Bayesian Inference of Spatially Varying Correlations via the Thresholded Correlation Gaussian Process
针对多模态神经影像学中两种成像模态关联的脑区识别问题，提出基于阈值化相关高斯过程（TCGP）的贝叶斯非参数模型，确保空间相关性的分段平滑、稀疏和跳跃性，在小样本或低信噪比下适用，通过理论分析和实验验证了方法有效性。
2024-11-27 stat.ME
Bayesian Time-Varying Meta-Analysis via Hierarchical Mean-Variance Random-effects Models
NTT DOCOMO, INC.（NTT DOCOMO公司）；Graduate School of Economics, Keio University（庆应义塾大学经济学研究科）；Faculty of Economics, Keio University（庆应义塾大学经济学部）
本文提出基于分层均方随机效应模型的贝叶斯时间变化元分析方法，通过高斯过程建模时间效应，实现对实验均值的高精度估计。
2026-01-16 stat.ME
Bayesian dynamic financial networks with time-varying predictors
本文提出了一种动态网络推理中包含时变预测变量的贝叶斯非参数模型。该模型被用来推断在全球金融危机期间金融市场之间的依赖结构，估计口头和物质的合作努力的效果。有趣的是，我们学到了传染效应，在金融危机期间，语言关系的影响越来越大，而在美国房地产泡沫期间，结果正好相反。
2014-03-10 stat.AP stat.ME
Analyzing initial stage of COVID-19 transmission through Bayesian time-varying model
最近爆发的新型冠状病毒COVID-19以这样或那样的方式影响了我们所有人的生活。虽然医学研究人员正在努力寻找治疗方法，医生/护士正在照顾受影响的个人，但世界各地正在采取“封锁”、“呆在家里”、“保持社交距离”等措施，以遏制其进一步蔓延。为了对非平稳传播进行建模，我们提出了一种新的时变半参数AR $(p)$模型，用于每天收集的新受影响病例的计数值时间序列，并将其扩展为提出一种新的时变ING模型。我们提出的结构的模型是服从哈密顿蒙特卡罗（HMC）采样的有效计算。我们证实了我们的方法相比，一些接近现有的方法显示出优越性的模拟。最后，我们分析了每日新确诊病例的时间序列数据，以研究其通过不同的政府干预的传播。
2020-07-21 stat.ME
Bayesian Inference using the Proximal Mapping: Uncertainty Quantification under Varying Dimensionality
在统计应用中，经常会遇到在变化或未知维空间上支持的参数。示例包括融合套索回归，未知低秩下的矩阵恢复等。尽管通过优化容易获得点估计，但量化其不确定性更具挑战性-在贝叶斯框架中，主要困难是如果分配与$p$维度量相关的先验，则在具有维度$d<p$的任何较低维度子集上存在零后验概率;为了避免这个警告，需要在$d$上选择另一个维度选择先验，这通常涉及高度组合的问题。为了显着减少建模负担，我们提出了一个新的生成过程的先验：从一个连续随机变量，如多元高斯，我们将其转换到一个变维空间使用邻近映射。这导致了一大类新的贝叶斯模型，可以直接利用流行的频率论正则化及其算法，如核范数惩罚和交替方向乘法，同时提供原则性和概率性的不确定性估计。我们表明，这个框架是合理的几何测度理论，并享有一个方便的后验计算通过标准的哈密顿蒙特卡罗。我们证明了它的使用中的动态流网络数据的分析。
2022-10-03 stat.ME
Bayesian Lattice Filters for Time-Varying Autoregression and Time-Frequency Analysis
对非平稳过程进行建模对许多科学学科都至关重要，包括环境科学、生态学和金融学等。因此，灵活的方法，提供准确的估计范围广泛的过程是一个持续的兴趣。我们提出了一种新的方法，基于模型的时频估计使用时变自回归模型。在这种情况下，我们采取完全贝叶斯方法，并允许自回归系数和创新方差随时间变化。重要的是，我们的估计方法使用格型滤波器，并在偏自相关域中进行了投射。边缘后验分布是标准形式，作为我们的估计方法的一个方便的副产品，我们的方法避免了不必要的矩阵求逆。因此，估计在计算上是非常有效和稳定的。为了说明我们的方法的有效性，我们进行了全面的模拟研究，比较我们的方法与其他竞争的方法，并发现，在大多数情况下，我们的方法在估计和真实的时变谱密度之间的平均平方误差方面表现优越。最后，我们通过三个建模应用程序展示了我们的方法，即昆虫通信信号，环境数据（风分量）和宏观经济数据（美国国内生产总值（GDP）和消费）。
2014-08-12 stat.ME
A Time-varying Parameter Based Seasonally-adjusted Bayesian State-space Model for Forecasting
