Generalized inference for the common mean of several lognormal populations
研究了对数正态总体共同均值的假设检验和区间估计。基于广义p值和广义置信区间的概念，给出了两种方法。这些新方法是精确的，可以不受样本量、群体数量或差异假设的限制。仿真结果表明，新方法在覆盖概率、大小和功率等方面都优于现有方法。最后给出了一个实际医学数据的数值例子。
2014-05-03 math.ST stat.TH
Nonparametric adaptive inference of birth and death models in a large population limit
出于改进人类人口统计数据库中的死亡率表的动机，我们研究了由时间不均匀的死亡率和生育率供养的人口的随机年龄演化密度的统计推断。在有限的时间范围内，人口的规模增长的渐近性：观察得到更接近的解决方案的冯Foerster麦克肯德里克方程，和困难在于同时控制的随机逼近的限制PDE在一个合适的意义上，连同适当的参数化的各向异性解决方案。在这种情况下，我们证明了新的浓度不等式，使我们能够实现的Goldenshluger-Lepski算法，并推导出甲骨文不等式。我们获得极大极小最优性和适应范围广泛的各向异性的Hölder光滑类。
2019-03-02 math.ST stat.TH
Data Integration by combining big data and survey sample data for finite population inference
在文献中已充分记录了使用大数据在有限人群中进行有效统计推断的统计挑战。这些挑战主要是由于大数据源在代表感兴趣的人群方面覆盖不足以及数据集中可用变量的测量误差造成的统计偏差。通过将总体分层为大数据层和缺失数据层，我们可以通过使用完全响应的概率样本来估计缺失数据层，从而通过使用数据集成估计器来估计总体。通过将数据整合估计量表示为回归估计量，我们可以处理大数据中变量以及概率样本中的测量误差。我们还提出了一个完全非参数的分类方法来识别重叠的单位，并开发了一个偏差校正的数据集成估计错误分类错误。最后，我们发展了一个两步回归数据整合估计器来处理概率样本中的测量误差。本文所提倡的方法的一个优点是，我们不必为方法的工作做出不切实际的随机缺失假设。使用2015-16年澳大利亚农业普查数据将所提出的方法应用于真实数据示例。
2020-06-18 stat.ME
Exact Limits of Inference in Coalescent Models
从分子序列数据恢复总体规模历史是群体遗传学中的一个重要问题。推断通常依赖于一个结合模型，该模型将总体规模历史与系谱联系起来。从这些模型中估计参数的高计算成本通常迫使研究人员选择可用数据的子集或依赖于不充分的汇总统计量进行统计推断。我们考虑的问题，恢复真实的总体规模的历史，从两个可能的替代品的基础上合并的时间数据。我们给出了精确的表达式的概率选择正确的替代在各种生物有趣的情况下，作为替代大小的历史之间的分离的函数，个人的数量，基因座，和采样时间。研究结果适用于人类历史。这项工作具有显着的影响，最优设计时，推理的目标是测试科学假设的总体规模的轨迹在合并模型和没有重组。
2018-01-16 math.ST stat.TH
Bootstrap inference for the finite population total under complex sampling designs
Bootstrap是进行统计推断的有用工具，但在复杂的调查抽样下可能提供错误的结果。关于Bootstrap推理的研究大多是在简单随机抽样和分层随机抽样下进行的。本文提出了一种统一的Bootstrap方法，它适用于一些复杂的抽样设计，包括Poisson抽样和概率比例抽样。Bootstrap方法的两个主要特点是使用学生化进行推理，并通过引入抽样信息，基于多项分布对有限总体进行Bootstrap。我们表明，所提出的自助方法是二阶准确使用Edgeworth展开。两个模拟研究进行了比较建议的自助方法与Wald型方法，这是广泛使用的调查抽样。结果表明，所提出的自助方法是更好的覆盖率，特别是当样本量有限。
2019-01-07 math.ST stat.ME stat.TH
Finite population inference for skewness measures
针对有限总体抽样中的 Bowley 偏度与 Groeneveld-Meeden b3 指数，利用函数 delta 方法推导插件估计量的渐近方差并构造方差估计量，同时评估基于 Hájek 与校准估计量的正态置信区间表现。
2025-02-19 stat.ME
Inference on Eigenvalues of Wishart Distribution Using Asymptotics with respect to the Dispersion of Population Eigenvalues
