A flexible parametric approach to synthetic patients generation using health data
本文提出一种结合序贯条件回归与灵活参数化生存模型的合成患者数据生成方法，并开发R和Python实现，在克雅氏病登记数据上验证了其复现多变量分布和生存结局的能力。
2024-12-30 stat.ME
A Bivariate Power Generalized Weibull Distribution: a Flexible Parametric Model for Survival Analysis
我们关注的是双变量生存数据的灵活参数分析。在其他地方，我们赞扬了“功率广义威布尔”（PGW）分布作为单变量参数生存分析的一个有吸引力的工具的优点：它是一个易于处理的，简约的，模型，可解释允许各种各样的危险形状，当适应（给一个适应的PGW，或APGW，分布），涵盖了各种重要的特殊/限制情况。在这里，我们还观察到一个脆弱的PGW分布与一个值的参数，控制分布的选择在家庭和PGW分布与一个较小的值相同的参数之间的关系。我们利用这种脆弱性的关系，提出了一个二元共享脆弱性模型与PGW边缘分布：这些边际原来是由所谓的BB 9或“功率方差函数”copula连接。因此，在当前的背景下，这种特定的copula选择是很自然的。然后，我们适应的二元PGW分布，反过来，以适应APGW边缘。我们提供了一些双变量PGW和APGW模型的理论特性，并通过一个涉及众所周知的视网膜病变数据集的说明性示例显示了后者在实际工作中的潜力，该分析被证明是直接实施的，并且在其结果中提供了信息。本文的新颖之处在于将特定成分适当地组合成一个连贯而成功的整体。
2019-01-10 stat.ME
A folded model for compositional data analysis
建立了一个用于分析成分数据的折叠型模型。所提出的模型涉及到的$α$的组成数据的转换的扩展，并提供了一个新的和灵活的类分布的建模数据定义的简单样本空间。尽管它的结构看起来相当复杂，期望最大化算法的就业保证有效的参数估计。通过仿真研究和实例验证了该模型的有效性，表明该模型在捕获数据结构方面比流行的逻辑正态分布表现更好，并且可以优于没有折叠的类似模型。
2019-02-26 stat.ME stat.ML
A Flexible Parametric Modelling Framework for Survival Analysis
我们引入了一个通用的、灵活的、参数化的生存建模框架，该框架包括风险函数的关键形状（恒定、增加、减少、先上后下、先下后上）、各种常见的生存分布（对数逻辑、Burr类型XII、Weibull、Gompertz），并包括缺陷分布（即，治愈模型）。这种普遍性是使用四个基本的分布参数：两个尺度类型参数和两个形状参数。推广到协变量依赖性，尺度型回归分量对应于加速失效时间（AFT）和比例风险（PH）模型。因此，这个一般公式统一了最流行的生存模型，使我们能够考虑生存数据可能的建模选择的实际价值。此外，根据我们提出的灵活的基线分布，我们提倡使用多参数回归，其中多个分布参数取决于协变量-而不是通常的惯例，只有一个协变量依赖（尺度）参数。虽然有许多选择，我们建议通过两个尺度参数中的一个或另一个引入协变量，其中包括AFT和PH模型，结合一个“幂”形状参数，允许更复杂的非AFT/非PH效应，而另一个形状参数保持协变量独立，并处理基线分布的自动选择。我们探讨推理问题的模拟，无论是有和没有协变量，特别关注的证据有关的需要，或以其他方式，包括AFT和PH参数。我们通过使用来自肺癌研究和黑色素瘤研究的数据调查治疗组之间的差异来说明我们的建模框架的功效。删失被容纳在整个。
2019-01-10 stat.ME
Flexible parametric bootstrap for testing homogeneity against clustering and assessing the number of clusters
聚类分析中有两个众所周知的难题，即估计聚类数量和检查待聚类的总体是否实际上不同质。给定一个数据集，聚类方法和聚类验证指数，本文提出建立空模型，捕捉不能被解释为指示聚类的数据的结构特征。人工数据集从空模型中采样，参数从原始数据集估计。这可用于检验同质总体相对于聚类备选方案的原假设。它还可以用于校准验证指数，以估计聚类数，通过考虑任何给定数量的聚类的空模型下的指数的预期分布。该方法说明了三个例子，涉及各种不同的聚类技术（分割围绕medoids，分层方法，高斯混合模型），验证指标（平均轮廓宽度，预测强度和BIC），和问题，如混合类型的数据，时间和空间自相关。
2015-02-09 stat.ME
A Jensen-Shannon divergence based $k$--$NN$ algorithm for missing value imputation in compositional data
