Conjugate Bayesian Unit-level Modeling of Count Data Under Informative Sampling Designs
单位一级的调查数据模型与地区一级的模型相比有许多优点，例如有可能进行更精确的估计和具有自然的基准属性。然而，在这种情况下出现两个主要的挑战：会计信息调查设计和处理非高斯数据类型。伪似然方法是前者的一种解决方案，而共轭多元分布理论提供了后者的解决方案。通过结合这些方法，我们获得了一个单位级的计数数据模型，占信息抽样设计，并包括完全贝叶斯模型的不确定性传播。重要的是，共轭全条件分布在伪似然下成立，从而产生计算效率极高的方法。我们的方法说明了通过一个实证模拟研究，使用计数数据从美国社区调查公共使用的微观数据样本。
2019-10-15 stat.ME
Bayesian Predictive Inference For Finite Population Quantities Under Informative Sampling
我们研究贝叶斯预测推理有限的人口数量时，有不平等的选择概率。关于样本设计的信息有限;即，只有对应于采样单元的一阶选择概率是已知的。与Chambers，Dorfman和Wang（1998）的方法不同，我们的方法可用于对有限总体数量进行推断，并提供精度和区间的度量。此外，我们的方法，使用马尔可夫链蒙特卡罗方法，避免了使用渐近封闭形式的近似，必要的其他方法，已提出。一组模拟的例子表明，信息模型提供了一个标准的可扩展模型的精度提高，并纠正选择偏差。
2018-04-09 stat.ME
Pseudo-Bayesian unit level modeling for small area estimation under informative sampling
本文提出一种伪贝叶斯单元级小区域估计方法，通过纳入抽样权重处理信息性抽样，并引入后处理重缩放步骤校准可信集，从而在真实与模拟数据上获得接近名义覆盖率的估计结果。
2023-09-21 stat.ME
Beyond the classical type I error: Bayesian metrics for Bayesian designs using informative priors
本文针对使用信息先验的贝叶斯临床试验设计，提出平均I型错误等贝叶斯度量以评估假阳性风险，并证明在借用对照数据时其渐近可控性，助力监管讨论。
2023-09-05 stat.ME
A weakly informative prior for Bayesian dynamic model selection with applications in fMRI
近年来，贝叶斯统计方法在神经科学中取得了重要进展。特别是，用于研究大脑复杂性的大脑信号的检测是一个活跃的研究领域。功能性磁共振成像（fMRI）是一种重要的工具，可以确定大脑的哪些部分被不同类型的身体行为激活。根据最近的结果，有证据表明，连接性脑信号参数的值接近于零，并且由于具有高频行为的时间序列fMRI数据的性质，用于识别稀疏性的贝叶斯动态模型确实影响深远。我们提出了一个多元贝叶斯动态方法的模型选择和收缩估计的连接参数。我们描述了任何一对区域之间的耦合或领先滞后通过使用混合先验的连接参数，并提出了一个新的弱信息的状态方差的默认先验。该框架产生一步前进正确的后验预测结果，并诱导收缩和鲁棒性的稀疏性的存在下，适合于fMRI数据。为了探索所提出的方法的性能，我们提出了模拟研究和应用功能磁共振成像数据。
2017-06-03 stat.ME
Pseudo Bayesian Mixed Models under Informative Sampling
当随机效应与样本设计变量相关时，采用单个调查权重（构造为与单位调查包含概率成反比）来形成伪似然的常用方法不再产生渐近无偏推断。我们构造了一个加权指数公式的随机效应分布，实现无偏推理生成超参数的随机效应。我们将我们的方法与依赖于数值积分的频率论方法进行对比，发现只有贝叶斯方法才能实现抽样设计分布的无偏估计和人口生成分布的一致性。我们的模拟和真实数据的商业机构的调查的例子表明，我们的方法在不同的建模配方和抽样设计的效用。这项工作作为最近的发展努力，结合传统的调查估计方法与贝叶斯建模范式的顶点，并提供了一个跨越两个丰富的，但不同的子领域的桥梁。
2021-08-24 stat.ME
Fully Bayesian Estimation under Dependent and Informative Cluster Sampling
调查数据通常是在多级抽样设计下收集的，其中单元被分箱到在第一阶段抽样的聚类中。感兴趣的单位索引总体变量通常在聚类内是相关的。我们提出了一个完全贝叶斯方法，构建一个确切的可能性，观察到的样本，将单位水平的边际抽样权重进行无偏推断的人口参数，同时占抽样集群的单位，以产生正确的不确定性量化引起的依赖。我们的方法参数化集群索引的随机效应在边际模型的响应和发布的，单位级抽样权重的条件模型。我们比较我们的方法插件贝叶斯和频率论的替代品在模拟研究中，并证明我们的方法最接近实现正确的模型参数的不确定性量化，包括集群索引的随机效应产生的方差。我们证明了我们的方法在NHANES数据的应用程序。
2021-08-24 stat.ME
Regularization in regression: comparing Bayesian and frequentist methods in a poorly informative situation
