Mixing properties of nonstationary multivariate count processes
本文证明了两个流行整数过程类的非平稳和多元版本的绝对正则性（$β$-混合），并展示了如何利用该结果证明相关模型参数最小二乘估计量的渐近正态性。
2024-08-28 math.ST stat.TH
A Copula-Based Framework for Multivariate Zero-Inflated Mixed Poisson Models
National Economics University（越南国立经济大学）；Hanoi University（河内大学）
本文提出一种基于Copula的多元零膨胀混合泊松模型框架，分离结构零值与潜在强度的相依源，采用IFM或完全极大似然推断，经模拟及基准、医疗数据集验证，具良好性能与实用性。
2026-08-14 stat.OT
On the smallest eigenvalues of covariance matrices of multivariate spatial processes
为多变量空间过程提供模型已引起越来越多的关注。这些模型中的大多数指定参数矩阵协方差函数。基于观察，通过最大似然或其变体来估计参数。虽然单变量空间过程的极大似然估计的渐近性质已经得到了详细的分析，但多变量空间过程的极大似然估计还没有得到应有的重视。在这篇文章中，我们考虑经典的增域渐近设置限制的位置之间的最小距离。然后，从理论的角度研究的主要组成部分之一是基本的协方差阵的渐近正定性。基于对矩阵协方差函数非常弱的假设，我们证明了协方差阵的最小特征值是渐近有界的。几个实际的影响进行了讨论。
2016-02-09 math.ST stat.TH
Multilevel latent Gaussian process model for mixed discrete and continuous multivariate response data
我们提出了一个混合有序和连续多元数据的贝叶斯模型来评估一个潜在的空间高斯过程。我们提出的模型可以用于在许多情况下，在努力量化一个不可观察的连续测量观察到的混合连续和离散的多变量响应。在我们的例子中，潜在的，或不可观察的测量是湿地条件。虽然在每个位置的模型产生的潜在的湿地条件变量的预测值不持有任何内在的价值，湿地条件值的相对大小的兴趣。此外，通过在模型中包含点参考协变量，我们能够在新位置对潜在随机变量和多变量响应进行预测。最后，该模型生成与未观察到的潜在随机场相关的多变量响应的秩。这是一个重要的结果，因为它使我们能够确定哪些响应变量与潜变量最密切相关。我们的方法提供了一种替代传统的指数的基础上最好的专业判断，经常使用的生态学。我们应用我们的模型来评估在科罗拉多州的北普拉特河和格兰德河流域的湿地条件。该模型有利于在多个地点的湿地条件的比较，并在现场测量的重要性排名。
2013-03-23 stat.ME
Latent Deformation Models for Multivariate Functional Data and Time Warping Separability
多变量函数数据提出了在单变量函数数据中没有发现的理论和实践并发症。其中之一是多元函数数据的分量函数为正并且受到相互时间弯曲的情况。也就是说，组件过程表现出一个共同的形状，但受到系统的相位变化跨越其域除了主题特定的时间扭曲，其中每个主题有自己的内部时钟。这激发了一种新的模型，多变量函数数据，连接这种相互的时间扭曲到一个潜在的变形为基础的框架，通过利用一个新的时间扭曲可分性假设。这种可分性假设允许有意义的解释和降维。由此产生的潜在变形模型是非常适合代表常见的功能向量数据。所提出的方法结合了一个随机幅度因子为每个组件与人口为基础的注册跨组件的多元函数数据向量，并包括一个潜在的人口功能，它对应于一个共同的底层轨迹。我们为模型的所有组件提出了估计器，从而实现了多变量函数数据和下游分析（如Fréchet回归）的基于数据的表示。当曲线被完全观察到或观察到有测量误差时，建立收敛速率。的有用性的模型，解释，和实际方面的说明，在模拟和应用程序的多变量人类生长曲线和多变量环境污染数据。
2023-03-08 stat.ME
The Continuous Latent Ornstein-Uhlenbeck Dynamics Framework: A Scalable Latent Process Model for Multivariate Longitudinal Categorical Data
Indiana University（印第安纳大学）；Indiana University School of Medicine（印第安纳大学医学院）
