Connecting Bayes factor and the Region of Practical Equivalence (ROPE) Procedure for testing interval null hypothesis
最近，人们对检验区间原假设以改进科学推理产生了浓厚的兴趣。例如，Lakens et al（2018）和Lakens and Harms（2017）使用这种方法研究老年学和临床试验中是否存在预先指定的有意义的治疗效果，这与检验任何处理效应的更传统的点原假设不同。两种流行的贝叶斯方法可用于区间原假设检验。一个是标准的贝叶斯因子，另一个是Kruschke和其他人多年来倡导的实用等效区域（ROPE）程序。本文建立了这两种方法之间的正式联系，有两个好处。首先，它有助于更好地理解和改进ROPE程序。其次，它导致了一个简单而有效的算法计算贝叶斯因子在广泛的问题使用绘制从后验分布产生的标准贝叶斯程序，如BUGS，JAGS和斯坦。这样就避免了为贝叶斯因子编写定制软件的繁琐和容易出错的任务。
2019-04-30 stat.ME
Bayesian testing of linear versus nonlinear effects using Gaussian process priors
提出了一种贝叶斯因子，用于检验关键预测变量对因变量的影响是线性还是非线性的，同时可能控制某些协变量。该检验可用于（i）当人们对量化线性与非线性关系的数据中的相对证据感兴趣时，以及（ii）量化数据中有利于线性关系的证据时（在基于变换变量构建线性模型时有用）。在非线性模型下，采用类似于Zellner的$g$先验的参数化的高斯过程先验，从而得到尺度不变的检验。此外，贝叶斯因子提出了单侧检验的非线性效应是否始终是积极的，始终是消极的，或两者都没有。应用程序提供了从各个领域，包括社会网络研究和教育。
2021-09-15 stat.ME
Bayesian Model Comparison in Genetic Association Analysis: Linear Mixed Modeling and SNP Set Testing
我们考虑了灵活的贝叶斯线性回归模型下的假设检验和模型比较问题，该模型的形成与遗传关联研究中SNP集分析的线性混合效应模型和参数模型密切相关。我们推导出一类解析近似贝叶斯因子，并说明它们与各种频率论检验统计量的联系，包括Wald统计量和方差分量得分统计量。利用贝叶斯模型平均和分层建模，我们展示了一些独特的优势和灵活性的方法，利用派生贝叶斯因子的背景下，遗传关联研究。我们使用真实或模拟的数值例子证明了我们提出的方法在单SNP关联测试，多位点精细定位和SNP集关联测试中的应用。
2015-02-23 q-bio.QM stat.AP stat.ME
Bayesian Rank-Based Hypothesis Testing for the Rank Sum Test, the Signed Rank Test, and Spearman's $ρ$
贝叶斯推断的秩序问题是挫败的情况下，一个明确的似然函数。这一障碍可以通过假设与数据中的序数信息一致的潜在正态表示来克服：观察到的等级被概念化为底层连续尺度的贫困反映，并且推断涉及管理潜在表示的参数。我们应用这种通用的数据增强方法来获得贝叶斯因子的三个流行的基于秩的测试：秩和检验，符号秩检验，和斯皮尔曼的$ρ_s$。
2019-05-17 stat.ME
Sequential Selection for Accelerated Life Testing via Approximate Bayesian Inference
加速寿命试验（ALT）通常用于评估材料在所需应力水平下的寿命可靠性。材料工程的最新进展使各种材料替代品变得容易获得。为了确定最可靠的材料设置与有效的试验设计，一个连续的测试计划策略是首选。为了保证一个易于处理的统计机制的信息收集和更新，我们开发了明确的模型参数更新公式，通过近似贝叶斯推断。理论表明，我们的显式更新公式给出了一致的参数估计。仿真研究和算例分析表明，与其他设计方法相比，所提出的序贯选择方法可以显著提高确定最佳可靠性性能材料方案的概率。
2020-01-16 stat.ME
BayesFLo: Bayesian fault localization of complex software systems
JMP Statistical Discovery LLC, SAS Institute Inc.（JMP统计发现有限责任公司，SAS研究所）；Department of Statistical Science, Duke University（杜克大学统计学系）