在本文中，我们开发了一个基于时变参数的季节性调整贝叶斯状态空间模型的非平稳时间序列数据集的趋势和季节成分都存在，它是在各种科学学科的大多数真实数据集的一般情况。尽管使用一些做和检查程序来删除这些项以使数据稳定，但我们的模型直接拟合数据集并预测一些未来的观测结果。对于一个特定的先验结构，我们已经考虑，每个参数更新是一维的，所以我们不需要逆任何矩阵，而且我们克服了困难的Metropolis-Hastings步骤简单地通过吉布斯抽样，这是该模型的另一个优点。它还可以处理时间序列上下文中经常出现的缺失数据。我们实施它足够大（24年的月平均温度系列，即观测数=288）为57个气象站在印度，并表明，对于大多数情况下，我们的方法预测相当准确的第25年的月份。
2015-12-07 stat.ME
Spatially Varying Gene Regulatory Networks via Bayesian Nonparametric Covariate-Dependent Directed Cyclic Graphical Models
该研究提出了一种基于贝叶斯非参数协变量依赖定向循环图模型的方法，用于学习空间变化的基因调控网络，通过划分平均获得平滑变化的图结构，并在空间转录组学数据中揭示了具有反馈回路的调控网络。
2025-12-12 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
Bayesian Time Varying Coefficient Model with Applications to Marketing Mix Modeling
本文面向Uber营销组合建模需求，提出一种带分层贝叶斯结构的贝叶斯时变系数模型，利用局部潜变量加权系数并结合随机变分推断，在模拟与真实数据上验证了其在准确性和可解释性上的优势。
2024-12-28 stat.AP stat.ME
Spectral domain likelihoods for Bayesian inference in time-varying parameter models
本文研究时变参数模型贝叶斯推断中频域似然近似的有限样本精度，通过三个模拟研究评估多种频域似然函数，并在鸡蛋价格数据上加以验证。
2024-11-21 stat.ME
Sparse Bayesian State-Space and Time-Varying Parameter Models
在这一章中，我们将回顾贝叶斯框架下单变量和多变量时间序列的时变参数（TVP）模型的方差选择。我们展示了如何连续以及离散的尖峰和板坯收缩先验可以从回归模型的变量选择转移到TVP模型的方差选择，通过使用非中心参数化。我们讨论了有效的MCMC估计，并提供了一个应用程序，美国通货膨胀建模。
2022-07-25 econ.EM stat.ME
Log-regularly varying scale mixture of asymmetric Laplaces for robust Bayesian quantile regression
Meiji University（明治大学）；Keio University（庆应义塾大学）
该研究针对基于非对称拉普拉斯分布的贝叶斯分位数回归对极端观测值敏感的问题，提出AL-LPAL混合分布，建立后验稳健性并开发后验计算方法，经模拟和实际数据验证其预测性能良好。
2026-10-15 stat.ME
Scalable high-dimensional Bayesian varying coefficient models with unknown within-subject covariance
本文提出NVC-SSL方法用于高维贝叶斯变系数模型，通过函数随机效应灵活建模未知受试者内协方差，并设计了在观测数和协变量数上线性扩展的ECM和近似MCMC算法，实现高效变量选择与不确定性量化。
2023-09-18 stat.ME
Bayesian Forecast Combination with Predictive Priors via Particle Filtering
本文提出带预测先验的贝叶斯预测组合框架，首次将前瞻性信号嵌入时变权重更新，以模型多样性为信号实现DTVW方法，通过模拟与实证验证其预测准确性优于TVW等基准，还能提供模型诊断见解。
2025-08-24 stat.ME
A Bayesian framework for cost-effectiveness analysis with time-varying treatment decisions
Brown University（布朗大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于顺序决策的贝叶斯框架，用于处理时间变化治疗决策的成本效用分析，通过联合建模成本和事件时间，解决非随机分配和行政删失问题，并在模拟和真实数据中评估其有效性。
2026-01-19 stat.ME
Bayesian Varying-Effects Vector Autoregressive Models for Inference of Brain Connectivity Networks and Covariate Effects in Pediatric Traumatic Brain Injury
提出贝叶斯变效应向量自回归模型，利用高斯过程混合先验和变分推断，同时估计组特异性脑网络并识别年龄、性别等协变量效应。
2024-05-01 stat.ME