本文基于总体特征值的块级无穷离差的渐近理论，得到了Wishart矩阵总体特征值的检验和区间估计问题的一些新的实用结果.本文作者在Takemura和Sheena（2005）和Sheena和Takemura（2007 a，b）中发展了这种新的渐近理论，并在这些论文中将其应用于决策理论框架下的总体协方差阵的点估计问题。在本文中，我们将其应用到一些测试和区间估计问题。我们表明，基于这种类型的渐近近似一般比传统的大样本渐近的问题。
2007-04-18 math.ST stat.TH
Combining cluster sampling and link-tracing sampling to estimate the size of a hidden population: asymptotic properties of the estimators
Félix-Medina和Thompson（2004年）提出了一种联系追踪抽样的变体，以估计吸毒者、性工作者或无家可归者等隐藏人口的规模。在他们的变体中，构建了人口成员倾向于聚集的地点的抽样框。该框架并不假定覆盖整个人口，而只是覆盖其中的一部分，而是选择一个简单的随机样本;确定样本点的人口，并要求他们说出加入样本的其他人口成员的名字。这些作者提出了人口规模的极大似然估计，该估计来自于在抽样地点发现的人数的多项模型和认为一个人被特定抽样地点中的任何元素命名的概率（链接概率）不依赖于命名的人，即概率是齐次的模型。后来，Félix-Medina等人（2015）提出了人口规模的无条件和条件极大似然估计，该估计来自一个考虑了链接概率异质性的模型。在这项工作中，我们考虑这种抽样设计和设置条件的一般模型的链接概率，保证一致性和渐近正态的人口规模的估计和模型的参数估计的链接概率。特别地，我们证明了总体大小的无条件和条件极大似然估计是一致的，并且具有彼此不同的渐近正态分布。
2015-06-20 stat.ME
General forms of finite population central limit theorems with applications to causal inference
频率学家的推断通常提供与感兴趣的参数的置信区间或集合相关联的点估计。构造置信区间或置信集需要理解点估计量的抽样分布，在许多但并非所有情况下，这些分布与由中心极限定理确保的渐近正态分布有关。尽管已有文献为超总体模型的统计推断建立了各种形式的中心极限定理，但对于某些基于随机化的因果分析，我们仍然需要一般形式的中心极限定理，其中参数是有限总体的函数，随机性仅来自于处理分配.利用抽样调查和秩统计量的中心极限定理建立了有限总体中心极限定理的一般形式，该定理对于证明零个体因果效应的尖锐原假设下随机化检验的渐近分布，以及获得因果效应估计量的渐近重复抽样分布特别有用.新的中心极限定理适用于多处理水平和多处理因子的一般试验设计，并可直接应用于研究因果推断中许多方法的渐近性质，包括工具变量、回归调整、重新随机化、聚类随机化试验等。它实际上依赖于以前没有建立的有限总体中心极限定理的一般形式。我们的新定理填补了这一空白，为基于渐近随机化的因果推理提供了更坚实的理论基础。
2016-10-16 math.ST stat.TH
Efficient nonparametric statistical inference on population feature importance using Shapley values
针对Shapley总体变量重要性度量计算复杂度随变量数指数增长的问题，提出仅需采样Θ(n)个特征子集的高效估计器，证明其渐近最优收敛性，构建有效统计推断方法，在模拟和住院死亡率预测任务中表现良好。
2020-06-16 stat.ME stat.ML
Combining Cluster Sampling and Link-Tracing Sampling to Estimate Totals and Means of Hidden Populations in Presence of Heterogeneous Probabilities of Links
我们提出了Horvitz-Thompson-like和Hajek-like估计的总和平均值的一个变量的价值与一个难以达到的人口的元素由Felix-Medina和Thompson（2004）提出的链接跟踪抽样的变体采样。这类人群的例子有吸毒者、无家可归者和性工作者。在这个抽样变量中，构建了一个由人口成员倾向于聚集的场所或场所（如公园和酒吧）组成的框架。该框架并不假定涵盖整个人口。从框架中选择元素的初始聚类样本，其中聚类是场地，并且初始样本中的元素被要求说出他们的联系人，这些联系人也是人口的成员。通过在样本中包括不在初始样本中的指定元素来增加样本量。所提出的估计量不使用基于设计的包含概率，而是使用基于模型的包含概率，该包含概率来源于Felix-Medina等人（2015）提出的模型，并通过极大似然估计量进行估计。假设包含概率是异质的，也就是说，它们取决于抽样的人。所提出的估计量的方差的估计是通过自助法获得的，它们被用来构建总数和平均值的置信区间。两个数值研究，其中一个基于真实数据的估计和置信区间的性能进行了评估，结果表明，他们的性能是可以接受的。
