Bayesian inference for the learning rate in Generalised Bayesian inference
University of Oxford（牛津大学）；University of Auckland（奥克兰大学）
本文提出在广义贝叶斯推断中通过贝叶斯方法推断学习率和超参数，定义两种超参数后验分布，并在多个数据集上验证了该方法的有效性。
2026-09-24 stat.ME
Generalised Bayesian Inference for Discrete Intractable Likelihood
针对离散不可处理似然，提出基于离散Fisher散度的一般化贝叶斯推断方法，绕过归一化常数，实现低计算成本的后验采样与校准。
2023-09-01 math.ST stat.CO stat.ME
Assumption-Lean Post-Integrated Inference with Surrogate Control Outcomes
The University of Hong Kong（香港大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种稳健的后整合推断方法，通过利用替代控制结果来考虑潜在异质性，开发了半参数推断方法以估计投影直接效应，并通过模拟和单细胞CRISPR数据验证了其有效性。
2025-12-12 cs.LG q-bio.GN stat.AP
Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection
McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）；Lund University（隆德大学）；University of Toronto（多伦多大学）
提出通过潜在结果方差对比推断治疗效果异质性，即使缺失效应修饰变量也能检测，并推导出双重稳健的因果机器学习估计量。
2026-10-14 stat.ME
Inference for a generalised stochastic block model with unknown number of blocks and non-conjugate edge models
随机块模型（SBM）是一个流行的模型，用于捕获网络中的社区结构和相互作用。具有非布尔边权重的网络数据变得越来越普遍;然而，现有的分析方法将此类数据转换为二进制表示以应用SBM，从而导致信息丢失。被认为是一个概括的SBM，它允许边缘权重建模在其记录的状态。提出了一种有效的可逆跳马尔可夫链蒙特卡罗采样器，用于估计该广义SBM的参数和块数。该方法允许边缘权重的非共轭分布，这使得建模比当前方法更灵活，如在合成数据、大脑活动网络和电子邮件通信网络上所示。
2020-07-17 stat.ME
Dependable Exploitation of High-Dimensional Unlabeled Data in an Assumption-Lean Framework
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Cornell University（康奈尔大学）；Yale University（耶鲁大学）
本文研究了在半监督学习中高维回归参数估计效率提升的条件，提出一种保证效率的新型估计器，通过模拟和实际数据验证了方法有效性。
2026-03-29 stat.ME
Generalised Bayes Linear Inference
本文提出广义贝叶斯线性推断，将贝叶斯推断统一为在用户指定几何与信念体系下寻找最接近数据生成过程的解，并验证其在单调回归和空间计数推断中的有效性。
2024-10-17 math.ST stat.ME stat.TH
Conditional Inference for Multivariate Generalised Linear Mixed Models
我们提出了一种广义线性混合模型（GLS-Model）的推理方法，并对这些模型进行了一些扩展。首先，我们扩展的GLMM允许的随机分量的分布是非高斯的，也就是说，假设一个绝对连续分布相对于勒贝格措施是对称的零，单峰和有限的时刻高达四阶。其次，我们允许条件分布遵循一个分散模型，而不是指数分散模型。最后，我们将这些模型扩展到一个多变量框架，其中通过对所有边际模型中代表共同观测聚类的随机分量施加多变量绝对连续分布来组合多个响应。在这些模型中的极大似然推断涉及评估通常不能以封闭形式计算的积分。我们提出了一种推断方法，预测值的随机成分，不涉及条件似然量的整合。我们所研究的多元广义似然图可以由不同统计性质的边际似然图构造而成，同时又能表示复杂的依赖结构，为应用提供了一种相当灵活的工具。
2021-07-25 stat.ME
Generalised Hyperbolic State-space Models for Inference in Dynamic Systems
本文提出由广义双曲Lévy过程驱动的线性向量SDE状态空间模型，结合序贯MCMC推断方法处理连续时间非高斯滤波问题，并在合成数据与真实金融序列上验证了模型能力。
