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
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
Multiple Hidden Markov Models for Categorical Time Series
我们引入了多隐马尔可夫模型（MHMM），其中观测到的多变量分类时间序列依赖于不可观测的多变量马尔可夫链。MHSTOM为指定多个离散时间过程之间的各种独立关系提供了一个优雅的框架。这些独立性被解释为马尔可夫性的混合图和链图相关联的潜在的和可观察的MHMM的组件，分别。这些马尔可夫性也转化为零限制的边际模型的参数的转移概率和分布的可观察变量给定的潜在状态。
2013-09-16 stat.ME
Spectral Subsampling MCMC for Stationary Multivariate Time Series with Applications to Vector ARTFIMA Processes
谱子采样MCMC是近年来提出的一种通过在频域对周期图进行子采样来加速长平稳单变量时间序列的马尔可夫链蒙特卡罗（MCMC）的方法。本文扩展的方法，多变量时间序列使用多变量广义的惠特尔可能性。为了评估具有挑战性的问题，从频谱子采样的计算增益，多变量广义的自回归回火分数积分移动平均模型（ARTFIMA）的介绍和它的一些属性。贝叶斯推断的基础上的Whittle可能性被证明是一个快速和准确的替代精确的时域可能性。频谱子采样提供了两个数量级的额外的速度，同时保留MCMC抽样效率和精度，相比，频谱方法使用完整的数据集。关键词：贝叶斯，马尔可夫链蒙特卡罗，半长记忆，谱分析，惠特尔似然。
2022-09-18 stat.CO stat.ME
Weak signal identification and inference in penalized likelihood models for categorical responses
惩罚似然模型被广泛用于同时选择变量和估计模型参数。然而，弱信号的存在会导致不准确的变量选择、有偏的参数估计和无效的推断。因此，在惩罚似然模型中，准确识别弱信号并进行有效的推断是至关重要的。我们开发了一种统一的方法来识别弱信号，并在惩罚似然模型中进行推断，包括响应是分类的特殊情况。为了识别弱信号，我们使用每个协变量的估计选择概率作为信号强度的度量，并制定了信号识别标准。为了构造置信区间，我们提出了一个两步推理过程。广泛的仿真研究表明，所提出的程序优于现有的几种方法。我们通过将其应用于实践融合糖尿病数据集来说明所提出的方法。
2022-12-12 stat.ME
Jackknife empirical likelihood confidence intervals for the categorical Gini correlation
本文针对分类Gini相关提出Jackknife经验似然置信区间方法，无需估计渐近方差，并通过模拟和真实数据验证其有效性与竞争力。
2023-10-14 stat.ME
Granger Causality Networks for Categorical Time Series
基于混合转移分布（MTD）模型，提出了一种新的多变量分类时间序列Granger因果网络学习框架。传统上，MTD被困扰的非凸目标，不可识别性，并存在许多局部最优。为了规避这些问题，我们重铸推理的MTD作为一个凸问题。新的提法有利于应用MTD的高维多变量时间序列。作为一个基线，我们还制定了多输出逻辑自回归模型（mLTD），而一个简单的扩展自回归伯努利广义线性模型，以前没有被应用到多变量类别的时间序列的分析。我们开发了新的MTD模型的可识别性条件，并将其与mLTD的可识别性条件进行比较。我们进一步设计了新的和有效的优化算法的MTD的基础上新的凸公式，并比较MTD和mLTD在模拟和真实数据实验。我们的方法同时提供了一个比较的方法，网络推理的分类时间序列，并打开了大门，现代的，正规化的推理与MTD模型。
2017-06-08 stat.ME
Statistical description and dimension reduction of continuous time categorical trajectories with multivariate functional principal components
Université Bourgogne Europe, CNRS, Institut de Mathématiques de Bourgogne（欧洲勃艮第大学，法国国家科学研究中心，勃艮第数学研究所）；Inrae, Centre des Sciences du Goût et de l’Alimentation（法国国家农业食品与环境研究院，味觉与食品科学中心）