2020-05-21 stat.ME
Semiparametric inference on Gini indices of two semicontinuous populations under density ratio models
基尼系数是一种流行的不平等衡量标准，在社会和经济研究中有许多应用。本文研究了两个连续总体基尼指数的半参数推断。我们的特点是每个连续人口的分布由一个离散的点质量在零和一个连续的偏正分量的混合物。半参数密度比模型，然后连接两个分布的正分量。我们提出了两个基尼指数的最大经验似然估计及其差，并进一步研究了所提出的估计的渐近性质。渐近结果使我们能够构建置信区间，并进行假设检验的两个基尼指数和他们的差异。我们表明，建议的估计是更有效的比现有的完全非参数估计。所提出的估计和渐近结果也适用于没有过多零值的情况。仿真研究表明，我们提出的方法优于现有的方法。两个真实数据的应用程序，提出了使用所提出的方法。
2021-06-04 math.ST stat.ME stat.TH
Semiparametric inference on general functionals of two semicontinuous populations
本文提出了对两个连续总体的线性泛函及其函数进行推断的新的半参数方法。每个总体的分布通常是由一个离散的零点质量和一个连续的偏正分量的混合物来表征的，因此这种分布在本质上是不连续的。为了利用来自两个群体的信息，我们通过半参数密度比模型对两个混合分布的正分量进行建模。在此模型下，我们构造了线性泛函及其函数的极大经验似然估计，并证明了估计的渐近正态性。我们证明了线性泛函的估计比完全非参数估计更有效。渐近结果使我们能够构造置信区域和进行假设检验的线性泛函及其功能。我们进一步将这些结果应用到几个重要的总结量，如矩，平均比，变异系数，和广义熵类不等式措施。仿真研究表明，我们提出的半参数方法的优势，一些现有的方法。两个实际数据的例子是为了说明。
2020-12-18 math.ST stat.ME stat.TH
Order restricted inference for comparing the cumulative incidence of a competing risk over several populations
有大量文献研究了在多个人群的竞争风险环境中，与特定或所有替代方案相比，与一个特定原因相关的累积发生率函数的相等性。在本文中，我们提出了一个渐近分布自由测试时的替代品是，关联函数是线性有序的，但不相等。其动机源于这样一个事实，即在许多例子中，这种线性排序在直觉上似乎是合理的，并且通常从经验观察中得到证实。当排序合理时，这些测试更强大。我们还提供了估计的关联函数在此顺序约束下，推导出它们的渐近性质的统计推断的目的，并显示改进的无限制估计时，顺序限制。
2008-05-15 math.ST stat.TH
A Formal Graphical Inference Framework for Combining Effect Size with Statistical Significance: Application to Multivariate and Functional Linear Models
Faculty of Agriculture and Technology, University of South Bohemia（南波希米亚大学农业与技术学院）；Natural Resources Institute Finland (Luke)（芬兰自然资源研究所（Luke））；University of Helsinki（赫尔辛基大学）
提出一种结合效应量与统计显著性的形式化图形推断框架，基于重采样和全局包络，实现强FWER控制，并应用于多元和函数线性模型。
2026-10-08 stat.CO stat.ME
Enhanced Inference for Finite Population Sampling-Based Prevalence Estimation with Misclassification Errors
针对有限总体中带误分类的患病率估计，提出利用有限总体校正间接推导额外方差分量，并构建贝叶斯可信区间以改善覆盖率和宽度。
2023-08-14 math.ST stat.ME stat.TH
Quick overview of inference methods in PLoM: combining fast and exact plug-and-play algorithms to achieve flexibility, precision and efficiency
PLoM中的推理方法概述。
2012-11-16 stat.AP
What is the `relevant population' in Bayesian forensic inference?