A Bayesian Functional Accelerated Failure-Time Model with Varying Effects Correcting for Measurement Error
提出贝叶斯函数加速失效时间模型，通过高斯过程单指标结构建模功能系数随时间和标量协变量的变化，并利用工具变量处理功能协变量的测量误差，以分析可穿戴设备数据中步数活动与缺血性卒中死亡时间的关系。
2026-06-16 stat.ME
Measuring Effects of Medication Adherence on Time-Varying Health Outcomes using Bayesian Dynamic Linear Models
药物治疗的最重要障碍之一是患者不遵守规定的药物治疗方案。依从性差对所产生的健康措施的影响程度往往是未知的，典型的分析忽略了依从性随时间变化的性质。本文开发了一个建模框架，纵向记录的健康措施建模为随时间变化的药物依从性或其他随时间变化的协变量的函数。我们的框架，它依赖于正常的贝叶斯动态线性模型（DLMs），占随时间变化的协变量，如坚持和非动态协变量，如基线健康特征。鉴于低效率使用标准的推理程序DLMs与不频繁和不规则记录的响应数据，我们开发了一种方法，依赖于因素后验密度成两个术语的产品;非动态参数的边际后验密度，和非动态参数条件下的动态参数的多元正常后验密度。这种因式分解导致两阶段的推理过程，其中非动态参数可以从时变参数中单独推断出来。我们证明了该模型的应用，降压药物对血压水平的随时间变化的影响，从一个队列的高血压患者诊断。我们的模型结果进行了比较，其中遵守通过非动态摘要。
2018-11-30 stat.AP stat.ME
Bayesian Tensor-on-Tensor Varying Coefficient Model for Forecasting Alzheimer's Disease Progression
The University of Texas Health Science Center（德克萨斯大学健康科学中心）；Rice University（莱斯大学）；The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）
本文提出一种新的张量-张量建模框架，利用高斯过程先验灵活建模非线性体素级关系，结合低秩张量系数捕捉空间结构，通过斑块到体素映射实现空间异质性，提升预测准确性与可解释性。
2026-04-09 stat.ME
Distributed Bayesian Varying Coefficient Modeling Using a Gaussian Process Prior
变系数模型（VCM）被广泛用于估计函数数据的非线性回归函数。然而，他们的贝叶斯变体使用高斯过程先验的函数系数，在大规模数据应用中受到了有限的关注，这主要是由于使用马尔可夫链蒙特卡罗（MCMC）算法的后验计算非常慢。我们使用分治贝叶斯方法解决这个问题。我们首先创建大量的数据子样本，这些子样本的大小要小得多。然后，我们制定的VCM作为一个线性混合效应模型，并开发了一个数据增强算法，以获得MCMC提请所有的子集并行。最后，我们将基于MCMC的子集后验估计聚合成单个聚合蒙特卡罗（AMC）后验，该后验用作真实后验分布的计算有效替代。理论上，我们得到了变系数和平均回归函数的AMC后验的minimax最优后验收敛速度。我们提供的子集样本量和子集的数量的顺序量化。实证结果表明，满足我们的理论假设的组合方案，包括AMC后验，有更好的估计性能比他们的主要竞争对手在不同的模拟和实际数据分析。
2022-02-26 stat.CO stat.ME
Bayesian nonparametric graphical models for time-varying parameters VAR
在过去的十年中，大数据已经涌入计量经济学，需要新的统计方法来分析高维数据和复杂的非线性关系。解决维度问题的常见方法依赖于使用静态图形结构来提取感兴趣的变量之间最重要的依赖关系。最近，贝叶斯非参数技术已经成为流行的建模复杂的现象在一个灵活和有效的方式，但只有很少的尝试已经在计量经济学。在本文中，我们提供了一个创新的贝叶斯非参数（BNP）的时变图形框架，在高维时间序列的推断。我们通过Nieto-Barajas et al.（2012）中的时间序列DPP在系数矩阵和协方差矩阵上包括贝叶斯非参数依赖先验规范。继Billio等人（2019）之后，我们的分层先验通过将向量自回归（VAR）系数聚类到组中并将每组的系数缩小到一个共同的位置来克服过度参数化和过度拟合问题。我们的BNP时变VAR模型基于钉板结构，结合相关狄利克雷过程先验（DPP），允许：（i）从时间序列推断时变格兰杰因果关系网络;（ii）灵活建模和聚类非零时变系数;（iii）适应潜在的非线性。为了评估模型的性能，我们通过考虑一个著名的宏观经济数据集来研究我们的方法的优点。此外，我们检查的鲁棒性的方法，通过比较两种替代规格，狄拉克和扩散尖峰先验分布。
2019-06-03 econ.EM stat.ME
Bayesian Data Sketching for Varying Coefficient Regression Models