本文针对多变量纵向分类数据的分析挑战，提出CLOUD框架，结合IRT测量组件与时变OU过程，经模拟和ALS数据验证，可灵活刻画受试者特异性疾病演化。
2026-07-31 stat.ME
Modeling Multivariate Mixed-Response Functional Data
我们提出了一个贝叶斯建模框架，用于联合分析不同类型（例如二进制和连续数据）的多个功能响应。我们的方法是基于一个多变量的潜在的高斯过程和模型之间的依赖性的功能响应，通过潜在的过程。我们的框架很容易容纳额外的协变量。我们提供了一种方法来估计多变量的潜在协方差，允许实施多变量函数主成分分析（FPCA），以指定基扩展和简化计算。我们证明了我们的方法，通过模拟研究和应用程序的牙周研究的真实数据。
2016-01-11 stat.ME
Latent-Class Poisson-Lognormal Mixed Models for Clustering Multivariate Longitudinal Count Data
Carleton University（卡尔顿大学）
本研究针对多变量纵向计数数据的聚类需求，提出潜类别泊松-对数正态混合模型，采用变分EM算法估计，经模拟验证效果良好，还应用于COVID-19患者的中性粒细胞RNA-seq数据。
2026-10-12 stat.ME
Small Area Estimation via Multivariate Fay-Herriot Models with Latent Spatial Dependence
Fay-Herriot模型是直接调查估计的标准模型，其中真正感兴趣的数量，超总体平均值是潜在的，并且通过使用辅助协变量来改进其估计。在小面积估计的背景下，这些估计可以通过借用跨空间区域的强度或同时考虑多个结果来进一步改进。我们在这里提供了两个公式来执行小面积估计与Fay-Herriot模型，包括多变量的结果和潜在的空间依赖。我们考虑两个模型配方，其中一个结果的空间依赖结构是可分离的和一个帐户的交叉依赖，通过使用广义多元条件自回归（GMCAR）结构。GMCAR模型显示在一个国家级的例子，以产生较小的均方预测误差，相对于等效的人口普查变量，比可分离的模型和国家的最先进的多变量模型与非结构化的依赖性之间的结果和没有空间依赖性。此外，GMCAR和可分离模型在对美国社区调查的县级数据进行小面积估计时，均方预测误差小于最先进的模型。
2013-10-27 stat.ME
A Latent Trajectory Analysis for Multivariate Outcomes with Mixed-Scale: Application to Alzheimer's Disease Neuroimaging Initiative
Department of Biostatistics, Boston University School of Public Health（波士顿大学公共卫生学院生物统计系）
本研究提出针对混合尺度多元纵向结局的新型潜在轨迹模型，结合期望最大化算法，将其应用于ADNI研究，以识别动态亚组、揭示预后指标，支持个体化治疗规划。
2026-08-10 stat.ME
Modeling Multivariate Spatial-Temporal Data with Latent Low-Dimensional Dynamics
高维多变量时空数据在广泛的应用中经常出现，然而，有相对较少的统计方法，可以同时处理大数据集的空间，时间和变量的依赖关系。在本文中，我们提出了一种新的方法，利用变量，空间和时间的相关性，以实现降维，并促进在高维设置的空间/时间预测。多元时空过程表示为低维潜在因子过程的线性变换。因子过程的空间依赖结构进一步表示为潜在的经验正交函数的非参数化。低维结构在我们的环境中是完全未知的，完全是从空间上不规则但随时间规律收集的数据中学习的。我们提出了创新的估计和预测方法的基础上潜在的低秩结构。建立了估计量和预报量的渐近性质。对合成数据集和真实数据集的大量实验表明，虽然维度显着降低，但空间，时间和变量协方差结构在很大程度上得到了保留。我们的方法的有效性进一步证实了合成和真实数据集上的预测性能。
2020-02-02 stat.ME
Latent Variable Model for Multivariate Data with Measure-specific Sample Weights and Its Application in Hospital Compare
