Compositional Outcomes and Environmental Mixtures: the Dirichlet Bayesian Weighted Quantile Sum Regression
本研究提出Dirichlet-BWQS回归，用于联合建模组合结局与环境混合物，可同时估计混合物权重及总体暴露指数与各结局比例的关联，并通过模拟和真实数据验证，提供R包实现。
2025-03-28 stat.AP stat.ME
Bayesian non-parametric non-negative matrix factorization for pattern identification in environmental mixtures
环境健康研究人员可能会致力于确定代表来源的暴露模式，产品使用，或行为，引起潜在有害的环境化学品暴露的混合物。我们提出了贝叶斯非参数非负矩阵分解（BN ^2 MF）作为一种新的方法来识别模式的化学品暴露时，模式的数量是未知的先验。我们将非负连续先验放置在模式负载和个体分数上以增强可解释性，并使用聪明的非参数稀疏先验来估计模式数。我们进一步推导出估计值周围的变分置信区间;这是一个关键的发展，因为它量化了模型对估计模式的置信度。这些独特的功能与现有的模式识别方法在这一领域中所采用的是有限的用户指定的模式数，缺乏解释性的模式在人类的理解，以及缺乏不确定性量化。
2021-09-24 stat.AP stat.ME stat.ML
Spatial Bayesian hierarchical modeling of precipitation extremes over a large domain
我们提出了一个贝叶斯分层模型的空间极值上的一个大的域。在数据层中，应用具有广义极值（GEV）边缘的高斯椭圆copula。GEV参数的空间依赖性被捕获与空间变化系数的潜在空间回归。使用复合似然方法，我们能够有效地将一个大的降水数据集，其中包括站与缺失数据。该模型被证明是通过应用到秋季降水极端在大约2600站覆盖美国西部，-125E到-100E经度和30 N到50 N纬度。分层模型提供了GEV参数上的$1/8$ th度网格，因此地图的回报水平和相关的不确定性。模型结果表明，回报水平在空间上和跨季节的一致性变化，提供信息的时空变化的风险，在美国西部的极端降水，有助于基础设施规划。
2016-01-29 stat.ME
Reparameterization of extreme value framework for improved Bayesian workflow
针对极值分析贝叶斯方法计算难、参数化影响算法效率的问题，提出基于单变量极值泊松过程的正交重参数化框架，提升了马尔可夫链蒙特卡洛收敛性，还可推导相关先验并验证后验，已应用于加龙河流量重现水平估计。
2023-06-09 stat.ME
A hierarchical Bayesian non-asymptotic extreme value model for spatial data
针对极端降水空间重现水平估计，本文提出放宽渐近假设的贝叶斯分层非渐近极值模型，利用潜在时空过程和地理协变量刻画事件发生与空间依赖，并通过模拟和北卡罗来纳州降雨应用证明其显著降低了估计不确定性。
2023-04-26 stat.ME
Bayesian Parameter Estimation of Normal Distribution from Sample Mean and Extreme Values
本文针对仅有样本均值、极值和样本量可用的情况，提出基于 Gibbs 采样器与数据增广的贝叶斯正态参数估计方法，并通过模拟验证其精度接近理论预期。
2024-11-20 stat.ME
A Bayesian semi-parametric hybrid model for spatial extremes with unknown dependence structure
最大稳定过程是空间极值的渐近合理模型。特别是，我们专注于分层极值过程（HEVP），这是一个特定的最大稳定的过程，有利于贝叶斯计算。HEVP和所有最大稳定过程模型是参数化的，并施加强有力的假设，包括所有边缘分布属于广义极值族，附近的站点是渐近相关的。我们通过放松这些假设来推广HEVP，以通过空间随机效应分布的Dirichlet过程提供更广泛的一类边缘分布。此外，我们提出了一个混合最大混合模型，结合了参数和半参数模型的优势。我们表明，这种通用的最大混合模型，同时容纳渐近独立性和依赖性，可以使用标准的马尔可夫链蒙特卡罗算法。在蒙特卡罗模拟研究和荷兰阵风数据的应用中，我们的模型的效用进行了评估。
2020-03-24 stat.ME
Bayesian Uncertainty Management in Temporal Dependence of Extremes
在对平稳时间序列的极值进行建模时，必须同时描述边际特征和相关特征。边际建模有标准的方法，但长期和短期的极端依赖性都可能出现。在应用中，长程独立性的假设通常看起来是合理的，但是短程相关性，即，极端现象的聚集，需要引起注意。极值指标$0<θ\le 1$是聚类的一种自然限制性度量，但对于包括所有平稳高斯过程在内的大类相依过程，它不能用$θ=1$区分相依过程和独立过程。Eastoe和Tawn（2012）通过引入基于阈值的极值指数，利用多变量极值的方法来处理平稳时间序列的亚渐近极值依赖结构，涵盖$0<θ<1$和$θ=1$。他们的依赖模型的推断使用一个低效的逐步程序，有各种弱点，并没有可靠的不确定性评估。我们克服了这些问题，使用贝叶斯半参数方法。模拟和英国每日河流流量时间序列的分析表明，新的方法提供了更高的效率，估计性能的泛函的集群。