在讨论法庭上出示法医证据的贝叶斯范例的著作中，经常提到“相关人群”的概念，但没有明确界定其含义，也没有就如何选择此类人群提出建议。本文旨在更好地理解这一概念。我们的分析旨在足够普遍，以适用于不同的法医技术，我们将考虑DNA分析和说话人识别作为例子。
2014-03-24 stat.AP
Combining allele frequency uncertainty and population substructure corrections in forensic DNA calculations
在法医DNA计算的相关性的个人和DNA的混合物分析，存在两个来源的不确定性的等位基因频率用于评估基因型概率时，评估的可能性。它们是：（i）使用不可避免的有限DNA图谱数据库来估计群体中等位基因频率的估计不精确;以及（ii）群体亚结构的存在。Green和Mortera（2009）表明，这些影响可以单独考虑，使用贝叶斯网络公式中的常见Dirichlet模型，但当组合时，情况并非如此;然而，他们建议可以使用近似值。在这里，我们开发了一个稍微不同的近似，在单个个体的情况下是准确的。我们证明了接近数值使用已公布的数据库的等位基因计数，并说明了将近似到最近发表的统计模型的DNA混合物的计算的效果。
2015-10-06 stat.AP
Bayesian Inference for Finite Populations Under Spatial Process Settings
我们开发了一个基于贝叶斯模型的方法来估计有限人口占空间依赖。我们在这里的创新是一个框架，实现有限的人口数量的空间过程设置的推断。与小区域估计设置的一个关键区别是，我们分析的是由地理坐标参考的有限人口。具体来说，我们考虑一个两阶段的抽样设计，其中的主要单位是地理区域，次要单位是点参考的位置，和测量值被假定为是一个空间过程的部分实现。从地统计模型估计有限的人口数量不考虑抽样设计，这可能会损害推理性能，而基于设计的估计忽略了有限人口的空间依赖性。我们使用模拟实验表明，基于过程的有限总体抽样模型，提高模型拟合和推理模型，未能考虑空间相关性。此外，基于过程的模型提供了更丰富的推理与空间插值地图在整个地区。我们加强了这些改进，并通过提供平均硝酸盐水平及其空间插值图的估计，证明了加州中央山谷水井人口中地下水硝酸盐水平的可扩展推断。
2019-11-20 stat.AP
Valid population inference for information-based imaging: From the second-level $t$-test to prevalence inference
在神经影像数据的多变量模式分析中，通常通过将分类准确度输入到$t$中来执行“二级”推理-测试与受试者之间的机会水平。我们认为，虽然随机效应分析实施的$t$ -测试提供人口推断，如果适用于激活差异，它不能这样做的情况下，分类准确性或其他“信息类”措施，因为这些措施的真实价值永远不会低于机会水平。该约束改变了正在检验的群体水平零假设的含义，其等同于在群体中的任何受试者中没有影响的全局零假设。因此，拒绝它只允许推断有一些科目，其中有一个信息效应，但不是它的推广，使其有效地等同于固定效应分析。这一说法得到了理论论证和模拟的支持。我们审查可能的替代方法，人口推断的信息为基础的成像，收敛的想法，它不应该针对的意思，但在人口中的影响的患病率。这样做的一种方法，“置换为基础的信息流行的推断使用最小的矩阵”，详细描述和应用于经验数据。
2016-08-10 q-bio.NC stat.AP
Galton-Watson process and bayesian inference: A turnkey method for the viability study of small populations
1在生物多样性监测和保护管理中，需要准确预测灭绝时间。2. Galton-Watson过程是描述种群动态的经典随机模型。它的演化类似于矩阵种群模型，其中后代数量是随机的。灭绝概率，灭绝时间，丰度是众所周知的，并给出了明确的公式。与确定性模型相比，它可以应用于小群体。3模型的参数可以通过贝叶斯推断框架进行估计。这使得能够考虑非任意场景。4我们展示了如何将贝叶斯推断与Galton-Watson模型耦合提供几个特征：i）具有易于理解的参数的灵活建模方法ii）与经典矩阵人口模型（Leslie型模型）的兼容性iii）非计算方法，从而以更少的计算获得更多的信息iv）对场景，参数和模型的非任意选择。可以看出，它比经典的矩阵种群模型的生存能力问题更进一步。5为了说明这些特征，我们提供了两个例子的分析细节，其中一个是现实生活中的例子。
2019-01-28 stat.AP