本文提出利用多变量函数主成分分析对连续时间分类轨迹进行统计描述与降维，通过二元随机指示函数将问题转化为函数数据分析，展示了在感官感知数据上的应用。
2026-10-12 stat.ME stat.ML
Graphical model-based clustering of categorical data
Università degli Studi di Milano-Bicocca（米兰比可卡大学）；Università Cattolica del Sacro Cuore（天主教撒克心大学）
本文提出了一种基于图形模型的分类数据聚类方法，通过狄利克雷过程混合模型捕捉变量间的依赖结构，提升聚类效果。
2026-01-21 stat.ME
Pairwise likelihood inference for the multivariate ordered probit model
本文给出了多变量有序probit模型两两得分向量的封闭形式表达式。这一结果在基于似然性的推理中有几个含义。它实际上既用于加速基于梯度的点估计优化例程，又用于通过Godambe矩阵提供计算标准误和置信区间的构建块。
2019-01-29 stat.ME
Composite mixture of log-linear models for categorical data
多元分类数据在许多应用领域中是常规收集的。由于表中单元格的数量随着变量的数量呈指数级增长，许多甚至大多数单元格将包含零观测值。这种严重的稀疏性激发了适当的统计方法学，有效地减少了自由参数的数量，惩罚对数线性模型和潜在结构分析是流行的选择。本文提出了一种全新的方法，我们称之为对数混合线性模型（mills）。结合潜在类分析和对数线性模型，米尔斯定义了一种新的贝叶斯方法来建模复杂的多变量分类的灵活性和可解释性。米尔斯被证明有关键的优势，替代方法列联表在模拟和应用程序调查自杀企图和同情之间的关系。
2020-04-03 stat.ME
Multivariate Multinomial Logit Model with ANOVA Decomposition for Correlated Categorical Outcomes
North Carolina State University（北卡罗来纳州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对医学研究中多分类结局相关性被忽略的问题，提出带ANOVA分解的多变量多项Logit模型，结合MM算法与桥惩罚项实现高效估计和变量选择，经模拟及AURORA数据验证有效。
2026-08-04 stat.AP stat.ME
Bi-dendrograms for clustering the categories of a multivariate categorical data set
本文提出双树状图方法，分别解决多元分类数据中变量内类别合并与变量间类别聚类问题，在保持有序性质和数据特征的同时降低维度并识别典型类别簇，并用国际社会调查数据验证。
2025-09-19 stat.ME
Weighted likelihood estimation of multivariate location and scatter
讨论了一种新的方法来获得加权似然估计的多元位置和分散。提出了一种加权方案，该方案是基于马氏距离的分布，而不是在假设的模型的数据的分布。该策略允许避免影响非参数密度估计的维数灾难，该灾难涉及通过Pearson残差Markatou et al（1998）构建权重。然后，基于加权似然离群检测规则和鲁棒降维技术的发展。数值研究和实际数据的例子说明了该方法的有效性。
2017-06-19 stat.ME
Jackknife Empirical Likelihood Approach for K-sample Tests
分类基尼相关性是分类变量和数值变量之间依赖性的另一种衡量标准，它表征了变量的独立性。基于分类基尼系数，本文提出了一种K分布等同性的非参数检验方法。应用Jackknife经验似然法，建立了标准极限自由度χ 2分布$K-1$，并用于确定检验的临界值和$p$ -值。仿真研究表明，所提出的方法是有竞争力的现有方法在功率的测试在大多数情况下。所提出的方法说明在一个实际数据集上的应用。
2019-08-01 stat.ME
Likelihood estimators for multivariate extremes
推断多变量极值的主要方法是用极值事件极限中的一个参数族来近似观测值的联合上尾。后者可以表示为分量极大值、高阈值方差或点过程，得到不同但相关的渐近特征和估计。本文阐明了主要的似然估计之间的联系，并评估其实际性能。我们调查他们的能力，估计极值依赖结构和预测未来的极端，使用精确的计算和模拟，在逻辑模型的情况下。
2015-06-16 stat.ME