Department of Statistics Texas A & M University College Station, TX 77843-3143, USA（统计学系，德克萨斯农工大学）；Department of Statistics and Applied Probability University of California Santa Barbara Santa Barbara, CA 93106-3110, USA（统计学与应用概率系，加州大学圣巴巴拉分校）；UCLA Department of Biostatistics University of California Los Angeles Los Angeles, CA 90095-1772, USA（生物统计学系，加州大学洛杉矶分校）
本文提出贝叶斯数据草图方法，通过随机线性变换压缩函数型大数据，使变系数回归模型无需新算法或专用硬件即可高效进行完全基于模型的贝叶斯推断。
2025-05-30 cs.LG stat.ME stat.ML
Bayesian Analysis of Rank Data with Covariates and Heterogeneous Rankers
经常会遇到排名列表形式的数据，并且组合来自不同来源的排名结果可以潜在地生成更好的排名列表并帮助理解排名者的行为。这里感兴趣的是以下设置下的排名数据：（i）可用于排名实体的协变量信息;（ii）不同质量或具有不同意见的排名者;以及（iii）非重叠子组的不完整排名列表。我们回顾了过去几十年来研究人员围绕Thurstone模型家族构建的一些关键思想，并提供了一种统一的方法，用于协变量的贝叶斯秩数据分析（BARC）及其扩展，用于处理异质秩。在贝叶斯框架下，我们可以研究排名者的不同质量，聚类排名者的异质性意见，并测量相应的不确定性。为了使一个有效的贝叶斯推断，我们提倡一个参数扩展的吉布斯抽样从目标后验分布。后验样本还产生贝叶斯聚合排名列表，其中可信区间量化其不确定性。我们调查和比较所提出的方法和其他秩聚合方法在模拟研究和两个真实数据的例子中的性能。
2020-07-17 stat.ME
Bayesian Nonparametric Dynamic State Space Modeling with Circular Latent States
状态空间模型以其在建模各种科学学科中出现的动态系统中的多功能性而闻名。虽然参数状态空间模型已经得到了很好的研究，但相比之下，非参数方法的研究要少得多。在这篇文章中，我们提出了一种新的贝叶斯非参数方法的状态空间建模假设的观测和演化函数是未知的，并随时间变化的关键，我们假设未知的演化方程描述了一些潜在的圆形随机变量的动态演化。基于适当的核卷积的标准维纳过程，我们模型的时变观测和进化函数作为适当的高斯过程，同时采取线性和循环变量作为参数。此外，对于时变演化函数，我们将这样构造的高斯过程围绕单位圆包裹，形成一个合适的圆形高斯过程。我们表明，我们的过程，从而创造满足理想的性能。为了推理的目的，我们开发了一种基于MCMC的方法，结合吉布斯抽样和梅特罗波利斯-黑斯廷斯算法。模拟数据集，一个真实的风速数据集和一个真实的臭氧数据集的应用程序表现出相当令人鼓舞的性能，我们的模型和方法。
2015-07-22 stat.ME
Bayesian analysis of multivariate stochastic volatility with skew distribution
提出了具有斜分布的多变量随机波动率模型。利用Cholesky随机波动模型，将具有杠杆效应的单变量随机波动过程和广义双曲斜t分布嵌入到具有时变相关性的多变量分析中.贝叶斯先验工作允许这种方法提供简约的斜结构，并很容易扩展到高维问题。每日股票收益的分析说明。实证结果表明，时变相关性和稀疏偏斜结构有助于提高预测性能和VaR预测。
2012-12-20 stat.AP stat.ME
Bayesian forecast combination using time-varying features
在这项工作中，我们提出了一种新的框架密度预测组合，通过构建基于时间序列特征的时变权重，这被称为基于时间序列的贝叶斯预测模型平均（FEBAMA）。我们的框架通过贝叶斯对数预测得分来估计预测组合中的权重，其中最佳预测组合由历史信息的时间序列特征确定。特别是，我们使用自动贝叶斯变量选择方法来增加权重的重要性不同的功能。为此，我们的方法相比其他黑箱预测组合方案具有更好的可解释性。我们将我们的框架应用于股票市场数据和M3竞争数据。基于我们的结构，一个简单的最大后验方案优于基准方法，贝叶斯变量选择可以进一步提高点和密度预测的准确性。
2022-06-14 econ.EM stat.CO
Manifold-constrained Gaussian process inference for time-varying parameters in dynamic systems