2016-03-16 stat.ME
Bayesian Benchmark Dose Analysis
环境风险评估的一个重要目标是估计在目标人群中引起预先规定的基准反应的最低接触水平，称为基准剂量（BMD）。已建立的BMD分析的推断方法通常涉及单侧的频率论置信限，在实践中导致所谓的基准剂量下限（BMDLs）。然而，对贝叶斯建模和构建BMDLs的可信限制的呼吁远未得到发展。事实上，对于现有的几种形式的贝叶斯BMD，信息丰富的先验信息很少被纳入。我们开发了重新参数化的定量响应模型，明确描述的BMD作为一个目标参数。我们的目标是获得一个改进的估计和计算原型的BMD和BMDL，通过采用可量化的先验信念来表示参数的不确定性的统计模型。通过基于蒙特卡罗的自适应Metropolis（AM）算法来近似后验分布，便于实现.一个环境致癌性测试的例子说明了计算方法。
2014-06-10 stat.ME
High-dimensional Multivariate Geostatistics: A Bayesian Matrix-Normal Approach
空间导向因变量的联合建模在环境科学中很常见，科学家们试图估计一组环境结果之间的关系，这些结果之间的依赖性和每个结果的空间依赖性。这种建模现在正在寻求大量的数据集，在非常大量的位置测量的变量。贝叶斯推断，虽然有吸引力的容纳不确定性，通过层次结构，可以成为计算繁重的建模海量空间数据集，因为它依赖于迭代估计算法。这篇手稿开发了一个共轭贝叶斯框架，用于分析多变量空间数据，使用分析易处理的后验分布，迭代算法。我们讨论了建模的多变量响应本身作为一个空间的过程和建模的层次模型中的一个潜在的过程之间的差异。我们说明了这些模型的计算和推理的好处，使用模拟研究和分析的植被指数数据集与空间相关的观测编号为数百万。
2020-12-07 stat.ME
Bayesian model averaging over tree-based dependence structures for multivariate extremes
描述极端现象的复杂依赖结构特别具有挑战性。为了解决这个问题，我们开发了一种新的统计算法，描述极值依赖利用最大稳定的嵌套逻辑斯谛分布的固有的层次依赖结构，并确定可能的集群的极端变量使用可逆跳马尔可夫链蒙特卡罗技术。当极端变量的集群被发现是完全独立时，可以实现简约的表示。此外，我们显着降低了计算复杂性的完全似然推断推导出一个递归公式的嵌套逻辑模型的可能性。通过大量的仿真实验验证了算法的性能，并比较了不同的似然程序。新的方法被用来调查在加利福尼亚州的多种污染物的极端浓度之间的依赖关系，以及这些污染物是如何与极端天气条件。总的来说，我们表明，我们的方法允许复杂的极值依赖结构的表示，并在多元数据分析，如空气污染监测，它可以指导决策的有效应用。
2018-07-22 stat.ME
A Bayesian Gaussian Process for Estimating a Causal Exposure Response Curve in Environmental Epidemiology
出于环境政策问题，我们解决的挑战，估计，变点检测和不确定性量化的因果关系的确定性响应函数（CERF）。在潜在结果框架下，CERF描述了连续变化的暴露（或治疗）及其对结果的因果影响之间的关系。我们提出了一种新的贝叶斯方法，依赖于一个高斯过程（GP）模型来估计非参数的CERF。为了实现所需的分离设计和分析阶段，我们参数化的协方差（核）函数的GP模拟匹配通过广义倾向得分（GPS）。超参数以及GP的核函数的形式被选择以优化协变量平衡。我们的方法实现了自动不确定性评估的CERF与高的计算效率，并使变点检测通过推断CERF的衍生物。我们提供的理论结果表明，我们的贝叶斯GP框架和传统的方法之间的对应关系，在因果推断估计连续曝光的因果影响。我们将这些方法应用于520，711个ZIP代码水平的观察，以估计长期暴露于PM2.5，臭氧和NO2对美国医疗保险参保者全因死亡率的因果影响。GPCERF R包中提供了建议的GP模型的计算效率实现，该包可在CRAN上获得。
2023-01-25 stat.AP stat.ME
Bayesian Mixture Models for Heterogeneous Extremes
Unité Biostatistique et Processus Spatiaux, INRAE, France（生物统计与空间过程单元，法国国家农业食品与环境研究院）；School of Mathematics, University of Edinburgh, UK（爱丁堡大学数学学院）；Department of Mathematics, University of Aveiro, Portugal（阿威罗大学数学系）；Department of Environmental Sciences, Informatics and Statistics, Ca’Foscari University of Venice, Italy（威尼斯卡福斯卡里大学环境科学、信息学与统计学系）
本文提出一种贝叶斯混合模型，用于处理极值的异质性，通过Dirichlet过程混合GEV分布，提升灵活性并捕捉观测间的极值相似性。
2026-04-13 stat.ME
Posterior propriety in Bayesian extreme value analyses using reference priors