University of Crete（克里特大学）；University of New Brunswick（新不伦瑞克大学）；Northern Border University（北部边境大学）
提出一种基于Jensen-Shannon散度和Fr\'echet均值的$k$--$NN$非参数方法，用于成分数据缺失值插补，具有自适应性且适用于含零值数据。
2026-05-28 stat.ME
Rectified Fisher-Bingham Model for Compositional Data with Zeros
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出校正的Fisher-Bingham模型用于含零的组成数据，通过平方根变换和隐含模型诱导精确零，避免零填补，提供参数化方法检测组间组成差异，模拟和应用研究表明其在零值多时具有更高功效。
2026-04-27 stat.ME
Parmsurv: a SAS Macro for Flexible Parametric Survival Analysis with Long-Term Predictions
卫生经济学评价通常需要预测随访期后的生存率。参数生存模型比Cox模型更便于经济建模。广义伽玛（GG）和广义F（GF）分布是一个广泛的分布族，包含了几乎所有常用的分布，具有各种危险形状和任意复杂性。在这项研究中，我们提出了一个新的SAS宏实现各种灵活的参数模型，包括GG和GF分布及其特殊情况下，以及Gompertz分布。还支持适当的自定义分发。与现有的SAS程序不同，该宏不仅支持对位置参数的回归，还支持对辅助参数的回归，这大大增加了模型的灵活性。此外，SAS宏支持加权回归、分层回归和稳健推断。本研究通过几个示例演示了SAS宏如何用于灵活的生存建模和外推。
2022-07-12 stat.AP stat.CO stat.ME
A flexible sequential Monte Carlo algorithm for parametric constrained regression
提出了一种算法，使回归曲线的形状约束的实施，而不需要的约束被写为封闭形式的表达式，也不假设的损失函数的函数形式。该算法基于序贯蒙特卡罗-模拟退火，仅依赖于评估约束是否得到满足的指示函数，从而允许通过指定适当的指示函数来强制执行各种复杂的约束，而无需改变算法的其他部分。通过有理函数和单调约束下的B-样条回归模型的拟合，说明了该算法的有效性。使用R的算法实现可以在GitHub上免费获得。
2019-04-01 stat.CO stat.ME
A non-parametric estimator for Archimedean copulas under flexible censoring scenarios and an application to claims reserving
本文将Genest-Rivest阿基米德Copula非参数估计量扩展至灵活删失情形，通过图形化选择与拟合优度验证，并在加拿大车险数据上有效建模相关保险责任激活延迟的相依性，为索赔准备金提供支持。
2024-01-15 stat.AP stat.ME
Score matching for compositional distributions
由于样本空间上的非负性和和对一的约束，具有已知总数的成分数据和多元计数数据的分析具有挑战性。通常情况下，许多组成成分是高度右偏的，有大量的零。目前可用的估计成分模型的一个主要限制是，他们要么不能处理数据中的许多零，或者是不计算在中等到高的维度是可行的。我们得到了一组新的新的得分匹配估计适用于分布的黎曼流形上的边界，其中标准的单纯形是一个特殊情况。分数匹配方法被应用到一个新的灵活的截断模型的组成数据的参数估计，我们证明了估计是可扩展的，并在封闭的形式。通过大量的模拟研究，评分方法被证明是很好的工作，在新的截断模型的参数估计，也为狄利克雷分布。我们将新模型和估计器应用于真实的微生物组组成数据，并表明该模型与数据拟合良好。
2020-12-23 stat.CO stat.ME
Flexible, Non-parametric Modeling Using Regularized Neural Networks
University of Gothenburg（哥德堡大学）；Chalmers University of Technology（查尔姆斯理工大学）
