Without Pain -- Clustering Categorical Data Using a Bayesian Mixture of Finite Mixtures of Latent Class Analysis Models
本文提出一种贝叶斯两层有限混合模型，用潜在类别分析近似簇分布，结合伸缩采样器和标签切换处理，实现对未知簇数多元分类数据的简约聚类，并在模拟和下背痛数据上验证了有效性。
2024-07-07 stat.ME
Approximate Bayesian Computation for Finite Mixture Models
有限混合模型用于统计学和其他学科，但混合模型的推理是具有挑战性的，部分原因是由于似然函数的多峰性和所谓的标签切换问题。我们提出了扩展的近似贝叶斯计算人口蒙特卡罗（ABC-PMC）算法作为一种替代框架的推断有限混合模型。在有限混合模型中实现ABC-PMC算法时，需要做出几个决定，包括选择用于在迭代中移动粒子的内核，如何解决标签切换问题，以及选择信息汇总统计量。最后通过算例验证了ABC-PMC混合建模算法的有效性。所提出的方法的性能进行了评估，在模拟研究和流行的退行速度星系的数据。
2020-11-02 stat.ME
Bayesian Finite Mixture Models
本文系统阐述贝叶斯有限混合模型在聚类中的应用，涵盖成分数已知与未知两种情况下的先验设定、MCMC估计、标签切换处理及后验推断，并通过多元高斯混合模型实例说明完整建模流程。
2024-07-07 stat.ME
Moment-based Bayesian Poisson Mixtures for inferring unobserved units
我们利用一个合适的矩为基础的表征混合泊松分布的发展贝叶斯推断为未知大小的有限人口的单位是受到多次发生在枚举抽样阶段。这是一个特别具有挑战性的设置，许多其他的尝试已经作出推断的未知特性的人口。在这里，我们把特别强调的混合分布的特征的默认先验启发的建设。我们评估我们的方法在实际数据应用和模拟研究中的比较性能。
2018-06-18 stat.ME
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
Identifying Mixtures of Mixtures Using Bayesian Estimation
在基于模型的聚类中使用有限混合的正态分布允许捕获非高斯数据聚类。然而，从正常分量中识别聚类是具有挑战性的，并且通常通过对模型施加约束或通过使用后处理过程来实现。在贝叶斯框架内，我们提出了一种不同的方法，基于稀疏有限混合物，以实现可识别性。我们指定了一个分层的先验，其中超参数是精心选择的，这样它们就可以反映目标的集群结构。此外，该先验允许使用标准MCMC采样方法来估计模型。结合解决标签切换问题并导致识别模型的后处理方法，我们的方法允许同时（1）确定聚类的数量，（2）使用有限的法线混合以半参数方式灵活地近似聚类分布，以及（3）识别特定于聚类的参数并对观察结果进行分类。所提出的方法是说明在两个模拟研究和基准数据集。
2016-06-20 stat.ME
Scalable Bayesian nonparametric measures for exploring pairwise dependence via Dirichlet Process Mixtures
在这篇文章中，我们提出了新的贝叶斯非参数方法，使用Dirichlet过程混合（Dirichlet Process Mixture）模型来检测随机变量之间的成对依赖关系，同时考虑潜在分布形式的不确定性。一个关键的标准是，这些程序应该扩展到大型数据集。在这方面，我们发现，正式计算的贝叶斯因子的依赖与。独立联合概率测度在计算上是不可行的。为了解决这个问题，我们提出了贝叶斯诊断措施，对成对独立的“空模型”的特征证据。在模拟研究中，以及一个真正的数据分析，我们表明，我们的方法提供了一个有用的工具，探索性的非参数贝叶斯分析的大型多元数据集。
2016-04-27 stat.ME
Bayesian nonparametric location-scale-shape mixtures
离散混合模型是密度估计最成功的方法之一。在贝叶斯非参数框架下，Dirichlet过程的位置-尺度混合高斯核是金标准，既具有良好的理论性质，又具有计算易处理性。在本文中，我们探讨使用的偏态核，它可以自然地容纳几个程度的偏度的使用第三个参数。该核函数的选择使我们能够在不同的应用中制定具有大支持度和良好性能的非参数位置-尺度-形状混合先验。渐近地，我们表明，这种建模框架是一致的频率论意义上。有效的吉布斯抽样算法进行了讨论，并通过模拟和应用星系速度和生育率数据的方法进行了测试的性能。扩展，以适应离散数据进行了讨论。
2013-11-29 stat.ME
Bayesian mixture of Plackett-Luce models for partially ranked data