使用一组模拟的真实基准，我们比较贝叶斯和频率正则化方法在低信息约束下，当变量的数量几乎等于模拟和真实数据集上的观测数量时。这种比较包括基于Zellner g先验的贝叶斯变量选择的新的全局非信息方法，类似于Liang et al.（2008）。这些校准的建议的利益进行了讨论。我们提出的数值实验突出了贝叶斯正则化方法的吸引力，与非贝叶斯替代品相比。它们在频率论方法中占主导地位，因为它们提供更小的预测误差，同时以简约的方式选择最相关的变量。
2011-11-15 stat.CO stat.ME
Computationally Efficient Bayesian Unit-Level Models for Non-Gaussian Data Under Informative Sampling
传统上，通过基于设计的估计器获得来自调查样本的统计估计。在许多情况下，这些估计量往往适用于总体总数或均值等数量，但当样本量变小时可能会出现不足。在当今的“信息时代”，对更细粒度的估计有着强烈的需求。为了满足这一需求，使用贝叶斯伪似然，我们提出了一个计算效率高的单位级建模方法下收集的非高斯数据的信息抽样设计。具体来说，我们专注于二进制和多项式数据。我们的方法是多变量和多尺度的，在区域一级的空间依赖性。我们说明我们的方法，通过实证模拟研究，并通过一个激励性的应用程序，以健康保险估计使用美国社区调查。
2020-09-11 stat.AP stat.ME
A Bayesian Model for Co-clustering Ordinal Data with Informative Missing Entries
University of Milano-Bicocca（米兰比可卡大学）；University of Padova（帕多瓦大学）
本文提出一种贝叶斯非参数模型，用于共聚类多变量有序数据，通过将缺失值视为信息而非缺失，提升对数据潜在结构的理解。
2024-11-04 stat.ME
Evaluating the effect of different non-informative prior specifications on the Bayesian proportional odds model in randomised controlled trials: a simulation study
本研究通过模拟试验对比不同无信息先验对贝叶斯比例优势模型的影响，发现先验选择会影响治疗效应估计与早期停止决策，建议结合对照组概率分布选先验并做敏感性分析。
2025-07-29 stat.ME
Optimal designs for nonlinear regression models with respect to non-informative priors
在非线性回归模型中，费舍尔信息依赖于模型的参数。因此，最大化信息矩阵的某些功能的最优设计不能直接实现，但需要一些关于未知参数的初步知识。贝叶斯最优性准则为这个问题提供了一个有吸引力的解决方案。这些标准敏感地依赖于模型参数的先验分布的合理规范，这可能不是在所有应用中都可用的。本文研究了无信息先验分布下的贝叶斯最优性准则。特别是，我们研究了Jeffreys和Berger-Bernardo先验，其相应的最优性准则不一定是凹的。几个例子进行了研究，最优设计相对于新的标准进行计算和比较贝叶斯最优设计的基础上统一和功能统一的先验。
2013-11-04 stat.ME
Is non-informative Bayesian analysis appropriate for wildlife management: survival of San Joaquin Kit Fox and declines in amphibian populations
计算上的便利使得贝叶斯推断在生态学中被广泛应用于分析状态空间模型。模糊的先验被认为是客观的，让数据说话。这两种说法都不成立。统计学家批评了模糊先验的使用，从哲学到计算到实用主义的原因。然而，生态学家认为这些批评是空洞的哲学思考，没有实际意义。我们说明，在人口生存能力分析和占用模型中使用模糊先验可以对分析产生重大影响，并可能导致截然不同的管理决策。鉴于广泛的适用性的层次模型和非信息贝叶斯分析在生态学中的不加批判的使用，研究人员应该谨慎使用模糊的先验知识作为默认选择在实际情况下。
2015-02-02 q-bio.QM stat.ME
Mode-Matched Inverse Gamma Priors for Variance Components in Bayesian Multilevel Models
本文提出通过卡方—Gamma—逆 Gamma 变换构造众数匹配的信息性 IG 方差先验，并经模拟与 TIMSS 数据验证其可显著改善小样本多层模型估计。
2025-08-30 stat.ME
Default Bayesian analysis with global-local shrinkage priors
我们提供了一个框架，用于评估默认的性质的先验分布使用的财产，我们研究的全球局部收缩先验。特别是，我们证明了马蹄先验，最初设计用于处理稀疏性，也具有规律的变化，因此是适当的默认贝叶斯分析。为了说明我们的方法，我们解决了Efron（1973）提出的无信息先验问题，他指出高维正态均值模型中的标准平坦无信息先验对于感兴趣的非线性参数可以是高度信息化的。我们考虑四个这样的问题，并显示全局-局部收缩先验，如马蹄铁和马蹄铁+执行Efron（1973）在每种情况下的要求。我们发现这是因为全局-局部收缩先验能够分离嵌入在高维噪声中的低维信号，即使是非线性函数。
2016-05-15 stat.ME
Bayesian Nonparametric Inference for Panel Count Data with an Informative Observation Process
