Learning optimal Bayesian prior probabilities from data
无信息一致先验是贝叶斯推理的主要内容，特别是在贝叶斯机器学习中。这项研究挑战的假设，他们是最佳的，他们在贝叶斯推理的使用产生最佳结果。我们提出了一种基于机器学习的替代方法，而不是使用任意的无信息的统一先验，通过最大化感兴趣的目标函数从数据中学习最佳先验。应用朴素贝叶斯文本分类方法和为此研究开发的搜索算法，我们的系统使用阳性预测值度量作为目标函数从数据中学习先验。任务是找到没有（但应该）被归类在某些维基百科类别下的维基百科条目。我们使用不同的维基百科类别进行了五组实验。虽然基线模型使用流行的贝叶斯-拉普拉斯先验，但研究模型在使用它们之前分别学习每组实验的最佳先验。结果显示，研究模型始终优于基线模型，具有广泛的统计学显著性（p < 0.001）。该研究模型在基线上的测量性能改善高达443%，在五个维基百科类别上的平均值为193%。
2021-01-03 cs.LG stat.ML
Classical and Bayesian Analyses of a Mixture of Exponential and Lomax Distributions
在混合模型的寿命试验中，指数分布和Lomax分布被广泛应用。提出了一种指数分布与Lomax分布的混合模型。所提出的模型的参数估计使用经典和贝叶斯程序下的第一类右删失。贝叶斯估计的表达式推导出假设非信息（均匀和杰弗里斯）先验下对称和非对称损失函数。后验预测分布的未来观测的推导和预测估计。广泛的蒙特卡罗模拟进行调查性能的估计方面的样本量，删失时间和混合比例。混合模型的分析进行了使用的数据集的发射机和接收机的寿命。有趣的性质的估计进行了观察和讨论。
2020-02-25 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
Deterministic Objective Bayesian Analysis for Spatial Models
本文针对空间相关数据的Gaussian process模型，结合已有参考先验，提出基于信赖域优化、精确后验导数和Chebyshev自适应稀疏网格的确定性全贝叶斯预测与推断算法。
2023-07-18 stat.CO stat.ME
The Banff Challenge: Statistical Detection of a Noisy Signal
粒子物理学实验，如在大型强子对撞机中运行的实验，产生了大量的数据，这些数据被归结为几个数字，希望从中检测到信号。我们讨论了一个简单的概率模型，并推导出频率主义和非信息贝叶斯程序的信号推断。两者在实际情况下都是高度准确的，频率论过程具有区间估计的优势，贝叶斯过程产生稍好的点估计。我们还认为，修改后的似然根的意义，或$p$值，功能的基础上提供了一个全面的介绍数据中的信息，并应用于推理。
2011-02-17 stat.AP stat.ME
Jeffreys priors for mixture estimation
虽然Jeffreys先验通常对于混合分布的参数是定义良好的，但它们并不以封闭形式提供。此外，他们往往是不适当的先验。因此，它们从未被用来推断混合参数。在本文中，我们研究的实施和Jeffreys先验在几个混合设置的属性，显示相关的后验分布大多数情况下是不适当的，然后提出了一个非信息的替代分析的混合物。
2015-12-20 stat.CO stat.ME
On Posterior Consistency of Bayesian Factor Models in High Dimensions
因子模型作为一种原则性的降维技术，已被广泛应用于社会科学、经济学、生物信息学等诸多领域。然而，在高维环境中，进行“正确的”贝叶斯因子分析可能是微妙的，因为它需要仔细规定的先验分布和合适的计算策略。特别是，我们分析的问题有关的尝试是“非信息”的因素加载矩阵的元素，特别是稀疏贝叶斯因子模型在高维，并提出解决方案。我们在这里表明，为什么采用正交因子假设是适当的，可以导致一致的后验推断的加载矩阵的条件下，真正的特质方差和分配的非零元素在真正的加载矩阵。我们还提供了一个有效的吉布斯采样器，根据Rockova和George（2016）的先验设置和因子矩阵上的均匀正交因子假设进行完整的后验推断。
2021-01-01 stat.ME
Flexible objective Bayesian linear regression with applications in survival analysis
本文研究了残差按正态分布的两段尺度混合分布的线性回归模型的客观贝叶斯推断。这些模型允许捕捉偏离通常的假设，正常的重尾，不对称性，和某些类型的异方差的错误。我们提出了一个一般的无信息，尺度不变，先验结构，并提供充分条件的适当性的后验分布的模型参数，其中包括情况下，当响应变量被删失。这些结果使我们能够将所提出的模型应用于生存分析。本文代表了Rubio和Hong（2015）提出的模型的贝叶斯框架的扩展。我们提出了一个模拟研究，表现出良好的频率属性的后可信区间以及点估计与建议的先验。我们用癌症患者生存分析的实际数据说明了这些模型的性能。