在许多心理学和行为学实验中，为了研究特定人群的偏好/选择取向，经常需要对多个选项进行序数判断。Plackett-Luce模型是最流行且最常应用的参数分布之一，用于分析有限项目集的排名。本工作介绍了一个贝叶斯有限混合Plackett-Luce模型来解释未观察到的部分排名数据的样本异质性。我们描述了一种有效的方法，将潜在的组结构中的数据增强方法和推导现有的极大似然程序作为特殊情况下，所提出的贝叶斯方法。利用最大\textit{a posteriori}估计的期望最大化算法和吉布斯抽样迭代过程的组合可以进行推断。我们还研究了几个贝叶斯标准选择最佳的混合配置和描述诊断工具，用于评估排名分布的健身条件和无条件的排名项目的数量。利用新的贝叶斯参数Plackett-Luce混合物表征样本异质性的几个应用程序来说明模拟和真实的偏好排名数据。我们比较我们的方法与频率论的方法和贝叶斯非参数混合模型都假设Plackett-Luce模型作为一个混合成分。我们对真实数据集的分析揭示了准确诊断检查对于适当深入理解部分排名数据的异质性的重要性。
2016-10-06 stat.ME
Bayesian mixture modeling for multivariate conditional distributions
我们提出了一个贝叶斯混合模型，用于估计一组固定变量条件下的混合有序、名义和连续数据的联合分布。该模型对随机变量使用多元正态和分类混合核。它通过多变量正态混合核和截断局部Dirichlet过程来诱导随机变量和固定变量之间的依赖性。后者鼓励具有相似固定变量值的观测值共享混合分量。使用数据融合的模拟，我们说明，该模型可以估计潜在的关系，在数据和缺失值的分布更准确地比混合模型应用于随机和固定变量联合。我们使用该模型来分析消费者的阅读行为，使用配额样本，即，一个样本，其中一些变量的经验分布是固定的设计，所以不应该被建模为随机的，由图书出版商哈珀柯林斯进行。
2016-07-13 stat.ME
A Bayesian Mixture Model for Clustering on the Stiefel Manifold
分析了Stiefel流形上矩阵Langevin分布的贝叶斯混合模型。该模型利用了一个特定的参数化的矩阵Langevin分布，其中的各个方面进行了详细阐述。一个一般的，新颖的，家庭的共轭先验，和一个有效的马尔可夫链蒙特卡罗（MCMC）抽样计划，相应的后验的混合模型。详细探讨了先验分布和后验分布的理论性质，包括后验一致性。大量的仿真实验验证了该框架的有效性。真实世界的例子，包括一个大规模的神经成像数据集，进行了分析，以证明计算的易处理性的方法。
2017-08-23 stat.ME
Bayesian model averaging via mixture model estimation
基于Kaniav等人提出的假设检验的混合模型方法，提出了一种新的贝叶斯模型平均（BMA）和选择方法，2014.继承这种方法的良好特性，它扩展了BMA的情况下，不适当的先验选择的参数是共同的所有候选模型。从算法的角度来看，我们的方法包括从所有候选模型的单数据混合物的后验分布中采样，由其先验概率加权。我们证明了这个后验分布等于所有候选模型的“贝叶斯模型平均”后验分布，由它们的后验概率加权。从这个BMA后验样本，每个模型的后验概率的一个简单的蒙特卡罗估计，以及每个模型的后验分布下的期望的重要性抽样估计。
2018-08-01 stat.ME
Bayesian I-optimal designs for choice experiments with mixtures
离散选择实验经常被用来量化消费者的偏好，让受访者在不同的替代品之间进行选择。在文献中，涉及成分混合物的选择实验在很大程度上被忽视了，尽管许多产品和服务可以被描述为成分的混合物。因此，很少有研究已经做了关于混合物的选择实验的最优设计。现有的研究主要集中在D-最优设计上，这意味着采用了基于估计的方法。然而，在混合物的实验中，获得能够对任何成分比例组合进行精确预测的模型至关重要。这是因为混合实验的目标通常是找到优化受访者效用的混合物。因此，I-最优性准则比D-最优性准则更适合于设计混合物的选择实验，因为I-最优性准则侧重于用估计的统计模型得到精确的预测。在本文中，我们研究贝叶斯I-最优设计，比较它们与贝叶斯D-最优的同行，并表明，前者的设计表现大大优于后者的预测效用的方差。
2021-09-14 stat.ME
Bayesian nonparametric mixtures of Archimedean copulas
University of Toronto（多伦多大学）；ITAM（墨西哥自治技术学院）
本文提出了一种基于Poisson-Dirichlet过程的Archimedean copula贝叶斯非参数混合模型，以提升依赖性建模的灵活性，并通过数值实验验证了其有效性。
2026-10-26 stat.ME
Compositional Outcomes and Environmental Mixtures: the Dirichlet Bayesian Weighted Quantile Sum Regression
本研究提出Dirichlet-BWQS回归，用于联合建模组合结局与环境混合物，可同时估计混合物权重及总体暴露指数与各结局比例的关联，并通过模拟和真实数据验证，提供R包实现。