本文考虑了重复事件的面板计数数据分析。这种分析对于在临床试验和观察性研究中研究肿瘤或感染复发是有用的。提出了一个双变量高斯Cox过程模型，用于联合建模观测过程和复发事件过程。贝叶斯非参数推断提出了同时估计回归参数，二元脆弱性效应和基线强度函数。推理是通过马尔可夫链蒙特卡罗，充分发展的计算技术。预测推理下的贝叶斯设置也进行了讨论。通过仿真研究表明，该方法是有效的。皮肤癌患者的临床试验数据集进行了分析，以说明所提出的方法。
2017-12-11 stat.AP stat.ME
Coherent and robust Bayesian inference under informative sampling via sample-level weight models
Iowa State University（爱荷华州立大学）；Seoul National University（首尔国立大学）
本文提出两种贝叶斯方法处理信息性抽样下的分析推断：一种通过样本级权重模型构建相干似然，另一种采用Neyman正交化得分与损失似然自助法，实现稳健且高效的可信区间估计。
2026-09-16 stat.ME
Bayesian Estimation Under Informative Sampling with Unattenuated Dependence
信息性抽样设计导致与感兴趣的响应变量相关的单元包含概率。然而，多级抽样设计也可能会导致高阶相关性，这通常被忽略在文献中建立一致性的估计调查数据的条件下，需要渐近独立的单位包含概率。我们完善和放松这个条件的渐近独立或渐近分解，并证明了一致性仍然是在存在的残差采样依赖。基于调查样本对总体进行推断的流行方法是使用伪后验，其使用基于一阶包含概率的采样权重来对可能性取指数。我们证明了伪后验不仅对具有渐近因子分解的调查设计是一致的，而且对具有剩余或未衰减依赖的设计也是一致的。使用复杂的抽样设计的全国药物使用和健康调查，我们探讨了多级设计和顺序抽样的影响。调查加权伪后验的使用与我们对调查设计的宽松要求一起建立了广泛的分析模型，可以应用于各种各样的调查数据集。
2018-07-12 stat.ME
Bayesian Pairwise Estimation Under Dependent Informative Sampling
信息性抽样设计导致选择包含概率与感兴趣的响应变量相关的单位。对所得观察样本进行的模型推断将对群体生成模型产生偏倚。产生渐近无偏推断的一种方法采用边际包含概率来形成采样权重，该采样权重用于对伪似然的每个似然贡献取指数，该伪似然用于形成伪后验分布。后验一致性条件将适用的抽样设计限制为两两包含依赖性渐近限制为0的设计。有许多抽样设计不受此限制;例如，对家庭内的个人进行抽样的多阶段设计。把每个家庭看作一个人口，个人之间的依赖性并没有减弱。在本文中，我们提出了一个更有针对性的方法推理集中在对个人或抽样单位，例如，物质使用的一个配偶在一个共同的家庭，条件是物质使用的另一个配偶。我们制定的伪似然权重的基础上成对或二阶概率和证明的一致性，删除渐近独立的要求，并取代它与高阶选择概率的限制。我们的方法提供了一个几乎自动化的估计过程，适用于数据分析师指定的任何模型。我们展示了我们的方法在全国药物使用和健康调查。
2017-10-27 stat.ME
Scalable Bayes under Informative Sampling
美国劳工统计局根据信息抽样设计，使用调查工具收集数据，将纳入的概率与答复相关联。该局广泛使用贝叶斯分层模型和后验抽样来估算响应水平数据中的缺失项，并推断人口参数。基于信息设计收集的调查数据的后验抽样在计算上是昂贵的，并且不支持局的生产时间表。出于这个问题，我们提出了一种新的方法来衡量贝叶斯计算的信息抽样设计。我们的方法将数据划分为较小的子集，对每个子集并行执行后验采样，并通过它们在2阶Wasserstein空间中的均值将来自所有子集的后验样本集合组合起来。在理论上，我们构造了一类抽样设计的条件，所提出的方法的后验一致性实现。从经验上讲，我们证明了我们的方法与传统方法相比具有竞争力，同时在许多模拟和该局进行的当前就业统计调查中显着更快。
2017-10-24 stat.ME
A Bayesian Functional Data Model for Surveys Collected under Informative Sampling with Application to Mortality Estimation using NHANES
函数数据通常是非常高维的，并且表现出很强的依赖结构，但通常可以证明对预测和推理都很有价值。功能数据分析的文献是发达的，但是，很少有工作涉及功能数据在复杂的调查设置。从全国健康和营养检查调查（NHANES）的体力活动监测数据的动机，我们开发了一个贝叶斯模型的功能协变量，可以正确地解释调查设计。我们的方法适用于非高斯数据，可以应用于多变量设置。此外，我们利用各种贝叶斯建模技术，以确保该模型是适合在计算效率的方式。我们通过实证模拟研究以及使用NHANES数据的死亡率估计的例子来说明我们的方法的价值。
2020-11-06 stat.AP stat.ME
Bayesian Calibration of Computer Models with Informative Failures
将计算机模型与实验数据进行校准有许多实际困难。一个这样的复杂性是校准输入的某些组合可能导致代码输出缺乏基本属性的数据，甚至根本不产生输出。在许多情况下，研究人员希望或需要在他们的分析中排除这些“失败”的可能性。我们提出了一个贝叶斯（Meta）模型，其中校准参数的后验分布自然排除了对应于失败运行的输入空间区域。也就是说，我们定义了一个统计选择模型来严格耦合二进制分类和计算机模型校准的不相交问题。我们证明了我们的方法使用的数据从碳捕获实验中的计算流体动力学的数值容易不稳定。