我们开发了一个单因素模型与测量特定的样本权重的多变量数据与多个观察指标聚集在一个更高的水平主题。因此，该因素是同一主题内多个指标共享的潜变量，不同指标和不同主题的样本权重不同。即使在对潜变量进行积分之后，数据的似然性也不能写成每个主题的加权似然性之和，因为主题对于其多个指标具有不同的样本权重。此外，可用指标的数量因主题而异。我们推导出一个伪似然的潜变量模型与测量特定的权重。我们调查的各种统计特性的潜变量模型与测量特定的样本权重和传统的因子分析的连接。我们发现，潜变量模型提供了相合估计的方差时，测量特定的样本权重进行适当的重新调整。提出了两种估计方法--伪似然的期望最大化算法和直接积分隐变量的伪似然边缘化方法，得到参数估计。通过对公开报道的医院的指标和样本权重的分析，说明了这种方法。数值研究进行调查的权重和它们的样本分布的影响。
2019-10-18 stat.ME
Multivariate Spatial-temporal Prediction on Latent Low-dimensional Functional Structure with Non-stationarity
多变量时空数据越来越频繁地出现在广泛的应用中，然而，有相对较少的通用统计方法，可以很容易地使用，同时将空间，时间和变量的依赖关系。在本文中，我们提出了一种新的方法来表示非参数化的线性相关结构的多变量时空过程的潜在的共同因素。通过矩阵因子模型的配置，很好地保留了多变量时空过程观测值的矩阵结构。空间荷载函数通过筛近似非参数估计，可变荷载矩阵通过对称非负定矩阵的特征分析估计。虽然沿空间模式的因子分解类似于空间统计学中的低秩近似方法，但根本区别在于，在我们的设置中，低维结构是完全未知的。此外，我们的方法适应空间上的非平稳性。估计的载荷函数便于空间预测。对于时间预测，我们通过利用一阶MAR（1）的矩阵自回归模型来保持每个时间点的观测值的矩阵结构。所提出的方法的渐近性质的建立。在合成数据集和真实数据集上研究了该方法的性能
2017-11-11 stat.ME
Analytic Standard Errors for Latent Gaussian Discrete-Valued Multivariate Time Series
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Technical University of Munich（慕尼黑工业大学）；Cornell University（康奈尔大学）
针对离散值时间序列建模方法不足的问题，提出基于潜在平稳高斯向量序列的copula式多元模型，推导解析标准误差以促进对潜在高斯动态的推断，并通过模拟研究和实证应用检验其性能。
2026-07-07 stat.ME
On the number of signals in multivariate time series
我们假设一个二阶源分离模型，其中所观察到的多元时间序列是一个潜在的，时间上不相关的时间序列与一些成分纯白噪声的线性混合物。为了避免噪声的建模，我们使用一些标准的方法提取非噪声潜在成分，允许单独建模提取的单变量时间序列。一个重要的问题是确定哪些潜在成分在建模中是感兴趣的，哪些可以被认为是噪声。基于Bootstrap的方法最近已被用于确定潜在的尺寸在各种方法的无监督和监督的降维，我们提出了一套类似的估计策略，二阶平稳时间序列。仿真研究和一个声波的例子来说明该方法的有效性。
2018-01-14 stat.ME
A Latent Class Bayesian Model for Multivariate Longitudinal Outcomes with Excess Zeros
该研究提出一种面向含过多零值的多变量纵向结果的贝叶斯潜类别模型，结合不同零膨胀结果的对应模型与自适应Lasso变量选择，经真实数据与模拟验证有效。
2025-09-05 stat.AP stat.ME
Joint Latent Space Model for Social Networks with Multivariate Attributes
在社会、行为和经济科学的许多应用问题中，研究人员通常拥有一组个体之间的社会网络数据以及每个个体的高维多变量测量。为了分析这样的网络数据结构，我们提出了一个联合属性和人的潜在空间模型（APLSM），总结信息的社会网络和多属性测量的人属性联合潜在空间。我们发展了一个变分贝叶斯期望最大化估计算法来估计属性和人在联合潜空间中的位置的后验分布。这种方法允许有效的整合，信息可视化，并预测社交网络和高维属性测量。使用APLSM，我们探索法国金融精英的内部运作的基础上，他们的社交网络和他们的职业生涯，政治观点和社会地位。我们观察到，法国精英的社会圈子根据他们个人特征的差异而划分。
2021-02-01 stat.AP stat.ME
Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