2025-03-28 stat.AP stat.ME
Bayesian Nonparametric Erlang Mixture Modeling for Survival Analysis
我们开发了一个灵活的Erlang混合模型用于生存分析。生存密度的模型是从一个结构化的混合厄兰密度，混合上的整数形状参数与一个共同的尺度参数。混合权重通过正实数线上的分布函数的增量来构造，该正实数线被赋予Dirichlet过程先验。该模型具有相对简单的结构，平衡灵活性与有效的后验计算。此外，它意味着一个混合物表示的风险函数，涉及时间依赖的混合权重，从而提供了一个通用的方法来估计风险。我们扩展模型来处理对应于多个实验组的生存响应，使用一个依赖的Dirichlet过程之前的组特定的分布，定义的混合权重。模型的属性，事先规范，和事后模拟进行了讨论，并与合成和真实数据的例子说明了方法。
2022-11-16 stat.ME
Comparison of Bayesian Nonparametric Density Estimation Methods
在本文中，我们提出了一个非参数贝叶斯方法的Lindsey和惩罚高斯混合方法。我们比较这些方法与Dirichlet过程混合模型。我们的方法是一个贝叶斯非参数方法，而不仅仅是基于一个参数家庭的概率分布。因此，拟合的模型对模型误指定更稳健。此外，与贝叶斯方法，我们有我们感兴趣的参数的整个后验分布，它可以概括为通过可信区间，平均值，中位数，标准差，分位数等林赛，惩罚高斯混合物，和狄利克雷过程混合物的方法进行审查。通过马尔可夫链蒙特卡罗（MCMC）方法进行估计。惩罚高斯混合方法通过哈密顿蒙特卡罗（HMC）实现。我们表明，在一定的正则条件下，随着n的增加，后验分布的权重收敛到一个正态分布。仿真结果和数据分析报告。
2020-11-27 stat.ME
Bayesian Analysis of Stochastic Volatility Model using Finite Gaussian Mixtures with Unknown Number of Components
金融研究需要基于波动率的模型，这些模型提供了与投资相关的风险的有用见解。随机波动率模型是此类研究中最流行的波动率建模方法之一。所研究的资产收益可能来自多个集群，这些集群在假设标准分布的情况下无法很好地捕捉。混合分布在这种情况下更合适。在这项工作中，一个算法证明，这是能够研究有限的混合物，但未知数量的组件。该算法使用一个死亡过程来调整混合分布中的分量数，并相应地分配权重。这种混合分布规格，然后用于资产收益率和半参数随机波动率模型拟合在贝叶斯框架。研究了高斯混合的一种特殊情况。采用适当的先验规范，吉布斯抽样方法被用来生成后验链和评估模型的收敛性。印度国家银行的股票收益率数据的案例研究被用来说明的方法。
2021-10-25 stat.ME
Proximity penalty priors for Bayesian mixture models
当使用混合模型时，可能的情况是建模者具有关于混合物的组分应该表示什么的先验信念或期望。例如，如果要将正常密度的混合拟合到某些数据，则可能需要组件专注于捕获位置而不是尺度的差异。我们引入了一个框架，称为邻近惩罚先验（PPP），允许这种偏好是明确的先验信息。该方法是无标度的，并对后验的限制最小，特别是没有任意的阈值需要设置。我们展示了该方法的理论有效性，并展示了使用PPP对模拟和真实数据的后验分布的影响。
2011-07-27 stat.ME
Estimating Perinatal Critical Windows of Susceptibility to Environmental Mixtures via Structured Bayesian Regression Tree Pairs
母亲在怀孕期间接触环境化学品可能会改变分娩和儿童的健康结果。研究旨在确定暴露可能改变未来健康结果的关键窗口和时间段，并估计风险-反应关系。现有的统计方法侧重于估计在高时间分辨率下观察到的母亲接触单一环境化学品（如整个怀孕期间每周一次）与儿童健康结果之间的关联。扩展到在高时间分辨率下观察到的多种化学品会带来维度问题，并且缺乏统计方法。我们提出了一个基于树的模型，在高时间分辨率下观察到的混合曝光。所提出的方法使用的结构化的树对，定义结构化的主效应和时间分辨的预测变量和变量选择之间的相互作用，选择出的模型预测不相关的结果的加法合奏。我们将我们的方法应用于模拟和分析在科罗拉多州丹佛市出生队列中，在整个妊娠期间每周测量的五次暴露与出生体重之间的关系。我们确定了细颗粒物，二氧化硫和温度与出生体重呈负相关的关键窗口以及细颗粒物和温度之间的相互作用。软件在R软件包dlmtree中提供。
2021-07-01 stat.ME
Robust Bayesian model selection for heavy-tailed linear regression using finite mixtures