2020-06-13 stat.AP stat.ME
Bayesian Circular Lattice Filters for Computationally Efficient Estimation of Multivariate Time-Varying Autoregressive Models
非平稳时间序列数据存在于各种科学学科中，包括环境科学、生物学、信号处理、计量经济学等。许多贝叶斯模型已被开发来处理非平稳时间序列。时变向量自回归（TV-VAR）模型是一种适用于多变量非平稳时间序列的模型。然而，在大多数情况下，模型所呈现的大量参数导致高计算负担，最终限制了其使用。本文提出了一种计算效率高的多变量贝叶斯圆格滤波器的TV-VAR模型的使用扩展到更广泛的一类高维问题。我们的完全贝叶斯框架允许自回归（AR）系数和创新协方差随时间变化。我们的估计方法是基于贝叶斯格型滤波器（BLF），这是非常计算效率和稳定的单变量情况下。为了说明我们方法的有效性，我们通过仿真研究与其他竞争方法进行了全面比较，发现在大多数情况下，我们的方法在估计的时变谱密度与真实时变谱密度之间的平均平方误差方面表现出色。最后，我们通过应用季度国内生产总值（GDP）数据和北加州风能数据来展示我们的方法。
2022-06-24 stat.ME
Bayesian Estimation Under Informative Sampling
贝叶斯分析在社会科学和其他应用领域越来越受欢迎，其中数据是从信息样本中观察到的。信息性抽样设计导致与感兴趣的响应变量相关的包含概率。由于样本数据中的信息平衡与总体数据中的信息平衡不同，因此，对于信息抽样下的总体生成模型，对从总体中采集的观察样本进行的模型推断将存在偏倚。在贝叶斯估计下解释信息性抽样设计的典型方法通常难以实现，因为它们需要对假设的生成模型进行重新参数化，或者专注于设计，而不是基于模型的推理。我们建议构造一个伪后验分布，利用基于边缘包含概率的采样权重来指数化每个采样单元的似然贡献，从而将样本中的信息加权回总体。我们的方法提供了一个几乎自动化的估计过程，适用于任何模型指定的数据分析人员的人口，并保留人口模型参数化和后验抽样几何。我们构造的条件，已知的边际和成对包含概率，定义一类抽样设计的伪后验的$L_{1}$一致性得到保证。我们证明了我们的方法上的应用程序有关的劳工统计局职位空缺和劳动力流动率调查。
2016-06-03 math.ST stat.ME stat.TH
Informative Bayesian Tools for Damage Localisation by Decomposition of Lamb Wave Signals
超声导波技术具有许多独特的优点，为结构健康监测和无损评估提供了一种方便实用的方法。导波，特别是兰姆波，可以用于通过利用传播和反射特性的先验知识来定位损坏。典型的定位方法利用从损伤处发射或反射的波的到达时间，其中最简单的方法涉及三角测量。将测量信号分解为在没有损坏的情况下直接从激励源传播的预期波是有用的，并且对于本文而言被称为标称波。这种分解允许确定从损伤、边界或其他局部不均匀性反射的波。以前的分解方法利用精确的分析模型，但在复杂材料和结构的分解方法中存在差距。这里示出了一种新的方法，它使用贝叶斯方法来分解单源信号，它具有量化的预期信号的不确定性的优点。此外，该方法产生与导波的已知物理学相关的固有参数特征。在本文中，分解方法是从一个小铝板的导波传播模拟的数据上证明，使用局部相互作用模拟的方法，对于损坏和未损坏的情况下。分解方法的分析是通过三种方式进行的;检查各个分解信号，跟踪沿传播距离的固有产生的参数特征，并在本地化策略中使用方法。贝叶斯分解被发现工作以及上述的评估标准。在定位方法中使用这些波在许多传感器配置中返回精确到1 mm以内的估计。
2022-05-24 stat.ME
Fully Bayesian Estimation Under Informative Sampling
贝叶斯估计是越来越流行的执行基于模型的推理，以支持决策。这些数据通常是从信息抽样设计下的调查中收集的，其中受试者入选概率被设计为与感兴趣的响应变量相关。从边际包含概率构造的采样权重通常用于形成指数化的伪似然，该伪似然由于易于估计而调整用于对样本进行估计的总体似然。我们提出了一种替代调整的基础上，贝叶斯规则的建设，同时进行加权平滑和估计的人口模型参数在一个完全贝叶斯建设。我们制定的条件，已知的边际和成对包含概率，定义一类的抽样设计，其中$L_{1}$一致性的联合后验是有保证的。我们比较了两种方法在合成数据上的性能，这表明我们的完全贝叶斯方法可以更好地估计后验不确定性，而无需校准采样权重的归一化。我们证明了我们的方法的应用程序有关的国家健康和营养检查调查探索咖啡因消费和收缩压之间的关系。
2018-07-12 math.ST stat.ME stat.TH
Comparison between Suitable Priors for Additive Bayesian Networks
加性贝叶斯网络是一种图形模型，它通过对基础变量的联合概率分布进行因子分解，将通常的贝叶斯广义线性模型扩展到多个因变量。在拟合ABN模型时，参数先验的选择至关重要。如果使用不充分的先验--如信息量太弱的先验--数据分离和数据稀疏会导致模型选择过程中的问题。在这项工作中，两个弱和一个强信息先验之间的模拟研究。作为弱信息先验，我们使用具有大方差的零均值高斯先验，目前在R包abn中实现。第二个先验属于学生t分布，专门为逻辑斯谛回归设计，最后，强信息先验再次是高斯分布，平均值等于真实参数值且方差较小。我们比较了这些先验知识对学习的加性贝叶斯网络在不同参数下的准确性的影响。我们创建了一个模拟研究来说明林德利的悖论的基础上的优先选择。然后，我们的结论是突出了良好的性能的信息学生的t先验和有限的影响林德利悖论。最后，对今后的发展提出了建议。