2016-05-06 stat.AP
Robust Hierarchical Bayes Small Area Estimation for Nested Error Regression Model
许多国家的国家统计机构现在被授权为按地理和（或）人口划分的小区域编制人口、收入、失业、健康结果等重要变量的可靠统计数据。由于这些地区的样本量较小，直接基于样本的估计往往不可靠。基于模型的小面积估计现在被广泛用于通过适当的模型从其他地区和相关变量“借用力量”来生成可靠的统计数据。离群值对基于标准模型的小面积估计值产生不利影响。为了处理离群值，Sinha和Rao（2009）提出了一种鲁棒的频率论方法。在这篇文章中，我们提出了一个强大的贝叶斯替代嵌套误差回归模型的单位级数据，以减少离群值。我们考虑了一个两个组件的混合比例的正态分布的单位水平的误差模型离群值，并提出了一种计算方法，以产生贝叶斯预测的小面积平均值下的非信息先验模型参数。一个真实的例子和广泛的模拟令人信服地表明我们的贝叶斯预测离群值的鲁棒性。模拟比较这两种方法与Datta和Ghosh（1991）的贝叶斯预测和Chambers等人（2014）的M分位数估计的结果表明，当存在离群值时，我们提出的方法在偏倚，变异性和预测区间的覆盖概率方面优于其他方法。优越的频率性能，我们的程序显示其双重（贝叶斯和频率）的优势，并使其吸引力的所有从业者，贝叶斯和频率，小面积估计。
2018-10-24 stat.AP stat.ME
Bayesian D-Optimal Design of Experiments with Quantitative and Qualitative Responses
针对同时含连续与二元响应的实验，本文提出贝叶斯D最优设计准则及点交换算法，构造局部与全局设计并通过两个示例验证性能。
2023-04-21 stat.ME
A Better (Bayesian) Interval Estimate for Within-Subject Designs
我们开发了一个贝叶斯最高密度区间（HDI）用于受试者内设计。该可信区间基于标准的无信息先验分布和修改后的后验分布，该后验分布以受试者特异性随机效应的数据和点估计值为条件。对估计的随机效应进行调节，去除受试者间方差，并产生Loftus和Masson（1994）中提出的受试者内置信区间的贝叶斯模拟区间。我们发现，后者的时间间隔也可以推导出作为一个贝叶斯内的主题HDI在一定的不适当的先验。我们认为，建议的新的区间优于原来的受试者内的置信区间，理由是（a）它是基于一个更合理的先验，（b）它有一个明确的和直观的吸引力的解释，（c）因为它的长度总是较小。还导出了可应用于异方差数据的新区间的推广，并且我们表明所得区间在数值上等同于Franz和Loftus（2012）中讨论的归一化方法;然而，我们的工作为归一化方法提供了贝叶斯公式，并且在此过程中，我们识别了相关的先验分布。
2018-06-12 stat.ME
Modeling Complex Life Systems: Bayesian Inference for Weibull Failure Times Using Adaptive MCMC
本研究针对威布尔失效时间分析的先验选择难题，提出结合分层贝叶斯模型与NUTS的自适应半参数MCMC算法，通过模拟确定最优先验，可处理不同失效率场景，在前列腺癌剩余寿命预测中具实用价值，推动了复杂生命系统贝叶斯建模方法发展。
2025-06-13 stat.CO stat.ME
Frequentist and Bayesian measures of confidence via multiscale bootstrap for testing three regions
针对期望参数未知的多元正态模型，讨论了基于Bootstrap概率的频率论$p$值和贝叶斯后验概率的计算方法.原假设表示为任意形状的区域。我们引入了新的参数模型的比例律的自助概率，使多尺度自助方法，这是专为单侧检验，也可以计算置信度的双侧检验，扩大适用范围更广泛的一类假设。参数估计的两步多尺度自举，也包括高阶项。模型选择不仅是我们方法的激励应用，而且是方法中的基本成分。频率论和贝叶斯之间的妥协是试图通过显示贝叶斯后验概率与noninformative先验解释为一个频率论$p$ -值的“零侧”测试。
2008-07-01 math.ST stat.ME stat.TH
Objective Bayesian meta-analysis based on generalized multivariate random effects model