针对多元高维计数时间序列，提出基于潜高斯动态因子变换的建模方法，利用二阶性质与主成分分析估计参数并证明理论一致性，结合 Kalman 滤波与序贯 Monte Carlo 实现预测。
2025-04-03 econ.EM 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
Modeling of Multisite Precipitation Occurrences Using Latent Gaussian-based Multivariate Binary Response Time Series
建立了一个新的多点观测日降水过程的随机模式。模型的概念是用指示函数和多元高斯分布的椭圆形状来表示日降水发生的联合概率。通过使用这个概念，所需的降水发生建模的参数的数量可以大大减少时，常用的两个状态的马尔可夫链的方法相比。通过这种参数的减少，模拟不同地点观测到的日降水发生过程的时空依赖性不再困难。一个说明性的应用程序，使用的降水记录从网络的10个雨量计在魁北克省南部地区的结果，也证明了所提出的模型的准确性和可行性。
2020-03-18 stat.AP stat.ME
Modelling multivariate spatio-temporal data with identifiable variational autoencoders
针对时空盲源分离仅支持线性解混的问题，本文将可识别变分自编码器扩展至非线性非平稳场景，提出两种潜维度估计方法，经模拟和气象应用验证，可有效恢复潜成分并提升预测精度。
2024-11-01 stat.ME
Modelling Correlation Matrices in Multivariate Dyadic Data: Latent Variable Models for Intergenerational Exchanges of Family Support
我们定义了一个多个连续潜变量的联合分布模型，其中包括一个模型，它们的相关性如何依赖于解释变量。这是出于分析家庭内代际帮助和支持的社会科学研究问题的动机，并应用于这些问题，其中相关性描述了代际之间的相互帮助和不同类型帮助的互补性。我们提出了一个MCMC程序估计的模型，保持了正定性的隐含的相关矩阵，并描述了理论结果，证明这种方法，并促进有效的实施it.The模型应用于英国家庭纵向研究的数据分析交流的实际和财政支持的成年人和他们的非共同居住的父母。
2022-10-26 stat.AP stat.ME
A Bayesian Approach to Restricted Latent Class Models for Scientifically-Structured Clustering of Multivariate Binary Outcomes
在本文中，我们提出了一个总体框架，结合不同质量的证据，以估计潜在的二进制潜变量的存在下施加的限制，以尊重科学的背景。由此产生的算法聚类的多元二进制数据的方式部分由先验知识指导。主要模型假设是1）受试者属于由未观察到的二元状态定义的类别，例如流行病学中病原体的真实存在或不存在，或医学中抗体的真实存在或不存在，或心理学中正确回答测试问题的“能力”，2）二元设计矩阵$Γ$指定每个类别中的相关特征，以及3）给定潜在类，测量是独立的，但是可以具有不同的错误率。条件，确保参数可识别性的似然函数进行了讨论，并通知设计一种新的后验推理算法，同时估计集群的数量，设计矩阵$Γ$，和模型参数。在有限的样本和维度，我们提出了先验假设，使后验分布的集群的数量和模式的潜在状态往往集中在较小的值和稀疏的模式，分别。该模型很容易扩展到研究中，一些科目的潜在类是已知的或重要的先验知识的差分测量精度是从外部来源。所述方法用蛋白质数据的分析来说明，以检测代表硬皮病患者中的自身抗体类的簇。
2018-08-24 stat.ME
Dimension Reduction in Multivariate Extremes via Latent Linear Factor Models
Ruhr-Universität Bochum, Fakultät für Mathematik（波鸿鲁尔大学数学系）
本文提出基于潜在线性因子模型的高维极值降维方法，通过稀疏加载结构和无边界的尾部依赖矩阵实现参数可识别性和可扩展性，应用于空间风能风险估计。
2026-02-26 stat.ME
Latent variable models for multivariate dyadic data with zero inflation: Analysis of intergenerational exchanges of family support