广义Pareto（GP）分布和广义极值（GEV）分布在极值分析中起着重要的作用，分别作为阈值超集和块极大值的模型。对于这些分布中的每一个，我们认为贝叶斯推断使用“参考”先验分布（在一般意义上的先验构造使用正式的规则）的模型参数，特别是Jeffreys先验，最大数据信息（MDI）先验和独立的统一先验模型参数。我们调查的重要问题，这些不适当的先验是否导致适当的后验分布。我们表明，在GP和GEV的情况下，MDI之前，除非修改，从来没有产生一个适当的后，在GEV的情况下，这也适用于Jeffreys之前。我们还表明，样本量为三（四）是足够的独立均匀先验产生一个适当的后验分布在GP（GEV）的情况下。
2015-08-20 stat.ME
Approximate Bayesian Computing for Spatial Extremes
用于模拟空间极值的最大稳定过程的统计分析受到计算联合似然函数的困难的限制。这排除了所有标准的基于可能性的方法，包括贝叶斯方法。在本文中，我们提出了一个贝叶斯方法，通过使用近似贝叶斯计算。这避免了联合似然函数的需要，而是依赖于来自（不可用的）似然的模拟。该方法与基于复合似然的另一种方法进行了比较。我们表明，近似贝叶斯计算可以导致较低的均方误差比复合似然方法估计的极端空间依赖性时，虽然在一个明显更高的计算成本。我们还说明了该方法的性能与应用程序，美国的温度数据估计作物损失的风险，由于不太可能冻结事件。
2011-12-13 stat.CO stat.ME
A Geometric Framework for the Bayesian Estimation of Joint Environmental Extremes
University of Arkansas（阿肯色大学）；OpenEVT
本研究提出一种双变量极值贝叶斯建模框架，采用几何极值框架分解数据为角度与径向分量，通过周期M-样条和贝塞尔样条估计分布，经数值实验与火灾天气案例验证，可有效估计联合尾部失效集的极端概率。
2026-10-16 stat.AP stat.ME
Assessing the Longitudinal Impact of Environmental Chemical Mixtures on Children's Neurodevelopment: A Bayesian Approach
本文提出贝叶斯变系数分位数回归模型，用于评估化学混合物对儿童神经发育的纵向影响，通过马蹄先验处理高维稀疏数据，并在HOME研究中验证了其有效性。
2024-04-19 stat.AP
A semiparametric spatiotemporal Bayesian model for the bulk and extremes of the Fosberg Fire Weather Index
大规模野火造成了重大的环境问题，精确的火灾风险地图可以改善救灾规划。Fosberg火灾天气指数（FFWI）常被用来衡量森林火灾的风险; FFWI具有非高斯边缘分布和强时空极值依赖性，因此，使用高斯过程等地统计学模型对FFWI进行建模是值得商榷的。极值理论（EVT）驱动的模型，如最大稳定过程在理论上是有吸引力的，但计算要求高，只适用于阈值不稳定或块最大值。灾害管理政策往往考虑气候参数的中极端分位数，因此，需要对数据的主体和尾部进行联合建模。在本文中，我们考虑一个Dirichlet过程的混合空间skew-t过程，可以灵活地模拟散装以及尾部。该模型具有非平稳的均值和协方差结构，以及非零的时空极值相关性。仿真研究表明，该模型具有更好的空间预测性能相比，一些竞争模型。我们开发的FFWI中位数和极端的空间地图，并讨论整个加州圣安娜地区的野火风险。
2020-11-16 stat.ME
Log-Laplace Nuggets for Fully Bayesian Fitting of Spatial Extremes Models to Threshold Exceedances
Colorado State University（科罗拉多州立大学）
本文提出一种乘法对数拉普拉斯 nugget 方法，通过在截断似然中引入条件独立性，实现高维空间极值模型的高效贝叶斯推断，同时保持极值依赖结构。
2026-04-08 stat.ME
Bayesreef: A Bayesian inference framework for modelling reef growth in response to environmental change and biological dynamics
估算地质时期环境过程对垂直礁发育的影响是一项非常具有挑战性的任务。pyReef-Core是一个确定性的碳酸盐岩地层正演模型，旨在模拟关键的生物和环境过程，这些过程决定了化石礁钻芯中的垂直礁增生和组合变化。我们提出了一个贝叶斯框架，称为贝叶斯礁的估计和不确定性量化的参数pyReef核心，代表环境条件影响珊瑚组合的地质时间尺度上的增长。我们证明了多峰后验分布的存在，并调查使用马尔可夫链蒙特卡罗（MCMC）方法，其中包括并行回火MCMC采样的挑战。我们使用合成的珊瑚礁核心调查的基本问题，然后将该方法应用于选定的珊瑚礁核心在澳大利亚大堡礁。结果表明，Bayesreef准确估计并提供了所选参数的不确定性量化，这些参数代表了pyReef-Core中的环境和生态条件。Bayesreef提供了对pyReef-Core中参数的复杂后验分布的见解，这为该领域的未来研究奠定了基础。
2020-03-06 cs.CE stat.AP