A Bayesian hierarchical modeling approach to combining multiple data sources: A case study in size estimation
为了有效防治艾滋病毒/艾滋病流行病，在某些关键人群中采取有针对性的干预措施至关重要。这类关键人群的例子包括性工作者、注射毒品者和男男性行为者。虽然准确估计这些关键人群的规模很重要，但很难直接接触或统计这些人群的成员。因此，使用间接方法来产生规模估计。已经提出了多种方法来估计这类人群的规模，但往往得出相互矛盾的结果。因此，必须有一个原则性的方法来合并和调和这些估计数。为此，我们提出了一个贝叶斯分层模型，估计的大小，结合多个估计从不同的信息来源的关键人群。所提出的模型利用多年的数据，并明确建模所使用的数据源中的系统误差。我们使用该模型来估计在乌克兰注射毒品的人数。我们评估模型的适当性，并比较每个数据源对最终估计的贡献。
2021-07-13 stat.AP
A Bayesian semi-parametric approach for inference on the population partly conditional mean from longitudinal data with dropout
使用纵向数据的记忆轨迹研究，由于选择性的研究招募和流失，通常会导致高度非代表性的样本。另一个偏差来自练习效果，由于熟悉测试内容或上下文，练习效果会提高或保持成绩。这些挑战可能会使研究结果产生偏差，并严重扭曲对目标人群进行概括的能力。在这项研究中，我们提出了一种方法来估计有限的人口平均值的纵向结果条件是活着在一个特定的时间点。我们开发了一个灵活的贝叶斯半参数预测估计人口推断时，纵向辅助信息是已知的目标人群。我们评估结果的敏感性，不可检验的假设，并进一步比较我们的方法用于人口推断的模拟研究中的其他方法。所提出的方法的动机是15年的纵向数据从桦纵向队列研究。我们应用我们的方法来估计情景记忆中的寿命轨迹，目的是将研究结果推广到目标人群。
2021-03-22 stat.AP stat.ME
MCMC Inference for a Model with Sampling Bias: An Illustration using SAGE data
本文探讨了有偏抽样模型的贝叶斯推断的情况下，感兴趣的人口不能直接抽样，而是通过一个间接的和固有的偏见的方法。观察结果被视为从标记的总体中进行多项抽样过程的结果，而标记的总体又是来自原始感兴趣总体的有偏样本。本文提出了几种吉布斯抽样技术，根据标记种群的观测计数估计原始种群的联合后验分布。这些算法有效地从一个非常大的多项式参数向量的联合后验分布中采样。该方法的样本可用于生成联合和边缘后验推理。我们还提出了一个迭代优化过程的基础上的条件分布的吉布斯采样直接计算的模式的后验分布。为了说明我们的方法，我们将其应用于使用常见的高通量技术，基因表达系列分析（SAGE）生成的信使RNA（mRNA）的标记群体。在酵母酿酒酵母的mRNA表达水平的推断报告。
2007-11-23 stat.AP
Bayesian Inference of a Finite Population Mean Under Length-Biased Sampling
我们提出了一个强大的贝叶斯方法来分析林业数据时，从一个有限的人口未知的大小与长度成比例的概率选择样本。具体而言，我们使用贝叶斯预测推理估计的有限人口平均灌木宽度在石灰石采石场为主的山桃花心木再生长。灌木宽度的数据是使用样带抽样收集的，并假设灌木被选择的概率与其宽度成正比，这是长度偏置抽样。在这种类型的抽样中，人口规模也是未知的，这造成了额外的挑战。感兴趣的数量是平均有限种群灌木宽度，可以估计采石场的灌木总面积。我们的方法是辅助使用三参数广义Γ分布，从而robustifying我们的程序对可能的模型失败。使用条件预测纵坐标，我们表明，该模型，它容纳长度偏差，比模型，没有更好的表现。在贝叶斯计算中，我们通过使用随机抽样器克服了与吉布斯抽样相关的技术问题。
2019-02-12 stat.AP
Inference With Combining Rules From Multiple Differentially Private Synthetic Datasets
Université Laval（拉瓦尔大学）
本文研究如何对多个差分隐私合成数据集进行统计推断，将缺失数据插补中的合并规则扩展到 DIPS 数据，并通过实证评估其适用边界。
2024-05-08 cs.CR cs.LG stat.AP
How Should We Measure Empirical Risk when Synthesizing Population Data?