在生物医学研究和其他科学领域中，对动态系统建模时，常微分方程（ODE）中的参数识别是一项重要且具有挑战性的任务，特别是在存在时变参数的情况下。本文提出了一种快速、准确的时变MAnifold-constrained高斯过程推断方法TVMAGI（Time-Varying MAnifold-constrained Gaussian process Inference），利用噪声和稀疏观测数据同时估计常微分方程中的时常数和时变参数。TVMAGI在系统元件的时间序列以及时变参数上施加高斯过程模型，并限制导数过程以满足ODE条件。因此，TVMAGI完全绕过数值积分，并实现了计算时间的大幅节省。通过将ODE结构通过多种约束，TVMAGI享有贝叶斯范式下的原则性统计结构，这进一步使其能够处理系统与缺失数据或未观察到的组件。高斯过程先验也解决了常微分方程中时变参数的可辨识性问题。与现有的方法不同，TVMAGI可以应用于一般的非线性系统，而无需特定的结构假设。三个仿真例子，包括一个传染病房室模型，以说明我们的方法的鲁棒性和效率相比，数值积分和贝叶斯滤波方法。
2022-02-28 stat.ME
A Bayesian Time-Varying Effect Model for Behavioral mHealth Data
将移动健康（mHealth）设备整合到行为健康研究中，从根本上改变了研究人员和干预人员收集数据以及部署和评估干预策略的方式。在这些研究中，研究人员经常使用生态瞬时评估方法收集密集的纵向数据（ILD），旨在近实时地捕获可能与行为结果相关的心理，情感和环境因素。为了研究在一项新的基于智能手机的戒烟研究中收集的ILD，我们提出了一种用于时变效应模型的贝叶斯变量选择方法，旨在确定潜在风险因素与戒烟尝试关键时刻吸烟行为之间的动态关系。我们使用参数扩展和数据增强技术来有效地探索这些关系的底层结构如何随时间和学科而变化。我们通过引入回归系数的非参数先验来更深入地了解这些关系，这些回归系数将风险因素的类似效应聚集在一起，同时确定它们的包含性。结果表明，我们的方法是很好的定位，以帮助研究人员有效地评估，设计和提供量身定制的干预策略，在关键时刻周围的戒烟尝试。
2020-09-18 stat.AP stat.ME
Efficient bayesian spatially varying coefficients modeling for censored data using the vecchia approximation
本文提出基于Vecchia近似的高效贝叶斯高斯过程模型，用于处理受阻数据中的空间变化系数建模问题。
2025-11-26 stat.CO stat.ME
Multivariate Bayesian Predictive Synthesis in Macroeconomic Forecasting
我们发展的方法和详细的案例研究中使用的一类贝叶斯预测合成（BPS）模型的多变量时间序列预测。这将最近引入的BPS基础框架扩展到多变量环境，并在货币政策环境中的多步骤宏观经济预测的主题和挑战性背景下详细应用。BPS评估-顺序和自适应地随着时间的推移-不同的预测偏差和方面的个别预测密度的误校准，和-关键-随时间变化的相互依赖关系，他们之间在多个系列。我们开发了新的BPS方法的一个特定的子类的动态多变量潜在因素模型隐含的BPS理论。结构化动态潜在因子BPS在此的动机是应用背景--对多个美国宏观经济时间序列进行连续预测，预测结果来自几个传统的计量经济学时间序列模型。案例研究突出了BPS在多个预测范围内改善多个系列预测的潜力，以及它在学习预测模型或代理之间的动态关系中的用途。
2018-08-13 stat.ME
Bayesian modelling of time-varying conditional heteroscedasticity
条件异方差（CH）模型通常用于分析金融数据集。经典的模型，如ARCH-GARCH与时不变系数往往不足以描述随着时间的推移，由于市场的变化频繁的变化。然而，我们可以通过考虑这些模型的时变类似物来获得更好的洞察力。在本文中，我们提出了一种贝叶斯方法来估计这样的模型，并开发计算效率MCMC算法的基础上汉密尔顿蒙特卡洛（HMC）采样。我们还建立了后验收缩率与增加样本量的平均Hellinger度量。我们的方法的性能进行了比较与频率估计和估计的时间常数的类似物。最后，我们获得了一些流行的外汇（货币兑换率）和股票市场数据集的时变参数估计。
2021-03-08 econ.EM math.ST stat.TH
Bayesian spatially varying coefficient models in the spBayes R package
本文描述并说明了spBayes（版本0.4-2）R包中用于拟合空间变系数模型的新功能。新的spSVC函数使用计算效率高的马尔可夫链蒙特卡罗算法，并扩展了仅拟合空间变化截距回归模型的当前spBayes函数，以拟合回归设计矩阵中任意列集的独立或多元高斯过程随机效应。讨论并演示了spSVC的新添加的OpenMP并行化选项，以及用于联合和逐点预测以及模型拟合诊断的帮助函数。所提出的模型的效用说明使用PM10分析在中欧。
2019-12-30 stat.CO
A comparison of Bayesian accelerated failure time models with spatially varying coefficients
加速失效时间（AFT）模型是分析生存数据的常用工具。在公共卫生研究中，数据通常从不同地点的医疗服务提供者那里收集。不同地点的生存率往往呈现地理上不同的模式。本文研究了具有空间变系数的加速失效时间模型。我们比较了三种类型的空间变化系数的先验。提出了一种模型选择准则--伪边缘似然对数（LPML），用以评价不同先验条件下AFT模型的拟合程度。进行了广泛的模拟研究，以检查所提出的方法的经验性能。最后，我们将我们的模型应用于路易斯安那州前列腺癌的SEER数据，并证明了前列腺癌数据对生存率的空间变化影响的存在。
