Debiased Machine Learning for Partially Linear Accelerated Failure Time Models
University of California, Los Angeles（加州大学洛杉矶分校）；Phoenix VA Health Care System (111E)（凤凰城退伍军人健康护理系统(111E)）；VA Greater Los Angeles Health Care（大洛杉矶地区退伍军人健康护理系统）
针对右删失下部分线性AFT模型，本文构建首个基于秩的去偏机器学习框架，通过正交化U统计量等技术实现有效推断，模拟与All of Us数据应用验证了其性能与实用性。
2026-08-11 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
Using the spsurv R package for semi-parametric time-to-event analysis
University Medical Center Göttingen, Georg-August-Universität Göttingen（哥廷根大学医学中心）；Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
本文介绍spsurv R包，基于Bernstein多项式实现半参数时间-事件回归，支持PH、PO和AFT模型，提供最大似然和贝叶斯估计，并通过蒙特卡洛研究验证其性能。
2026-09-29 stat.ME
A new semi-parametric family of probability distributions for survival analysis
在生存分析的背景下，Marshall和Olkin（1997）通过向给定的生存函数（参数化或非参数化）添加标量参数来引入分布族。在这篇论文中，我们推广了他们的方法。我们展示了如何可能添加一个以上的参数到一个给定的分布。然后，我们引入非常灵活的家庭的分布，我们计算一些时刻。值得注意的是，我们给出了一些听话的表达式，这些时刻时，给定的基线分布是对数逻辑。最后，我们演示了如何从这些新的家庭产生的样本。
2011-07-20 stat.ME
Individualized Treatment Effects with Censored Data via Fully Nonparametric Bayesian Accelerated Failure Time Models
个体通常对相同的治疗有不同的反应，并且表征治疗反应中的这种可变性是个性化医疗实践中的重要目标。在这篇文章中，我们描述了一个非参数加速失效时间模型，可用于分析异质性处理效应（HTE）时，病人的结果是时间到事件。通过利用贝叶斯加性回归树和均值约束Dirichlet过程混合模型，我们的方法提供了一个灵活的模型的回归函数，同时把一些限制的基线风险。我们的非参数方法导致个人处理效应的自然估计，并具有灵活性，以解决许多主要目标的HTE评估。此外，我们的方法需要很少的用户输入的调谐参数选择或子群规范。我们说明了我们提出的方法的优点，详细分析了两个大型临床试验的预防和治疗充血性心力衰竭，使用血管紧张素转换酶抑制剂。分析显示，两项试验中存在大量HTE的证据，如治疗效果的实质性估计变化和高比例患者表现出与总体处理效应不同的处理效应的强有力证据所证明。
2017-06-20 stat.AP stat.ME
Likelihood-Based Regression for Weibull Accelerated Life Testing Model Under Censored Data
Indian Statistical Institute（印度统计研究所）；Moody’s Ratings（穆迪评级）；Department of Mathematics, Indian Institute of Technology Delhi（德里印度理工学院数学系）；Department of Management Sciences, Indian Institute of Technology Kanpur（坎普尔印度理工学院管理科学系）
本文提出了一种基于Weibull分布的似然回归方法，用于在删失数据下建模应力依赖的可靠性行为。
2026-01-11 stat.ME
Efficient Estimation for Functional Accelerated Failure Time Model
本文提出函数加速失效时间模型，结合筛极大似然方法高效估计参数，克服捆绑参数挑战，证明估计量渐近性质，并通过模拟和实际数据验证。
2024-02-08 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
Semi-parametric Models for Accelerated Destructive Degradation Test Data Analysis
加速破坏性降解试验（ADDT）广泛应用于工业中，以评估材料的长期性能。尽管在非参数方法方面已经有了大量的统计研究，但目前的工业实践仍然是使用特定于应用的参数模型来描述ADDT数据。使用非参数方法的挑战来自于需要保留降解机制的物理意义，并在使用条件下进行外推预测。出于这一挑战，我们提出了一个半参数模型来描述ADDT数据。我们使用单调B样条来建模退化路径，这不仅提供了具有较少假设的灵活模型，而且保留了退化机制的物理意义（例如，退化路径是单调递减的）。参数模型（如Arrhenius模型）用于模拟降解和加速变量之间的关系，允许外推到使用条件。我们开发了一个有效的程序来估计模型参数。我们还使用模拟来验证开发的程序，并证明了半参数模型的鲁棒性下的模型误设定。最后，所提出的方法说明了多个工业应用。
2015-12-09 stat.ME