On the occurrence times of componentwise maxima and bias in likelihood inference for multivariate max-stable distributions
高维多变量极值分布或最大稳定过程的全似然推断在合并最大值的发生时间时是可行的;如果没有此信息，由于似然中的大量项，通常排除$d$维似然推断。然而，一些研究指出，当执行包含此类事件信息的高维推理时，特别是当依赖性较弱时，会出现偏差。我们阐明了这种现象，表明在中等尺寸的无偏推理，尺寸$d$应小于平方根的向量的数量，其中一个采取组件的最大值。本文提出了一种减少偏倚的方法，并在极值逻辑斯谛模型上加以说明。
2015-03-31 stat.ME
Efficiently Computed Marginal Likelihoods for Multivariate Mixture Models
Laboratoire de Mathématiques Blaise Pascal, CNRS, Université Clermont Auvergne（布莱斯·帕斯卡数学实验室，法国国家科学研究中心，克莱蒙奥弗涅大学）；CNRS, MAP5, Université Paris Cité（法国国家科学研究中心，MAP5，巴黎西岱大学）；Departments of Statistics and Sociology, University of Washington（华盛顿大学统计与社会学系）
针对单变量或多元混合模型，提出THAMES估计器新版本，从MCMC样本计算边际似然，具一致性等性质，无需隐藏分配后验样本，易近似，在模拟中测试表现良好，可用于推断和模型选择。
2026-10-16 stat.ME
Conditional probability tensor decompositions for multivariate categorical response regression
针对多变量分类响应回归中响应、类别及预测维度均较大的问题，提出基于函数型概率张量分解的建模方法，推导可扩展的惩罚EM算法拟合，经模拟和基因功能建模验证性能良好。
2024-05-14 stat.AP stat.ME
A nonparametrically corrected likelihood for Bayesian spectral analysis of multivariate time series
本文提出频域非参数校正的多元时间序列贝叶斯谱分析似然，结合参数效率与非参数稳健性，并通过模拟和环境数据验证其优势。
2023-06-23 stat.ME
Univariate Likelihood Projections and Characterizations of the Multivariate Normal Distribution
利用向量分量的单变量组合来表征随机向量的多元分布是多元分析的一个基本问题。似然原理在开发强大的统计推断工具中起着重要作用。在这种情况下，我们提出的问题：可以单变量似然函数的基础上的一个随机向量被用来提供在重建的向量分布的唯一性？在多元正态（MN）框架中，这个问题与关于正态变量中二次型分布的Cochran定理的反向有关。我们通过单变量似然型预测来刻画MN分布。所提出的原则是用来说明简单的技术，通过众所周知的测试，使用单变量观测来评估多元正态性。所提出的测试策略可以表现出高和稳定的功率特性相比，众所周知的程序在各种情况下，当观察到的向量是非MN分布，而它们的组件是正态分布的随机变量。在这种情况下，经典的多元正态性检验可能完全失效。关键词：表征、拟合优度、无穷可除性、似然、多元正态分布、投影、二次型、多元正态性检验。
2019-10-28 math.ST stat.ME stat.TH
Efficient estimation of high-dimensional multivariate normal copula models with discrete spatial responses
分布变换（DT）是用于估计具有离散响应的高维多元正态copula模型的计算方法之一。它的优点是在连续边际copula模型的理论下可以方便地推导出似然函数，但对该方法的适用性还没有明确的分析。我们调查的小样本和渐近有效性的方法估计高维多元正态Copula模型与单变量Bernoulli，泊松，负二项利润，并显示DT近似导致有偏估计时，有更多的离散。对于一个高维离散响应，我们实现了最大模拟似然方法，这是基于评估的多维积分的可能性与随机化的准蒙特卡罗方法。效率计算表明，我们的方法几乎是有效的极大似然充分指定的高维多元正态copula模型。这两种方法都说明了空间聚集计数数据集，它表明，有一个很大的增益，通过最大模拟似然法的效率。
2015-01-20 stat.AP stat.CO stat.ME