本文提出结合连续潜变量与二元潜类别变量的多变量零膨胀潜变量模型，用MCMC和定制数据增广估计，并基于英国家庭纵向研究分析代际家庭支持交换。
2021-04-23 stat.AP stat.ME
A Fused Latent and Graphical Model for Multivariate Binary Data
我们考虑分析多元二进制数据的建模，推理和计算。我们提出了一个新的模型，由一个低维的潜变量组件和稀疏的图形组件。我们的研究是出于对认知评估中的项目反应数据的分析，并已应用到许多学科的项目反应数据收集。认知评估中项目反应数据的标准方法采用多维项目反应理论（IRT）模型。然而，人类认知通常是一个复杂的过程，因此可能无法通过几个因素充分描述。因此，一个低维的潜在因素模型，如多维IRT模型，往往不足以捕捉数据的结构。该模型增加了一个稀疏的图形组件，捕捉剩余的特设依赖。当图形成分退化时，它简化为一个多维IRT模型。通过构造一个伪似然函数和适当选择惩罚项，同时进行模型选择和参数估计。伪似然函数的凸性使我们能够开发出一种有效的算法，而惩罚项生成一个低维的潜在成分和稀疏的图形结构。在适当的正则条件下建立了理想的理论性质。该方法适用于修订后的艾森克人格问卷，揭示其有用的项目分析。仿真结果表明，该方法在实际应用中效果良好。
2016-06-29 stat.ME
Bayesian Nonparametric Modeling for Multivariate Ordinal Regression
通常假设单变量或多变量有序响应来自潜在连续参数分布，协变量效应线性进入。本文介绍了一种单变量和多变量有序回归的贝叶斯非参数建模方法，该方法基于潜响应和协变量的联合分布的混合建模。建模框架可以高度灵活地推断有序回归关系，避免协变量效应中的线性或加性假设。在标准参数有序回归模型中，计算挑战来自于可识别性约束和需要非标准推理技术的参数估计。非参数模型的一个关键特征是它实现了推理的灵活性，同时避免了这些困难。特别是，我们建立了充分支持的非参数混合模型下的固定截止点，通过离散化的潜在连续响应与顺序响应。通过应用到两个数据集的计量经济学，一个例子，涉及臭氧浓度的回归关系，和多评价协议问题的建模方法的实际效用说明。
2016-09-20 stat.ME
Multivariate Generalised Linear Mixed Models With Graphical Latent Covariance Structure
本文介绍了一种研究多元广义线性混合模型（MGLMM）模拟的一系列响应的相关结构的方法。该方法需要存在的集群的观察和研究的几个响应中的每一个建模使用广义线性混合模型（GLMM）包含随机组件代表集群。我们构造一个MGLMM假设的分布的每个随机组成部分代表的集群是边缘分布的（足够规则的）多变量椭圆轮廓分布。我们使用一个无向图模型来表示随机分量的相关性结构，这些随机分量表示每个响应的观测聚类。这种表示使我们能够得出关于与观测聚类相关的未知潜在决定因素的结论。使用无向图和有向无环图（DAG）的组合，我们共同表示的响应和相关的随机组件的相关结构。应用图形模型的理论，使我们能够描述和得出结论的相关性，在某些情况下，不同的统计性质（\eg以下不同的分布，不同的线性预测和链接函数）的响应之间的依赖性。我们提出了一些模拟研究，说明所提出的方法。
2021-07-30 stat.ME
Parsimoniously Fitting Large Multivariate Random Effects in glmmTMB
本文在glmmTMB中实现降秩方法，将大规模多元随机效应表示为低维潜在变量线性组合，从而高效估计高维协方差矩阵，并应用于广义潜在变量模型和随机斜率模型。
2024-11-07 stat.ME
Correlated Multivariate Poisson Processes and Extreme Measures
多元泊松过程在保险、金融和应用概率的许多其他领域有着重要的应用。在本文中，我们研究了反向模拟方法来模拟多变量泊松过程，并分析了连接到极端的措施，描述联合分布的过程中，在终端模拟时间。
2017-10-27 stat.ME
A latent space model for multivariate count data time series analysis
受犯罪数据启发，提出结合多元时间序列与潜位置网络模型的新框架，利用对数线性向量自回归与潜投影模型揭示时间序列间底层网络，实现高效贝叶斯推断与准确预测。
2024-08-23 stat.AP stat.ME
A factor mixture analysis model for multivariate binary data