Massive Data Institute, Georgetown University（乔治城大学大规模数据研究所）
本文探讨合成全量人口数据时经验风险评估框架的不足，指出成员推断攻击和属性推断攻击等传统指标需重新审视，并强调需根据具体情境调整评估方法。
2026-06-15 stat.AP
Adjusted Logistic Propensity Weighting Methods for Population Inference using Nonprobability Volunteer-Based Epidemiologic Cohorts
许多流行病学研究放弃了概率抽样，而转向非概率志愿者为基础的样本，因为成本，响应负担，和生物样本的侵入性。然而，由于缺乏总体代表性，很难从非概率样本进行有限总体推断。为了利用非概率样本进行总体水平的推断，研究了各种反向倾向得分加权方法，其中倾向定义为非概率样本中总体单元的参与率。在本文中，我们提出了一个调整的逻辑倾向加权（ALP）方法来估计参与率的非概率样本单元。与现有的IPSW方法相比，所提出的ALP方法很容易实现的准备使用的软件，同时产生约无偏估计量的人口数量，无论非概率样本率。ALP估计器的效率可以通过在倾向估计中缩放调查样本权重来进一步提高。泰勒线性化方差估计提出了有限总体平均值的ALP估计，占所有来源的变异。建议的ALP方法进行了评估，通过模拟研究和经验，使用天真的未加权的国家健康和营养检查调查III样本，同时以1997年全国健康访谈调查为参考，估计15年的死亡率。
2021-02-25 stat.AP stat.ME
Study designs for extending causal inferences from a randomized trial to a target population
我们研究了将因果推断从随机试验扩展（推广或转移）到目标人群的研究设计。具体来说，我们考虑嵌套试验设计，其中随机个体嵌套在目标人群的样本中，以及非嵌套试验设计，包括复合数据集设计，其中随机试验与单独获得的目标人群非随机个体样本相结合。我们表明，在每个研究设计中可以确定的因果量取决于已知的非随机个体抽样的概率。对于每项研究设计，我们通过g公式和逆概率加权检查潜在结局平均值的识别。最后，我们探讨了潜在的抽样性质的影响设计的识别和估计的概率参加试验。
2019-05-19 stat.AP stat.ME
Combining Data from Surveys and Related Sources
为了提高推断的准确性和降低成本，人们对综合来自若干来源的数据，如抽样调查和行政数据，有相当大的兴趣。需要适当的方法来确保令人满意的推论，因为目标人群和获取数据的方法可能大不相同。为了提供更好的推论，我们使用的方法比当前实践中的方法具有更一般的结构。我们从分析师只有来自每个来源的汇总统计数据的情况开始。在我们的主要方法，不确定池，它是假设分析师可以把一个源，调查$r$，作为唯一的最佳选择的推断。此方法从调查$r$中的数据开始，并添加显示为形成包括调查$r$的聚类的其他来源中的数据。我们还考虑Dirichlet过程混合物，最流行的非参数贝叶斯方法之一。我们使用解析表达式和数值研究的结果来显示该方法的属性。
2022-10-19 stat.AP stat.ME
Redefining Populations of Inference for Generalizations from Small Studies
随着教育实验研究的增长，决策者和实践者不仅对了解什么有效感兴趣，而且对干预措施对谁有效感兴趣。这种对研究结果的普遍性的兴趣得益于旨在改善普遍性的统计方法的进步，特别是当原始研究样本不是随机选择的时候。然而，一个挑战是，普遍性往往是基于小的研究样本。有限的数据影响了治疗影响估计的精确性和偏倚，使人们对概括的有效性提出质疑。本研究探讨了在何种程度上重新定义的推断人口是一个有用的工具，以提高从小型研究的概括。我们讨论了两个主要的框架，重新定义人口和应用的方法，一个经验的例子，在教育中完成的集群随机试验的基础上。我们讨论了各种方法重新定义人口的影响，并为有兴趣使用重新定义的从业者提供指导和一些建议。
2022-04-29 stat.AP stat.ME
Efficient and robust methods for causally interpretable meta-analysis: transporting inferences from multiple randomized trials to a target population
我们提出了因果关系可解释的荟萃分析方法，结合多个随机试验的信息，以估计潜在的（反事实）结果的手段和目标人群的平均处理效应。我们认为可识别性条件，推导出的条件的影响，观察到的数据的法律，并获得识别结果运输因果推断从一组独立的随机试验，一个新的目标人群中，实验数据可能无法使用。我们提出了一个估计的潜在（反事实）的结果平均在目标人群下的每一个治疗研究的试验。估计量使用来自试验集合的协变量、治疗和结果数据，但仅使用来自目标人群样本的协变量数据。我们表明，它是双重强大的，在这个意义上说，它是一致的，渐近正常时，它依赖的模型中的至少一个是正确指定的。我们在模拟研究中研究了估计量的有限样本性质，并使用多中心随机试验的数据演示了其实现。
2022-02-05 stat.AP stat.ME
Joint State-and-Dynamics Inference for Galaxy Population Evolution on an Effective Manifold