Spatiotemporal Modeling of Nursery Habitat Using Bayesian Inference: Environmental Drivers of Juvenile Blue Crab Abundance
育苗场通过丰富的食物资源和避难所，有利于鱼类和甲壳类幼鱼的生长和生存，提高种群的二次生产力。虽然小规模的研究仍然是重要的工具，以评估苗圃价值的栖息地，有针对性的应用程序，统一调查数据在大的时空尺度是至关重要的概括推断苗圃功能，确定高产地区，并告知管理策略。利用21年的地理信息系统和时空索引的潜在苗圃生境的实地调查数据，我们构建了5个贝叶斯模型，不同的时空依赖结构，推断苗圃生境价值的青蟹C。在切萨皮克湾下游的三条支流中发现了沙蜥。从一个完全不可分离的时空模型的样本外预测少年计数优于从简单的模型预测。盐沼表面积，浊度，以及它们之间的相互作用表现出最强的协会（和积极）与丰富。相对海草面积，以前强调的最有价值的苗圃在小的空间尺度的研究，与丰富。因此，我们认为，盐沼应被视为一个关键的苗圃栖息地蓝蟹，即使在广泛的海草床。此外，苗圃的识别应基于广泛的时空尺度的调查，包括多个潜在的苗圃栖息地，并严格解决时空依赖性。
2021-12-17 stat.AP stat.ME
Bayesian inference for the Brown-Resnick process, with an application to extreme low temperatures
Brown-Resnick最大稳定过程已被证明非常适合于模拟复杂环境过程的极端情况，但在许多应用中，其似然函数是棘手的，推理必须基于复合似然，从而防止使用经典的贝叶斯技术。在本文中，我们利用的情况下，可以计算的布朗-Resnick过程的全部可能性，使用组件的最大值和他们的分区在个别事件，我们提出了两个新的方法来推断。第一个估计分区使用去聚类，而第二个使用随机分区的马尔可夫链蒙特卡罗算法。我们使用这些方法来构建一个贝叶斯层次模型，在芬诺斯坎迪亚北部的极端低温。
2016-10-17 stat.AP stat.ME
Bayesian prior elicitation and selection for extreme values
极值分析的一个主要问题是确定形状参数$ξ$的通用广义极值（GEV）和广义帕累托（GP）分布，驱动尾部的行为，并对收益率水平和周期的估计有重大影响。许多从业者选择贝叶斯框架来进行这种评估，以核算参数不确定性，这些不确定性在以少量观测为特征的分析中通常很高。尽管如此，这样的方法可以为$ξ$提供大的可信度域，包括负值和正值，这不允许对尾部的性质做出结论。考虑到块极大值的框架，一个通用的方法来确定的值和符号的$ξ$从模型选择之间的Fréchet，Gumbel和Weibull可能的域的吸引条件的观察。与通常选择GEV作为{ \it采样}极值的适当模型相反，必须非常小心地进行这种模型选择。正确的，信息丰富的和易于使用的先验的启发是基于以下原则进行的：对于所有的参数尺寸，他们作为后验的noninformative先验和虚拟样本。这些虚拟样本的统计数据可以从先前的预测信息中评估，并且可以执行相容性规则以完成校准，即使它们只是半共轭的。此外，模型选择是使用混合包围框架进行的，该框架允许处理贝叶斯因子的计算。激励一个真正的案例研究，涉及气象量级的专家知识的启发，玩具的例子也说明了整体的方法。
2018-06-17 stat.ME
Bayesian Spatiotemporal Wombling
Drexel University（德雷塞尔大学）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）；University of California, Los Angeles（加州大学洛杉矶分校）
开发贝叶斯模型和推理来研究沿给定表面的方向变化率，利用传统多线性向量分析框架等为时空响应中的差异行为设计推理框架，用于环境等多领域。
2026-07-07 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
Bayesian threshold selection for extremal models using measures of surprise
统计极值理论关注的是使用渐近激励模型来描述过程的极值。许多常用的模型对于超过某个高阈值的观测数据是有效的。然而，在实践中，一个合适的阈值是未知的，必须为每个分析确定。虽然有许多单变量极值的阈值选择方法，但可以应用于多变量设置的方法相对较少。此外，只有少数基于贝叶斯的方法，由于数据稀缺，这些方法在极端情况建模方面自然具有吸引力。使用贝叶斯措施的惊喜，以确定合适的阈值极值模型的建议。这些措施量化了对拟议极值模型和阈值的支持程度，而无需指定任何模型替代方案。这种方法很容易实现单变量和多变量的极端。
2014-12-09 stat.CO stat.ME
INLA goes extreme: Bayesian tail regression for the estimation of high spatio-temporal quantiles