2018-09-18 stat.AP stat.ME stat.ML
Translating predictive distributions into informative priors
MRC Biostatistics Unit, University of Cambridge（剑桥大学MRC生物统计学单位）
本文提出将可观测量或模型导出的边际量的先验分布转化为有信息的联合先验，通过参数化先验分布和优化超参数来减少预测分布与给定分布的差异。
2025-05-03 stat.ME
Weakly informative priors and prior-data conflict checking for likelihood-free inference
贝叶斯无似然推理（Bayesian likelihood free inference）是一种在似然性难以处理的情况下进行贝叶斯推断的方法，具有越来越多的重要科学应用。然而，贝叶斯分析的许多方面在无可能性设置中变得更具挑战性。其中一个例子是先验数据冲突检查，其目标是评估数据中的信息和先验信息是否不一致。这种冲突是重要的检测，因为它们可能会揭示问题，在调查人员的理解是什么相关的参数值，并可能导致贝叶斯推断的灵敏度的先验。在这里，我们考虑的方法是适用的，无论可能性是否是易处理的或没有的先验数据冲突检查。在构造我们的检查时，我们考虑基于先验到后验库尔贝克-莱布勒散度的检查统计量。使用混合物近似的后验分布和封闭形式的近似库尔贝克-莱布勒散度的混合物，这使得蒙特卡罗近似的参考分布校准计算可行的检查。当先验数据发生冲突时，在备选分析中考虑弱信息先验规范是有用的，作为敏感性分析的一部分。作为我们的方法的一个主要应用，我们开发了一种技术，用于搜索弱信息先验的似然自由推理，弱信息先验的概念是正式使用先验数据冲突检查。该方法在三个例子中证明。
2022-02-21 stat.CO stat.ME
An approach for finding fully Bayesian optimal designs using normal-based approximations to loss functions
决策理论贝叶斯最优设计的生成是复杂的显着的计算挑战，最小化的分析棘手的预期损失函数在一个潜在的，高维的设计空间。提出了一种新的近似寻找贝叶斯最优设计的一般方法，该方法使用计算效率高的基于正态近似的后验摘要，以帮助近似的预期损失。这种新的方法是证明说明性的，但具有挑战性的，包括层次模型的阻塞实验，实验目标的参数估计和模型歧视的例子。在可能的情况下，所提出的方法的结果进行比较，无论是在性能和计算时间方面，从使用计算更昂贵，但可能更准确，蒙特卡罗近似的结果。此外，该方法还适用于使用蒙特卡罗近似在计算上不可行的问题。
2017-02-06 stat.ME
Using Large Language Models to Suggest Informative Prior Distributions in Bayesian Statistics
Simula Research Laboratory（Simula研究实验室）；OsloMet（奥斯陆大学）；SimulaMet；OsloMet and SimulaMet（奥斯陆大学和SimulaMet）
本研究探讨了利用大型语言模型建议贝叶斯统计中的信息先验分布，通过设计详尽提示词让模型建议并反思先验，在两个真实数据集上评估发现LLM能正确识别关联方向，但中等先验常过于自信，Claude和Gemini表现优于ChatGPT，主要挑战在于校准先验宽度。
2025-06-27 cs.AI cs.CL stat.ME
Objective Bayesian Analysis for the Lomax Distribution
在本文中，我们提出了贝叶斯推断的参数的Lomax分布使用非信息先验，即Jeffreys先验和参考先验。我们通过使用500个模拟数据集的蒙特卡罗研究评估贝叶斯估计。为了评估先验规范对估计可能产生的影响，考虑了两个标准：偏差和均方误差的平方根。所开发的程序说明了一个真实的数据集。
2016-02-26 stat.ME
Bayesian Joint Modeling for Longitudinal Magnitude Data with Informative Dropout: an Application to Critical Care Data
本文提出了一种包含随机效应的贝叶斯回归方法来分析幅度数据，并扩展为联合建模策略以应对信息性退出问题，有效减轻缺失数据偏差，最后应用于ICU患者膈肌厚度变化研究。
2025-07-14 stat.AP stat.ME
A Bayesian Nonparametric System Reliability Model which Integrates Multiple Sources of Lifetime Information
我们提出了一个贝叶斯非参数系统可靠性模型，该模型具有很好的可扩展性，并提供了很大的灵活性建模。贝叶斯方法自然地处理可能存在的不同数量的组件和子系统数据。然而，传统的贝叶斯可靠性模型是相当复杂的计算，依赖于MCMC技术。我们的方法利用了beta-Stacy过程的共轭性质，这是我们模型的基本构建块。使用矩估计方法将这些单独的模型链接在一起。该模型计算速度快，允许右删失数据，并用于估计和预测系统的可靠性。
2022-03-21 stat.ME
Exact and computationally efficient Bayesian inference for generalized Markov modulated Poisson processes
