Bayesian sample size determination for multi-site replication studies
针对多地点复制研究中的异质性检验,提出贝叶斯样本量确定方法,以在数据收集后提供有力证据。
2023-05-06 stat.AP stat.ME
Power priors for replication studies
提出用于复制研究的贝叶斯幂先验方法,通过幂参数衡量原始研究与复制研究的相容性并动态借用信息,同时揭示其与分层模型的联系。
2023-09-27 stat.ME
A Bayes Factor for Replications of ANOVA Results
随着越来越多的重复研究在心理科学中进行,如何评估重复尝试的结果值得仔细考虑的问题。贝叶斯方法允许将不确定性和先验信息纳入其设计的复制尝试的分析中。由Verneland & Wagenmakers(2014)引入的复制贝叶斯因子提供了支持或反对成功复制的定量相对证据。在之前Verneland & Wagenmakers(2014)的工作中,它仅限于$t$测试的情况。本文将重复贝叶斯因子推广到多组固定效应方差分析设计中的$F$检验。仿真和例子,以促进理解,并证明这种方法的实用性。最后,复制贝叶斯因子相比,其他贝叶斯和频率论的方法,并在复制尝试的背景下进行讨论。用于计算复制贝叶斯因子和复制论文中示例的R代码可在https://osf.io/jv39h/上获得。
2018-08-29 stat.AP
A Bayes factor with reasonable model selection consistency for ANOVA model
对于方差分析模型,我们提出了一个新的基于g先验的贝叶斯因子,没有积分表示,合理的模型选择一致性的任何渐近情况下(无论是因子的水平数和/或在每个水平的重复数趋于无穷大)。精确的分析计算的边缘密度下的先验的特殊选择,使这样的贝叶斯因子。
2012-06-13 stat.ME
Mixture priors for replication studies
University of Trieste(的里雅斯特大学);University of Zurich(苏黎世大学)
本文提出了一种基于混合先验的新型贝叶斯方法,用于复制研究,通过混合原始研究的后验分布和非信息性分布来量化复制研究的复制程度,并展示了如何利用贝叶斯因子进行科学假设检验。
2026-05-17 stat.AP stat.ME
Stochastic Bayes factors: why, when, and how
University of Trieste(的里雅斯特大学);Athens University of Economics and Business(雅典经济与商业大学)
本文针对经典贝叶斯因子的应用局限,提出随机贝叶斯因子框架,通过理论推导与算法实现,经模拟及实际应用验证其较经典贝叶斯因子具备更优稳健性与预测可靠性。
2026-09-01 stat.ME
Assessing replication success via skeptical mixture priors
针对复现研究,提出一种新颖的怀疑性混合先验方法,在纳入怀疑性的同时控制先验-数据冲突,并证明了其一致性,在Social Sciences Replication Project中展现出更现实的先验和不同于标准方法的证据分类。
2023-12-30 stat.AP stat.ME
Adding variances of independent probability distributions to estimate probabilities of replication
本文提出通过将初始研究与重复研究的独立概率分布方差相加来估计重复研究中P值达到显著水平的概率,并据此指出当前功效计算方法可能低估所需样本量,从而为重复危机提供解释。
2025-06-04 stat.ME
The Letter Pi : Bayesian interpretation of p-values, Reproducibility and Considerations for Replication in the Generalized Linear Model
针对p值解释争议与可重复性问题,为广义线性模型的p值赋予贝叶斯解释,提出对应p值的pi值决策框架,结合似然与贝叶斯方法提升分析可重复性,并用临床试验数据与R代码验证实现。
2023-05-01 math.ST stat.AP stat.ME
Adaptive Replication Strategies in Trust-Region-Based Bayesian Optimization of Stochastic Functions
Inria, Université Côte d’Azur, CNRS, LJAD(法国国家信息与自动化研究所、蔚蓝海岸大学、法国国家科学研究中心、联合数据分析实验室);Mathematics and Computer Science Division, Argonne National Laboratory(阿贡国家实验室数学与计算机科学部)
本文提出了一种基于信任区域的贝叶斯优化方法,通过自适应复制策略提高随机函数优化的准确性和效率。
2026-09-03 math.OC stat.ML
Poisoning Bayesian Inference via Data Deletion and Replication
CUNEF Universidad Nantes Université, École Centrale Nantes, CNRS LS2N, UMR 6004, F-44000 Nantes, France(CUNEF大学南特大学,中央理工南特学院,CNRS LS2N,UMR 6004,法国南特)
本文提出通过策略性删除和复制观测数据来攻击通用贝叶斯推断的白盒投毒方法,能够将后验导向目标分布并实现仅破坏特定推断的外科手术式投毒。
2025-03-06 cs.LG stat.ML
An approximate Bayes factor based high dimensional MANOVA using Random Projections
两组或多组的高维均值向量检验问题一直是一个非常活跃的研究领域。在这些设置中,传统的测试是不适用的,因为它们涉及秩亏组协方差阵的反演。在当前方法中,通过简单地查看假设稀疏或对角协方差阵的测试来解决该问题,潜在地忽略了特征之间的复杂依赖性。在本文中,我们开发了一个贝叶斯因子(BF)为基础的测试程序比较两个或两个以上的人口平均值(非常)高维设置。两个版本的贝叶斯因子为基础的检验统计量被认为是基于随机投影(RP)的方法。RP很有吸引力,因为它们不假设数据中特征之间的依赖关系的形式。最终的检验统计量基于与随机投影数据的多次重复相对应的贝叶斯因子的集合。通过一组模拟设置比较两种拟议的检验统计量。最后,将它们应用于公共可用的基因组单细胞RNA-seq(scRNA-seq)数据集的分析。
2022-09-09 stat.ME
Replication of "null results" -- Absence of evidence or evidence of absence?
