩相关作为AUC的稳健半参数版本; iii）我们演示了如何在复杂的调查设计下，Wilcoxon秩和统计量以及Spearman和Quadrant秩相关性提供了仅使用单因素的群体水平AUC的渐近相合估计量。参与者调查权重。我们使用五年死亡率的二元结果和连续预测因子（包括白蛋白、收缩压和2003-2006年国家健康与营养检查调查（NHANES）队列中收…
2019-10-31 stat.AP stat.ME
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
Copula-based Semiparametric Regression Method for Bivariate Data under General Interval Censoring
这项研究的动机是发现和支持双侧眼病进展的遗传原因，黄斑相关性黄斑变性（AMD），其主要结局（进展至晚期AMD的时间）是双变量的，并且由于间歇性评估时间而间隔删失。本文提出了一类新的基于Copula函数的一般区间删失双变量数据的半参数变换模型，包括区间删失情形1（当前状态数据）和区间删失情形2.具体地说，联合似然建模通过两个参数阿基米德copula，它可以灵活地表征在两个尾部的两个边缘之间的依赖性。边缘分布是通过半参数转换模型使用筛子，与比例风险或赔率模型是一个特殊的情况。我们开发了一个计算效率高的筛极大似然估计程序的未知参数，以及一个广义得分测试的回归参数（S）。对于有限维参数的筛估计，我们建立了它们的渐近正态性和有效性。进行了大量的模拟，以评估所提出的方法在有限样本的性能。最后，我们将我们的方法应用于使用AMD相关眼病研究（AREDS）数据的AMD进展的全基因组分析，以成功识别与疾病进展相关的新风险变体。我们还为具有不同遗传特征的患者预测了联合和条件性无进展概率。
2019-08-20 stat.ME
Two-Stage Pseudo Maximum Likelihood Estimation of Semiparametric Copula-based Regression Models for Semi-Competing Risks Data
本文面向半竞争风险数据，提出基于 copula 半参数模型的两阶段伪极大似然估计方法，证明渐近性质并验证其更稳健、高效。
2024-10-25 stat.ME
Regression and Dimension Reduction for Multivariate Mixed-Type Data via Semiparametric Gaussian Copula
Texas A&M University（德克萨斯农工大学）；Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯布隆伯格公共卫生学院）
本文提出基于半参数高斯协同体的回归、主成分分析和主成分回归方法，用于处理多元混合类型数据，通过建立新的桥梁结果和高效算法，实现对缺失数据的预测与填补，应用于研究5年死亡率与61项衰弱相关指标的关系。
2026-03-17 stat.AP stat.ME
Identifiability and inference for copula-based semiparametric models for random vectors with arbitrary marginal distributions
本文研究任意边际分布下copula半参数模型的可识别性，提出适应不连续情形的伪似然估计方法，并推广秩统计量收敛结果，通过数值实验和水文数据回归验证有效性。
2023-05-09 stat.ME
Diffusion Copulas: Identification and Estimation
我们提出了一个新的半参数方法建模非线性单变量扩散，其中所观察到的过程是一个非参数变换的基本参数扩散（UPD）。这种建模策略产生了一般类的半参数马尔可夫扩散模型的参数动态copula和非参数边际分布。我们提供了原始的条件，识别的UPD参数连同未知的变换从离散样本。基于似然估计的参数和非参数分量的开发，我们分析这些的渐近性质。基于核的漂移和扩散估计也提出了，并显示出正态分布在大样本。模拟研究探讨了我们的估计在建模美国短期利率的背景下，有限样本的性能。我们还提出了一个简单的应用所提出的方法建模的芝加哥期权交易所波动率指数数据。
2020-05-07 econ.EM stat.ME
Estimating Gaussian Copulas with Missing Data
BMW Group（宝马集团）；Technical University of Dortmund（多特蒙德工业大学）
在这项工作中，我们提出了一个严格的应用期望最大化算法，以确定边缘分布和依赖结构的高斯copula模型与缺失数据。我们进一步展示了如何规避先验假设的边缘与半参数建模。通过该算法学习的联合分布比现有方法更接近底层分布。
2022-01-14 cs.LG stat.ME stat.ML
A Normality Test for Multivariate Dependent Samples