2023-09-20 eess.SP stat.ME
Generalised Gaussian Process Latent Variable Models (GPLVM) with Stochastic Variational Inference
University of Cambridge（剑桥大学）
高斯过程潜变量模型（GPLVM）是一种灵活的非线性降维方法，将经典高斯过程扩展到无监督学习环境。GPLVM的贝叶斯化身Titsias和Lawrence，2010]使用变分框架，其中潜变量的后验近似于行为良好的变分族，因子化高斯产生易于处理的下限。然而，下界的非工厂能力阻止了真正可扩展的推理。在这项工作中，我们研究了贝叶斯GPLVM模型的双随机制定与小批量训练。我们展示了这个框架是如何与不同的潜变量配方兼容，并进行实验，比较一套模型。此外，我们演示了如何在大量缺失数据的情况下进行训练，并获得高保真重建。我们展示了该模型的性能对规范稀疏GPLVM高维数据的例子进行基准测试。
2022-04-09 cs.LG stat.ME stat.ML
Generalised Robust Bayes for Joint Inference of Model and Contamination
The University of Osaka（大阪大学）；Lattice Lab.（晶格实验室）；Toyota Motor Corporation（丰田汽车公司）；RIKEN AIP（理化学研究所先进智能研究中心）；The University of Sydney Business School（悉尼大学商学院）
本文针对现有广义贝叶斯推断框架缺乏量化污染比例及识别异常观测机制的问题，提出Hölder-Bayes框架，通过构建广义联合后验实现模型参数与污染比例联合推断，经理论推导和实证评估，具备稳健参数推断等能力。
2026-10-22 math.ST stat.ME stat.ML
Prediction De-Correlated Inference: A safe approach for post-prediction inference
针对预测后推断场景，提出名为PDC的低假设统计推断框架，可适配任意黑盒模型、支持多模型扩展，性能优于有监督方法及现有最先进方法。
2024-05-24 stat.ME stat.ML
Assumption Lean Regression
针对传统回归模型普遍误设的问题，本文提出将模型视为真实响应曲面近似的假设精简回归框架，实现渐近无偏估计与有效推断，并推广至回归泛函。
2018-06-26 stat.ME
Generalised regression estimation given imperfectly matched auxiliary data
广义回归估计允许人们在调查抽样中利用可用的辅助信息。当辅助数据不能与样本单元完全匹配时，我们提出了三种广义回归估计量，使得标准估计量不适用。推理仍然基于设计。所提出的估计的一致性要么是由建设，否则可以测试给定的观测样本和链接。可以估计均方误差。模拟研究是用来探索所提出的估计的潜力。
2020-05-19 stat.ME
Exploring Learning Rate Selection in Generalised Bayesian Inference using Posterior Predictive Checks
本文探索利用后验预测检查为广义贝叶斯推断设置学习率，以EDiSC模型为案例，选取使对数似然检验在10%水平不被拒绝的最低值，结果有前景但需进一步研究。
2025-01-21 stat.AP stat.ME
Generalised shot noise representations of stochastic systems driven by non-Gaussian Lévy processes
该研究针对非高斯纯跳变Lévy过程驱动的线性向量值SDE，推导了基于NVM混合表示的广义散粒噪声仿真方法，证明了残差的高斯近似条件，为相关模型的状态推断与参数估计提供了高效工具。
2023-11-07 math.PR stat.ME
Generalised Bayes Updates with $f$-divergences through Probabilistic Classifiers
一系列算法的进步已经稳步增加了贝叶斯方法作为推理范式的普及，无论是从理论还是应用的角度来看。即使在许多应用领域取得了明显的成功，一个日益关注的问题是贝叶斯推断的鲁棒性存在的模型误设定，这可能会导致不良的极端行为的后验分布的大样本量。广义信念更新与损失函数的核心原则，使贝叶斯推断更强大，更容易受到偏离假设的模型。在这里，我们考虑这样的更新与$f$ -分歧，以量化之间的差异假设的统计模型和概率分布，产生的观察数据。由于后者通常是未知的，估计的分歧可能被视为一个棘手的问题。我们表明，分歧变得可以通过使用概率分类器，可以利用两个概率分布的比率的估计，即使当其中一个或两个是未知的。我们证明了广义信念更新的行为下的$f$ -分歧家庭的各种具体的选择。我们表明，对于特定的发散函数，这种方法甚至可以提高正确的模型似然函数分析评估的方法。