点模式的统计建模是一个重要的和常见的问题在几个领域。泊松过程是用于此目的的最常见的过程，特别是它的推广，认为强度函数是随机的。这被称为Cox过程，并且对强度的动态建模的不同选择产生了广泛的模型。我们提出了一类新的一维Cox过程模型，其中的强度函数假设参数函数的形式，根据连续时间的马尔可夫链在它们之间切换。提出了一种基于MCMC算法的精确贝叶斯推断方法。术语精确指的是不使用离散时间近似，并且蒙特卡罗误差是不准确的唯一来源。算法的可靠性取决于各种规范，这些规范被仔细处理，从而产生计算效率（在计算时间方面）的算法，并使其能够用于大型数据集。仿真和实际的例子来说明所提出的方法的效率和适用性。提出了一个拟合流行曲线的特定模型，并用于分析巴西登革热和一些国家COVID-19的数据。
2021-02-25 stat.ME
Bayesian Forecast Combination with Predictive Priors via Particle Filtering
本文提出带预测先验的贝叶斯预测组合框架，首次将前瞻性信号嵌入时变权重更新，以模型多样性为信号实现DTVW方法，通过模拟与实证验证其预测准确性优于TVW等基准，还能提供模型诊断见解。
2025-08-24 stat.ME
Marginally Specified Priors for Nonparametric Bayesian Estimation
非参数贝叶斯推断的先验规范涉及到量化高维（通常是无限维）参数的先验知识的困难任务。实际上，统计学家不太可能对这样一个参数的所有方面都有知情的意见，但可能有关于参数泛函的真实信息，例如总体均值或方差。本文提出了一个新的框架，非参数贝叶斯推理的先验分布可能无穷维的参数被分解成两部分：一个信息先验的有限集的泛函，和一个非参数的条件先验的参数给定的泛函。这样的先验可以很容易地从常用的标准非参数先验分布构造，并继承了它们所基于的标准先验的大支持。此外，在这些信息先验下的后验近似通常可以通过对标准非参数先验分布的现有马尔可夫链近似算法进行微小调整来进行。我们说明了使用这样的先验的背景下，多变量密度估计使用Dirichlet过程混合模型，并在高维稀疏列联表的建模。
2012-04-29 stat.ME
A computationally-tractable measure of global sensitivity for sampling-based Bayesian inference
University College London（伦敦大学学院）
提出基于Fisher散度的全局敏感性分析方法，仅需参考后验样本和得分函数评估，计算可行且适用于高维问题。
2026-10-07 stat.CO stat.ME
Bayesian inference on the exponentiated Kumaraswamy distribution with applications
School of Mathematical and Physical Sciences The University of Sheffield, UK（谢菲尔德大学数学与物理科学学院）
研究指数化库马尔斯瓦米分布的贝叶斯估计，基于尺度-位置参数化，通过分层弱信息先验设置解决可识别性问题，用HMC实现，为从业者提供工具并在合成与真实数据上说明。
2026-08-25 stat.ME
In Nonparametric and High-Dimensional Models, Bayesian Ignorability is an Informative Prior
在有大量缺失数据的问题中，必须对两个不同的数据生成过程进行建模：生成响应的结果过程和确定我们观察到的数据的缺失数据机制。然而，在Rubin（1976）的可验证性条件下，基于似然性的结果过程推断不依赖于缺失数据机制，因此只需要估计前者;部分由于这种简化，可验证性通常被用作基线假设。我们研究的影响，贝叶斯可扩展性的存在下，高维滋扰参数，并认为，可扩展性通常是不兼容的选择偏差的量与明智的先验信念。我们表明，对于许多问题，可验证性直接意味着选择偏差的先验紧密集中在零附近。这是证明了几个模型的实际利益，和可扩展性的影响的后验分布的特点是高维线性模型与岭回归前。然后，我们展示了如何建立高维模型，编码合理的信念选择偏差，也表明在某些狭窄的情况下，可扩展性是问题不大。
2021-11-06 math.ST stat.ME stat.TH
Computationally Efficient Distribution Theory for Bayesian Inference of High-Dimensional Dependent Count-Valued Data
我们介绍了一种贝叶斯方法，用于高维计数值数据的多变量时空预测。我们的主要兴趣是当可能有数百万个数据点在不同的变量、地理区域和时间被引用时。这个问题需要广泛的方法进步，因为联合建模这种大小的相关数据会导致所谓的“大n问题”。“在这种情况下，预测的计算复杂性进一步加剧，因为承认计数值数据自然是非高斯的。因此，我们开发了一个新的计算效率的分布理论，这种设置。特别是，我们引入了一个多变量的对数-Γ分布，并提供了大量的理论发展，包括：结果条件分布，边缘分布，与多元正态分布的渐近关系，并充分条件分布的吉布斯采样器。为了将变量，区域和时间点之间的依赖关系，使用多变量时空混合效应模型（MSTM）。这篇手稿中的结果非常普遍，并且可以用于表现出比我们认为的依赖性来源更少的数据（例如，多变量、仅空间或仅时空数据）。因此，我们的建模框架的影响可能会有很大的影响，共同建模相关的计数值数据的一般问题。我们通过模拟研究表明我们的方法的有效性。此外，我们证明了我们提出的方法与一个重要的应用程序分析从纵向雇主家庭动态（LEHD）计划，这是由美国人口普查局管理的数据。