在本文中，我们提出了一种新的方法来执行重尾分布的线性模型的贝叶斯模型选择。我们考虑一个有限的混合分布模型的潜在变量，其中每个组成部分的混合物对应于一个可能的模型内的对称类的正态独立分布。当然，高斯模型是其中一种可能性。这允许基于每个模型的后验概率进行同时分析。推理是通过马尔可夫链蒙特卡罗-吉布斯抽样与大都会黑斯廷斯步骤的一类参数。模拟的例子突出了这种方法的优势相比，隔离分析的基础上任意选择的模型选择标准。给出了真实数据的示例，并介绍和讨论了对截尾线性回归的扩展。
2017-08-18 stat.ME
Bayesian Covariance Matrix Estimation using a Mixture of Decomposable Graphical Models
贝叶斯方法用于估计高斯数据的协方差阵。从高斯图形模型和模型选择的想法被用来构建一个先验的协方差阵，是一个混合在所有可分解的图。对于该先验，每个图大小的概率由用户指定，并且相同大小的图被分配相同的概率。大多数以前的方法假设所有的图都是同样可能的。我们的经验表明，分配相等的概率在图形大小的先验优于分配相等的概率在所有图形的先验，无论是在识别正确的可分解图，并在更有效地估计的协方差阵。
2007-06-09 stat.ME
A Bayesian Mixture Modelling of Stop Signal Reaction Time Distributions
Hans Colonius（1990）和Eric-Jan Wagenmakers及其同事（2012）分别使用非参数方法和贝叶斯参数方法对停止信号任务（SST）中单个停止信号反应时间（SSRT）的分布进行了建模，该分布作为不可观察停止过程的延迟测量。这些方法假设SST试验中的前一试验类型（进行/停止）对SSRT分布估计的影响相等，而不解决违反假设的情况。本研究提出了所需的模型，考虑两个状态的混合模型的SSRT分布。然后比较了贝叶斯参数的单一SSRT和混合SSRT分布在通常的随机顺序在个人和人口水平下的前高斯分布格式。结果表明，与单一SSRT分布相比，混合SSRT分布具有更大的多样性、更大的正偏性、更高的尖峰性和更大的随机序。结果中差异的大小还取决于混合SSRT分布中权重的选择。这项研究证实，混合SSRT指数作为一个常数或分布显着大于其单一的SSRT对应的相关顺序。这为SSRT估计提供了至关重要的改进。
2021-01-06 stat.ME
Overfitting Bayesian Mixtures of Factor Analyzers with an Unknown Number of Components
过拟合贝叶斯混合模型的最新进展提供了一个坚实的和直接的方法来推断潜在的聚类数和模型参数在异构数据集。这种框架的适用性聚类相关的高维数据证明。为了这个目的，一个过拟合的混合因素分析仪的介绍，假设因素的数量是固定的。采用马尔可夫链蒙特卡罗（MCMC）抽样器结合先验并行回火方案估计模型参数的后验分布。使用信息准则估计因子的最佳数目。与标签切换问题相关的可识别性问题通过重新标记算法对模拟MCMC样本进行后处理来处理。该方法是基准对国家的最先进的软件，极大似然估计的混合物的因素分析，使用广泛的模拟研究。最后，该方法的适用性说明在公开可用的数据。
2018-02-26 stat.ME
Efficient Bayesian inference for two-stage models in environmental epidemiology
Rice University（莱斯大学）；Cornell University（康奈尔大学）
本文提出高效算法解决环境流行病学中两阶段模型的联合贝叶斯推断问题，提高估计精度和不确定性校准。
2025-12-19 stat.ME
Bayesian Mixture Models for Histograms: with Applications to Large Datasets
Brigham Young University（杨百翰大学）；Pontificia Universidad Católica de Chile（智利天主教 Pontificia 大学）；Politecnico di Milano（米兰理工大学）；University of Milano-Bicocca（米兰比可卡大学）
提出一种贝叶斯方法，通过拟合混合模型到分箱数据来推断总体分布，使用可逆跳转MCMC进行推断，并扩展至多直方图聚类。
2026-06-24 stat.ME
Bayesian non-asymptotic extreme value models for environmental data
出于极端降雨数据的分析，我们介绍了一个一般的贝叶斯分层模型，用于估计间歇性随机序列的极值的概率分布，在地球物理和环境科学设置中的一个常见问题。这里提出的方法放松了传统极值（EV）理论典型的渐近假设，并占潜在的变化，通过一个潜在的时间过程中描述的事件的大小和发生的分布。侧重于每日降雨量的极端，结构所提出的模型本身，以纳入先前的地质物理的降雨过程的理解。通过一个广泛的模拟研究，我们表明，这种方法可以显着降低估计的不确定性相对于传统的渐近EV方法的贝叶斯公式，特别是在相对较小的样本的情况下。该方法的好处进一步说明了一个大的数据集的479个长期的日降雨量的历史记录，从整个美国大陆的应用程序。通过比较样本内和样本外的预测精度的措施，我们发现，在这里开发的模型结构，结合使用所有可用的观察结果进行推断，显着提高了鲁棒性相对于过拟合的特定样本。