这项工作的动机是2017年极值分析会议（EVA 2017）的挑战，其目标是预测观测和未观测地点每个月$99.8\%$水平的日降水分位数。我们在这里开发了一个贝叶斯广义加法建模框架，用于估计在空间和时间上观察到的边际极值的复杂趋势。我们的方法是基于一组回归方程的关联概率高于一个高的阈值和过量的大小，后者被建模使用广义帕累托（GP）分布建议的极值理论。使用高斯过程先验对潜在随机效应进行加性和半参数建模，这提供了高度的灵活性和可解释性。由于集成嵌套拉普拉斯近似（INLA）在R-INLA软件中有效实现，可以快速准确地估计后验分布，我们还使用该软件基于分布主体的模型确定非平稳阈值。我们表明，GP分布满足理论要求的INLA，然后我们开发了一个惩罚的复杂性先验规范的尾部指数，这是一个重要的参数外推尾事件概率。这种先验将质量集中在接近轻指数尾部的地方，同时通过惩罚到指数分布的距离来允许较重的尾部。我们通过EVA 2017挑战提供的每日降水数据的空间和季节趋势建模来说明这种方法。利用R-INLA的快速计算能力和大型分布式计算资源，我们进行了广泛的交叉验证研究，以选择控制趋势平滑度的模型参数。我们的结果优于简单的基准测试，并与最佳评分方法相媲美。
2018-02-04 stat.ME
Full Bayesian analysis for a class of jump-diffusion models
一个新的贝叶斯显着性检验调整的跳跃检测扩散过程。这对于具有极端值异常值的时间数据（如金融数据、洪积或构造力记录等）是有利的过程。
2008-02-23 stat.ME
Bayesian Nonparametric Conditional Copula Estimation of Twin Data
一些关于双胞胎遗传力的研究旨在了解环境和遗传因素对特定性状的不同贡献。结合全国优秀双胞胎研究，我们的目的是正确分析社会经济地位对双胞胎认知能力关系的影响。我们的方法是基于条件Copula，这使我们能够模拟协变量驱动的主要变量之间的依赖强度的影响。我们提出了一个灵活的贝叶斯非参数方法估计的条件copula，它可以模拟任何条件copula密度。我们的方法扩展了Wu et al（2015）的工作，通过在无限混合模型中引入协变量的依赖性。我们的研究结果表明，环境因素在社会经济地位较低的家庭中更有影响力。
2017-07-03 stat.AP stat.ME
Amortized Bayesian Inference for Spatio-Temporal Extremes: A Copula Factor Model with Autoregression
本研究提出带自回归因子的贝叶斯时空Copula极值模型，结合嵌入摊销神经后验估计的Gibbs采样实现高效推断，经模拟和降水数据验证，可提升估计精度，为热带干旱地区气候风险管理提供支持。
2025-10-02 stat.ME
Bayesian Inference from Composite Likelihoods, with an Application to Spatial Extremes
复合似然越来越多地用于完全似然在分析上未知或计算上禁止的应用中。虽然最大合成似然估计具有类似于通常的极大似然估计的频率论性质，但基于合成似然的贝叶斯推断还有待探索。在本文中，我们研究使用梅特罗波利斯-黑斯廷斯算法来计算基于复合似然的伪后验分布。提出了两种调整算法的方法，并使用模拟数据集和实际降雨空间极值数据研究了它们在逼近真实后验分布方面的性能。
2011-07-06 math.ST stat.ME stat.TH
Bivariate Analysis of Birth Weight and Gestational Age Depending on Environmental Exposures: Bayesian Distributional Regression with Copulas
在这篇文章中，我们分析了围产期数据与出生体重（BW）作为主要有趣的反应变量。遗传年龄（GA）通常是一个重要的协变量，并包括在多项式形式。然而，与这种单变量回归相反，建议对BW和GA进行双变量建模，以区分对每一个、对两者以及它们之间的影响。而不是一个参数的二元分布，我们应用条件copula回归，其中的边缘分布的BW和GA（不一定是相同的形式）可以独立估计，其中的依赖结构建模条件的协变量分别从这些边缘。在所得到的分布回归模型中，两个边缘和copula参数的所有参数都是观测特定的。除了生物统计和产科信息外，还包括饮用水污染和产妇吸烟数据，作为环境协变量。虽然高斯分布适用于BW，但三参数Dagum分布更好地模拟了倾斜的GA数据。克莱顿copula表现优于Gumbel和对称高斯copula，表明较低的尾部依赖性（当两个变量都很低时，依赖性更强），尽管BW和GA之间的这种非线性依赖性令人惊讶地弱，并且只受剖腹产的影响。一个非线性趋势的BW GA检测到一个经典的单变量模型，是多项式的GA的效果。两个模型对BW均值的线性影响相似，而我们的分布copula回归也揭示了协变量对所有其他参数的影响。
2021-10-31 stat.AP stat.ME
Bayesian Monotone Regression using Gaussian Process Projection
形状约束回归分析在剂量-反应模型、环境风险评估、疾病筛查等领域有着广泛的应用。简化形状约束可以提高估计效率并避免不可信的结果。我们提出了两种新的方法，侧重于贝叶斯单调曲线和曲面估计使用高斯过程投影。第一个项目的样本从一个无约束的前，而第二个项目的样本从高斯过程后。理论发展的连续性的投影，后验一致性和收缩率。第二种方法被证明有一个经验贝叶斯理由，并导致在有限的样本具有良好的性能简单的计算。我们的投影方法可以应用于其他约束函数估计问题，包括在多变量设置。
2013-06-17 stat.ME