2020-02-08 stat.AP
Bayesian SAR model with stochastic volatility and multiple time-varying weights
本文提出一种融合多层网络与随机波动率的贝叶斯空间自回归面板模型，用于分析G7经济体间时变关系对股市收益和波动率的溢出效应，揭示了合作互动的重要影响及各国网络暴露差异。
2023-10-26 econ.EM stat.AP
Compartmental Disease Models with Time-Varying Transmission Rates: A Bayesian Generalized Hamiltonian Monte Carlo framework with Applications to COVID-19
Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心）；Universidad Autonoma de Madrid（马德里自治大学）；Universidade de Vigo（维戈大学）；Galician Center for Mathematical Research and Technology (CITMAga)（加利西亚数学研究与技术中心）；Euskal Herriko Unibertsitatea (EHU)（巴斯克地区大学）；Basque Foundation for Science (IKERBASQUE)（巴斯克科学基金会）
研究疫情传播中发病率数据问题，提出结合分区模型及时变传播率的贝叶斯框架，用负二项观测模型和广义哈密顿蒙特卡罗进行后验推断，可恢复传播时间变化并量化不确定性，强调选择模型时相关分析及知识的重要性。
2026-07-21 stat.AP stat.CO stat.ME
Asymptotic Performance of Time-Varying Bayesian Optimization
IC, EPFL（EPFL信息与通信学院）
针对时变贝叶斯优化经验成功缺乏理论解释的问题，本文给出累积遗憾的上界与算法无关下界，并推导无遗憾性质的充分条件，首次覆盖实践中主要平稳核函数类别。
2026-10-05 cs.LG stat.ML
Time-varying Bayesian Network Meta-Analysis
复杂皮肤和软结构感染（cSSSI）中存在耐甲氧西林的\textit{Staphylococus Aureus}（MRSA）与患者更大的健康风险和经济成本相关。人们担心MRSA对其他“金标准”治疗（如万古霉素）产生耐药性，并且与利奈唑胺相比，万古霉素的相对疗效存在分歧。有几篇综述论文采用贝叶斯网络荟萃分析（BNMAs）来研究哪种治疗方法对MRSA相关cSSSI最好，但没有一篇涉及基于时间的设计不一致。本文提出了一种时变BNMA（tBNMA），它使用高斯过程内核对研究中的时变处理效应进行建模。一个数据集是从9个现有的MRSA cSSSI NMA综述论文中汇编而成的，其中包含58项研究，比较了19年来的19种治疗方法。tBNMA发现万古霉素的处理效应呈非线性趋势的证据-在2002年至2007年期间，万古霉素的疗效低于利奈唑胺，但此后恢复了统计学等效性。
2023-03-10 stat.AP
Bayesian estimation of large dimensional time varying VARs using copulas
本文提供了一个简单的，但可靠的，替代（贝叶斯）估计的条件均值方程和/或协方差结构中随时间变化的大型多元VAR。与我们的新方法，原来的多变量，n维模型被视为一组n个单变量估计问题，交叉依赖是通过使用Copula处理。因此，在估计单个方程时，仅需要单变量分布函数，其通常以封闭形式可用，并且易于使用MCMC（或其他技术）处理。对各个方程进行并行估计。然后，将各个后验与copula相结合，从而获得可以容易地重新采样的联合后验。我们说明了我们的方法，将其应用到一个大的时变参数VAR与25个宏观经济变量。
2019-12-28 econ.EM stat.OT
Variational Bayesian Adaptation of Noise Covariances in Non-Linear Kalman Filtering
本文研究非线性随机状态空间模型中状态和时变噪声协方差阵的联合估计问题。本文提出了一种基于变分贝叶斯和高斯滤波的近似滤波后验后验分布的有效计算方法。非线性状态空间模型计算的基于高斯滤波的公式化允许使用有效的高斯积分方法，例如无迹变换、体积积分和高斯-厄米特积分以及经典的泰勒级数近似。该算法的性能示出在一个模拟的应用程序。
2013-02-04 stat.ME
Measurement Error in Meta-Analysis (MEMA) -- a Bayesian framework for continuous outcome data
理想情况下，荟萃分析将总结来自几项无偏倚研究的数据。在这里，我们考虑了不太理想的情况，其中贡献的研究可能会受到测量误差的影响。从随机对照试验到回顾性观察研究，测量误差影响着每一项研究设计。我们概述了一个灵活的贝叶斯框架连续的结果数据，它允许一个获得适当的点和区间估计与不同程度的先验知识的测量误差的大小。我们还演示了如何，如果个人参与者数据（IPD）是可用的，贝叶斯元分析模型可以调整多个参与者水平的协变量，测量或不测量测量误差。