Nagoya University（名古屋大学）；The Institute of Statistical Mathematics（统计数学研究所）；The University of Edinburgh（爱丁堡大学）
本文提出将星系演化视为流形上概率测度的时间演化，区分观测、表示和物理测度，揭示流形坐标无需直接物理意义，并展示亮度函数演化可自然描述于Schechter家族中。
2026-08-03 astro-ph.GA stat.AP
Multiple merger coalescent inference of effective population size
本文提出一种贝叶斯非参数方法，在Λ-溯祖模型下从多分歧谱系联合推断有效种群大小轨迹及Beta-溯祖模型参数，并通过模拟和病毒动态、日本沙丁鱼种群数据验证其有效性。
2024-10-21 q-bio.PE stat.AP
Bayesian inference for the multivariate skew-normal model: a Population Monte Carlo approach
基于多变量偏正态模型的频率主义和似然推理方法在使用该模型时遇到了一些技术困难。尽管这类密度的普及，有没有广泛满意的解决方案的估计和测试问题。提出了一种一般群体的蒙特卡罗算法，该算法利用了偏态随机变量的潜在结构随机表示，对模型进行了完整的贝叶斯分析，并考虑了参数空间中的约束条件。所提出的方法可以被定义为弱信息，因为先验分布近似于形状参数向量的实际参考先验。与现有的经典解决方案的结果进行了比较，并通过仿真研究和实际数据的例子说明了该算法的实际实施。对具有偏正态误差的矩阵变量回归模型进行了推广。
2013-02-05 stat.AP stat.ME
Combining observational and experimental data for causal inference considering data privacy
本文探讨了在保护数据隐私的前提下，通过对观察数据进行限制泄露变换并与实验数据结合，以提升因果推断中处理效应估计的泛化能力和精度，并揭示了隐私与效用之间的权衡。
2024-08-23 stat.AP stat.ME
Active sampling: A machine-learning-assisted framework for finite population inference with optimal subsamples
本文提出一种结合主动学习与自适应重要性采样的主动采样策略，通过机器学习预测指导最优子样本迭代采集，用于有限总体推断，并在驾驶辅助系统安全评估中显著优于传统采样方法。
2024-07-04 stat.AP stat.CO stat.ME
Demographic inference using genetic data from a single individual: separating population size variation from population structure
测序技术的迅速发展为群体遗传学研究带来了新的机遇。预计基因组数据将提高我们重建种群历史的能力。虽然遗传信息的增加可能有助于生物学家和人类学家重建人口的人口历史，但它也代表了新的挑战。最近的工作表明，结构化种群会产生种群规模变化的信号。因此，往往难以确定从遗传数据推断的人口增长或收缩（瓶颈）等人口事件是真实的，还是由于人口在性质上是结构性的。鉴于很少有推理方法能让我们解释这种结构，而基因组数据必然会提高参数估计的精度，因此开发新的方法很重要。在本研究中，我们分析了两个人口模型。第一个是瞬时种群规模变化模型，而第二个是经典的对称岛模型。我们（i）重新推导出两个模型下的样本大小为2的聚结时间的分布，（ii）使用最大似然法来估计这些模型的参数，（iii）验证此估计过程下的一系列参数组合，（iv）实施和验证模型选择程序，通过使用Kolmogorov-Smirnov检验。总之，我们表明，它是可能的几个模型下估计参数，并进行有效的模型选择使用遗传数据从一个单一的二倍体个体。
2014-12-03 q-bio.PE stat.AP
An empirical approach to demographic inference with genomic data
用群体遗传数据进行推理时，通常把群体谱系当作一个讨厌的参数，即过去随机交配历史的未观察到的产物。然而，在一个给定的群体中，遗传关系的历史是一个固定的、不可观察的对象，因此另一种方法是将这个关系网络视为一个我们希望了解的复杂对象，通过观察基因组如何通过它嘈杂地传递下去。本文探讨了这一观点，展示了如何将有关群体遗传数据的问题转化为对所有祖先基因组突变的泊松过程的计算。该方法适用于提供一个强大的解释，用于识别混合物的$f_4$统计量，并设计一个新的统计量，测量协方差的平均时间最近的共同祖先之间的两对序列。该方法更一般地解释人口遗传统计的总和特定功能的祖先基因组，从而提供具体的，广泛的解释这些统计数据。这提供了一种描述人口统计历史而无需简化人口统计模型的方法。更一般地说，它把重点放在人口谱系，这是平均在基于模型的人口推断。
2019-04-01 math.PR q-bio.PE stat.AP
Sensitivity analysis using bias functions for studies extending inferences from a randomized trial to a target population