文献中的大多数正态性检验是针对标量和独立样本进行的。因此，他们成为不可靠的有色过程时，阻碍了他们在现实scenaries.We的使用专注于Mardia的多变量峰度，推导出封闭形式的表达式，其渐近分布的统计相关的样本，下的正态性和混合条件的原假设。微积分是漫长而繁琐的，但最终的结果是简单的，并实现了低计算负担。所提出的表达的测试功率表现出良好的性能，在各种情况下，这是由计算机实验所示的Copula。
2022-03-01 stat.AP stat.ME
Efficient estimation of parameters in marginals in semiparametric multivariate models
针对半参数多变量模型边际参数估计问题，提出基于Bernstein-Kantorovich多项式copula的筛MLE估计量，兼具效率与鲁棒性，达到半参数效率界，在保险、金融风险管理场景中表现更优。
2024-01-29 econ.GN math.ST q-fin.EC
Solving estimating equations with copulas
由于它们能够捕捉复杂的依赖结构，copula经常被用来将随机变量粘合到具有任意边缘分布的联合模型中。最近，它们已被应用于解决统计学习问题，如回归或分类。将这些方法构建为估计方程的解，我们将它们概括在一个统一的框架中。然后，我们可以在多个类似回归的问题上获得同时的、连贯的推论。我们得到相应的估计的自举的一致性，渐近正态性和有效性。该条件允许连续和离散数据以及参数，非参数和半参数估计的copula和边缘分布。这种方法的多功能性说明了几个理论的例子，模拟研究，并应用到金融投资组合配置。
2022-08-19 stat.ME
Robust Semiparametric Graphical Models with Skew-Elliptical Distributions
本文提出了一种基于偏椭圆分布的半参数图模型估计方法，实现了对非高斯图模型的鲁棒估计，并在实际数据中展示了更稀疏的图结构。
2025-12-02 stat.ME
Sparse semiparametric discriminant analysis for high-dimensional zero-inflated data
基于测序的技术提供了大量的高维生物数据集，具有偏斜和零膨胀的测量。由于违反了高斯分布假设，使用线性判别分析对此类数据进行分类会导致性能不佳。为了解决这个问题，我们提出了一个新的半参数判别分析框架的基础上截断的潜在高斯copula模型，同时容纳偏度和零通货膨胀。通过应用稀疏正则化，我们证明了所提出的方法导致一致的估计分类方向在高维设置。在模拟数据上，该方法显示出优于现有方法的性能。我们应用该方法基于微生物组数据区分健康对照与克罗恩病患者，并确定对分类规则影响最大的属。
2022-08-07 stat.ME
Semiparametric Sparse Discriminant Analysis
近年来，大量的工作致力于推广线性判别分析，以克服其在高维分类方面的不足（Witten & Tibshirani 2011，Cai & Liu 2011，Mai et al. 2012，Fan et al. 2012）。在本文中，我们开发了高维半参数稀疏判别分析（HD-SeSDA），一般正常理论判别分析在两个方面：它放松了高斯假设，可以处理非多项式（NP）维分类问题。如果底层贝叶斯规则是稀疏的，HD-SeSDA可以估计贝叶斯规则和选择的真实特征，同时以压倒性的概率，只要对数的维数增长慢于样本量的立方根。仿真和实际例子被用来证明有限样本性能的HD-SeSDA。在理论的核心是一个新的指数浓度界的半参数高斯copula，这是独立的兴趣。
2015-01-14 stat.ME
Trimmed L-moments For Estimation Multi-parameter Archimedean Copulas
Elamir和Seheult（2003）提出了一种新的估计方法--修剪L-矩，用于估计均值不存在时的多参数分布和Hosking（1990）提出的L-矩方法由于缺乏理论L-矩而失效的重尾分布。本文提出了一种新的基于多参数Copula的截断L-矩估计方法，并进行了仿真研究。并证明了新估计量的相合性和渐近正态性。
2016-09-04 stat.ME
Missing Value Imputation for Mixed Data via Gaussian Copula
缺失数据插补是许多数据分析流程的第一个关键步骤。对于混合数据集，包括真实、布尔和有序数据，挑战最大，其中用于插补的标准技术无法进行基本的健全性检查：例如，插补值可能不遵循与数据相同的分布。本文提出了一种新的半参数算法来填补缺失值，没有调整参数。该算法将混合数据建模为高斯copula。该模型可以拟合连续变量的任意边缘，并且可以处理具有许多水平的有序变量，包括布尔变量作为特殊情况。本文提出了一种有效的近似期望最大化算法，用于估计不完全混合数据的copula参数。由此产生的模型揭示了变量之间的统计关联。几个合成和真实数据集上的实验结果表明，我们提出的算法的优越性国家的最先进的混合数据的插补算法。
2020-06-16 stat.ME
On Nonparanormal Likelihoods