2015-12-22 stat.ME
Partial Ordering Bayesian Logistic Regression Model for Phase I Combination Trials and Computationally Efficient Approach to Operational Prior Specification
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单元）
本文提出一种结合部分序和更灵活的双参数逻辑模型的贝叶斯部分序逻辑模型，用于I期联合试验，并提出一种计算高效的运算先验规范方法。
2024-09-16 stat.ME
Frequentist performances of Bayesian prediction intervals for random-effects meta-analysis
预测区间作为评价处理效应大小和研究间异质性的有用指标，在荟萃分析中得到越来越多的应用。在预测区间的计算中，尽管Higgins-Thompson-Spiegelhalter方法在实践中最常使用，但在现实情况下，它可能不具有足够的覆盖概率，以用于未来研究的真实处理效应。一个有效的替代候选是贝叶斯预测区间，它也被广泛用于一般的预测问题。然而，这些预测区间是基于贝叶斯哲学构建的，即使采用非信息先验，它们的频率论有效性也只能通过大样本近似来证明。在Meta分析的实际情况下，还没有确定的证据来评价他们的频率主义表现。在这项研究中，我们进行了广泛的模拟研究，以评估贝叶斯预测区间的频率覆盖性能与11个非信息性的先验分布在一般的荟萃分析设置。通过这些仿真研究，我们发现频率覆盖性能强烈依赖于采用什么样的先验分布。此外，当研究数量小于10时，没有保留精确频率论覆盖特性的先验分布。我们还说明了这些方法通过应用程序到八个真正的元分析数据集。所得的预测区间也不同，根据所采用的先验分布。不准确的预测区间可能提供无效的证据和误导性的结论。因此，如果需要频率论的准确性，贝叶斯预测区间应谨慎使用在实践中。
2019-06-30 stat.ME
{poscosea} : A Computationally Efficient Sensitivity Analysis for Bayesian Models using the posterior covariance representation
Okayama University（冈山大学）；The Institute of Statistical Mathematics（统计数学研究所）
本文针对贝叶斯模型敏感性分析的高计算成本问题，提出无需重复重拟合模型的PosCoSeA方法，经模拟与真实生态数据验证，还配套提供R包方便应用。
2026-08-27 stat.AP stat.ME
Computationally Efficient Bayesian Estimation of High Dimensional Copulas with Discrete and Mixed Margins
估计具有离散边缘分布的copula具有挑战性，特别是在高维中，因为计算每个观测值的似然贡献需要评估$2^{J}$项，其中$J$是离散变量的数量。目前，数据增广方法被用来执行离散copula的推理，在实践中，计算变得不可行时，$J$大。我们的文章提出了两个新的快速贝叶斯方法估计高维copula离散利润，或离散和连续利润的组合。这两种方法都是基于贝叶斯方法的最新进展，该方法使用可能性的无偏估计，而不是可能性本身，我们的关键观察是，我们可以无偏地估计离散copula的可能性，而不是精确地评估可能性或使用基于用潜变量增强模型的当前模拟方法。第一种方法建立在伪边缘方法，允许马尔可夫链蒙特卡罗模拟从后验分布仅使用无偏估计的可能性。第二种方法是基于变分贝叶斯近似的后验，也使用无偏估计的可能性。我们表明，蒙特卡罗和随机准蒙特卡罗方法可以使用这两种方法，以减少变异的估计的可能性，因此使我们能够进行贝叶斯推断的高值$J$的某些类的copula的计算是以前太昂贵。本文还介绍了{ \em--一种相关的准随机数伪边际}方法。通过几个真实和模拟数据的例子说明了该方法。
2018-11-09 stat.ME
Bayesian model selection approach for colored graphical Gaussian models
我们考虑了一类有色图形高斯模型，通过在贝叶斯框架下对精度矩阵施加对称性约束而得到。精度矩阵上的先验分布是着色的$G$ -Wishart先验，其是Diaconis-Ylvisaker共轭先验。在本文中，我们开发了一个计算效率高的模型搜索算法，结合线性回归与双可逆跳马尔可夫链蒙特卡罗（MCMC）方法。后者是估计表示为两个竞争模型的后验概率之比的Bayes因子。我们还建立了基于贝叶斯因子的模型选择过程的渐近一致性。我们的程序避免了计算上不可能的穷举搜索。我们的方法与模拟和现实世界中的应用程序与蛋白质信号数据集。
2020-04-02 stat.ME
Covariance-based rational approximations of fractional SPDEs for computationally efficient Bayesian inference
针对分数阶SPDE方法在一般平滑度参数下无法提供GMRF逼近以进行贝叶斯推断的问题，提出基于协方差算子有限元与分数阶有理逼近的新方法，实现数值稳定的GMRF逼近，可结合INLA进行快速贝叶斯推断。
2023-07-28 stat.ME
Computationally Efficient Experimental Design with Generalized Posteriors