Bayesian kernel machine regression for heteroscedastic health outcome data
本文针对环境流行病学中BKMR模型误差项恒定方差假设不成立的问题，开发了异方差HBKMR方法，通过贝叶斯分层方差模型更新健康效应估计，并在两项真实金属暴露案例中显著提升了模型拟合度。
2025-05-29 stat.AP stat.ME
Bayesian space-time gap filling for inference on extreme hot-spots: an application to Red Sea surface temperatures
我们开发了一种时空框架中极值热点的概率预测方法，该方法适用于包含重要缺口的大数据集。在这种情况下，直接从数据中计算汇总（例如空间-时间域上的最小值）是不可能的。为了获得这样的聚类摘要的预测分布，我们提出了一个两步的方法。我们首先对边缘分布进行建模，重点是对右尾进行准确建模，然后将数据转换为标准高斯尺度后，我们估计在时域中本地定义的高斯时空依赖模型，用于我们想要预测的时空子区域。在第一步中，我们对数据的平均值和标准差进行去趋势化，并拟合空间分辨的广义帕累托分布，以应用上尾校正。为了确保估计趋势的空间平滑性，我们要么使用最近邻技术汇集数据，要么应用广义加性回归模型。为了处理数据的高时空分辨率，局部高斯模型使用基于随机偏微分方程（SPDE）方法的Matérn相关函数的马尔可夫表示。在第二步中，它们通过在R-INLA中实现的集成嵌套拉普拉斯近似在贝叶斯框架中拟合。最后，通过Monte-Carlo估计生成后验样本以提供统计推断。受2019年极值分析数据挑战的启发，我们使用具有人工生成间隙的网格化数据集（11315天，16703像素）来说明我们预测红海表面温度异常中局部时空最小值分布的方法。特别是，我们展示了我们的两步方法在没有尾部变换的纯高斯模型上的改进性能。
2020-04-01 stat.ME
A Semiparametric Bayesian Extreme Value Model Using a Dirichlet Process Mixture of Gamma Densities
在本文中，我们提出了一个Dirichlet过程混合的伽玛密度在阈值以下的大部分和广义Pareto密度在尾部的极值估计模型。所提出的模型是简单和灵活的，允许我们的后验密度估计和后验推理的高分位数。该模型工作良好，即使小样本量和在没有先验信息。我们通过仿真研究评估所提出的模型的性能。最后，将该模型应用于一个实际的环境数据。
2013-04-02 stat.AP stat.ME stat.ML
Bayesian Analysis of Extreme Precipitation Events and Forecasting Return Levels
在这项研究中，我们研究了贝叶斯方法来分析极端日降雨量和预测回报水平。估计未来极端事件的发生概率和分位数在许多应用中非常重要，包括土木工程和公共基础设施的设计。与使用点估计来实现这一目标的传统分析相比，贝叶斯方法利用了从观测值导出的完整后验密度。贝叶斯方法提供了良好定义的可信（置信）区间，改进的预测，并能够捍卫严格的概率评估的好处。我们说明了贝叶斯方法，使用极端降水数据从长岛，纽约州，美国和显示，目前的回报水平，或降水风险，可能被低估。
2022-08-25 stat.AP
On the development of a practical Bayesian optimisation algorithm for expensive experiments and simulations with changing environmental conditions
Newcastle University（纽卡斯尔大学）
针对环境条件变化下高成本实验优化需求，本文提出ENVBO贝叶斯优化算法，结合全局代理模型条件优化可控参数，经测试验证其样本效率高、效果更优，已通过NUBO包开源。
2024-02-05 cs.LG stat.ML
Extreme data compression for Bayesian model comparison
本文提出基于 MOPED 与得分压缩的极端数据压缩方法用于贝叶斯模型比较，证明线性高斯情形下贝叶斯因子保持不变，并在非线性与超新星数据中验证其近似无损且能降低证据抽样方差、节省计算时间。
2023-07-13 astro-ph.CO astro-ph.IM stat.ME
Moderation effects and elasticities in compositional regression with a total. Application to Bayesian spatiotemporal modelling of all-cause mortality from environmental stressors
University of Girona（赫罗纳大学）；Centro de Investigación Biomédica en Red de Epidemiología y Salud Pública, Instituto de Salud Carlos III（公共卫生与流行病学生物医学研究中心，卡洛斯三世健康研究所）
本文提出了一种基于贝叶斯空间时间建模的方法，用于分析环境压力源对全部原因死亡率的影响，考虑总效应和调节效应。
2025-05-12 stat.AP stat.ME
Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting
Department of Statistics University of Connecticut（统计学系 美国康涅狄格大学）；Department of Statistics North Carolina State University（统计学系 北卡罗来纳州立大学）
本文提出一种基于spike-and-slab先验的分层贝叶斯框架，用于线性回归中协变量与滞后误差项的联合选择，并设计两阶段MCMC算法解决高维计算问题，在理论和实际应用中均展现出更高的选择准确性与预测性能。
2025-08-15 cs.LG math.ST stat.ME
A Semiparametric Bayesian Approach for Extreme Values Using Dirichlet Process Mixture of Gamma and Generalized Pareto Densities
对于极值估计，我们建议使用一个Dirichlet过程混合的伽玛密度的中心和广义帕累托密度的尾部模型。由于中心的随机性和尾部的重尾密度，高分位数的密度估计和后验推断是可能的。该方法可以在正实数上以“默认”方式使用，因为它在先验信息不可用时有效。该模型易于实现，并进行了敏感性分析。我们将所提出的模型应用于模拟和真实数据集。
2013-03-28 math.ST stat.ME stat.TH
Adaptive Inference through Bayesian and Inverse Bayesian Inference with Symmetry-Bias in Nonstationary Environments
Tokyo Denki University（东京电机大学）；The University of Tokyo（东京大学）；SoftBank Robotics Group Corp.（软银机器人集团）；Shinshu University（信州大学）；Osaka Metropolitan University（大阪公立大学）；Waseda University（早稻田大学）
本研究提出贝叶斯与逆贝叶斯（BIB）推断框架，通过引入对称性偏差和动态调节学习率，解决了传统贝叶斯推断中适应性与准确性的权衡，并在非平稳环境中实现了临界动力学与计算效率的共存。
2025-10-31 cs.MA stat.ME
Bayesian Optimization for Distributionally Robust Chance-constrained Problem
Nagoya Institute of Technology（名古屋工业大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
在黑盒函数优化中，不仅需要考虑可控的设计变量，还需要考虑不可控的随机环境变量。在这种情况下，有必要通过考虑环境变量的不确定性来解决优化问题。机会约束问题（Chance-constrained problem，简称CC问题）是在一定的约束满足概率下最大化期望值的问题，是存在环境变量的实际问题之一。在这项研究中，我们考虑分布鲁棒CC（DRCC）问题，并提出了一种新的DRCC贝叶斯优化方法的情况下，不能精确指定的环境变量的分布。我们表明，所提出的方法可以找到一个任意精确的解决方案，在有限数量的试验，并通过数值实验证实了所提出的方法的有用性。
2022-02-02 cs.LG stat.ML
A Bayesian Hidden Semi-Markov Model with Covariate-Dependent State Duration Parameters for High-Frequency Environmental Data
在高频率下观测到的环境时间序列数据可以用隐马尔可夫和半马尔可夫模型（HMM和HSMM）等方法进行研究。HSMM通过显式地对每个状态所花费的时间进行建模来扩展HMM。在离散时间HSMM中，每个状态的持续时间可以用零截断泊松分布来建模，其中持续时间参数可以是状态特定的但在时间上是恒定的。我们通过允许特定于状态的持续时间参数随时间变化来扩展HSMM，并将其建模为在一段时间内观察到的已知协变量的函数，从而导致状态转换。此外，我们提出了一种数据子采样方法，高频数据可能会违反HSMM的条件独立性假设。我们将该模型应用于门多塔湖的仪器浮标收集的高频数据。我们模拟的藻蓝蛋白浓度，这是在水生系统中使用的估计蓝绿藻的相对丰度，并确定重要的随时间变化的影响与每个国家的持续时间。
2021-09-21 stat.AP
Sequential Bayesian experimental design for estimation of extreme-event probability in stochastic dynamical systems
考虑一类输入响应（ItR）系统，其特征为：（1）参数化输入具有已知的概率分布，（2）随机ItR函数具有异方差随机性.我们的目的是有效地量化极端响应概率时，ItR函数是昂贵的评估。问题设置经常出现在物理和工程问题中，ItR中的随机性来自内在的不确定性（例如，作为随机方程的解）或未纳入低维输入参数空间中的附加（临界）不确定性（作为应用于原始高维输入空间的降维的结果）。为了减少所需的抽样数量，我们开发了一个顺序贝叶斯试验设计方法，利用变分异方差高斯过程回归（VHGPR）来考虑随机ItR，以及一个新的标准来选择下一个最好的样本顺序。我们的新方法的有效性进行了测试，在两个人工定义的随机ItR函数的合成问题。最后，我们展示了我们的方法的应用，估计极端船舶运动概率在不规则波的工程问题，在ItR的不确定性自然来自标准波群参数化，它减少了原来的高维波场到一个二维参数空间。