非参数的加法模型能够以灵活但可解释的方式捕获复杂的数据依赖关系。然而，选择加法组件的格式通常需要非平凡的数据探索。在这里，作为一种替代方案，我们提出了PrAda-net，一个隐藏层神经网络，使用近端梯度下降和自适应套索进行训练。PrAda-net自动调整神经网络的大小和架构，以反映数据的复杂性和结构。由PrAda-net获得的紧凑网络可以转换为添加剂模型组件，使其适用于具有自动模型选择的非参数统计建模。我们在模拟数据上演示了PrAda-net，将PrAda-net的测试误差性能、变量重要性和变量子集识别特性与其他基于拉索的神经网络正则化方法进行了比较。我们还将PrAda-net应用于英国大规模的黑烟数据集，演示如何使用PrAda-net对具有空间和时间组件的复杂和异构数据进行建模。与经典的统计非参数方法相比，PrAda-net不需要初步建模来选择添加剂组分的函数形式，但仍然可以得到可解释的模型表示。
2022-01-12 cs.LG stat.CO stat.ME
Flexible Modeling of Demographic Transition Processes with a Bayesian Hierarchical B-splines Model
本文提出B样条转变模型（BTM），用数据自适应的B样条结合贝叶斯分层框架建模多人群人口指标转变过程，在TFR和mCPR预测中表现优于或相当于现有参数模型。
2025-04-08 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
Tree Estimation and Saddlepoint-Based Diagnostics for the Nested Dirichlet Distribution: Application to Compositional Behavioral Data
Stephen F. Austin State University（斯蒂芬·F·奥斯汀州立大学）；Southern Methodist University（南方卫理公会大学）；Northern Arizona University（北亚利桑那大学）
本文提出了一种数据驱动的树寻找算法和基于鞍点的诊断工具，用于改进嵌套狄利克雷分布对组合行为数据的建模与评估。
2026-01-14 stat.ME
Linking COPD Prevalence with Income Distribution: A Spatial Heterogeneous Compositional Regression via Geographically Weighted Penalized Approach
Department of Biostatistics and Data Science, The University of Texas Health Science Center at Houston（德克萨斯大学健康科学中心休斯顿医学院生物统计与数据科学系）；Department of Statistics, University of California, Riverside（加州大学河滨分校统计学系）；Department of Geography, San Diego State University（圣地亚哥州立大学地理学系）；Department of Statistics and Probability, Michigan State University（密歇根州立大学统计与概率系）
本文提出了一种地理加权惩罚组合回归模型，用于分析收入分布与COPD患病率之间的空间异质关系，通过非凸惩罚提升高维空间数据的估计精度和可解释性。
2026-05-15 stat.ME
Dimension reduction of compositional data through mixtures of latent source compositions
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；University of Waterloo（滑铁卢大学）；Australian National University（澳大利亚国立大学）
针对地质学中矿物成分分布的研究挑战，提出基于反向主成分分析的真子单纯形降维算法，在地球化学数据集上验证其比传统PCA更具优势。
2026-10-16 stat.ME
A data-based power transformation for compositional data
组成数据分析可以通过忽略组成约束并应用标准的多变量数据分析来进行，或者通过使用组分比率的日志转换数据来进行。在这项工作中，我们研究了一个更一般的转换，其中包括这两种方法作为特殊情况。这是一个幂变换，涉及单个参数α。该转换有两个等效版本。第一种是保持在单纯形的版本，这是艾奇逊在1986年定义的幂变换。第二个版本是幂变换的线性变换，是Box-Cox型变换。我们讨论了一种估计α值的参数化方法，即最大化其轮廓似然（假设转换数据的多元正态性），并展示了两种版本之间的等价性。其他方法包括判别分析中正确分类概率的最大化和线性回归中伪R平方（如Aitchison在1986年定义的）的最大化。我们研究了α变换、原始数据方法和等距对数比变换之间的关系。此外，我们还定义了与α-变换族相对应的度量族，并考虑了相应的Frechet平均族.