本文提出了一个潜在变量模型的二进制数据来自一个不可观测的异质人口。考虑到异质性，取代传统的假设高斯分布的因素，多元高斯的有限混合。该模型的目的是双重的：它允许实现降维时的数据是二分法，同时，它执行基于模型的聚类在潜在空间。通过期望最大化算法的广义版本，通过极大似然方法获得模型估计。为了评估该模型的性能的仿真研究和两个实际应用程序进行了说明。
2010-10-12 stat.ME
Latent class multivariate probit and latent trait models for evaluating test accuracy without a gold standard: A simulation study
本文通过模拟研究比较无金标准下评估测试准确性的LC-MVP与潜在特质模型，发现LC-MVP整体性能更优且更稳健，并推荐结合自定义相关约束和先验使用LC-MVP。
2025-09-23 stat.AP stat.ME
Sparse-GEV: Sparse Latent Space Model for Multivariate Extreme Value Time Serie Modeling
University of Southern California（南加州大学）；IBM T.J. Watson Research Center（IBM T.J. Watson研究中心）
在时间序列模型的许多应用中，如气候分析、社交媒体分析等，我们往往对极端事件感兴趣，如热浪、阵风、突发话题等。这些时间序列数据通常呈现重尾分布而不是高斯分布。由于对数据分布的假设差异很大，而且缺乏足够的极端事件过去数据，这对现有方法构成了巨大挑战。在本文中，我们提出了Sparse-GEV模型，一个潜在的状态模型的基础上的极值建模理论，自动学习稀疏的时间依赖性，并作出预测。我们的模型是理论上有意义的，因为它是第一个模型，学习稀疏的时间依赖性之间的多元极值时间序列。我们证明了我们的算法的性能优越的国家的最先进的方法，包括格兰杰因果关系，copula方法和转移熵，一个合成数据集，一个气候数据集和两个Twitter数据集。
2012-06-18 cs.LG stat.AP stat.ME
Zero-inflation in the Multivariate Poisson Lognormal Family
针对高维计数数据中的零膨胀问题，提出ZIPLN模型，通过伯努利潜在变量扩展PLN，利用变分推断估计参数，在合成数据及含90.6%零值的微生物组数据上验证了其有效性，提高了模型拟合与判别能力。
2025-09-12 stat.AP stat.ME stat.ML
Describing complex disease progression using joint latent class models for multivariate longitudinal markers and clinical endpoints
针对神经退行性疾病进展复杂、患者异质性强的问题，本研究提出联合潜在类别模型，结合多变量混合模型与比例风险模型，在法国MSA队列中识别出5种亚表型，为疾病病理研究与预后预测提供支持。
2023-01-31 stat.AP stat.ME
Multivariate Geometric Anisotropic Cox Processes
本文介绍了一种新的建模框架，多变量各向异性Cox过程。基于多元空间统计学的最新研究成果，提出了一类新的多元各向异性随机场，并由此构造了一类各向异性点过程，给出了模型成立的条件，并对有效点过程依赖性提供了进一步的理解.我们还提出了一个基于似然的推理机制，这种类型的过程。最后，我们通过分析巴罗科罗拉多岛研究中植物和树木的空间生态观测来说明所提出的建模框架的实用性。
2018-08-13 stat.ME
Generalized Multivariate Functional Additive Mixed Models for Location, Scale, and Shape
提出广义多元函数加性混合模型框架，通过潜在高斯过程和函数主成分建模多层混合类型多元函数数据的条件分布，并在R包中实现，验证了其在交通数据上的有效性。
2024-07-30 stat.ME
Latent Multivariate Log-Gamma Models for High-Dimensional Multi-Type Responses with Application to Daily Fine Particulate Matter and Mortality Counts