将随机试验的因果推断扩展（推广或转移）到目标人群需要“可推广性”或"可转移性“假设，即随机化和非随机化个体在基线协变量的条件下可以交换。这些假设是根据背景知识作出的，而这些背景知识往往是不确定或有争议的，需要进行敏感性分析。我们提出了简单的敏感性分析的方法，不需要详细的背景知识，具体的未知或无法测量的决定因素的结果或修饰的处理效应。相反，我们的方法直接使用偏置函数来参数化违反假设的情况。我们展示了如何将这些方法应用于非嵌套试验设计，其中试验数据与单独获得的非随机个体样本相结合，以及嵌套试验设计，其中临床试验嵌入从目标人群中抽样的队列中。我们使用一项比较慢性丙型肝炎感染治疗方法的临床试验数据来说明这些方法。
2019-05-25 stat.AP stat.ME
Inference with selection, varying population size and evolving population structure: Application of ABC to a forward-backward coalescent process with interactions
遗传数据通常用于推断人口统计历史和变化或检测选择中的基因。推理方法通常基于做出各种强有力假设的模型：人口统计学和种群结构假设为\textit{a priori}已知，种群遗传组成的进化不影响人口统计学和种群结构，并且遗传菌株之间和内部不存在选择或相互作用。本文提出了一个具有竞争作用和无性生殖的随机生灭模型。我们开发了一个生态，人口和遗传参数的推理程序。我们首先展示了遗传多样性〈动〉性<动>和系谱是如何与出生率和死亡率相关的，以及个体如何在品系内和品系之间竞争。{This引导我们提出一个原始的遗传模型，具有特征结构和相互作用，允许多个合并。其次，我们开发了一个近似贝叶斯计算框架来使用我们的模型分析遗传数据。我们应用我们的程序从玩具模型的模拟数据，并通过分析从中亚人群中采样的Y染色体上的微卫星的遗传多样性〈动〉<动>的真实数据，以测试是否不同的社会组织表现出显着不同的生育能力。
2020-07-25 math.PR q-bio.PE stat.AP
Two Sample Inference for Populations of Graphical Models with Applications to Functional Connectivity
高斯图形模型（GGM）广泛应用于基于fMRI、EEG或MEG的神经成像研究中，以估计功能连接或远程脑区域之间的关系。在多受试者研究中，科学家们试图确定两组受试者之间不同的功能性大脑连接，即患病组中存在但对照组中不存在的连接，反之亦然。这相当于在图形模型选择后对网络边缘进行双样本大规模推理，我们称之为群体后选择推理。目前解决这个问题的方法包括为每个主题估计一个网络，然后假设主题网络是固定的，对每个边缘进行双样本推理。然而，这些方法不能解释与估计每个受试者的图相关的可变性，因此导致大量的假阳性和低统计功效。通过使用恢复和随机惩罚来估计选择后的变异性以及适当的随机效应检验统计量，我们开发了一个新的程序，我们称之为$R^{3}$，解决了这些问题。通过仿真研究，我们表明，$R^{3}$提供了重大改进，目前的方法在错误控制和统计功效。我们应用我们的方法，以确定功能连接存在或不存在的自闭症患者使用ABIDE多学科功能磁共振成像研究。
2015-02-12 q-bio.QM stat.AP stat.ME
Inference on spatiotemporal dynamics for networks of biological populations
本研究利用新推断算法重新审视COVID-19集合种群模型，改进统计拟合与参数识别，发现中国2020年1月23日封锁效果优于先前估计，并提出未来建模的统计分析标准。
2024-02-06 physics.soc-ph q-bio.PE stat.AP
An R package for nonparametric inference on dynamic populations with infinitely many types
本文提出了一种R软件包，用于动态人口非参数推断，解决了Fleming-Viot扩散模型的计算挑战。
2024-09-23 math.PR q-bio.PE q-bio.QM
Resampling: an improvement of Importance Sampling in varying population size models
序贯重要性抽样算法已被定义为估计祖先种群过程模型中的似然性。然而，这些算法是基于恒定的总体规模的模型的特征，并且当总体规模随时间变化时变得低效，使得在许多人口统计情况下基于似然性的推断变得困难。在这项工作中，我们修改了以前的序贯重要性抽样算法，以提高效率的似然估计。我们的程序仍然是基于恒定大小的模型的功能，但使用一个新的rescue概率分布取决于成对的复合似然rescue技术。我们测试了我们的算法，称为序列重要性抽样与reservation（SISR）在不同的人口情况下的模拟数据集。在大多数情况下，对于相同的推理精度，我们将计算成本除以2，在某些情况下甚至除以100。这项研究提供了第一次评估的影响，这种rescue技术的参数推断使用序贯重要性抽样，并扩展了范围的情况下，可能性推断可以很容易地进行。
2016-03-23 math.PR math.ST stat.AP