2020-05-25 stat.ME
Estimation and selection for high-order Markov chains with Bayesian mixture transition distribution models
我们开发了两个模型的贝叶斯估计和选择高阶，离散状态马尔可夫链。两者都是基于混合转移分布，它构造了一个转移概率张量与一阶转移矩阵的概率的加法混合。我们证明了所提出的模型的两个用途：通过混合低阶过渡模型来近似高阶动态，以及通过稀疏概率向量的先验过规范和收缩来选择顺序/滞后。先验进一步将所有模型缩小到可识别和可解释的参数化，这对数据分析很有用。我们讨论了模型的属性，并通过仿真研究证明了它们的实用性。我们进一步应用该方法的数据分析，从高阶马尔可夫链文献和时间序列的粉红色鲑鱼在美国阿拉斯加州的小溪丰富。
2019-06-25 stat.ME
Bayesian Analysis Using a Constrained Mixture of Normal-Inverse-Gamma Models
Florida State University（佛罗里达州立大学）；University of Missouri（密苏里大学）；Brigham Young University（杨百翰大学）
提出一种基于正态-逆伽马先验的高斯有限混合模型的组合方法，通过条件分布直接采样避免MCMC计算负担，并利用贝叶斯选择性推断约束标签空间，在模拟和CDC出生数据中验证有效性。
2026-06-23 stat.ME
Outlier-Robust Bayesian Multivariate Analysis with Correlation-Intact Sandwich Mixture
针对多元分析中离群值扭曲相关结构的问题，提出相关性保持的三明治混合模型，采用对称超重尾尺度分布实现后验稳健性，并开发高效吉布斯采样算法，在模拟和实证中验证优越性。
2025-10-24 stat.ME
Bayesian Repulsive Gaussian Mixture Model
我们开发了一般类的贝叶斯排斥高斯混合模型，鼓励良好分离的集群，旨在减少潜在的冗余组件产生的独立先验的位置（如狄利克雷过程）。在非参数密度估计的背景下，得到了该模型的后验分布的渐近结果，包括后验一致性和后验收缩率.更重要的是，我们表明，相比于独立的组件中心的先验，排斥先验引入额外的收缩效应的尾部概率的后验数的组件，这作为一个衡量模型的复杂性。此外，基于可交换分区分布和相应的瓮模型，提出了一种高效且易于实现的分块塌陷Gibbs采样器。我们评估的性能，并通过广泛的模拟研究和实际数据分析证明所提出的模型的优势。R代码可在https://drive.google.com/open?上获得id=0B_zFse0eqxBHZnF5cEhsUFk0cVE。
2017-10-21 stat.ME
Bayesian Mixture Models With Focused Clustering for Mixed Ordinal and Nominal Data
在某些情况下，混合模型可以很好地拟合某些变量，而牺牲其他变量的方式超出了分析师的控制。例如，当数据包括具有非平凡量的缺失值的一些变量时，混合模型可以以具有高分数的缺失数据的变量为代价来拟合接近和完全完整的变量的边缘分布。出于这种设置，我们提出了一个混合模型的混合序数和名义数据，将变量分为两组，焦点变量和剩余变量。该模型允许分析师为焦点变量指定一个丰富的子模型，为其余变量指定一个更简单的子模型，但仍然可以捕获变量之间的关联。使用模拟，我们说明了集中聚类的优点和局限性相比，混合模型，不区分变量。我们应用该模型来处理2012年美国全国选举研究分析中的缺失值，估计投票行为，意识形态和政党关系之间的关系。
2016-07-21 stat.ME
Bayesian Mixture Models for Heterogeneous Extremes
Unité Biostatistique et Processus Spatiaux, INRAE, France（生物统计与空间过程单元，法国国家农业食品与环境研究院）；School of Mathematics, University of Edinburgh, UK（爱丁堡大学数学学院）；Department of Mathematics, University of Aveiro, Portugal（阿威罗大学数学系）；Department of Environmental Sciences, Informatics and Statistics, Ca’Foscari University of Venice, Italy（威尼斯卡福斯卡里大学环境科学、信息学与统计学系）
本文提出一种贝叶斯混合模型，用于处理极值的异质性，通过Dirichlet过程混合GEV分布，提升灵活性并捕捉观测间的极值相似性。
2026-04-13 stat.ME