跟踪和估计每日细颗粒物（PM2.5）非常重要，因为已经表明PM2.5与肺部，心血管系统和中风相关的死亡率直接相关。也就是说，PM2.5的高值构成了美国的公共卫生问题，我们准确估计PM2.5以帮助公共政策决策是很重要的。因此，我们提出了一个贝叶斯层次模型的高维“多类型”的反应。“多类型”响应是指具有不同分布假设的相关响应的集合（例如，连续偏斜观测和计数值观测）。疾病控制和预防中心（CDC）数据库提供了与PM2.5和每日平均PM2.5相关的死亡率计数，这两者在我们的分析中均被视为响应。我们的模型利用了Weibull分布（对PM2.5建模）、Poisson分布（对疾病死亡率建模）和多变量对数Γ分布之间共享的共轭结构，并且我们使用降维来辅助计算。我们的模型也可以用来提高精度的估计和估计值在未披露/失踪的县。我们提供了一个模拟研究来说明模型的性能，并给出了CDC数据集的深入分析。
2019-09-05 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
Multivariate Representations of Univariate Marked Hawkes Processes
University of Otago（奥塔哥大学）
本文探讨了单变量标记Hawkes过程与多变量Hawkes过程之间的联系，提出多变量无标记表示用于参数化单变量标记过程，并展示了其在不同数据上的灵活推断能力。
2024-07-04 stat.ME
Nonstationary Multivariate Gaussian Processes for Electronic Health Records
我们提出了多变量非平稳高斯过程联合建模多个临床变量，其中的关键参数，长度尺度，标准差和观察到的输出之间的相关性，都是时间依赖的。我们通过哈密顿蒙特卡罗（HMC）进行后验推理。我们还提供了获得计算效率的基于梯度的最大后验概率（MAP）估计的方法。我们验证了我们的模型的合成数据以及电子健康记录（EHR）数据从凯撒永久（KP）。我们表明，所提出的模型提供了更好的预测性能超过一个固定的模型，以及发现有趣的潜在的相关性过程中的生命体征，这是潜在的预测患者的风险。
2019-10-13 stat.AP stat.ME stat.ML
Margin-closed regime-switching multivariate time series models
提出一种边际封闭的机制转换多元时间序列模型，利用 Gaussian VAR(k) copula 与跨机制相依约束支持低维推断和多阶段估计，并用于宏观经济商业周期分析。
2023-12-17 stat.ME
Dimension-Grouped Mixed Membership Models for Multivariate Categorical Data
混合隶属度模型（MMM）是一种流行的复杂多元数据的潜在结构模型。MMM不是强制每个主题属于单个集群，而是包含一个特定主题权重的向量，该向量表征跨集群的部分成员关系。这种灵活性带来了唯一识别、估计和解释参数的挑战。在这篇文章中，我们提出了一个新的类的扩展-分组MMM（Gro-M $^3$ s）的多元分类数据，它提高了简约性和可解释性。在Gro-M $^3$ s中，观测变量被划分为组，使得潜在成员资格对于组内的变量是恒定的，但是可以在组之间不同。当所有变量都在一个组中时获得传统的潜在类模型，而当每个变量都在自己的组中时获得传统的MMM。新模型对应于一种新的概率张量分解。理论上，我们推导出透明的可识别性条件，在一般设置的未知的分组结构和模型参数。在方法论上，我们提出了Dirichlet Gro-M $^3$ s的贝叶斯方法来推断变量分组结构和估计模型参数。仿真结果表明，良好的计算性能和经验确认的可识别性的结果。我们说明了新的方法，通过应用程序的功能残疾调查数据集和人格测试数据集。
2023-02-14 stat.ME
A latent factor approach to hyperspectral time series data for multivariate genomic prediction of grain yield in wheat
Wageningen University & Research（瓦赫宁根大学与研究）；International Maize and Wheat Improvement Centre (CIMMYT)（国际玉米小麦改良中心）
本文提出基于潜在因子的高光谱时间序列数据方法，用于提高小麦籽粒产量的基因组预测能力，通过整合多变量预测模型提升预测精度。
2026-01-09 q-bio.QM stat.AP stat.ME
A Parameter Estimation Method for Multivariate Aggregated Hawkes Processes