目的推导推广到椭圆等高分布的多元随机效应模型参数的贝叶斯推断方法。通过分配两个无信息先验的模型参数，即Berger和Bernardo参考先验和Jeffreys先验，推导出总体平均向量和研究间协方差阵的后验，其解析表达式在弱分布假设下获得。结果表明，后验是适当的唯一条件是，样本量大于数据生成模型的尺寸，独立的椭圆轮廓分布的广义多变量随机效应模型的定义中使用的类。本文的理论研究结果被应用到实际数据组成的10项研究的有效性，高血压治疗降低血压的处理效应的收缩压和舒张压进行了调查。
2021-04-05 math.ST stat.ME stat.TH
Mixture Data-Dependent Priors
我们提出了一个非信息（扩散）和信息的先验分布，通过这样一种方式，更喜欢的第一个组件，如果出现先验数据冲突的数据加权的两个组件的混合物。用于计算混合权重的数据驱动方法使此类依赖于数据。虽然很少与任何理论动机一起使用，但数据依赖先验通常用于不同的原因，并且在过去的几十年中，它们的使用一直存在很多争议。然而，我们的方法是合理的贝叶斯推断作为一个近似的层次模型和作为一个条件的数据统计。这类先验提供的信息比信息丰富的先验少，也许它代表了一个合适的选择，在小样本的情况下不主导推理。从模拟研究的第一个证据表明，这类也可能是一个很好的建议，以减少均方误差。
2017-07-31 stat.ME
Beyond Uniform Priors in Bayesian Network Structure Learning
贝叶斯网络结构学习通常在贝叶斯设置中执行，使用给定数据集的后验概率评估候选结构。然后，基于分数的算法使用这些后验概率作为目标函数，并返回最大后验网络作为学习模型。对于离散贝叶斯网络，后验得分的规范选择是具有均匀（U）图先验的贝叶斯狄利克雷等效均匀（BDeu）边缘似然，其假设网络结构和网络参数都具有均匀先验。在本文中，我们调查这些假设所产生的问题，专注于小样本量和稀疏数据所造成的问题。然后，我们提出了一种替代后验分数：贝叶斯狄利克雷稀疏（BD）边缘似然与边缘均匀（MU）图先验。与U+BDeu一样，MU+ BD不需要任何关于数据概率结构的先验信息，可以用作替代非信息性得分。我们研究了它的理论特性，并在广泛的模拟研究中评估了它的性能，结果表明MU+ BD在学习网络结构方面比U+BDeu更准确，在预测功率方面也更有竞争力，同时计算上并不复杂。
2017-04-12 stat.ME stat.ML
Harold Jeffreys's Theory of Probability Revisited
Jeffreys的《概率论》（Theory of Probability，1939）发表于70年前，对贝叶斯社会产生了独特的影响，现在被认为是贝叶斯统计学的主要经典之一，也是客观贝叶斯学派的创始人。特别是，它在推导无信息先验以及贝叶斯因子缩放方面的进展对该领域产生了持久的影响。然而，这本书反映了当时的特点，特别是在数学严谨性方面。在本文中，我们指出了这个参考工作的基本方面，特别是彻底覆盖测试问题和建设的估计和测试noninformative先验函数分歧的基础上。我们在这里的主要目的是帮助现代读者在这个困难的文本中导航，并集中在今天仍然相关的段落。
2010-01-18 math.HO math.ST stat.TH
Heavy tailed priors: an alternative to non-informative priors in the estimation of proportions on small areas
我们探索柯西和一个新的重尾（Fuquene，Perez和Pericchi（2011））先验估计小区域的比例。使用分层模型和指数族形式的二项式似然。我们相信，在调查抽样设置重尾先验可能比选择无信息先验更有效地消除对涉及主观因素或假设的方法的反感。为了说明稳健的贝叶斯方法，我们将此方法应用于一个流行的例子：“贝叶斯问题”。最后，我们建议在小区域内不存在或存在离群值时使用Cauchy先验，当离群值是特定的小区域时使用Fuquene et al.（2011）先验。
2012-12-07 math.ST stat.ME stat.TH
Learning Approximately Objective Priors
信息贝叶斯先验通常很难引出，当这种情况下，建模者通常转向非信息或客观先验。然而，客观的先验，如杰弗里斯和参考先验是不听话的，以获得许多模型的利益。我们解决这个问题，提出了学习参考先验近似的技术：我们选择一个参数的家庭和优化的黑盒下限的参考先验目标，找到家庭的成员，作为一个很好的近似。实验证明了该方法的有效性，通过恢复Jeffreys先验和学习变分自动编码器的参考先验。
2017-08-04 stat.CO stat.ML
On Bayesian Exponentially Embedded Family for Model Order Selection
The University of Rhode Island（罗德岛大学）