2011-06-16 stat.ME
Semi-parametric bulk and tail regression using spline-based neural networks
University of Arkansas（阿肯色大学）；University of Edinburgh（爱丁堡大学）
本文提出SPQRx，结合样条神经网络与混合GP分布，实现半参数化密度回归，以可靠处理重尾数据的尾部外推。
2026-02-25 stat.ME
Bayesian regularization for flexible baseline hazard functions in Cox survival models
本研究针对Cox生存模型中半参数基线风险的过拟合与不稳定问题，提出基于分段常数混合和B样条的灵活基线风险贝叶斯正则化方法，通过真实数据和模拟实验验证了模型稳健性及B样条设定的优势。
2024-01-31 stat.ME
An algorithm for non-parametric estimation in state-space models
状态空间模型在统计文献中无处不在，因为它们为分析许多时间序列提供了灵活且可解释的框架。在大多数实际应用中，状态空间模型通过参数模型来指定。然而，这种参数模型的规格可能需要重要的建模工作，或者可能导致模型不够灵活，无法再现感兴趣现象的所有复杂性。在这种情况下，一个有吸引力的替代方案包括使用非参数框架直接从数据推断状态空间模型。最近发展的强大的模拟技术，允许改善参数状态空间模型的统计推断。建议将这些技术中的两种，即随机期望最大化（SEM）算法和序贯蒙特卡罗（SMC）方法，用于状态空间模型中的非参数估计。该算法的性能进行评估，通过模拟玩具模型和环境数据的应用进行了讨论。
2020-06-16 stat.CO stat.ME
Transition Models for Count Data: a Flexible Alternative to Fixed Distribution Models
一个灵活的半参数类模型的介绍，提供了一种替代经典的回归模型计数数据的泊松和负二项模型，以及更一般的模型占多余的零，也是基于固定的分布假设。该模型允许数据本身确定响应变量的分布，但在其基本形式中，使用参数项指定解释变量的影响。此外，被认为是一个扩展版本，其中协变量的影响指定非参数。利用几个实际数据应用，提出的模型和传统的模型进行了比较。
2020-03-27 stat.ME
Compositional Covariate Importance Testing via Partial Conjunction of Bivariate Hypotheses
本文针对成分协变量在回归中因总和约束导致传统条件独立性检验失效的问题，提出将相关协变量概念转化到成分数据设定中，并基于双变量条件独立性检验与部分合取假设检验开发了新的重要性检验和变量选择方法，同时给出理论保证和实验验证。
2024-12-31 math.ST stat.ME stat.TH
Marginalizable conditional model for clustered ordinal data
我们引入了一个灵活的参数相关的二进制数据的混合效应模型，参数可以直接解释为边际优势比。这导致一个稳健估计方程，其最佳加权矩阵是真正的基于模型的协方差阵的逆。相关随机效应可以施加灵活的相关结构，相关参数可以通过求解复合似然得分函数来估计。即使在条件参数模型被错误指定时，边缘参数也被一致地估计，并且在正确的模型指定下，与极大似然估计相比，稳健估计过程具有低的估计效率损失。模拟，分析马德拉斯纵向精神分裂症研究和英国社会属性面板调查进行了证明我们的方法。
2014-03-30 stat.ME
Flexible Estimation of the Heterogeneous Non-Parametric Component in a Relative Survival Cure Model
Sapienza Università di Roma（罗马大学）；Istituto Superiore di Sanità（高等卫生研究所）；Fondazione IRCCS Istituto Nazionale dei Tumori（意大利国家肿瘤研究所基金会IRCCS）；Università della Calabria（卡拉布里亚大学）；Karolinska Institutet（卡罗林斯卡学院）
针对经典相对生存治愈模型中函数形式的局限性，本文在广义模型和神经网络框架下放松参数假设，设计EM算法，经模拟研究和真实数据集应用，所提模型在估计意大利结肠癌患者生存结果上优于经典方法。
2026-07-28 stat.AP stat.ME
Perturbation-based Effect Measures for Compositional Data