A Proxy-likelihood Estimator for Multivariate Extremes Models with Intractable Likelihoods
University of Massachusetts Amherst（阿默斯特马萨诸塞大学）；Colorado State University（科罗拉多州立大学）
针对似然不可处理的多元极值模型，提出基于尾部成对依赖性的代理似然估计器，采用Hüsler-Reiss分布，在TLETS模型上优于现有方法，并应用于野火天气数据。
2026-09-25 stat.ME
Inference from multivariate differential recruitment in respondent-driven sampling data
Pontificia Universidad Católica de Chile（智利天主教 Pontificia 大学）；Mount Holyoke College（芒特霍利克学院）
本文提出多变量差异招募框架，结合多个协变量进行采样建模，并通过仿真实验和实际数据应用验证了其有效性。
2026-04-11 stat.ME
Computationally Efficient Estimation of Factor Multivariate Stochastic Volatility Models
提出了一种基于两阶段延迟拒绝梅特罗波利斯-黑斯廷斯算法的MCMC仿真方法，用于估计因子多元随机波动模型。第一阶段使用朝向模式的kstep迭代，其中k小，并且第二阶段使用自适应随机游动建议密度。Chib（1995）的边际似然方法用于选择因子的数量，后验密度坐标由高斯copula近似。模拟和实际数据的应用表明，所提出的模拟方法是计算效率比Chib的方法。Nardari和Shephard（2006年）。这种计算效率的提高在计算边际似然性时特别重要，因为需要多次进行模拟以估计给定边际似然性的后验坐标。除了MCMC方法外，本文还提出了一种快速近似EM方法来估计因子多元随机波动模型。近似EM方法的估计值本身就很有趣，但作为MCMC方法的初始输入特别有用，使其在计算上更有效。使用模拟和真实的例子说明了该方法。
2010-02-10 stat.CO stat.ME
An Adjusted Likelihood Ratio Test for Separability in Unbalanced Multivariate Repeated Measures Data
本文提出了一种不平衡多元重复测量数据的两因子可分性（Kronecker乘积结构）的调整似然比检验。在这里，我们解决了特定的情况下，在主题内的相关性被认为是在两个维度上呈指数下降（例如，时间和空间维度）。然而，该测试可以很容易地推广到任何结构的因子特定矩阵。一个模拟研究进行评估的推理准确性的建议测试。纵向医学影像资料有关精神分裂症和尾状核形态说明了方法。
2011-02-01 stat.AP stat.ME
Bayesian design of experiments for intractable likelihood models using coupled auxiliary models and multivariate emulation
贝叶斯设计通过在设计空间上最大化期望效用来给出。效用被选择来代表实验的目的，并且其期望是关于所有未知数的：响应，参数和/或模型。虽然原则上很简单，但在实践中找到贝叶斯设计存在一些挑战。首先，效用和期望效用很少以封闭形式存在，需要近似。其次，设计空间可以是高维的。在棘手的似然模型的情况下，这些问题是复杂的事实，即似然函数，其评估是需要近似的预期效用，是不是在封闭的形式。提出了一种策略，找到贝叶斯设计的棘手的似然模型。它依赖于一个自动的，辅助建模方法的发展，使用多变量高斯过程仿真器，近似的似然函数。然后，这与基于copula的方法相结合，以近似边际似然（一个通常需要评估许多效用函数的数量）。这些近似的随机过程模型，涉及实验目的的参数估计和模型比较的例子证明。
2019-01-15 stat.ME
Dirichlet Process Mixture Models for Modeling and Generating Synthetic Versions of Nested Categorical Data
本文提出了一个估计多变量分类数据的联合分布的贝叶斯模型。这种数据经常出现在社会科学背景下，例如，生活在家庭中的人。该模型假设（i）每个组是组级潜在类的成员，以及（ii）每个单元是嵌套在其组级潜在类内的单元级潜在类的成员。该结构允许模型捕获同一组中的单元之间的依赖性。它还有助于在组和单元级别同时对变量进行建模。我们开发了一个版本的模型，将零概率分配给具有物理上不可能的变量组合的组和单元。我们应用该模型来估计在美国社区调查的一个子集中的多变量关系。使用估计的模型，我们生成的合成家庭数据，可以传播为编辑的公共使用文件，具有高分析有效性和低披露风险。本文的补充材料可在线获取。