本文利用指数嵌入族方法推导了贝叶斯模型的序选择规则，称为贝叶斯EEF。与许多其他贝叶斯模型选择方法不同，贝叶斯EEF可以使用模糊的正确先验和不正确的无信息先验来客观地提取参数先验。此外，该规则的惩罚项是参数维数的一半和参数与观测数据之间的估计互信息之和。这有助于揭示EEF在模型阶数选择中的作用机制，并从信息论的角度对模型阶数选择的最优惩罚项选择和先验选择等问题提供新的见解.最后给出了线性模型选阶的重要实例，说明了算法和参数的选取。最后，使用Jeffreys先验的贝叶斯EEF与频率主义策略导出的EEF规则一致。这显示了频率论和贝叶斯哲学在模型选择中的另一个有趣的关系。
2018-12-21 cs.LG stat.ML
On integral priors for multiple comparison in Bayesian model selection
University of Murcia（穆尔西亚大学）；CIBER de Epidemiología y Salud Pública (CIBERESP)（公共卫生与流行病学网络中心（CIBERESP））；Biomedical Research Institute of Murcia Pascual Parrilla–IMIB（穆尔西亚生物医学研究所帕斯夸尔·帕里利亚-IMIB）；Université Paris Dauphine PSL（巴黎第九大学PSL）；University of Warwick（华威大学）
本文提出了一种用于贝叶斯模型选择中多重比较的积分先验方法，通过构建遍历马尔可夫链来获得先验分布，并展示了其在模型比较中的有效性。
2026-02-17 stat.ME
A comparison of Bayesian and frequentist interval estimators in regression that utilize uncertain prior information
考虑一个具有回归参数β和正态分布误差的线性回归模型。假设感兴趣的参数是theta = a^T beta，其中a是指定的向量。定义参数tau = c^T beta - t，其中c和t是指定的，并且a和c是线性无关的。还假设我们有不确定的先验信息tau = 0。Kabaila和Giri，2009年，JSPI，描述了一种新的频率论1-alpha置信区间的θ，利用这种不确定的先验信息。我们比较这个置信区间与贝叶斯1-alpha等尾和最短的可信区间θ，从先验密度τ是一个混合的矩形“板”和狄拉克δ函数“尖峰”，结合非信息先验密度的模型的其他参数。我们表明，这些频率和贝叶斯区间估计依赖于数据在非常不同的方式。我们还考虑了这种先验分布，导致贝叶斯和频率区间估计更大的相似性的一些密切的变化。尽管如此，正如我们所展示的，这些区间估计量之间仍然存在很大的差异。
2014-01-14 math.ST stat.ME stat.TH
Generalized Bayesian Additive Regression Trees for Restricted Mean Survival Time Inference
本文提出面向个体RMST预测的广义贝叶斯加性树框架，利用IPCW损失处理信息删失，并通过模拟和乳腺癌多站点队列验证其性能。
2024-02-27 stat.ME
Reference priors of nuisance parameters in Bayesian sequential population analysis
为模拟贝叶斯渔业种群模型的自然波动或参数的不确定性而引出的先验分布，可以在大量的统计规律中选择。由于统计框架是由观测过程确定的，因此观测参数进入估计，必须被视为随机的，类似于种群水平或实际渔获量等参数或感兴趣的状态。因此，前者被认为是冗余参数，其值与所考虑的实验有内在联系，这也需要无信息的先验。在渔业研究中，Millar（2002年）提出Jeffreys的方法是一种引出这种先验的实用方法。然而，它们可能在多参数上下文中呈现错误的属性。因此，我们建议使用Berger和Bernardo提出的启发式方法，以避免Jeffreys先验提出的悖论结果。这些基准先验是在序贯总体分析的框架中得出的。
2010-10-11 math.ST stat.TH
Natural (non-)informative priors for skew-symmetric distributions
在本文中，我们提出了一个创新的方法来构建适当的先验偏度（形状）参数的偏对称分布族。所提出的方法是基于分配的形状参数，这是量化的全变差距离的扰动效应的先验分布。我们讨论的策略，翻译成一个信息的先验分布这一类的数据的不对称性的先验信念。我们通过蒙特卡罗模拟研究表明，我们的非信息先验诱导后验分布具有良好的频率属性，类似于Jeffreys先验。我们的信息先验比文献中的竞争对手产生更好的结果。我们还提出了一个尺度和位置不变的先验结构的模型与未知的位置和尺度参数，并提供了充分条件，相应的后验分布的适当性。使用模拟和真实数据的说明性例子。