2022-03-07 physics.flu-dyn stat.ME
A Bayesian multivariate extreme value mixture model
School of Mathematics and Statistics, University of Glasgow（格拉斯哥大学数学与统计学院）；School of Mathematics and Statistics, University of St Andrews（圣安德鲁斯大学数学与统计学院）
本文提出一种多元极值混合模型，用于评估自然灾害的影响，结合了尾部和主体的建模方法，并通过贝叶斯推断处理阈值选择的不确定性。
2026-03-28 stat.AP stat.ME
Bayesian inference for functional extreme events defined via partially unobserved processes
Institute for Stochastics and Applications, University of Stuttgart（斯图加特大学随机与应用研究所）；Stuttgart Center for Simulation Science (SC SimTech), University of Stuttgart（斯图加特大学斯图加特仿真科学中心）
本文提出了一种两步MCMC算法，用于在贝叶斯框架下推断部分未观测过程的功能极值，通过交替步骤构建完整的贝叶斯模型，以处理稀疏观测数据下的极值推断问题。
2025-12-30 stat.CO stat.ME
Bayesian model averaging of risk set probabilities using a geometric representation of multivariate extremes
本研究针对多元极值建模，提出结合删失似然的贝叶斯模型平均方法，在小样本下提升尾风险概率预测性能，并通过火灾气象指数验证其环境应用价值。
2026-09-01 stat.AP stat.ME
Bayesian Networks for Causal Analysis in Socioecological Systems
University of Almería（阿尔梅里亚大学）；Department of Biology and Geology, University of Almería（阿尔梅里亚大学生物与地质学院）
本文提出利用贝叶斯网络开展反事实推理，分析社会生态系统变量间的必要性与充分性关系，并通过西班牙南部社会经济因素与土地利用案例展示结构因果模型的应用。
2024-12-05 cs.AI math.PR stat.AP
Modeling Joint Health Effects of Environmental Exposure Mixtures with Bayesian Additive Regression Trees
本研究使用软贝叶斯可加回归树（BART）估计2011-2018年亚特兰大暖季空气污染物与温度混合物对哮喘急诊就诊的暴露-风险面，结合累积局部效应策略提取混合物影响，发现二氧化氮呈负相关、臭氧呈有害关联且在低温日更显著。
2024-11-13 stat.AP
Bayesian Anomaly Detection Using Extreme Value Theory
数据驱动的异常检测方法通常为目标系统的正常行为构建模型，并根据该模型对每个数据实例进行评分。总是需要阈值来将具有高（或低）分数的数据实例识别为异常。这对这种方法的适用性提出了实际限制，因为大多数方法对阈值的选择敏感，并且设置最佳阈值具有挑战性。我们提出了一个概率框架来明确地对正常和异常行为进行建模，并对数据进行概率推理。提出了一种基于极值理论的公式，将异常行为建模为正常行为的极值。作为一个具体的实例，联合非参数聚类和异常检测算法提出了一个Dirichlet过程混合模型的正常行为建模。
2019-10-07 cs.LG stat.ME stat.ML
Flexible extreme thresholds through generalised Bayesian model averaging
本文提出一种误差集成贝叶斯模型平均算法，通过结合混合模型检测适应预测变量的异质最优阈值，以提高高严重性索赔损失建模的准确性并降低对阈值选择的敏感性。
2025-04-28 stat.AP stat.ME
Consistency of Bayesian Inference for Multivariate Max-Stable Distributions
预测极端事件在风险分析的许多应用中非常重要。极值理论建议用最大稳定分布来模拟极值。贝叶斯方法为统计预测提供了一个自然的框架。虽然在单变量极值和多变量极值的文献中已经提出了各种贝叶斯推理程序，但对它们的渐近性质的研究在很大程度上没有触及。本文主要研究任意维极大稳定分布的半参数贝叶斯估计方法。我们建立了相关的后验分布的一致性相当普遍，明确规定的最大稳定模型，其利润率可以是短，轻或重尾。然后，我们扩展我们的一致性结果的情况下，数据来自一个分布躺在附近的一个最大稳定的，这代表了最现实的推理设置。
2020-09-20 math.ST stat.TH