An efficient penalized estimation approach for a semi-parametric linear transformation model with interval-censored data
本文研究了区间删失数据下柔性变换模型的有效估计。为了降低半参数模型的维数，用单调样条函数逼近未知的单调变换函数。惩罚技术是用来提供更有效的计算所有参数的估计。为了完成模型拟合，一个计算效率高的嵌套迭代期望最大化（EM）为基础的算法估计，并提出了一个易于实现的方差-协方差方法的回归参数的推断。在理论上，我们证明了转换函数的估计达到最优收敛速度，回归参数的估计是渐近正态的和有效的。惩罚程序进行评估，通过广泛的数值实验，并进一步说明通过两个实际应用。
2019-12-25 stat.CO stat.ME
Survival and lifetime data analysis with a flexible class of distributions
本文引入了一类具有正支撑的连续单变量分布，它是通过对两片分布类进行变换而得到的。我们表明，这类分布是非常灵活的，易于实现，并包含成员，可以捕捉不同的尾部行为和形状，也产生了各种风险函数。建议的分布代表了一个灵活的替代经典的选择，如对数正态分布，伽玛分布和韦布尔分布。我们调查经验的推理性能的建议模型，通过广泛的模拟研究。我们提出了一些应用程序，使用真实的数据在时间到事件和加速故障时间模型的上下文中。在第二类应用中，我们探讨了这些模型在估计个体剩余寿命分布中的应用。
2015-11-05 stat.AP
A Flexible Joint Longitudinal-Survival Model for Analysis of End-Stage Renal Disease Data
我们提出了一个灵活的联合肿瘤生存框架，以检查纵向收集的生物标志物和事件发生时间终点之间的关联。更具体地说，我们使用我们的方法来分析终末期肾病患者的生存结果与时变血清白蛋白测量。我们提出的方法是强大的常见的参数假设，它避免了明确的分布假设的纵向措施，并允许受试者特定的基线风险的生存组成部分。进行完全联合估计以解释生存模型中包括的估计纵向生物标志物的不确定性。
2018-07-06 stat.AP
A Semi-parametric Bayesian Approach to Population Finding with Time-to-Event and Toxicity Data in a Randomized Clinical Trial
Morita和Müller（2017，Biometrics，1355 - 1365）提出了一种基于效用的贝叶斯群体发现（BaPoFi）方法，用于分析随机临床试验的数据，旨在识别良好的预测基线协变量，以优化未来研究的目标人群。该方法将人口发现过程作为一个正式的决策问题，以及一个灵活的概率模型，使用随机森林来定义一个回归均值函数。BaPoFi被构造为处理单个连续或二进制结果变量。在本文中，我们开发了BaPoFi-TTE作为早期方法的扩展，用于临床重要病例的至事件发生时间（TTE）数据，并进行删失，同时还考虑了毒性结局。我们使用半参数失效时间模型对TTE数据与基线协变量的关联进行建模，其中Pólya树先验用于未知误差项，随机森林用于灵活的回归均值函数。我们定义了一个效用函数，解决了疗效和毒性之间的权衡，作为人口发现的重要临床考虑因素之一。我们研究所提出的方法在广泛的模拟研究的操作特性。为了说明，我们将所提出的方法应用于随机肿瘤临床试验的数据。基于参数模型对相同数据进行初步分析的关注促使提出了更一般的方法。
2019-10-27 stat.AP
Flexible non-parametric regression models for compositional data
本文提出α-k-NN回归，一种基于α变换的非参数回归模型，用于成分数据，能处理零值，预测更准确且计算高效。
2023-09-06 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 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
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
Extrapolation Estimation for Parametric Regression with Normal Measurement Error
对于协变量含有正态测量误差的一般参数回归模型，本文提出了一种经典模拟外推算法的加速版本来估计回归函数中的未知参数。通过将条件期望直接应用于目标函数，所提出的算法成功地消除了模拟步骤，通过生成一个估计方程，无论是立即使用或外推，从而显着减少了计算时间。讨论了估计量的大样本性质，包括相合性和渐近正态性。潜在的广泛应用所提出的估计程序的例子，模拟研究，以及一个真实的数据分析。
2021-07-10 stat.ME
Two-Stage Least Squares Instrumental Variable Estimation for Semiparametric Accelerated Failure Time Models with Right-Censored Data
本文提出一种结合Leurgans合成变量法的迭代重加权GEE方法，将两阶段最小二乘工具变量估计扩展至带右删失数据的半参数AFT模型，实现了高效且可扩展的因果推断。
2025-09-13 stat.ME
Robust estimators of accelerated failure time regression with generalized log-gamma errors