2017-08-25 math.ST stat.ME stat.TH
Local Bayesian Regression
University of Oslo（奥斯陆大学）
本文提出了一种基于局部线性建模的贝叶斯方法，通过经验贝叶斯和分层贝叶斯技术实现非参数和半参数回归估计，在多个协变量情况下表现出色。
2026-02-25 stat.ME
Bayesian bivariate meta-analysis of diagnostic test studies with interpretable priors
在双变量荟萃分析中，涉及的诊断研究数量通常很少，因此频率主义方法可能会导致问题。贝叶斯推断是有吸引力的，因为添加少量信息的信息先验可以稳定分析而不会压倒数据。然而，贝叶斯分析往往是计算上的要求和二元结构的协方差阵的先验的选择是至关重要的数据很少。集成嵌套拉普拉斯近似（INLA）方法提供了一个有效的解决方案的计算问题，避免任何采样，但重要的问题仍然存在的先验。我们探索惩罚复杂性（PC）的先验框架指定信息先验的方差参数和相关参数。PC先验便于模型解释和超参数规范，因为可以直观地结合专家知识。我们进行了模拟研究，以比较不同定义的PC先验的属性和行为，目前使用的先验在该领域。模拟研究表明，使用PC先验的结果在更精确的估计时，指定在一个合理的邻域周围的真相。为了研究PC先验知识在实践中的使用，我们重新分析了使用端粒酶标记物诊断膀胱癌的荟萃分析。
2015-12-19 stat.AP stat.ME
Bayesian prior elicitation and selection for extreme values
极值分析的一个主要问题是确定形状参数$ξ$的通用广义极值（GEV）和广义帕累托（GP）分布，驱动尾部的行为，并对收益率水平和周期的估计有重大影响。许多从业者选择贝叶斯框架来进行这种评估，以核算参数不确定性，这些不确定性在以少量观测为特征的分析中通常很高。尽管如此，这样的方法可以为$ξ$提供大的可信度域，包括负值和正值，这不允许对尾部的性质做出结论。考虑到块极大值的框架，一个通用的方法来确定的值和符号的$ξ$从模型选择之间的Fréchet，Gumbel和Weibull可能的域的吸引条件的观察。与通常选择GEV作为{ \it采样}极值的适当模型相反，必须非常小心地进行这种模型选择。正确的，信息丰富的和易于使用的先验的启发是基于以下原则进行的：对于所有的参数尺寸，他们作为后验的noninformative先验和虚拟样本。这些虚拟样本的统计数据可以从先前的预测信息中评估，并且可以执行相容性规则以完成校准，即使它们只是半共轭的。此外，模型选择是使用混合包围框架进行的，该框架允许处理贝叶斯因子的计算。激励一个真正的案例研究，涉及气象量级的专家知识的启发，玩具的例子也说明了整体的方法。
2018-06-17 stat.ME
The effect of prior probabilities on quantification and propagation of imprecise probabilities resulting from small datasets
本文概述了贝叶斯多模型不确定性量化（UQ）和传播的方法，并提出了一个调查的先验概率对所产生的不确定性的影响。UQ方法是从作者以前提出的信息理论方法（Zhang和Shields，2018）改编而来的，完全是贝叶斯结构，可以更灵活地量化概率模型形式的不确定性。贝叶斯的性质和植根于UQ从小数据集，先验概率在概率模型的形式和模型参数被证明有一个显着的影响量化的不确定性，因此，通过一个基于物理的模型传播的不确定性。这些影响是专门研究了一个简化的板屈曲问题的材料特性的不确定性来自少量的实验使用noninformative先验和先验来自过去的研究不同的适当性。它说明了先验概率可以有一个显着的影响，多模型UQ的小数据集和不适当的（但看似合理）的先验甚至可能有挥之不去的影响，偏见的概率，即使是大数据集。当应用于不确定性传播时，这可能导致响应量的概率界限不包括真实概率。
2018-01-12 stat.CO stat.ME
A two-component normal mixture alternative to the Fay-Herriot model
本文考虑了一种稳健的分层贝叶斯方法来处理小面积均值的随机效应，当这些效应中的一些假设极值，导致离群值。在存在离群值的情况下，在随机效应的正态假设下，用于对地区水平数据建模的标准Fay-Herriot模型可能高估随机效应方差，从而提供了低于理想的合成回归预测收缩，并抑制了借用信息。即使是少量的随机效应的实质性离群值也会导致Fay-Herriot模型中随机效应方差的较大估计值，从而对模型的合成部分几乎没有收缩，或者对任何小区域的常规贝叶斯估计值相关的后验方差几乎没有减少。虽然已发现随机效应的具有已知混合分布的正态分布的尺度混合在存在离群值的情况下是有效的，但解决方案取决于混合分布。作为一个可能的替代解决方案的问题，一个两个组件的正常混合模型已被提出的基础上的模型方差参数，回归系数和混合概率的非信息先验。基于真实、模拟和合成数据的数据分析和仿真研究表明，该方法优于随机效应正态分布下的标准贝叶斯Fay-Herriot解。