2020-07-08 stat.CO stat.ME
Robust Estimation in Generalised Linear Models : The Density Power Divergence Approach
广义线性模型（GLM）是分析生物学、社会学、农业、工程学等许多应用领域实际数据的重要工具，在这些应用领域中，响应变量与解释变量之间的关系可能不是线性的，或者在所有情况下分布可能不是正态的。然而，经常这样的真实数据包含大量的离群值的标准参数模型中使用的分析;在这种情况下，经典的极大似然估计可能无法产生合理的估计和相关的推断可能是不可靠的。本文对广义线性模型提出了一种稳健估计方法，该方法能在效率损失很小的情况下产生稳健估计。我们还将详细探讨广义线性模型的两种特殊情况--计数数据的泊松回归和二进制数据的逻辑斯谛回归--它们广泛应用于现实生活中的实验。我们还将通过几个有趣的数据例子来说明所提出的估计量的性能
2014-03-26 stat.ME
Assumption-Lean Quantile Regression
针对传统分位数回归在推断暴露效应时存在的模型误设下估计失效、变量选择引入偏差与不确定性的问题，提出基于部分线性分位数回归与有效影响函数的稳健估计方法，可纳入数据自适应技术，经模拟与医疗费用数据验证有效。
2024-04-17 stat.ME
Assumption-lean weak limits and tests for two-stage adaptive experiments
Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系）
本文提出轻假设弱收敛结果，统一了两阶段自适应实验设计中的碎片化结果，通过量化收敛速率揭示探索与推断稳定性之间的权衡，并提出高效模拟方法进行非正态极限检验。
2026-04-14 math.ST stat.ME stat.TH
An Efficient Sequential Approach for k-Parametric Dynamic Generalised Linear Models
Universidade Federal do Rio de Janeiro（里约热内卢联邦大学）
本文提出一种新型序贯推理方法，用于处理单/多变量k参数指数族的贝叶斯动态广义线性模型，效率优于现有方法，配套R包kDGLM可供研究者使用。
2026-08-05 stat.ME
Imputation-Powered Inference
针对多模态多站点数据的块状缺失问题，提出插补驱动推断（IPI）框架，结合黑盒插补与偏差校正，在MCAR及更弱假设下实现有效M-估计与子群体推断，提升效率并保持统计有效性。
2025-09-17 stat.ME stat.ML
Divergence-based Robust Generalised Bayesian Inference for Directional Data via von Mises-Fisher models
School of Data Science, Meisei University（明成大学数据科学学院）；RIKEN Center for Brain Science（理化学研究所脑科学中心）；School of Business Administration, Meiji University（明治大学商学院）；Department of Information Sciences, Tokyo University of Science（东京科学技术大学信息科学系）
本文提出基于密度幂发散和γ-发散的贝叶斯推断方法，用于稳健估计方向数据的参数，通过模拟和真实数据验证其有效性。
2025-12-24 math.ST stat.CO stat.ME
Generalised bayesian sample copula of order $m$
在这项工作中，我们提出了一个半参数的二元copula的密度是由一个分段常数函数定义的不相交的平方。我们得到了模型参数的极大似然估计，并证明了在特定条件下，它们约化为样本Copula。我们进一步建议进行一个完整的贝叶斯模型分析，并引入一个空间依赖的先验分布的模型参数。这种先验允许参数在相邻区域借用强度，以产生平滑的后验估计。为了通过全条件分布来估计后验分布，我们提出了一种数据增强技术。一个大都市黑斯廷斯步骤是必需的，我们提出了一种新的适应计划的随机游动建议分布。我们实现了一个模拟研究和一个真实的数据集的分析，以说明我们的模型和推理算法的性能。
2023-03-09 stat.ME
Bayesian Inference for Spatial-Temporal Non-Gaussian Data Using Predictive Stacking
University of California Los Angeles（加州大学洛杉矶分校）；University of Southern California（南加州大学）；Florida State University（佛罗里达州立大学）
本文提出基于预测堆叠的贝叶斯推断方法，用于处理时空非高斯数据，通过共轭先验和广义共轭多变量分布理论实现精确采样，提升推断性能。