2016-10-28 stat.ME
A pseudo-likelihood approach for multivariate meta-analysis of test accuracy studies with multiple thresholds
与在每个阈值独立进行的单变量荟萃分析相比，当在多个阈值下根据灵敏度和特异性评价试验时，试验准确性研究的多变量荟萃分析代表了通过充分利用数据合成结果的有效方法。通过一个正常的多变量随机效应模型，在不同的阈值的灵敏度和特异性的logit转换的近似是一个最近的建议，直接扩展了双变量模型推荐的一个阈值的情况下。然而，该方法的缺点，如对研究内敏感性和特异性之间的相关性估计不佳以及严重的计算问题，可能使其缺乏吸引力。我们提出了一种替代方法，用于推断共同的诊断措施，使用伪似然构造下的工作独立性假设之间的敏感性和特异性在不同的阈值在同一研究。该方法不需要研究内的相关性，克服了收敛问题，可以毫不费力地实现。仿真研究表明，该方法具有令人满意的性能，在不同的情况下，显着改善了多元正态对应的结果。伪似然方法是说明在用于诊断先兆子痫作为孕产妇和围产期发病率和死亡率的原因的测试的评价。
2019-01-28 stat.ME
Scalable calibration of individual-based epidemic models through categorical approximations
University of Bristol（布里斯托大学）；Lancaster University（兰卡斯特大学）；Imperial College London（帝国理工学院）
本文提出了一种基于分类分布的确定性方法，用于近似个体基础流行病模型的似然，从而实现高效的参数估计和大规模应用。
2026-01-26 stat.ME
Nonparametric likelihood-free inference with Jensen-Shannon divergence for simulator-based models with categorical output
Helsinki Institute of Information Technology (HIIT)（赫尔辛基信息技术研究所）；University of Helsinki（赫尔辛基大学）；University of Oslo（奥斯陆大学）；Wellcome Sanger Institute（惠康桑格研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）
基于模拟器的统计模型的无可能性推理最近在机器学习和统计社区都引起了极大的兴趣。这些研究领域的主要焦点是通过各种类型的蒙特卡罗采样算法或基于深度神经网络的代理模型来近似模型参数的后验分布。迄今为止，基于模拟器的模型的频率论推理受到的关注要少得多，尽管它特别适用于大数据应用，其中可能性的隐式渐近近似预计是准确的，并且可以利用计算效率高的策略。在这里，我们得出了一组理论结果，使估计，假设检验和置信区间的模型参数使用渐近性质的詹森-香农发散的建设。这样的渐近近似提供了一个快速的替代计算密集型的方法，可以是基于模拟器的模型的各种应用程序的吸引力。61
2022-05-26 cs.LG stat.ME
Identifying the Most Appropriate Order for Categorical Responses
本研究将分类响应的顺序视为模型参数，提出用似然准则选择最优顺序，证明其预测优势及等价顺序的存在，并通过模拟和实证验证其必要性。
2024-03-18 math.ST stat.ME stat.TH
Flexible Modeling of Multivariate Skewed and Heavy-Tailed Data via a Non-Central Skew t Distribution: Application to Tumor Shape Data
提出多元非中心偏态 t 分布，通过卡方变量缩放偏态正态向量实现灵活建模，推导理论性质并用蒙特卡洛近似进行估计，在乳腺癌肿瘤形状数据上表现优于标准替代模型。
2025-07-14 stat.CO stat.ME
A copula-based model for multivariate ordinal panel data: application to well-being composition