2015-10-22 stat.ME
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
Bayesian Fused Lasso Modeling via Horseshoe Prior
贝叶斯融合套索方法是一种稀疏贝叶斯方法，它同时收缩回归系数和它们的连续差。在本文中，我们提出了一个贝叶斯融合套索模型通过马蹄先验。通过假设连续回归系数的差异具有马蹄形先验，所提出的方法使我们能够防止这些差异的过度收缩。我们还提出了一个贝叶斯六边形算子的回归收缩和平等的选择（HORSES）与马蹄事先，它对所有组合的差异回归系数的先验。仿真研究和实际数据的应用表明，所提出的方法比现有的方法有更好的性能。
2022-01-20 stat.ME
Bayesian analysis of three parameter singular Marshall-Olkin bivariate Pareto distribution
本文给出了奇异Marshall-Olkin二元Pareto分布的一种有效分析方法。本文考虑三参数奇异Marshall-Olkin二元Pareto分布。我们考虑两种类型的先验-参考先验和伽玛先验。基于分层加吉布斯抽样和林德利近似，计算了参数的贝叶斯估计。还为所有方法和所有先验分布提供了可信区间。为说明起见，保留了数据分析。
2017-09-30 stat.AP stat.CO stat.ME
Bayesian and Empirical Bayesian Bootstrapping
University of Oslo（奥斯陆大学）；Norwegian Computing Centre（挪威计算中心）
本文提出非参数贝叶斯重采样方法，用于估计参数θ的贝叶斯估计和置信区间，通过狄利克雷过程先验近似后验分布，并讨论其在半参数回归和删失数据中的应用。
2026-05-12 math.ST stat.TH
On default priors for robust Bayesian estimation with divergences
本文提出了基于分歧的抗野值贝叶斯估计的客观先验。最小$γ$ -散度估计是众所周知的工作，以及对严重污染的估计。近年来，基于分歧的准后验分布的稳健贝叶斯方法也被提出。在客观贝叶斯框架下，在这种准后验分布下，违约先验分布的选择是一个重要问题。本文基于$γ$ -散度，给出了准后验分布下参考先验和矩匹配先验的一些性质。特别是，我们表明，所提出的先验近似鲁棒的污染分布的条件下，不假设任何条件的污染率。一些模拟研究也被提出。
2020-12-18 stat.ME
Informative extended Mallows priors in the Bayesian Mallows model
这项工作的目的是研究马洛斯模型与斯皮尔曼的距离，一个流行的基于距离的排名或排列数据模型的先验启发的问题。以往的贝叶斯推断，这种模型已被限制到使用的统一先验空间的排列。我们提出了一种新的策略，以引起主观先验信念的位置参数的模型，讨论超参数的解释和先验选择的后验分析的含义。
2019-01-30 stat.ME
Bayesian Predictive Density Estimation for a Chi-squared Model Using Information from a Normal Observation with Unknown Mean and Variance
本文考虑了在Kullback-Leibler散度下，基于另一个卡方变量和一个正态变量的观测值估计另一个卡方变量的密度函数的问题.我们假设这些变量有一个共同的未知尺度参数，并且正态变量的均值也是未知的。我们比较了两个贝叶斯预测密度的风险函数：一个相对于一个分层收缩先验，另一个基于无信息先验。分层贝叶斯预测密度依赖于正态变量，而基于无信息先验的贝叶斯预测密度不依赖于正态变量。得到了前者优于后者的充分条件。这些预测密度进行了比较模拟。
2020-07-19 math.ST stat.ME stat.TH
Grouping Priors and the Bayesian Elastic Net
在贝叶斯惩罚回归的文献中，回归系数的先验分布的两个主要选择是零均值高斯和拉普拉斯。虽然这两种方法都在数字和理论上进行了比较，但在现实生活中使用的指导仍然很少。我们提出了两个可行的解决方案，这个问题的先验分布的形式结合和拉普拉斯和高斯先验之间的妥协，分别。通过交叉验证，自动选择优化预测性能的先验。然后，我们证明了这些新的先验分布相对于拉普拉斯和高斯先验在模拟和实验环境中的改进性能。
2010-01-22 stat.ME
Bayesian Elastic Net Regression with Structured Prior Dependence