2025-12-25 stat.CO stat.ME
Inference for extreme spatial temperature events in a changing climate with application to Ireland
我们调查的频率，幅度和极端温度在爱尔兰的空间范围从1931年到2022年的变化性质。我们开发了一个极端值模型，捕捉极端日最高温度数据的空间和时间的非平稳性。我们使用广义帕累托分布和极端事件的空间依赖性的半参数布朗-Resnick r-广义帕累托过程的边缘变量的尾部建模，每个模型的参数允许随时间变化。我们使用气象站的观测数据来模拟极端事件，因为气候模型的数据（不以观测数据为条件）可能会过度平滑这些事件，并具有由特定气候模型配置确定的趋势。然而，气候模式确实提供了有关爱尔兰详细的自然地理和相关气候反应的宝贵信息。我们提出了新的方法，利用气候模型的数据，以克服与稀疏和有偏采样的观察问题。我们的分析确定了极端温度事件的边缘行为在研究领域的时间变化，这是远远大于在这个时间窗口的平均温度水平的变化。我们说明了这些特性如何导致超过临界温度的事件的空间覆盖率增加。
2023-03-31 stat.ME
Bessel-Debiased Pseudo-Marginal MCMC for Generalised Bayesian Inference
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Auckland（奥克兰大学）；University of Oxford（牛津大学）
该研究提出符号校正贝塞尔去偏（SCBD）伪边际MCMC方法，用于广义贝叶斯推理，结合普通MC与RQMC实现，可有效消除高斯指数膨胀，预算需求低，兼具方差减少与易编码优势。
2026-08-25 stat.CO stat.ME
Modelling the effects of air pollution on health using Bayesian Dynamic Generalised Linear Models
短期暴露于空气污染与死亡率或发病率之间的关系一直是最近许多研究的主题，其中标准的分析方法使用泊松线性或相加模型。在本文中，我们使用贝叶斯动态广义线性模型（DGLM）来估计这种关系，它允许标准的线性或添加剂模型扩展到两种方式：（i）的长期趋势和时间相关性存在于健康数据可以模拟的自回归过程，而不是一个平滑的日历时间函数;（ii）空气污染的影响允许随着时间的推移而演变。这两个扩展的有效性进行了研究，通过应用一系列的动态和非动态模型，从大伦敦的空气污染和死亡率数据。采用贝叶斯方法进行推理，并给出了一种马尔可夫链蒙特卡罗仿真算法。另一种可能性为基础的分析，以允许直接比较，只有以前的空气污染和健康数据分析使用DGLM。
2012-01-26 stat.AP stat.ME
On the Stability of General Bayesian Inference
研究了传统贝叶斯推断对似然模型设定和数据扰动的稳定性局限，证明了使用$β$-散度损失函数的广义贝叶斯方法在实用邻域内具有稳定后验推断的优势，为简化模型下的推断提供了理论依据。
2024-04-29 stat.ME
On robust Bayesian causal inference
Athens University of Economics and Business（雅典大学经济与商业学院）
针对纵向观测数据因果推断中现有方法因结构假设误设易产生估计偏差的问题，本文提出基于广义贝叶斯推断的稳健因果推断框架，通过恰当评分规则调优学习率，经仿真与真实数据验证可提升因果效应估计的校准度、锐度与稳健性。
2025-11-19 stat.ME
Predictive Inference Is Free with the Jackknife+-after-Bootstrap
包围学习被广泛应用于复杂决策问题的预测--例如，平均模型拟合到从可用训练数据引导的样本序列。虽然这些方法提供了更准确，稳定和鲁棒的预测和模型估计，但关于如何对这些类型的过程的输出执行有效的，精简的推理的知识要少得多。在本文中，我们提出了刀切+后引导（J+aB），一个程序，用于构建一个预测区间，它只使用可用的自举样本和相应的拟合模型，因此是“免费”的模型拟合的成本。J+aB提供了一个预测覆盖率保证，它不需要对数据的分布、拟合模型的性质或模型集合的聚合方式进行任何假设-在最坏的情况下，预测区间的失败率被夸大了2倍。我们的数值实验验证了覆盖率和准确性的预测区间的真实数据。
2020-11-11 stat.ME
A model robust sub-sampling approach for Generalised Linear Models in Big data settings
在当今的大数据时代，需要计算效率高且可扩展的方法来支持及时的见解和明智的决策。其中一种方法是子采样，其中分析大数据的子集并将其用作推断的基础，而不是考虑整个数据集。应用二次抽样方法时的一个关键问题是如何根据对数据提出的问题选择信息子集。最近已经提出了一种基于确定每个数据点的子采样概率的方法，但是这种方法的局限性在于适当的子采样概率依赖于大数据的假设模型。在这篇文章中，为了克服这一限制，我们提出了一个模型鲁棒性的方法，其中一组模型被认为是，和子采样概率进行评估的基础上，如果每个模型被认为是奇异的概率的加权平均值。为这种方法提供了理论支持。我们的模型鲁棒子采样方法应用在模拟研究和两个现实世界中的应用程序的性能相比，目前的子采样的做法。结果表明，我们的模型鲁棒的方法优于其他方法。