Universität Zürich（苏黎世大学）
提出非参数正态模型的一步估计框架，通过四种新似然函数解决参数联合估计问题，并展示其在变换判别分析中的应用优势。
2026-09-28 stat.CO stat.ME
A Copula Model for Non-Gaussian Multivariate Spatial Data
本文提出了一种新的多变量复制空间数据的copula模型。与传统的模型，假设多元正态性的数据，建议copula是基于这样的假设，即存在一些因素，影响联合空间依赖的所有测量的每个变量，以及这些变量之间的联合依赖。该模型是参数化的交叉协方差函数，可以从文献中提出的许多模型中选择。此外，在模型中存在附加因子，其允许对在不同位置处测量的每个变量和不同变量的尾部依赖性和反射不对称性进行建模。因此，所提出的方法可以被看作是一个扩展的线性模型coregionalization广泛用于多变量空间数据建模。该模型的似然可以以简单的形式获得，因此似然估计相当快。该模型不限于数据位置的集合，并且使用估计的copula，空间数据可以在变量值未知的位置处插值。我们将该模型应用于温度和压力数据，并将其性能与多变量地质统计学的流行模型的性能进行比较。
2018-10-10 stat.AP stat.ME
Stationary vine copula models for multivariate time series
多元时间序列表现出两种类型的相关性：跨变量和跨时间点。藤连接函数是依赖关系的图形模型，可以方便地在同一个模型中捕获两种类型的依赖关系。我们得到的最大类的图结构，保证平稳性下的一个自然的和可验证的条件称为平移不变性。我们提出了计算效率的方法估计，模拟，预测和不确定性量化，并通过渐近结果和模拟显示其有效性。理论结果允许错误指定的模型，甚至当专门的iid的情况下，超出了什么是在文献中。他们的证明是基于一般半参数矩估计法的新结果，这将是独立的利益。新的模型类说明了一个应用程序，预测回报的投资组合的20只股票，在那里他们表现出出色的预测性能。该文件是伴随着一个开放源代码的软件实现。
2022-03-14 stat.ME
Semiparametric Efficient Dimension Reduction in multivariate regression with an Inner Envelope
最近，Su和Cook提出了一种称为内包络的降维技术，该技术可以比原始包络或现有的多元回归降维技术更有效。然而，他们的技术依赖于具有正态分布误差的线性模型，这在实践中可能被违反。在这项工作中，我们提出了一个半参数变量的内包络，不依赖于线性模型，也不正常的假设。我们表明，我们的建议导致全球和局部有效的估计的内包络空间。我们还提出了一个计算上易于处理的算法来估计内包络。我们的模拟和真实数据分析表明，我们的方法是强大的和有效的相比，现有的降维方法在不同的设置。
2022-05-23 stat.ME
Modeling Multivariate Time Series with Copula-linked Univariate D-vines
本文提出了一种新的多元时间序列模型Copula-linked univariate D-vines（CuDvine），它可以同时对多元时间序列的时间依赖和截面依赖进行基于Copula的建模。为了构建CuDvine，我们首先基于D-vine构建半参数单变量D-vine时间序列模型（uDvine）。uDvine将现有的基于一阶Copula的马尔可夫链模型推广到任意阶的马尔可夫链。在uDvine的基础上，我们通过连接多个uDvine来构建CuDvine。作为一个简单易行的模型，CuDvine为时间序列的边缘行为和时间依赖性提供了灵活的模型，也可以为高维应用提供复杂的横截面依赖性，如时变和时空依赖性。鲁棒性和计算效率高的程序，包括一个连续的模型选择方法和一个两阶段的极大似然估计，提出了模型估计和推理，并研究了它们的统计特性。数值实验证明了CuDvine的灵活性，并检验了顺序模型选择过程和两阶段极大似然估计的性能。澳大利亚电价数据的实际应用表明，CuDvine的性能优于传统的多元时间序列模型。
2020-12-01 stat.ME
Gaussian copula correlation network analysis with application to multi-omics data
针对多组学混合型数据的关联网络构建问题，提出基于高斯 copula 相关参数的半参数成对似然估计方法，并通过模拟和 ICGC 乳腺癌数据验证。
2025-06-10 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
Robust self-tuning semiparametric PCA for contaminated elliptical distribution