The Ohio State University（俄亥俄州立大学）
本文提出了一种具有结构先验依赖的贝叶斯弹性网回归方法，通过正交正态分布和L1正则化g先验提升模型灵活性，并通过模拟和实验验证其有效性。
2025-12-31 stat.ME
Bayesian Fusion Estimation via t-Shrinkage
收缩先验在许多数据分析中取得了很大的成功，但其应用主要集中在稀疏参数的贝叶斯建模。在这项工作中，我们将贝叶斯收缩模型的高维参数，拥有一个未知的块结构。我们建议在此之前进行重尾收缩，例如，$t$先验，并且这样的融合先验将使连续的差异朝向零收缩，因此引起后阻滞。与传统的基于Laplace融合先验的贝叶斯融合套索算法相比，$t$融合先验具有更强的收缩效应和良好的后验一致性。仿真研究和实际数据分析表明，$t$融合具有优于频率论融合估计和贝叶斯拉普拉斯融合先验的性能。将这种$t$融合策略进一步发展，进行贝叶斯聚类分析，仿真结果表明，该算法比经典Dirichlet过程建模具有更好的后验分布收敛性。
2018-12-27 stat.ME
Penalized complexity priors for degrees of freedom in Bayesian P-splines
贝叶斯P-样条假设一个内在的高斯马尔可夫随机场之前的样条系数，条件是一个精确的超参数$τ$。$τ$的既往诱导是困难的。为了克服这个问题，我们的目标是建立先验模型的可解释的属性，表明平滑函数的复杂性估计。根据这个想法，我们提出了惩罚复杂性（PC）先验的有效自由度的数量。我们提出了这些新的PC先验的建设背后的一般思想，描述他们的属性，并显示如何实现它们在P-样条高斯数据。
2016-04-27 stat.ME
Singular prior distributions and ill-conditioning in Bayesian D-optimal design for several nonlinear models
对于贝叶斯D-最优设计，我们定义模型参数的奇异先验分布作为先验分布，使得所有设计的费舍尔信息矩阵的行列式的先验几何均值为零。对于这样的先验分布，贝叶斯D-最优性准则无法选择设计。对于指数衰减模型，我们用参数的几个初等变换的期望来刻画先验分布的奇异性。对于一个房室模型和几个多参数广义线性模型，我们建立了先验分布奇异的充分条件。对于广义线性模型，我们也得到了非奇异性的充分条件。在现有的文献中，弱信息先验分布通常被推荐作为逻辑斯谛回归中推断的默认选择。本文证明了某些推荐的先验分布是奇异的，因此不应用于贝叶斯D-最优设计。此外，方法的开发，以获得和评估贝叶斯D-有效设计时，由于病态的目标函数的数值评估失败，经常发生重尾先验分布。这些数值方法说明了逻辑斯谛回归。
2017-02-22 stat.ME
Spying on the prior of the number of data clusters and the partition distribution in Bayesian cluster analysis
聚类分析的目的是将数据划分成组或簇。在实际应用中，常常需要处理聚类数目未知的问题。在这样的应用中采用的贝叶斯混合模型通常指定一个灵活的先验，考虑到相对于集群的数量的不确定性。然而，涉及使用这些模型的一个主要的经验挑战是在分区的诱导前的表征。这项工作介绍了一种方法来计算描述性统计的先验的分区为三个选定的贝叶斯混合模型开发的贝叶斯有限混合物和贝叶斯nonparametrics领域。所提出的方法涉及计算有效的枚举的前样本中的集群（称为“数据集群”）的数量，并确定前两个对称的加性统计特征的分区的时刻。随附的参考实现在R包'fipp'中提供。最后，我们说明了所提出的方法，通过比较，并讨论了在应用程序中的先前启发的影响。
2022-01-26 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
Effective sample size estimation based on concordance between p-value and posterior probability of the null hypothesis
本文提出基于p值与零假设后验概率一致性的有效样本量估计方法，无需基线先验，支持负ESS和一ESS多先验范式，模拟及eQTL数据分析验证了其优越性和实用性。
2025-07-22 stat.ME
Catalytic Priors: Using Synthetic Data to Specify Prior Distributions in Bayesian Analysis
本文提出催化先验方法，通过从简单模型预测分布采样合成数据来扩充观测数据，以构建贝叶斯先验，在数据不足时提升复杂模型的估计准确性与预测性能，并探讨其与正则化方法的联系。
2023-09-22 stat.ME