2022-09-06 stat.ME
Generalised linear models for prognosis and intervention: Theory, practice, and implications for machine learning
预测和因果解释是数据分析的两个基本任务。在健康应用中，这种差异可以从预后（预测）和预防/治疗（因果解释）之间的差异来理解。然而，这两个概念在实践中往往被混为一谈。我们使用广义线性模型（GLM）的框架来说明，预测和因果查询需要不同的过程，其应用程序和随后的解释结果。特别是，我们确定了用于预测的GLM与用于因果推断的GLM不同的五种主要方式：（1）应考虑纳入的协变量（以及可能从模型中排除）;（2）如何确定模型中包含的一组合适的协变量;（3）最终选择哪些协变量，以及什么函数形式（即参数化）;（4）如何评估模型;（5）如何解释模型。我们概述了未能承认和尊重这些差异的一些潜在后果，并考虑了对机器学习（ML）方法的影响。最后，我们提出了三项建议，我们希望这将有助于确保预测和因果模型在健康研究中得到适当的使用，并产生最大的效果。
2020-01-11 stat.AP stat.ME
Stochastic Backpropagation and Approximate Inference in Deep Generative Models
Google DeepMind（谷歌DeepMind）
我们将深度神经网络和近似贝叶斯推断的思想结合起来，导出了一类广义的深度定向生成模型，并赋予了一种新的可扩展推理和学习算法。我们的算法引入了一个识别模型来表示近似的后验分布，并作为一个随机编码器的数据。我们开发随机反向传播-通过随机变量反向传播的规则-并使用它来开发一种算法，该算法允许联合优化生成和识别模型的参数。我们证明了几个真实世界的数据集，该模型生成逼真的样本，提供准确的插补的缺失数据，是一个有用的工具，高维数据可视化。
2014-05-30 cs.AI cs.LG stat.CO
Singularities in Bayesian Inference: Crucial or Overstated?
本文提出涵盖含零奇点与不含零奇点收缩先验的统一框架，借助 Gambel 分布刻画近原点与尾部行为，并给出性质比较、一致性、MCMC 推断及超参数选择指导。
2025-01-11 math.ST stat.ME stat.TH
Generalised Linear Models Driven by Latent Processes: Asymptotic Theory and Applications
University College Dublin（都柏林大学学院）；City University of Hong Kong（香港城市大学）
本文提出了一种由潜在过程驱动的广义线性模型，扩展了现有方法，允许响应分布属于双参数指数族，并提供了预测和推断的理论框架及实际应用案例。
2026-02-18 math.ST stat.ME stat.TH
Inference for quantile-parametrized families via CDF confidence bands
Indian Statistical Institute, Kolkata（印度统计学院）；Department of Statistics & Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系）
本文提出了一种通过CDF置信带构造置信集的新推断方法，适用于量化参数化分布族，无需分布假设，通过分位数函数实现，适用于小样本和大样本数据。
2025-11-28 stat.ME
High confidence inference on the probability an individual benefits from treatment using experimental or observational data with known propensity scores
本文针对个体治疗获益概率（PIBT）的不可估性问题，提出在随机实验或已知倾向得分的观测设置下对其边际界限进行高置信度估计的方法，并支持亚群体异质性分析，可用于功效分析和置信推断，计算成本低于自助法。
2024-04-02 stat.ME
R-VGAL: A Sequential Variational Bayes Algorithm for Generalised Linear Mixed Models
针对广义线性混合模型参数推断中随机效应积分难的问题，提出序贯变分贝叶斯算法R-VGAL，采用重要性采样估计梯度与海森矩阵，结合初始变分回火提升稳定性，兼具后验近似精度与计算效率。
2024-04-18 stat.CO stat.ME