主成分分析（PCA）是最常用的降维方法之一。已知通常的PCA对异常值的存在敏感，因此已经开发了许多鲁棒的PCA方法。其中，泰勒的M-估计被证明是最强大的散布估计下的椭圆分布。然而，当潜在的分布被污染，偏离椭圆，泰勒的M-估计可能无法很好地工作。在这篇文章中，我们应用半参数理论，提出了一个强大的半参数PCA。我们的建议有两个优点。首先，它对重尾椭圆分布以及非椭圆离群值具有鲁棒性。其次，它与数据驱动的调优过程很好地结合在一起，该调优过程基于活动比率，可以适应不同程度的数据异常。理论性质的推导，包括各种统计泛函的影响函数和渐近正态性。仿真研究和数据分析证明了该方法的优越性。
2022-06-08 stat.ME
Semiparametric Inference for Conditional Shapley Feature Importance
University of Naples “Federico II”（那不勒斯费德里科二世大学）；Department of Economics and Statistics, University of Naples “Federico II”（那不勒斯费德里科二世大学经济统计系）
本文提出一种条件Shapley特征重要性的半参数推断方法，通过单步估计器与U统计量校正消除偏差，实现渐近正态推断，并在模拟和真实数据中验证其有效性。
2026-09-17 stat.ME stat.ML
A copula-based set-variant association test for bivariate continuous or mixed phenotypes
在全基因组关联研究（GWAS）中，研究人员经常处理非正态分布性状或离散-连续性状的混合。然而，目前大多数基于区域的方法依赖于多变量线性混合模型（mvLLM），并假设感兴趣的表型的多元正态分布。因此，这些方法不适用于疾病或非正态分布性状。因此，需要开发统一和灵活的方法来研究一组（可能罕见的）遗传变异和非正常多变量表型之间的关联。Copula是在$[0, 1]$区间上具有均匀边界的多元分布函数，它们为处理多元关联研究中的非正态误差提供了合适的模型。我们提出了一种新的统一的和灵活的基于Copula的多元关联检验（CBMAT），发现遗传区域和二元连续或混合表型之间的关联。我们还推导出一个数据驱动的分析p值的建议区域为基础的得分类型测试的程序。通过模拟研究，我们证明了CBMAT具有很好的控制第一类错误率和更高的权力，以检测关联相比，其他现有的方法，离散和非正态分布的性状。最后，我们应用CBMAT检测位于11号染色体上的两个基因与ASLPAC研究中1,477名受试者的几种血脂水平之间的关联。
2021-09-29 stat.AP stat.ME
Skew-elliptical copula based mixed models for non-Gaussian longitudinal data with application to an HIV-AIDS study
针对非高斯纵向数据，提出基于偏椭圆Copula的混合模型，同时处理边际不对称性、个体差异和非标准时间依赖，并用IFM估计，在HIV CD4数据上验证有效性。
2025-05-26 stat.AP stat.ME
A Copula Graphical Model for Multi-Attribute Data using Optimal Transport
The Pennsylvania State University（宾夕法尼亚州立大学）
提出 Cyclically Monotone Copula 半参数多属性图模型，利用最优传输将任意连续节点向量分布映射为高斯分布，并给出高维投影方案与选择一致性条件。
2024-04-10 cs.LG math.ST stat.AP
Bayesian Variable Selection for Non-Gaussian Responses: A Marginally Calibrated Copula Approach
我们提出了一个新的高度灵活和易于处理的贝叶斯方法进行非高斯回归模型中的变量选择。它对因变量的观测值的联合分布使用copula分解。这使得因变量的边缘分布可以使用非参数估计器或其他估计器进行精确校准。家庭的copula雇用的是“隐式copula”，从现有的层次贝叶斯模型广泛用于变量选择，我们建立了他们的一些属性。虽然Copula是高维的，但利用马尔可夫链蒙特卡罗（MCMC）方法可以快速有效地估计Copula。模拟研究表明，当响应是非高斯的方法选择变量比当代基准更准确。Web附录中的一个真实数据示例说明，即使是轻微的正态性偏差也可以导致准确性的大幅提高。为了说明我们的方法的全部潜力，我们将其扩展到功能磁共振成像的空间变量选择。使用真实数据，我们表明我们的方法允许在超过6，000个体素处对磁共振信号进行体素特定的边缘校准，从而提高激活图的质量。
2020-09-03 stat.ME
Truncated Gaussian copula principal component analysis with application to pediatric acute lymphoblastic leukemia patients' gut microbiome
针对微生物组数据偏态、零膨胀的特点，提出基于截断潜高斯copula的半参数PCA降维方法，模拟和儿童急性淋巴细胞白血病肠道微生物组应用均验证其更优性能，可揭示化疗前菌群与化疗不良事件的关联。
2025-05-18 stat.ME