Duality between Approximate Bayesian Methods and Prior Robustness
在本文中，我们表明，有一个近似贝叶斯方法和先验鲁棒性之间的联系。我们表明，通常被认为是近似的可能性，无论是由于模拟数据的近似贝叶斯计算（ABC）方法或由于功能近似的可能性，而不是也可以被视为一个隐含的演习之前的鲁棒性。我们首先定义两个新的类的先验的情况下，有足够的统计数据，建立其数学性质和显示，一个简单的说明性的例子，这些类的先验也可以用来获得后验分布，将通过实施ABC。然后，我们概括和定义两个进一步类的先验，适用于非常一般的情况下，一个充分统计量是不可用的，另一个地方的可能性近似使用函数逼近。然后，我们讨论的解释和启发方面提出的类，以及它们的潜在应用和可能的计算效益。这些类建立了近似贝叶斯推断和先验鲁棒性之间的对偶性，用于广泛的贝叶斯推断方法。
2020-04-02 stat.ME
Bayesian Hierarchical Copula Models with a Dirichlet-Laplace Prior
本文针对金融时间序列聚类提出贝叶斯分层copula模型，采用Dirichlet-Laplace全局-局部收缩先验解决后验不适定问题并刻画聚类间依赖，通过模拟和真实数据验证性能。
2025-02-06 stat.ME
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics
基于狄利克雷过程和其他棒打破先验的贝叶斯模型已被提出作为聚类，主题建模和其他无监督学习任务的核心成分。然而，由于这些模型的灵活性，先前选择的结果可能是不透明的。因此，事先说明可能相对困难。同时，先验选择对后验推理也有很大的影响。因此，鲁棒性的考虑需要与非参数建模齐头并进。在本文中，我们利用变分贝叶斯方法，除了在拟合复杂的非参数模型的计算优势，还产生灵敏度方面的贝叶斯模型的参数和非参数方面的事实来应对这一挑战。特别是，我们演示了如何评估的灵敏度的结论选择的浓度参数和棒断裂分布的Dirichlet过程的混合物和相关的混合物模型下的推断。我们提供了理论和经验支持，我们的变分方法贝叶斯敏感性分析。
2022-01-25 stat.ME
Quantification of observed prior and likelihood information in parametric Bayesian modeling
本文提出了两种与数据相关的信息度量来量化参数贝叶斯模型中先验和似然函数的信息，其中一种与Berger，Bernardo和Sun提出的参考先验和Lindley提出的信息度量密切相关.理论，经验和计算支持的组合提供的证据表明，这些信息理论指标可能是有用的诊断工具时，执行贝叶斯分析。
2017-09-07 cs.IT math.IT stat.AP
Tuning Free Rank-Sparse Bayesian Matrix and Tensor Completion with Global-Local Priors
矩阵和张量补全是一系列问题的框架，包括协同过滤、缺失数据和图像重建。通过利用矩阵或张量是低秩的假设来估计缺失的条目。大多数现有的贝叶斯技术鼓励秩稀疏建模因子分解矩阵和张量与正常伽玛先验。然而，马蹄事先和其他“全球本地”配方提供调谐参数的解决方案，可以更好地实现同时秩稀疏和丢失值的恢复。我们发现这些全球本地先验优于常用的替代品在模拟和协同过滤任务预测棋盘游戏评级。
2019-05-27 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
Objective Bayesian inference for the Dhillon distribution
本文为Dhillon分布提出目标贝叶斯框架，推导三种目标先验，证明后验性质，通过MCMC进行推断，并模拟与实证验证其有效性。
2025-09-08 stat.ME
Bayesian, frequentist and fiducial intervals for the difference between two binomial proportions
将研究估计两个二项比例之间的差异，其中将考虑贝叶斯、频率论和置信（BFF）方法。将使用三个模糊先验，Jeffreys先验，发散先验和概率匹配先验。概率匹配先验是一种先验分布，在这种分布下，某些区域的后验概率与它们的覆盖概率一致。信念推断可以被看作是一个过程，它在参数空间上获得一个度量，同时假设小于贝叶斯推断所做的，即没有先验。Fisher提出了信念概率和信念推断的概念。在某些情况下，信念分布相当于杰弗里斯后验。Jeffreys先验、发散先验和概率匹配先验的性能将与基准方法和为两个独立二项式参数之间的差异构建置信区间的其他经典方法进行比较。这些间隔将通过观察其覆盖率和平均间隔长度进行比较和评估。概率匹配和发散先验比Jeffreys先验性能更好。
2021-11-16 stat.AP