University of Copenhagen（哥本哈根大学）
针对成分数据现有效应度量不适用于高维稀疏场景、无偏评估成分统计量对响应变量影响困难的问题，提出基于假设数据扰动的平均扰动效应框架，通过重参数化和半参数技术高效估计，经多数据集验证优于现有方法。
2026-08-25 math.ST stat.ME stat.ML
Predicting paleoclimate from compositional data using multivariate Gaussian process inverse prediction
多元成分计数数据出现在许多应用中，包括生态学、微生物学、遗传学和古气候。多元成分计数数据分析中常见的问题是协变量的哪些值会产生观察到的成分。学习协变量和成分计数之间的关系允许在给定成分计数观测值的情况下对未观测到的协变量进行逆预测。高斯过程提供了一个灵活的框架，用于对协变量的功能响应进行建模，而无需假设函数形式。许多科学学科使用高斯过程近似来改进预测并对潜在过程和参数进行推断。当期望在给定响应变量的实现的情况下对未观察到的协变量进行预测时，这称为逆预测。由于逆预测在数学和计算上具有挑战性，因此预测未观察到的协变量通常需要与假设的生成模型不同的拟合模型。我们提出了一种新的计算框架，允许使用生成模型的高斯过程近似进行有效的逆预测。我们的框架使科学学习的潜在过程如何与协变量的协变，同时提供缺失的协变量的预测。所提出的框架是能够有效地探索高维，多模态的潜在空间中出现的反问题。为了展示灵活性，我们应用我们的方法在一个广义线性模型框架来预测潜在的气候状态的多变量计数数据。交叉验证的基础上，我们的模型具有预测能力与目前的方法竞争，同时提供正式的，统计推断的生物系统的基础社区动态以前没有。
2019-03-12 stat.AP stat.ME
Simulation-based assessment of a Bayesian survival model with flexible baseline hazard and time-dependent effects
本研究通过仿真评估基于M样条的灵活贝叶斯生存模型（survextrap R包），在肿瘤临床试验数据上验证其对复杂基线风险和时间效应拟合良好，并为模型选择及默认设置提供指导。
2025-03-27 stat.CO 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
Flexible Bayesian inference for diffusion processes using splines
本文提出用样条基建模漂移与波动率函数的变换形式，并通过 MCMC 进行非参数贝叶斯后验推断，在金融、古气候和天体物理数据上揭示了常用参数扩散模型的可疑之处。
2023-09-29 stat.AP stat.CO stat.ME
Flexible Bayesian Nonlinear Model Configuration
University of Oslo（奥斯陆大学）；Norwegian Computing Center（挪威计算中心）；Medical University of Vienna（维也纳医科大学）
回归模型被广泛应用于各种领域，为不同领域的研究人员提供了强大的科学工具。线性或简单的参数模型通常不足以描述输入变量和响应之间的复杂关系。这种关系可以通过灵活的方法（如神经网络）更好地描述，但这会导致更少的可解释模型和潜在的过拟合。可替代地，可以使用特定的参数非线性函数，但是这样的函数的规范通常是复杂的。在本文中，我们介绍了一个灵活的方法，高度灵活的非线性参数回归模型的建设和选择。非线性特征是分层生成的，类似于深度学习，但在要考虑的可能特征类型上具有额外的灵活性。这种灵活性与变量选择相结合，使我们能够找到一小部分重要的特征，从而找到更可解释的模型。在可能的功能的空间内，贝叶斯方法，根据其复杂性引入先验的功能，被认为是。采用遗传改进的跳模马尔可夫链蒙特卡罗算法进行贝叶斯推断，估计模型平均的后验概率。在各种应用中，我们说明了如何使用我们的方法来获得有意义的非线性模型。此外，我们将其预测性能与几种机器学习算法进行了比较。
2021-11-23 cs.LG stat.CO stat.ME
Robust score matching for compositional data
本文提出一种结合加性对数比变换和加权得分匹配的稳健估计方法，用于受限多项式倾斜成对交互（RPPI）分布的组合数据，对零值和异常值具有鲁棒性，并在模拟和微生物组数据中验证了其有效性。
2023-05-12 math.ST stat.AP stat.CO