针对复现研究中将“原始与复现研究均得零结果”等同于复现成功的误区,本文指出其逻辑缺陷,提出用等效性检验、贝叶斯因子量化效应不存在的证据,并通过三大复现项目数据验证多数零结果研究实际非结论性,强调需合理设计分析此类复现研究。
2023-12-18 stat.AP stat.ME
bayprior: Structured Bayesian Prior Elicitation, Conflict Diagnostics, and Regulatory Reporting
bayprior是一个R包和Shiny应用,整合贝叶斯先验引出、冲突诊断、敏感性分析和监管报告,支持FDA和EMA指南,并通过合成肿瘤学试验验证。
2026-10-12 stat.AP stat.CO stat.ME
A Bayes Factor Framework for Unified Parameter Estimation and Hypothesis Testing
本文提出一种统一参数估计与假设检验的贝叶斯因子框架,通过反转支持曲线得到点估计和区间估计,为数据分析师提供统一推理工具,在元分析等场景中具实用价值。
2025-07-08 stat.ME
Reverse-Bayes methods for evidence assessment and research synthesis
针对零假设显著性检验的缺陷及贝叶斯方法的先验问题,本研究提出通过逆转贝叶斯定理使用方式的逆贝叶斯方法,可推导先验、解决多类推断难题,为证据评估与研究综合提供更易用的贝叶斯分析路径。
2021-07-14 stat.ME
More with Less -- Bethel Allocation and Precision-Preserving Sample Size Reduction via Hierarchical Bayes Modelling
Tam Data Advisory(Tam数据咨询)
本文提出一种两阶段策略,通过贝塞尔分配和分层贝叶斯建模,实现样本量的缩减同时保持所有区域的精度要求。
2026-07-14 stat.ME
Measurement-to-Track Association and Finite-Set Statistics
本文从有限集统计角度审视量测-航迹关联,指出其模型缺陷并阐明 LRFS 与 MHT 的关系,进而提出基于 MTA 似然和马尔可夫转移的 MHT 正确贝叶斯表述。
2024-02-28 stat.ME
Understanding statistics for biomedical research through the lens of replication
Aberystwyth University(阿伯里斯特威斯大学)
通过复制视角分析生物医学研究中的统计学问题,指出复制概率受样本量和方差影响,并提出改进方法以提高复制可靠性。
2026-08-27 math.ST stat.AP stat.TH
Bayesian X-Learner: Calibrated Posterior Inference for Heterogeneous Treatment Effects under Heavy-Tailed Outcomes
Independent researcher(独立研究者)
本文提出贝叶斯X学习器,通过交叉拟合双重稳健伪结果和Welsch红降伪似然,实现对异质处理效应的校准后验推断,具有鲁棒性与高精度。
2026-04-30 cs.LG stat.ML
A Network-Structured Bayesian Hierarchical Model for Sparse Mutation-Drug Response Associations: Application to Cancer Pharmacogenomics
University of Ibadan(伊巴丹大学);Worcester Polytechnic Institute(伍斯特理工学院)
提出网络结构贝叶斯层次模型,结合GMRF与马蹄形先验及共轭吉布斯采样,在癌症药物基因组学中识别稀疏、可解释且外部支持的基因-药物敏感性关联,并支持组织特异性分析。
2026-09-09 q-bio.GN q-bio.QM stat.AP
Replacing P values with frequentist posterior probabilities - as possible parameter values must have uniform base-rate prior probabilities by definition in a random sampling model
随机抽样模型中可能的参数值通过定义显示为具有均匀的基本率先验概率。这允许仅以实际研究观察为条件,为这些可能的参数值计算频率后验概率分布。如果随机选择的似然概率分布是用对称连续函数建模的,那么等于或大于原假设的频率论后验概率将等于P值;否则P值将是近似值。基于完美研究方法学重现性假设的理想复制概率可用作可能受各种混杂因素影响的现实复制概率的上限。贝叶斯分布可以与这些频率分布相结合。对于非统计学家来说,重复的理想频率论后验概率可能比P值更容易理解和解释。
2018-08-09 stat.OT