广义对数伽马（GLG）模型是一个非常灵活的分布族，用于分析许多不同科学和技术领域的数据集。在本文中，我们提出的估计，同时是高鲁棒性和高效的GLG分布的参数在删失的存在。我们还介绍了具有相同性质的加速失效时间模型的估计与删失观测和误差分布属于GLG族。我们证明了所提出的估计是渐近完全有效的，并使用蒙特卡罗模拟检查的最大均方误差。仿真结果表明，所提出的估计是非常强大的，有限的样本量和高效。最后，我们用两个真实的数据集说明了所提出的估计量的良好行为。
2015-12-04 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
Bayesian joint modelling using semiparametric accelerated failure time approaches
The University of Queensland’s Clinical Trials Capability (ULTRA)（昆士兰大学临床试验能力中心（ULTRA））；NHMRC Clinical Trial Centre, University of Sydney（悉尼大学国家健康与医学研究委员会临床试验中心）；Australian and New Zealand Urogenital and Prostate (ANZUP) Cancer Trials Group（澳大利亚和新西兰泌尿生殖和前列腺癌症试验组）
提出一类半参数加速失效时间联合模型，直接建模协变量对事件时间的影响并灵活捕捉纵向-事件关联，采用贝叶斯框架进行估计，相比比例风险模型更具灵活性和可解释性。
2026-06-16 stat.ME
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
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
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
An Accelerated Failure Time Regression Model for Illness-Death Data: A Frailty Approach
本文提出了一种新的模型和估计方法的疾病死亡生存数据的风险函数遵循加速失效时间（AFT）模型。一个共享的脆弱性变量诱导正相关的故障时间的主题处理之间的未观察到的依赖关系的非终端和终端故障时间给定的观察到的协变量。利用核平滑辅助期望最大化算法建立了半参数极大似然估计过程，并利用加权自助法估计方差。该模型的背景下，现有的脆弱性为基础的疾病-死亡模型，强调目前的工作的贡献。鹿特丹肿瘤银行的乳腺癌数据进行了分析，使用建议和现有的疾病-死亡模型。结果进行了对比和评价的基础上，一个新的图形拟合优度的程序。模拟结果和数据分析很好地证明了疾病-死亡框架下的AFT回归模型的实际效用的共享脆弱变量。
2022-05-08 stat.AP stat.ME
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
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
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
Flexible unimodal density estimation in hidden Markov models
本文提出了一种基于形状约束样条理论的方法，通过强制样条系数的单峰性来提高隐马尔可夫模型中状态依赖密度估计的可解释性与稳定性。
2025-11-25 stat.AP 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
Bayesian semi-parametric forecasting of ultrafine particle number concentration with penalised splines and autoregressive errors
观测的时间序列数据往往表现出周期性的时间趋势和自相关性，也可能依赖于协变量。因此，需要能够捕获这些趋势并同时对任何剩余自相关进行建模的灵活回归模型。对残差中的自相关进行建模，比假设独立性更能得到更真实的预测。在本文中，我们提出了一种方法，结合样条半参数回归建模的自回归误差的建模。该方法被应用到一个模拟的数据集，以显示其有效性和超细颗粒数浓度在芬兰赫尔辛基，以显示其在现实世界中的问题。
2012-09-25 physics.ao-ph physics.data-an stat.AP
Non-Parametric Weighted Tests for Independence Based on Empirical Copula Process
基于经验Copula过程的加权Cramér-von Mises泛函，提出了一类灵活的非参数检验方法，用于检验随机向量分量之间的相关性.权重作为一个调整参数，并显着影响的力量的测试，使其更敏感的不同类型的依赖。在一般情况下，对于任意有界和可积的加权函数，渐近性质的测试，并提供了一些加权统计的计算公式。几个问题有关的权重的选择进行了讨论，并进行了模拟研究，调查的权力下的各种依赖的替代品的测试。权力的最大增益时，发现发生的权重设置成比例的真实偏差独立copula。
2014-05-27 math.ST stat.ME stat.TH
A Semi-Parametric Bayesian Spatial Model for Rainfall Events in Geographically Complex Domains
本研究针对复杂地理区域降雨空间分析需求，提出融合空间坐标与地形特征的贝叶斯半参数模型，采用无拒绝MCMC算法实现后验推断，经模拟验证稳健性，应用于意大利两地区降雨数据生成分布地图，并发布对应R包。
2025-01-15 stat.AP stat.CO stat.ME