Bayesian Repulsive Mixture Modeling with Matérn Point Processes
Purdue University（普渡大学）
本文提出一种基于马特恩点过程的贝叶斯混合模型，通过引入排斥机制解决聚类重叠问题，并利用吉布斯采样器实现高效后验推断。
2026-02-21 stat.ME
Bayesian Inference on Mixtures of Distributions
本调查涵盖了最先进的贝叶斯技术估计的混合物。它通过研究新类型的分布，多项分布，潜在类分布和t分布，补充了早期的Marin，Mengersen和Robert（2005）。它还展示了封闭形式的解决方案，贝叶斯推断在一些离散的设置。最后，通过Chib（1995）的近似，给出了Bayes因子的计算方法。
2008-04-15 stat.CO stat.ME
Bayesian Measurement Error Models Using Finite Mixtures of Scale Mixtures of Skew-Normal Distributions
我们提出了一个建议，以处理的非正态性问题的背景下，测量误差的回归模型的响应和解释变量的观察误差。我们扩展了正态模型的未观察到的协变量和随机误差的斜正态分布的规模混合的有限混合联合建模。这种方法使我们能够以极大的灵活性对数据进行建模，适应偏斜，重尾和多模态。
2020-07-26 stat.AP stat.ME
A Bayesian Mixture Model for Changepoint Estimation Using Ordinal Predictors
在回归模型中，具有固有排序的预测变量，如肿瘤分期范围和ECOG体力状态，在医疗环境中很常见。在统计学上，可能很难确定有序预测变量的函数形式。通常，这样的变量根据它是高于还是低于某个截止值而被二分。其他方法方便地将有序预测因子视为连续变量，并假设与结果呈线性关系。然而，任意选择一种方法可能会导致不准确的推断和处理。在本文中，我们提出了一个贝叶斯混合模型，同时评估适当的形式的预测回归模型，通过考虑存在一个变点，通过镜头的阈值检测问题。通过使用混合模型框架来考虑变量的二分和线性形式，估计是线性和二进制参数化的加权平均。该方法适用于连续、二元和生存结局，并且易于进行惩罚回归。我们评估了所提出的方法，使用模拟研究，并将其应用到两个真实的数据集。我们提供JAGS代码以便于实现。
2020-08-01 stat.ME
Bayesian statistical analysis of hydrogeochemical data using point processes: a new tool for source detection in multicomponent fluid mixtures
水文地球化学数据可以被看作是多维空间中的点云。该空间的每个维度代表一个水文地球化学参数（即盐度、溶质浓度、浓度比、同位素组成.）。虽然许多地质流体的组成是由多种来源之间的混合控制的，但与水文地球化学数据集相关的一个关键问题是来源的检测。本文将水文地球化学数据看作空间数据，提出了一种基于点过程的源检测方法。结果显示在地热流体的模拟和真实数据上。
2020-09-09 stat.ME
Modelling heavy tail data with bayesian nonparametric mixtures
Department of Statistics, ITAM, Mexico（墨西哥自治工业大学统计系）
本文提出用贝叶斯非参数混合模型建模厚尾数据，通过移位伽玛-伽玛分布和归一化稳定过程进行建模，并利用MCMC方法进行后验推断。
2026-07-30 stat.ME
A new Bayesian two-sample t-test for effect size estimation under uncertainty based on a two-component Gaussian mixture with known allocations and the region of practical equivalence
测试治疗组和对照组之间的差异是生物医学研究中的常见做法，如随机对照试验（RCT）。标准的双样本t检验依赖于通过p值进行的原假设显著性检验（NHST），其具有若干缺点。贝叶斯替代方案最近使用贝叶斯因子引入，贝叶斯因子有其自身的局限性。本文介绍了当前贝叶斯双样本t检验的替代方法，将基础模型解释为双组分高斯混合模型，其中效应量是临床研究中最相关的感兴趣的量。与p值或贝叶斯因子不同，所提出的方法侧重于不确定性下的估计，而不是明确的假设检验。因此，通过吉布斯采样器产生效应量的后验，随后用于不确定性下的估计或基于实际等效区域（ROPE）的明确假设检验。最后通过实例、理论结果和仿真研究验证了该方法的有效性，并在R软件包bayest中进行了检验。
2020-05-15 stat.ME
Detecting Multiple Random Changepoints in Bayesian Piecewise Growth Mixture Models