Soil Texture Prediction with Bayesian Generalized Additive Models for Spatial Compositional Data
Universitat Politècnica de València（瓦伦西亚理工大学）；Biogipuzkoa Health Research Institute（比奥吉普斯夸健康研究所）；Deusto Physical TherapIker, Faculty of Health Sciences, University of Deusto（德乌斯托大学健康科学学院德乌斯托物理治疗Iker）；School of Science and Technology, IE University（IE大学科学与技术学院）
研究针对成分数据建模方法局限，从贝叶斯视角用R语言\texttt{brms}包提出地理加法回归模型，应用等距对数比变换和惩罚样条，还提出新拟合优度度量，经模拟研究验证并用于土壤质地预测，效果良好。
2026-07-23 stat.AP stat.ME
Flexible Validity Conditions for the Multivariate Matérn Covariance in any Spatial Dimension and for any Number of Components
本文讨论的问题，找到参数约束，确保有效性的多变量Mat{é}rn协方差模型的空间相关性结构的coregionalized变量定义在欧几里德空间。到目前为止，已经给予了双变量设置的关注，而多变量设置已被探索到有限的程度。现有的条件往往意味着严格的限制上界的同位相关系数，这使得多变量Mat{é}rn模型呼吁的情况下，弱空间交叉依赖。我们提供了一个集合的充分有效性条件的多元Mat{é}rn协方差，允许更灵活的参数化比目前可用的，并证明了一个可以达到相当高的上限的配置相关系数相比，我们的竞争对手。最后，我们用一个三变量地球化学数据集的例子说明，并表明我们扩大的参数空间产生更好的拟合性能。
2022-01-03 math.ST stat.ME stat.TH
A class of modular and flexible covariate-based covariance functions for nonstationary spatial modeling
本文提出一类模块化且灵活的基于协变量的参数协方差函数，用于非平稳空间建模，在保持参数方法计算稳定性和可识别性的同时提升灵活性，并通过瑞士降水数据验证了其预测性能与可解释性优于现有方法。
2025-08-04 stat.AP stat.ME stat.ML
The bivariate $K$-finite normal mixture "blanket" copula
存在许多二元参数Copula模型来建模具有不同依赖特征的二元数据。我们提出了一个新的二元参数copula族，它不仅可以处理现有的二元参数copula族中出现的各种依赖模式，而且还提供了一个更丰富的依赖结构。所提出的Copula构造利用了二元正态分布的有限混合。混合操作，不同的相关性和平均参数在每个混合成分介绍了相当灵活的依赖。新的参数copula的理论研究，与一组经典的二元参数copula和说明两个实证例子，从天体物理学和农业，其中一些变量有特殊的和非对称的依赖，分别。
2021-06-29 stat.AP stat.ME
Closed-form Covariance Functions in Space and Time from B-spline Spectral Densities
School of Mathematics & Statistics, University of New South Wales（新南威尔士大学数学与统计学院）
本文通过推导任意阶数和节点位置的B样条谱基的逆傅里叶变换，提出了一类具有闭式表达的非参数自协方差函数（ACF），该类函数具有稠密性、适用多变量及支持非可分离结构等特征，并在理论和实证中均表现出有效性。
2026-10-19 stat.ME stat.ML
Flexible domain prediction using mixed effects random forests
针对小区域样本量不足下的空间指标估计问题，提出基于混合效应随机森林的小区域均值估计框架及非参数bootstrap不确定性估计方法，经数据验证和仿真对比，效果优于传统回归方法。
2022-06-03 stat.AP stat.ME
Gaussian asymptotic limits for the $α$-transformation in the analysis of compositional data