2021-08-17 stat.ME
Time-Varying Bayesian Optimization Without a Metronome
EPFL（苏黎世联邦理工学院）
针对时变贝叶斯优化中恒定观测频率假设不现实的问题，本文推导显式纳入采样频率变化的遗憾上界，并据此提出数据集与陈旧数据策略建议，使 BOLT 在合成和真实实验中优于现有方法。
2026-09-25 cs.LG stat.ML
A Bayesian Markov-switching SAR model for time-varying cross-price spillovers
本文提出一种贝叶斯马尔可夫切换SAR模型，通过引入权重矩阵与空间自回归参数的时变动态，识别不同状态下的连接模式，并应用于15个欧盟国家CPI数据，揭示了交叉价格溢出效应的国家间差异。
2023-10-30 econ.EM stat.AP
Bayesian data fusion for unmeasured confounding
贝叶斯因果推断提供了一个原则性的方法，建议的干预措施的政策评估介质或随时间变化的曝光。我们概述了一个一般的方法来估计因果量的设置随时间变化的混杂，如保险引起的中介结果混杂。我们进一步扩展这种方法，提出两个贝叶斯数据融合（BDF）方法的不可测的混杂。使用与混杂偏倚参数相关的量的信息先验，我们的方法结合了来自外部来源的数据，其中测量混杂因素，以便在主要研究人群中推断因果被估量。我们目前的结果，从模拟研究比较我们的数据融合方法，两种常见的频率校正方法的未测量的混杂偏差的调解设置。我们还证明了我们的方法与癌症诊断阶段的作用，在促进黑白结直肠癌生存差异的调查。
2019-02-27 stat.AP stat.ME
Practical Bayesian Inference for Record Linkage
概率记录链接（ProbabilityRecordLinkage，PRL）是在没有唯一标识符的情况下确定两个数据库中的哪些记录对应于同一基础实体的过程。这个问题的贝叶斯解决方案提供了一个强大的机制，传播不确定性，由于不确定的记录之间的联系（通过后验分布）。然而，计算上的考虑严重限制了现有的贝叶斯方法的实用性。我们提出了一种新的计算方法，提供了一个快速算法，用于获得点估计的链接结构，适当占一对一的匹配和一个受限制的MCMC算法，从一个近似的后验分布的样本。我们的进步使得有可能进行贝叶斯PRL更大的问题，并评估结果的灵敏度，以不同的先验规范。我们展示了模拟数据和应用程序的方法，在意大利人口普查覆盖率估计后枚举调查。
2017-12-01 stat.ME
Bayesian Modeling and Estimation of Linear Time-Varying Systems using Neural Networks and Gaussian Processes
Shulman.info（Shulman信息）
本文提出一种统一的贝叶斯框架，通过将系统脉冲响应建模为随机过程，利用变分推断和高斯过程，实现了对线性时变系统的鲁棒估计。
2026-03-31 cs.LG eess.SP stat.ML
The partition problem: case studies in Bayesian screening for time-varying model structure
本文介绍了两个案例研究的数据集的主要推理目标是表征模型结构中的时变模式。这两个例子都被看作是所谓的“分区问题”的一般情况，其中辅助信息（在这种情况下，时间）定义了样本空间上的分区，并且其中不同的模型适用于分区的每个元素。在第一个案例研究中，我们确定了2006- 2010年欧洲主要股票指数资产收益率的协方差阵的时变图形结构。这一结构对于量化金融传染的概念具有重要意义，金融传染是这一时期欧洲主权债务危机背景下经常提到的一个术语。在第二个案例研究中，我们筛选了一个大型的历史公司业绩数据库，以确定特定的公司与令人印象深刻的好（或坏）的性能条纹。
2011-11-02 stat.AP
Bayesian Variable Selection for Cox Regression Model with Spatially Varying Coefficients with Applications to Louisiana Respiratory Cancer Data
Cox回归模型是生存分析中常用的模型。在公共卫生研究中，临床数据通常从不同地点的医疗服务提供者收集。协变量对特定疾病生存率的影响存在很大的地理差异。本文研究了空间变系数Cox回归模型的变量选择问题。我们提出了一个贝叶斯分层模型，它采用了马蹄事先稀疏和点质量混合之前，以确定是否回归系数是空间变化的。一个有效的两阶段计算方法用于后验推理和变量选择。它本质上是应用现有的方法来最大化部分的Cox模型的独立的网站第一，然后应用MCMC算法的变量选择的基础上的第一阶段的结果。进行了广泛的模拟研究，以检查所提出的方法的经验性能。最后，我们应用所提出的方法来分析一个真实的数据集呼吸道癌症在路易斯安那州的SEER计划。
2021-07-28 stat.AP