Debiased inference for stochastic treatment interventions with survival outcomes
Section of Biostatistics, University of Copenhagen（哥本哈根大学生物统计学系）
针对生存结局的时间依赖性治疗，利用疾病-死亡模型定义随机干预，通过平滑处理解决非路径可微问题，提出去偏一步估计量实现稳健推断。
2026-05-29 stat.ME
A subsampling approach for large data sets when the Generalised Linear Model is potentially misspecified
针对现有子抽样方法依赖可能错误设定的统计模型这一缺陷，本文提出基于预测均方误差确定子抽样概率的新方法，并通过模拟和真实大数据集验证其有效性。
2025-10-07 math.ST stat.ME stat.TH
Integrated organic inference (IOI): A reconciliation of statistical paradigms
人们认识到，贝叶斯推理方法不能充分处理所有类型的前数据信念的人口数量的利益，通常在实践中举行。特别是，它通常遇到困难时，有一个缺乏这样的信念在一些或所有参数的模型，或在某些分区的参数空间有关。为了解决这个问题，一个相当全面的推理理论被称为集成有机推理，它是基于融合的费舍尔和贝叶斯推理。根据关于任何给定模型参数所持有的先验数据知识，使用三种推断方法之一来对所有其他参数进行关于该参数的条件性推断，即有机信念推断、双空间推断和贝叶斯推断。然后，使用允许所有参数的联合后数据密度被合理地形成而不需要这些全条件密度兼容的框架来组合由此产生的全条件后数据密度。各种例子，这一理论的应用。最后，该理论是捍卫可能的批评部分在什么以前被定义为广义的主观概率。
2021-04-15 stat.ME stat.OT
When can a posterior predictive check identify the learning rate? Exact degeneracy in Gaussian models and implications for Generalised Bayesian Inerence
National Economics University（国家经济大学）
本文通过精确有限样本分析，揭示了在高斯线性模型中，基于后验预测检查的学习率选择器存在退化现象，即p值不依赖于学习率或数据，导致选择器失效，并提出了数据无关的预筛选诊断方法。
2026-06-05 math.ST stat.ME stat.TH
Organic fiducial inference
一个实质性的概括提出了主观信念推断的理论，因为它是在早期的文件中概述。特别是，这个理论扩展到处理的情况下，数据是离散的或分类的，而不是连续的，以及有重要的先验知识的一些或所有的模型参数的情况下。用于直接表达并随后处理该预数据知识的系统（其经由所涉及的参数的所谓全局和局部预数据函数）不同于涉及试图以这些参数上的先验分布函数的形式直接表示该知识并随后使用贝叶斯定理的系统。在这方面，被确定为三种不同类型的基准参数，即强，中等和弱基准参数的个人属性，形成了理论的一个组成部分，是发达国家。各种实际的例子，这个理论的应用，包括涉及二项式，泊松和多项式数据的例子。这些示例中的模型参数的信念分布函数根据先前阐述的主观概率的一般定义来解释。
2021-04-08 stat.ME stat.OT
Bayesian Survival Analysis Using the rstanarm R Package
生存数据在一系列学科中都会遇到，最明显的是健康和医学研究。虽然贝叶斯方法对生存数据的分析可以提供许多好处，但它们的使用不如经典方法（例如基于可能性的方法）广泛。这可能部分是由于相对缺乏用户友好的贝叶斯生存模型的实现。在这篇文章中，我们描述了如何使用rstanarm R包来拟合各种贝叶斯生存模型。rstanarm软件包通过提供一个用户友好的界面（用户使用习惯的R公式语法和数据框指定其模型）和使用Stan软件（一个用于贝叶斯推断的C++库）进行后端估计，促进贝叶斯回归建模。可以使用rstanarm估计的模型套件很广泛，包括广义线性模型（GLM），广义线性混合模型（GLM），广义加性模型（GAM）等。在本文中，我们只关注生存建模功能。这包括标准参数（指数，威布尔，Gompertz）和灵活的参数（样条）风险模型，以及标准参数加速失效时间（AFT）模型。允许所有类型的删失（左删失、右删失、区间删失），以及延迟录入（左截断）、时变协变量、时变效应和脆弱性效应。我们通过工作示例演示功能。我们预计这些实现将增加贝叶斯生存分析在应用研究中的应用。
2020-02-22 stat.CO stat.ME
Parameter Inference for Degenerate Diffusion Processes
本文针对高度退化的扩散过程提出定制时间离散化方案，填补参数推断空白，并验证其在高频观测及部分观测下能克服偏差，为亚椭圆SDE统计方法提供通用方案。
2024-05-28 math.ST stat.AP stat.CO