在用点过程对数据建模时，通常假设事件不能同时发生。这就产生了一个问题，因为真实世界的数据往往包含同步观测，这是由于记录能力的限制和存储大量精确数据的费用造成的聚合或舍入。为了更好地理解过程之间的关系，我们考虑使用多变量Hawkes过程对聚合事件数据进行建模，该过程提供了相互激励行为的描述，并在地震学和金融等领域得到了广泛的应用。在这里，我们概括现有的单变量聚合Hawkes过程的参数估计的方法，多变量的情况下，使用蒙特卡罗期望最大化（MC-EM）算法，并通过模拟研究表明，这个问题的替代方法可以严重偏差，与多变量MC-EM方法优于他们的MSE在所有考虑的情况下。
2021-08-27 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
Deep Probabilistic Spatial Modeling for Multivariate Mixed-Type Responses
Texas A&M University（德克萨斯农工大学）；University of California San Francisco（加州大学旧金山分校）；Kyungpook National University（庆北国立大学）；Baylor University（贝勒大学）
本文提出MultiDeepGP框架，用于空间设置中多变量混合类型响应的联合建模，通过深度潜在表示捕捉空间依赖性，并实现高效的不确定性量化。
2026-03-07 stat.ME
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
Gridding and Parameter Expansion for Scalable Latent Gaussian Models of Spatial Multivariate Data
本文提出网格化与参数扩展方法，改进基于稀疏DAG的可扩展空间高斯过程MCMC算法，提升ESS/s，并在合成数据与G-LiHT林业数据上验证有效性。
2025-03-28 stat.AP stat.CO stat.ME
Wavelet Spectra for Multivariate Point Processes
Wavelet提供了在不同尺度上分析随机过程的灵活性。在这里，我们将它们应用于多变量点过程作为检测和分析未知非平稳性的一种手段，无论是在数据流内还是跨数据流。为了提供统计上的易处理性，时间平滑小波周期图的开发和示出是等价的多小波周期图。在一个平稳的假设下，时间平滑小波周期图的分布被证明是渐近Wishart，与中心矩阵和自由度容易计算的多小波制定。分布的结果扩展到小波相干性，一个时间尺度的过程间相关性的措施。这个统计框架是用来构建一个测试的平稳性在多变量点过程。该方法适用于神经尖峰训练数据，它被证明是检测和随时间变化的依赖模式。
2020-11-03 stat.ME
A spatial dependence graph model for multivariate spatial hybrid processes
本文讨论了多元混合型空间数据的联合分析问题，其中部分数据是点过程，部分数据是格型数据。在对标记空间点和格点过程的统计方法进行调查之后，定义了多变量空间混合过程类，并将其嵌入到空间依赖图模型的框架中。在这个模型中，点和格子子过程被标识为图的节点，而缺失的边表示组件之间的条件独立性。这最终导致了一个通用的框架，任何类型的空间数据在多元设置。我们展示了我们的方法在分析的多变量点格模式的犯罪和救护车服务呼叫在伦敦记录的事件，其中的点是不同的预分类的犯罪事件和网格组件的位置报告不同的聚集事件率在病房一级。
2019-06-18 stat.AP stat.ME
Bayesian Nonparametric Multivariate Mixture of Autoregressive Processes: With Application to Brain Signals
本文提出贝叶斯非参数多元自回归分解模型，将脑信号表示为潜在振荡混合，用于分析酒精对记忆的影响，并发现不同脑区的受试者特定振荡聚类。
2023-05-15 stat.ME
Bayesian analysis of multivariate stable distributions using one-dimensional projections
本文研究一般多元稳定分布的贝叶斯推断。我们利用Matsui和Takemura（2009）的单变量投影表示，以及分布的谱测度表示。我们提出了有效的MCMC计划进行计算时，离散近似的频谱测量，或者，我们建议，由一个正态分布。引入适当的隐变量实现MCMC。在离散近似方面，我们提出了基于特征函数的高效计算方案。
2015-07-27 stat.ME