分段增长混合模型（PGMM）是一种灵活而有用的方法，用于分析个体增长轨迹随时间的分段趋势，其中个体来自两个或多个潜在类别的混合。这些模型允许每个类内的整体发育过程的每个部分具有不同的功能形式;示例包括两个线性生长阶段，或线性阶段之后的二次阶段。变点（结）是从一个发育阶段（段）过渡到另一个的时间。推断变化点的位置通常具有实际意义，以及推断其他模型参数。随机变点允许每个类内的过渡时间存在个体差异。本研究的主要目的是：（1）开发一个PGMM使用贝叶斯推断的方法，允许估计多个随机变点在每个类：（2）开发一个程序，以经验检测随机变点的数量在每个类;以及（3）经验性地研究模型参数估计的偏差和精度，包括随机变化点，通过模拟研究。我们已经开发了用户友好的BayesianPGMM for R包，以促进在实践中采用这种方法，可在https://github.com/lockEF/BayesianPGMM上获得。我们描述了一个应用程序的视觉识别任务的鼠标跟踪数据。
2017-10-29 stat.ME
A Bayesian Bootstrap for Mixture Models
本文提出一种新的非参数贝叶斯自助法用于混合模型，通过将传统贝叶斯自助法重新解释为梯度上升算法并改用连续核，基于非参数最大似然估计工作，并证明了算法的收敛性与可交换性。
2023-10-02 stat.CO stat.ME
Bayesian Nonparametric Model for Weighted Data Using Mixture of Burr XII Distributions
狄利克雷过程混合模型（DPMM）是一种流行的贝叶斯非参数模型。在本文中，我们将此模型应用于加权数据，然后使用梅特罗波利斯-黑斯廷斯算法从相应的加权分布估计未加权分布。然后，我们应用DPMM与不同的内核模拟和真实的数据集。特别是，我们在删失数据的存在下使用寿命数据，然后计算估计的密度和生存值。
2018-12-11 stat.CO stat.ME
Bayesian finite mixtures: a note on prior specification and posterior computation
本文提出了一种计算有限混合物组分数k的后验分布的新方法。本文还研究了先验规范的两个方面：论证了使用Poisson（1）分布作为k的先验;给出了在混合正态模型中选择超参数值的方法，其中分量参数具有自然共轭先验。
2007-11-03 stat.CO stat.ME
Distributed Bayesian clustering using finite mixture of mixtures
在许多现代应用中，人们对分析无法轻松跨计算机移动或加载到单个计算机上的存储器中的庞大数据集感兴趣。在这种情况下，对集群感兴趣是非常普遍的。现有的分布式聚类算法大多是基于距离或密度的，没有可能性规范，排除了正式的统计推断的可能性。基于模型的聚类允许统计推断，但分布式推断的研究强调非参数贝叶斯混合模型的有限混合模型。为了填补这一空白，我们引入了一个几乎并行的算法下的贝叶斯过拟合有限混合高斯混合，我们的分布式贝叶斯聚类（DIB-C）的聚类。DIB-C可以灵活地适应各种形状的数据集（例如倾斜或多模态）。随着数据的随机划分和分布，我们首先运行马尔可夫链蒙特卡罗在一个非常并行的方式来获得本地聚类绘制，然后细化跨工人的最终聚类估计的基础上的任何损失函数的空间分区。DIB-C还可以估计聚类密度，快速对新对象进行分类，并提供后验预测分布。仿真研究和实际数据的应用表明，优越的性能DIB-C的鲁棒性和计算效率。
2020-05-14 stat.CO stat.ME
Exact Bayesian Analysis of Mixtures
在本文中，我们将展示如何一个完整的和精确的贝叶斯分析的参数混合模型是可能的，在某些情况下，当成分的混合物是从指数家庭和共轭先验时使用。这种有限的设置使我们能够显示贝叶斯方法的相关性，以及展示一个完整的分析的局限性，即它是不可能进行这种分析时，样本量太大，当数据不是从一个指数的家庭，或当使用的先验比共轭先验更复杂。
2010-10-29 stat.CO stat.ME
Bayesian non-parametric non-negative matrix factorization for pattern identification in environmental mixtures
环境健康研究人员可能会致力于确定代表来源的暴露模式，产品使用，或行为，引起潜在有害的环境化学品暴露的混合物。我们提出了贝叶斯非参数非负矩阵分解（BN ^2 MF）作为一种新的方法来识别模式的化学品暴露时，模式的数量是未知的先验。我们将非负连续先验放置在模式负载和个体分数上以增强可解释性，并使用聪明的非参数稀疏先验来估计模式数。我们进一步推导出估计值周围的变分置信区间;这是一个关键的发展，因为它量化了模型对估计模式的置信度。这些独特的功能与现有的模式识别方法在这一领域中所采用的是有限的用户指定的模式数，缺乏解释性的模式在人类的理解，以及缺乏不确定性量化。
2021-09-24 stat.AP stat.ME stat.ML