本文提出了一种新的基于Copula函数的多变量面板序模型来估计幸福感各组成部分之间的结构关系。每个有序的时间序列建模使用基于Copula的马尔可夫模型在每个观察时间的响应的边缘分布，然后，在每个观察时间，每个有序的时间序列的条件分布加入使用多变量t Copula。采用基于随机化准蒙特卡罗方法求似然的多维积分的最大模拟似然法进行估计。渐近计算表明，我们的方法是几乎一样有效的极大似然完全指定的多元copula模型。我们的研究结果强调了一个人的相对位置在评估他们的福祉没有直接影响的社会经济特征的福祉，但强大的间接影响，通过其对福祉的组成部分的影响。时间弹性，习惯形成和行为特征可以解释随着时间的推移和跨幸福组成部分的联合尾巴的依赖性。
2017-05-31 stat.AP stat.CO stat.ME
Inference for Multivariate Normal Mixtures
多元正态混合模型为高维数据提供了一个灵活的模型。它们广泛应用于统计遗传学、统计金融学等学科。由于似然函数的无界性，经典的基于似然函数的方法虽然具有很好的实用性，但并不一致。本文提出了一种估计混合分布的惩罚似然方法。我们证明了最大惩罚似然估计是强相合的，当组件的数量有一个已知的上界。我们还探讨了一个方便的EM算法计算的最大惩罚似然估计。大量的模拟进行了探索的有效性和实际限制的新方法和批准的最大似然估计。根据仿真结果给出了指导原则。
2008-05-26 math.ST stat.ME stat.TH
Regularized estimation for highly multivariate spatial Gaussian random fields
Universidad Técnica Federico Santa María（费德里科Santa María技术大学）；Technische Universität Berlin（柏林工业大学）；Universidad de Chile（智利大学）
本文提出一种LASSO正则化框架，通过在Cholesky因子中引入稀疏性，自动识别无关变量对，减少估计误差。通过Geo化学数据集验证方法的有效性，使传统方法无法处理的空间预测成为可能。
2026-04-08 stat.CO stat.ME
Exact Multivariate Two-Sample Density-Based Empirical Likelihood Ratio Tests Applicable to Retrospective and Group Sequential Studies
多元分布的非参数检验是研究中经常需要的。通常要求基于相对小的向量样本的测试程序精确地控制相应的第一类错误（TIE）率。通常，在多变量检验中，无零分布单变量方法的扩展，例如，Kolmogorov-Smirnov和Cramer-von Mises类型的方案是不精确的，因为它们的零分布取决于底层数据分布。本文扩展了基于密度的经验似然技术，以非参数近似的最强大的多元两样本（MTS）问题的测试，产生一个确切的有限样本检验统计量。我们严格地建立和应用一对一映射之间的平等的向量分布和相关的一元线性投影的分布的平等。在这个框架中，我们证明了一个算法，简化了投影寻踪的使用，只采用了几个无限多的线性组合观测向量分量。所显示的无分布策略以回顾和分组顺序的方式被采用。所提出的技术的渐近一致性。蒙特卡罗研究表明，所提出的程序在各种设置中表现出极高和稳定的功率特性。本文的补充材料可在网上查阅。
2021-01-12 math.ST stat.CO stat.ME
Modelling multivariate ordinal time series using pairwise likelihood
Athens University of Economics and Business（雅典经济与商业大学）
本文提出利用Copula和条件配对似然建模多变量有序时间序列，通过独立最大化双变量模型并使用加权平均合成估计，展示了在不同样本量下的良好拟合效果和预测方法。
2026-02-13 stat.ME
Multivariate Generalized Gaussian Distribution: Convexity and Graphical Models
本文研究了多元广义高斯分布（MGGD）和椭圆对称分布（ES）下的协方差估计。与此问题相关的极大似然优化是非凸的，但它已被证明，其全局解往往可以通过简单的不动点迭代计算。我们的第一个贡献是一个新的分析这种可能性的基础上测地凸，需要较弱的假设。我们的第二个贡献是稀疏约束下的结构协方差估计的广义框架。我们表明，只要MGGD形状参数大于一半，稀疏模式是弦，优化可以制定为凸最小化。这些包括，例如，极大似然估计的带状逆协方差在多变量拉普拉斯分布，这是与时变自回归过程。
2013-09-01 stat.ME
Bayesian inference for multivariate extreme value distributions