The University of Queensland（昆士兰大学）；Queensland University of Technology（昆士兰科技大学）
本文提出一种基于广义后验的经济型实验设计方法，通过理论结果将后验总结建模为样本量函数，以高效评估操作特性，适用于贝叶斯M-估计的实验设计。
2026-09-03 stat.ME
Modelling disease progression with multi-level electronic health records data and informative observation times: an application to treating iron deficiency anaemia in primary care of the UK
模拟口服铁剂处方后缺铁性贫血（IDA）的疾病进展是评估口服铁剂成本效益的先决条件。来自临床实践研究数据链（CPRD）的电子健康记录（EHR）提供了英国663名全科医生（GP）实践中注册的患者IDA疾病进展的丰富纵向数据，但它们也给统计分析带来了挑战。首先，CPRD数据在多个级别上聚类（即，GP实践和患者），但其庞大的体积使得难以实现对多水平数据的标准随机效应模型的估计。其次，CPRD数据中的观察时间不规则，可能提供有关疾病进展的信息。例如，GP访视之间的间隔时间缩短/延长可能与IDA恶化/改善有关。现有的方法来解决信息观测时间大多是基于复杂的联合模型，这增加了更多的计算负担。为了应对这些挑战，我们开发了一种计算效率高的方法来用EHR数据模拟疾病进展，同时考虑到多级聚类和信息量大的观察时间的变异性。我们应用所提出的方法CPRD数据调查IDA改善和治疗不耐受口服铁剂处方在英国的初级保健。
2021-07-29 stat.AP stat.ME
Building Population-Informed Priors for Bayesian Inference Using Data-Consistent Stochastic Inversion
本文提出利用数据一致性反演（DCI）技术，从群体级数据中构建群体信息先验，以在观测数据有限时有效约束贝叶斯推断的不确定性，并从理论和数值实验上证明了该方法能显著提升个体化推断的信息增益。
2025-06-24 stat.ME
A Computationally Efficient Approach to Fully Bayesian Benchmarking
在小面积估算中，有时需要使用基于模型的方法，在数据很少或没有数据的地区进行估算。在官方统计中，为了内部一致性的目的，我们经常要求一些小地区估计数的总和与国家估计数一致。执行这个协议被称为基准测试，虽然目前存在的方法来执行基准测试，很少有理想的应用程序与非正常的结果和基准的不确定性。完全贝叶斯基准是一个理论上有吸引力的方法，因为我们可以获得后验分布的基准约束条件。然而，现有的实现方式可能在计算上是禁止的。在本文中，我们批判性地审查基准方法的背景下，小面积估计在低收入和中等收入国家的二元结果和不确定的基准，并提出了一种新的方法，其中一个未基准的方法，产生面积级的样本可以结合拒绝采样器或梅特罗波利斯-黑斯廷斯算法，以产生基准的后验分布的计算效率高的方式。为了说明我们的方法的灵活性和效率，我们提供了一个模拟现有的基准方法进行比较，并应用到艾滋病毒的流行率和5岁以下儿童死亡率估计。实现我们方法的代码可以在R包stbench中找到。
2023-01-29 stat.AP stat.ME
Uncertainty-Aware Surrogate-based Amortized Bayesian Inference for Computationally Expensive Models
Department of Stochastic Simulation and Safety Research for Hydrosystems（随机模拟与安全研究部门）；Cluster of Excellence SimTech（卓越中心SimTech）；University of Stuttgart（斯图加特大学）；Department of Statistics（统计学系）；TU Dortmund University（多特蒙德技术大学）
本文提出UA-SABI框架，结合替代模型和amortized贝叶斯推断，以量化和传播替代不确定性，实现对计算昂贵模型的快速可靠推断。
2026-01-16 cs.LG stat.ME stat.ML
Dangers of Bayesian analyses and how to address them
University of California, Los Angeles（加州大学洛杉矶分校）；University of Oxford（牛津大学）
本文针对FDA支持贝叶斯方法背景下，指出贝叶斯分析对先验偏倚敏感的危险性，提出基于实证文献论证先验、参考分析及将先验转化为数据等安全措施，并主张其作为传统分析的补充而非替代。
2026-10-14 stat.AP stat.ME
New frontiers in Bayesian modeling using the INLA package in R
INLA软件包为各种广泛使用的模型（更正式的是潜在高斯模型类）提供了一种计算效率高的贝叶斯建模和推理工具。它是一个基于非采样的框架，使用稀疏矩阵为贝叶斯推断提供近似结果。这种贝叶斯建模框架的迅速采用植根于该方法的计算效率，并受到大数据时代提出的需求的催化。在本文中，我们提出了新的发展内的INLA包的目的是提供一个计算效率高的机制，贝叶斯推断的相关挑战性的情况。
2019-07-25 stat.CO stat.ME