成分数据由分量和为1的比例向量组成。这样的向量位于标准单形中，标准单形是一个有边界的带边流形。在成分数据分析领域中一直存在争议的一个问题是单纯形上度量的选择。一种流行的可能性是使用由Aitchison [1，2]提出的对数变换数据所隐含的度量;另一种流行的方法是使用从环境空间继承的标准欧几里得度量。Tsagris等人。[21]提出了一个单参数幂变换族，即$α$ -变换，它包括艾奇逊变换所隐含的度量和欧几里得度量作为特殊情况。我们的基本理念是，对于许多数据集，使用这些数据来帮助我们确定合适的指标可能是有意义的。一个相关的可能性是将$α$变换应用于一个参数分布族，然后估计a和其他参数。然而，正如我们将看到的，当我们用狄利克雷族遵循这最后一种方法时，在出现$(α\neq 0)$的某种极限情况下需要注意，正如我们在将这个模型拟合到真实和模拟数据时所发现的那样。具体地说，当a的最大似然估计量接近0时，其他参数往往很大。本文的主要目的是研究这一限制的情况下，理论和数值，并提供洞察这些数值结果。
2019-02-21 math.ST stat.ME stat.TH
A flexible, random histogram kernel for discrete-time Hawkes processes
霍克斯过程是一种自激随机过程，用来描述过去事件增加未来事件发生概率的现象。这项工作提出了一种灵活的方法来模拟这些变量，即离散时间霍克斯过程。霍克斯过程的大多数标准模型依赖于描述过去事件影响的函数的参数形式，称为触发核。这可能不足以捕获真实的激励模式，特别是对于复杂的数据。通过利用跨维马尔可夫链蒙特卡罗推理技术，我们提出的模型的触发内核可以采取任何阶跃函数的形式，提供显着更大的灵活性比参数的形式。我们首先通过一个全面的模拟研究证明了该模型的实用性。这包括单变量情景和多变量情景，其中存在多个相互作用的霍克斯过程。然后，我们将所提出的模型应用于几个案例研究：以意大利和法国为例，在COVID-19大流行的早期到中期阶段两国之间的相互作用，以及两个空间接近的国家之间的恐怖活动的相互作用，印度尼西亚和菲律宾，然后在菲律宾的三个地区。
2022-08-04 stat.AP stat.CO stat.ME
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下，匹配和加权方法被广泛用于估计因果量，包括对治疗者的平均处理效应（ATT）。不幸的是，这些方法不一定能实现其目标，即使对照组的协变量的多变量分布与治疗组的协变量分布相同，使两组之间的协变量的一些（潜在的多变量）函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时，对观察到的协变量的调节失败，ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求，特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中，这意味着一组基函数，其中该回归曲面是线性的。然后在对照单位上选择权重，使得处理组和对照组在这些基函数上具有相等的平均值。因此，在加权后，治疗组和对照组的非治疗潜在结局的预期也必须相等，允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外，所产生的权重是（1）精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重，以及（2）等同于一种形式的稳定化反向倾向得分加权，尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST stat.AP stat.ME
Flexible Bayesian Product Mixture Models for Vector Autoregressions
贝叶斯非参数方法的基础上Dirichlet过程混合物已经看到了巨大的成功，在各个领域，并呼吁能够借用信息的聚类样本共享相同的参数。然而，这样的方法可能面临的障碍，在异构设置中，对象被期望仅沿轴的子集聚类，或样本的集群共享仅相同参数的子集。我们克服了这样的局限性，通过开发一类新的产品的Dirichlet过程的位置规模的混合物，使独立的聚类在多个尺度，从而导致不同程度的信息共享样本。首先，我们开发了独立的多元数据的方法。随后，我们将其推广到多变量时间序列数据的框架下的多主题向量自回归（VAR）模型，这是我们的主要重点，超越参数单主题VAR模型。我们建立后验一致性和开发有效的后验计算的实施。涉及VAR模型的大量数值研究显示出在估计、聚类和特征选择准确性方面优于竞争方法的明显优势。我们对人类连接组项目的静息状态fMRI分析揭示了不同智力群体之间的生物学可解释的连接差异，而另一个空气污染应用则说明了与其他方法相比更高的预测准确性。
2022-07-01 math.ST stat.ME stat.TH