Efficient Bayesian PARCOR Approaches for Dynamic Modeling of Multivariate Time Series
提出了一种贝叶斯格型滤波和平滑方法，用于对多变量非平稳时间序列进行快速准确的建模和推断。这种方法提供了计算的可行性和可解释的时间-频率分析的多元背景下。建议的框架，使我们能够获得后验估计的时变谱密度的个别时间序列组件，以及后验测量的时间-频率关系的多个组件，如时变相干性和部分相干性。建议制定考虑多元动态线性模型（MDLM）的前向和后向时变偏自相关系数（TV-VPARCOR）。在MDLM上下文中使用近似，避免了计算昂贵的计划后验推断的多变量动态PARCOR模型。通过Whittle算法得到了相应时变向量自回归（TV-VAR）系数的近似推断。所提出的TV-VPARCOR表示的一个关键方面是，它们具有较低的维度，因此比TV-VAR表示更有效。TV-VPARCOR模型的性能说明在模拟研究和分析中产生的神经科学和环境应用的多变量非平稳时间数据。模型的性能进行评估，使用拟合优度测量在时间-频率域，也通过评估短期预测的质量。
2019-07-20 stat.AP stat.CO stat.ME
Flexible Bayesian additive joint models with an application to type 1 diabetes research
纵向和时间-事件数据的联合建模是越来越受欢迎的重要工具，用于深入了解生物标志物和事件过程之间的关联。我们开发了一个通用框架的灵活添加剂联合模型，允许规格的各种影响，如平滑的非线性，时变和随机效应，在纵向和生存的部分模型。我们的扩展是出于波动的疾病特异性标志物之间的关系的调查，在这种情况下，自身抗体，和自身免疫性疾病1型糖尿病的进展。通过使用贝叶斯P样条，我们特别能够捕获高度非线性的受试者特异性标记物轨迹以及标记物与事件过程之间的时变关联，从而对疾病进展有新的见解。该模型是在贝叶斯框架内估计的，并在R-包bamlss中实现。
2017-01-20 stat.AP stat.ME
Fast and Flexible Bayesian Inference in Time-varying Parameter Regression Models
本文将含有K个解释变量和T个观测值的时变参数（TVP）回归模型写成含有KT个解释变量的常系数回归模型。与现有文献中假设系数按照随机游走演化的假设不同，本文引入了TVP的分层混合模型。由此产生的模型密切模仿一个随机系数的规格，分组的TVP到几个政权。这些灵活的混合物允许TVP具有少量、中等或大量的结构断裂。我们开发了计算效率的贝叶斯计量经济学方法的基础上的奇异值分解的KT回归。在人工数据中，我们发现我们的方法在计算时间方面比标准方法更准确，更快。在一个涉及使用大量预测因子进行通货膨胀预测的实证研究中，我们发现我们的模型比其他方法预测得更好，并且记录了不同的参数变化模式，而不是假设参数随机游走演化的方法。
2021-09-30 econ.EM stat.CO
Fitting sparse high-dimensional varying-coefficient models with Bayesian regression tree ensembles
提出稀疏贝叶斯回归树集成模型sparseVCBART，用于高维变系数模型，通过收缩先验实现稀疏性，后验收缩率接近最优，预测精度高且不确定性区间更窄，应用于偏见研究。
2025-10-09 math.ST stat.ME stat.TH
Modelling Animal-Vehicle Collision Counts across Large Networks Using a Bayesian Hierarchical Model with Time-Varying Parameters
动物-车辆碰撞（AVC）在世界各地都很常见，导致动物和人类生命的巨大损失，以及重大的财产损失和定期的保险索赔。了解其发生与各种促成因素的关系，并能够确定高风险地点，对于预防AVC，节省经济，社会和环境成本非常重要。然而，在AVC数据集的研究中存在许多挑战。这些包括动物活动的季节性，未知的暴露（即，动物穿越的数量），在广泛的道路网络的大多数部分非常低的AVC计数，以及使用大型数据集进行离散响应分析带来的计算负担。为了克服这些挑战，提出了一种贝叶斯分层模型，其中暴露量采用非参数Dirichlet过程建模，并且假设段级AVC的数量遵循二项分布。一个Pólya-Gamma增强吉布斯采样器推导出估计所提出的模型。通过使用美国德克萨斯州约10万条州控高速公路路段多年的AVC数据，结果表明，该模型可扩展到大型数据集，具有零的优势和明显的月度季节性计数，同时识别高风险位置（用于设计处理的应用，如带围栏的动物隔离交叉）和基于特定分段因素的关键解释因素（例如改变车速限制），为决策提供有用的数据。
2021-06-14 stat.AP stat.ME
Bayesian Multivariate Approach to Subnational mortality graduation with Age-Varying Smoothness
针对亚国家死亡率数据稀疏问题，提出带年龄差异化折扣因子的多变量贝叶斯动态线性模型，通过跨群体信息共享实现死亡率联合修匀，在英格兰威尔士数据的缺失场景中验证了有效性。
2025-05-20 stat.AP stat.ME stat.OT