A Comparison of Reproducibility Guidelines and Its Implications on Undergraduate Statistical Education
在本文中,我们复制了贝叶斯教育研究项目,该项目探讨了美国宽带接入和在线课程入学率之间的关联。我们总结了我们的复制的关键发现,并将其与原始项目进行了比较。根据我的复制经验,我们的目标是展示研究复制的挑战,即使代码和数据是公开共享的,GitHub上的材料质量也很高。此外,我们还考察了研究者知识水平的隐性假设,并讨论了这种假设如何增加科学研究再生产的难度。最后,我们希望本文能对重现性标准的设计有所启发,并为探索本科统计学教育应该教什么开辟一个空间。
2022-10-28 stat.OT
Objective priors for the number of degrees of freedom of a multivariate t distribution and the t-copula
提出了一种估计多变量$t$分布和$t$ -copula的自由度数$(ν)$的客观贝叶斯方法。对于多变量$t$和由于没有任何方法,对于$t$ -copula,对这个参数的推断是有问题的。采用了基于损失函数的客观标准,可以克服直接定义客观概率的问题。$ν$的先验的支持被截断,这来自于多变量$t$和$t$ -copula对于足够大的自由度收敛到正态的性质。先验的性能进行了测试模拟场景。R代码和复制材料可作为论文电子版的补充材料和真实数据:IBM和证券价格数据库研究中心的每日对数回报。
2018-03-13 stat.AP stat.ME
Power Calculations for Replication Studies
再现性危机导致越来越多的重复研究正在进行。重复研究的样本量通常使用基于原始研究的效应估计的条件把握度计算。然而,这种方法并不适合,因为它忽略了原始结果的不确定性。贝叶斯方法用于临床试验,将先验信息纳入功效计算。我们建议,以适应这种方法的复制框架,并促进使用的预测,而不是条件的力量在设计的复制研究。此外,我们描述了如何扩展的方法,连续的临床试验,可以定制复制研究。在中期分析计算的条件和预测能力进行了比较,我们认为,预测能力是一个有用的工具,以决定是否提前停止重复研究。最近一个关于社会科学可复制性的项目被用来说明不同方法的特性。
2021-05-21 stat.ME
The assessment of replication success based on relative effect size
为了证实最初的发现,越来越多地进行重复研究。然而,没有既定的标准,如何评估复制成功,在实践中使用许多不同的方法。本文的目的是完善和扩展最近提出的反向贝叶斯方法的分析复制研究。我们展示了这种方法是如何直接关系到相对效应大小,复制原始效应估计的比率。这种观点导致了一个新的建议,重新校准评估复制成功,黄金水平。重新校准确保了对于边缘显著的原始研究,只有在复制效应估计值大于原始估计值时才能实现复制成功。如果原始研究具有显著性且重复样本量足够大,则重复成功的条件把握度可以取任何期望值。与要求原始研究和复制研究具有统计学显著性的标准方法相比,如果复制样本量不小于原始样本量,则黄金水平的复制成功提供了项目功效的均匀增益,并控制了第一类错误率。从四个大型复制项目的数据的应用程序表明,新的方法导致更适当的推论,因为它惩罚收缩的复制估计相比,原来的,同时确保这两个效果的估计是足够令人信服的自己。
2021-04-08 stat.ME
The Assessment of Intrinsic Credibility and a New Argument for p<0.005
最近引入了内在可信度的概念,以检查在没有任何事先支持的情况下“突然”发现的可信度。如果一个显著的结果与从同一数据中得出的怀疑性先验相冲突,则该结果被认为是内在可信的,因为怀疑性先验会使该结果不显著。在本文中,我建议使用贝叶斯先验预测尾概率来评估内在的可信度。对于标准的5%显著性水平,这导致了一个新的p值阈值,该阈值非常接近最近提出的p<0.005标准。我还介绍了可信度比,即相应效应量的标准置信区间的上限与下限之比。我证明了可信度比必须小于5.8,这样一个重要的发现本质上也是可信的。最后,提出了一个p值的内在可信度,这是一个简单的函数的普通p值,并有一个直接的频率论解释的复制效果的概率。
2018-09-11 stat.ME
Empirical Bayes mean estimation with nonparametric errors via order statistic regression on replicated data
本文研究了$K$噪声观测值对$N$单元效应量的经验Bayes估计。我们表明,它是可能实现近贝叶斯最优的均方误差,没有任何假设或知识的影响大小分布或噪声。噪声分布可以是异方差的,并且从单元到单元任意变化。我们的建议,我们称之为极光,利用复制固有的$K$观察每单位和重铸的效果大小估计问题作为一个一般的回归问题。具有线性回归的Aurora可证明地匹配广泛的估计器的性能,包括样本均值、修剪均值、样本中位数以及其James-Stein收缩版本。Aurora自动化了互联网规模数据集的效应大小估计,正如我们在一家大型科技公司的数据上所展示的那样。
2021-08-10 stat.ME