多元和空间极端事件的统计建模在各个科学领域引起了广泛的关注。最大稳定分布和过程是自然类的模型，为这一目的，许多参数家庭已开发和成功应用。由于似然函数的复杂性，有效的统计推断仍然是一个活跃的研究领域，通常使用的是仅基于二元密度的复合似然方法。Thibaud等人（2016，Ann. Appl. Stat.，出现）使用贝叶斯方法，以适应布朗-雷斯尼克过程的极端温度。在本文中，我们扩展了这一想法的方法，适用于一般的最大稳定分布，并使用充分的可能性。我们进一步提供了后验分布的中位数渐近正态的简单条件，并对多元和空间极值统计中常用的模型进行了验证。一个模拟研究表明，这种点估计是相当有效的比复合似然估计的频率框架。从贝叶斯的角度来看，我们的方法开辟了新的技术，如贝叶斯模型比较在多元和空间极端的方式。
2017-08-08 stat.ME
Exploring the likelihood surface in multivariate Gaussian mixtures using Hamiltonian Monte Carlo
针对高斯混合模型似然多模态导致优化器易陷入局部最优的问题，提出用哈密顿蒙特卡洛探索高似然参数空间并结合拟牛顿优化的方法，经三分量二元混合模拟数据集测试，通过优化马尔可夫链混合性找到了对应数据集的全局最大似然估计。
2023-08-28 stat.ME
Vine copula based likelihood estimation of dependence patterns in multivariate event time data
在许多研究中，多变量事件时间数据是从具有可能复杂的关联模式的聚类中生成的。需要灵活的模型来捕捉这种依赖性。藤系联结就是为了这个目的。对于完整的数据，可以使用葡萄系连接函数的推断方法。然而，事件时间数据经常受到右删失的影响。因此，需要调整现有的推断工具，例如似然估计。提出了一种两阶段估计方法。首先，对边缘分布进行建模。第二，依赖结构建模的葡萄Copula估计通过似然最大化。由于右截尾的单重和二重积分出现在Copula似然表达式中，因此需要数值积分来评估。对于依赖建模的序贯估计的方法，促进了似然优化的计算挑战。三维仿真研究提供了证据，所提出的方法具有良好的有限样本性能。使用四维乳腺炎的数据，它示出了如何选择一个合适的葡萄系函数模型的数据在手。
2017-07-22 stat.AP stat.ME
Estimation of a multivariate von Mises distribution for contaminated torus data
University G. Fortunato（乔瓦尼·富尔纳托大学）；Department of Mathematics, University of Trento（特伦托大学数学系）
本文提出利用加权似然方法对受污染环面数据进行多维von Mises分布的稳健估计。
2026-03-03 stat.ME
The Geometry of Existence and Uniqueness of Maximum Likelihood Estimation in Categorical Response Models
本文揭示分类响应模型中MLE存在性与唯一性可由统一几何判据刻画，通过结构向量重叠条件与线性规划判定，并应用于健康数据共享模型诊断。
2026-10-26 math.ST stat.AP stat.ME
Reconsidering the asymptotic null distribution of likelihood ratio tests for genetic linkage in multivariate variance components models
准确地了解假设检验的零分布对于检验的有效应用是非常重要的。在以往的文献和软件中，用于检测多变量方差分量模型中遗传连锁的似然比检验的渐近零分布被描述为χ 2分布与二项混合概率的混合。在这里，我们表明，通过模拟和理论参数的几何参数空间的基础上，前面所述的渐近零分布的所有方面都是不正确的-二项混合概率和卡方分量。校正零分布会给出比前面所述更保守的临界值，产生的P值很容易大十倍。真正的混合概率给出了最高的概率的情况下，所有的方差参数估计为正，和混合成分显示严重偏离χ 2分布。因此，渐近零分布具有复杂的特征，这对多变量连锁发现的显著性评估提出了挑战。我们提出了一种生成渐近零分布的方法，该方法比其他经验方法（如基因丢弃）快得多，使我们能够更有效地获得具有更高精度的P值。
2008-09-13 stat.ME
On the estimation of normal copula discrete regression models using the continuous extension and simulated likelihood