Approximate Bayesian inference for mixture cure models
生存分析中的治愈模型处理的是一部分个体不能经历感兴趣事件的群体。混合治愈模型将目标人群视为易感和非易感个体的混合体。这些模型的统计分析侧重于检查治愈概率（发病率模型）和推断易感亚群中的至事件时间（潜伏期模型）。混合硫化模型的贝叶斯推断通常依赖于马尔可夫链蒙特卡罗（MCMC）方法。集成嵌套拉普拉斯近似（INLA）是一种最近的和有吸引力的方法进行贝叶斯推断。INLA在其自然定义中不能拟合混合模型，但最近的研究提出了将INLA和MCMC方法相结合以扩展其适用性的新建议（Bivand等人，2014年，Gómez-Rubio等人，2017，Gómez-Rubio and Rue，2018}.本文重点研究了INLA在混合固化模型中的实现。讨论了一般情况下具有删失和非删失信息的潜伏期和发病率模型的混合治愈生存模型。未经审查的个体无疑属于未治愈群体，这一事实是一个有价值的信息，被纳入了推理过程。
2018-06-25 stat.CO stat.ME
Comparison of methods for analyzing environmental mixtures effects on survival outcomes and application to a population-based cohort study
Columbia University（哥伦比亚大学）；Harvard University（哈佛大学）
本研究通过模拟和Strong Heart Study真实数据，比较了BART、Cox弹性网、GPR等方法在分析环境混合物对生存结局影响时的性能，发现灵活模型在非比例风险下更具优势，并建议实践中评估不同方法结果的一致性。
2023-11-02 stat.AP stat.ME
Bayesian Methods for Modeling Cumulative Exposure to Extensive Environmental Health Hazards
针对广泛性环境健康危害的累积空间暴露建模难题，提出一种结合剂量-反应模型与对数高斯考克斯过程的贝叶斯半参数模型，并在模拟与墨西哥废水运河数据中验证了其有效性与计算可行性。
2024-07-25 stat.AP stat.ME
An approximate Bayesian marginal likelihood approach for estimating finite mixtures
当混合分布的支持未知时，有限混合模型的估计是一个重要的问题。本文提出了一种新的基于边际似然的未知支持度估计方法。受贝叶斯Dirichlet先验模型的启发，提出了一种计算效率高的边际似然随机逼近形式，并给出了大样本理论。通过将支持度限制在有限网格上，采用模拟退火方法来最大化边际似然并估计支持度。实际和模拟数据的例子表明，这种新的随机逼近-模拟退火过程优于现有的方法。
2012-02-13 stat.CO stat.ME
A scalable two-stage Bayesian approach accounting for exposure measurement error in environmental epidemiology
本文提出基于Vecchia近似的稀疏多元正态先验两阶段贝叶斯方法，用于在环境流行病学中可扩展地处理暴露测量误差和空间错位问题，并通过模拟及哈里斯县出生结局数据分析验证其性能接近完全贝叶斯金标准。
2024-01-14 stat.AP stat.ME
Inference in Hybrid Bayesian Networks Using Mixtures of Gaussians
University of Kansas（堪萨斯大学）
本文的主要目标是描述一种方法，在一般的混合贝叶斯网络（BN）（离散和连续的机会变量的混合）的精确推理。我们的方法包括近似一般的混合贝叶斯网络的混合高斯（MoG）BN。Lauritzen-Jensen（LJ）提出了一种在MoG贝叶斯网络中进行精确推理的快速算法，并给出了该算法的商业实现。然而，该算法只能用于MoG BN。这种网络的一些限制如下。所有连续的机会变量必须有条件线性高斯分布，离散的机会节点不能有连续的父母。本文所描述的方法将使我们能够使用LJ算法的更大的一类混合贝叶斯网络。这包括具有非高斯分布的连续机会节点的网络，对离散和连续变量的拓扑结构没有限制的网络，具有条件确定性变量的网络，这些变量是其连续父母的非线性函数，以及具有连续机会变量的网络，其方差是其父母的函数。
2012-06-27 cs.AI stat.ME
CliPS -- How to identify cluster distributions in Bayesian mixture models
WU Vienna University of Economics and Business（维也纳经济与商业大学）
CliPS通过点过程表示和后验分布分离特性，在贝叶斯混合模型中识别聚类分布并验证聚类结构。
2026-09-03 stat.CO stat.ME