离散随机变量的连续延拓是用于估计具有离散边界的多元正态copula模型的计算方法之一。它的优点是在连续边际copula模型的理论下可以方便地推导出似然函数，但对该方法的适用性还没有明确的分析。我们调查的渐近和小样本效率的方法估计的多元正态copula与单变量二进制，泊松，负二项回归的两个变种，并表明，他们导致有偏估计的潜在相关性，和单变量的边际参数，不是回归系数。我们实现了一个最大模拟似然方法，这是基于评估的多维积分的可能性与随机化的准蒙特卡罗方法。渐近和小样本效率计算表明，我们的方法几乎是有效的极大似然充分指定的多元正态copula为基础的模型。一个说明性的例子来说明我们的模拟似然方法的使用。
2013-04-03 stat.ME
Fitting Graphical Interaction Models to Multivariate Time Series
图形交互作用模型已成为分析多变量时间序列的重要工具。在这些模型中，一个时间序列的组件之间的相互关系被描述的无向图中的顶点描绘的组件，而边缘指示组件之间可能的依赖关系。目前的图形结构识别方法是基于非参数谱估计，这妨碍了常用的模型选择策略的应用。本文提出了一种多元平稳时间序列图形交互建模的参数化方法。所提出的模型将协方差选择模型推广到时间序列设置，并在逆协方差方面制定。我们表明，这些模型对应于向量自回归模型的条件独立约束下编码的无向图。进一步讨论了基于Whittle近似的对数似然函数的极大似然估计，并提出了求解所得到的似然方程的迭代方法.通过一个例子说明了这些概念。
2012-06-27 stat.ME
Quasi maximum likelihood estimation for strongly mixing state space models and multivariate Lévy-driven CARMA processes
本文研究了一般非高斯离散时间线性状态空间模型和等距观测多元Lévy驱动的连续时间自回归滑动平均（MCARMA）过程的拟极大似然（QML）估计.在离散时间情形下，我们证明了在标准矩假设和状态空间模型输出过程的强混合条件下，QML估计的强相合性和渐近正态性。在本文的第二部分中，我们研究了等距采样连续时间状态空间模型的概率和分析性质，并将我们的结果从离散时间的设置来推导离散记录的MCARMA过程的QML估计的渐近性质。在自然可识别条件下，估计量再次一致，并渐近正态分布的任何采样频率。我们还证明了我们的方法的实用性，通过模拟研究和计量经济学的数据例子。
2012-10-28 math.ST stat.ME stat.TH
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
Jackknife Empirical Likelihood Method for U Statistics Based on Multivariate Samples and its Applications
本文提出了一种基于多元三样本U统计量的jackknife经验似然方法，用于构建参数的置信区间，通过蒙特卡洛实验验证其在覆盖概率和计算效率上的优越性。
2025-12-02 math.ST stat.ME stat.TH
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
Maximum Likelihood Estimation of the Vector AutoRegressive To Anything (VARTA) model
本文提出了一种基于高斯向量自回归模型的通用方法，通过最大似然估计改进预测分布估计，适用于非高斯分布的预测需求。
2025-11-29 stat.ME
Consistency, breakdown robustness, and algorithms for robust improper maximum likelihood clustering
鲁棒非正常极大似然估计（RIMLE）是一种寻找近似高斯聚类的鲁棒多元聚类新方法。它最大化的伪似然定义添加一个组件与不适当的恒定密度，以适应离群值的高斯混合。RIMLE的一个特例是多元有限高斯混合模型的MLE。在本文中，我们将全面对待存在性，一致性和故障理论的RIMLE。在非光滑协方差阵约束下证明了RIMLE的存在性。结果表明，这些可以通过计算上可行的期望条件最大化算法来实现。
2018-02-13 stat.ME
Information matrix equivalence in the presence of censoring: A goodness-of-fit test for semiparametric copula models with multivariate survival data
该研究证明了多变量删失生存数据下半参数copula模型的信息矩阵等价性，提出基于该等价性的copula函数设定信息比检验，推导其渐近分布并给出有限样本P值计算的参数bootstrap程序，通过模拟与真实数据验证了检验性能。
2023-07-23 stat.ME