本文提出BayesFLo框架，通过贝叶斯模型结合领域知识，提升复杂系统故障定位的准确性与概率评估能力。
2026-03-27 cs.SE stat.ME
To Vary or Not To Vary: A Simple Empirical Bayes Factor for Testing Variance Components
本文提出一种灵活的经验贝叶斯因子，通过检验所有随机效应是否为零来替代对方差分量是否为零的边界检验，并在多种统计模型中验证了其有效性。
2024-10-18 stat.ME
Bayes Factor Hypothesis Testing in Meta-Analyses: Practical Advantages and Methodological Considerations
Tilburg University（蒂尔堡大学）
本文探讨了贝叶斯因子在荟萃分析中的应用，分析其理论性质、方法学考量及实际优势，并通过两个案例展示其在统计学习和术后血肿发生率研究中的应用。
2025-12-09 stat.ME
A Note on Bayesian Networks with Latent Root Variables
IDSIA（伊迪西亚研究所）
本文研究含潜在根变量的贝叶斯网络，提出经验贝叶斯网络概念，并证明原始模型似然受经验模型全局最大值支配且一致性条件等价。
2024-02-26 cs.AI cs.LG stat.ML
Generalization of Jeffreys' divergence based priors for Bayesian hypothesis testing
在本文中，我们介绍了客观正确的先验分布的假设检验和模型选择的竞争模型之间的分歧的措施的基础上，我们称之为基于分歧（DB）先验。DB先验具有简单的形式和理想的属性，如信息（有限样本）的一致性;通常，它们类似于其他现有的建议，如内在先验;此外，在正常的线性模型的情况下，他们完全重现Jeffreys-Zellner-Siow先验。最重要的是，在具有挑战性的情况下，如不规则模型和混合模型，DB先验是定义良好，非常合理的，而替代方案不是。我们推导出近似DB先验以及MCMC和渐近表达式的相关贝叶斯因素。
2008-01-28 stat.ME
Bayesian Updating and Sequential Testing: Overcoming Inferential Limitations of Screening Tests
贝叶斯定理赋予作为疾病流行率函数的筛查测试的准确性固有的局限性。我们在以前的工作中已经表明，检测系统可以容忍患病率的显著下降，直到某个被称为$prevalence$ $threshold$的明确定义的点，低于该点，阳性筛查试验的可靠性急剧下降。在此，我们建立了一个数学模型，以确定序贯测试是否克服了上述贝叶斯限制，从而提高了筛选测试的可靠性。我们表明，对于接近$k$的$ρ$预期阳性预测值，$n_i$所需的阳性测试迭代次数为：$ n_i =\lim_{ρ\to k}\left\lceil\frac{ln\left[\frac{ρ(ϕ-1)}{ϕ(ρ-1)}\right]}{ln\left[\frac{a}{1-b}\right]}\right\rceil$其中$n_i$ =达到预期阳性预测值$ρ$所需的测试迭代次数，a =灵敏度，b =特异性，$ϕ$ =疾病患病率，$k$ =常数。基于上述推导，我们提供了获得$ρ(ϕ)$为50、75、95和99 $\%$所需的测试迭代次数的参考表，作为各种灵敏度、特异性和疾病患病率水平的函数。
2020-08-29 stat.ME
Simple Bayesian testing of scientific expectations in linear regression models
科学理论通常可以使用线性回归模型中相对效应的等式和顺序约束来制定。例如，可以预期第一预测器的效果大于第二预测器的效果，并且预期第二预测器大于第三预测器。然后，我们的目标是将这些期望与竞争性的科学期望或理论进行测试。本文提出了一种简单的默认贝叶斯因子检验，用于检验具有等式和顺序约束的多个假设对兴趣效应的影响。所提出的测试标准可以计算，而不需要外部先验信息的预期效果之前，观察数据。该方法在名为“{ \tt lmhyp}”的R包中实现，该包可免费下载并随时可用。使用社会和行为科学的实证应用程序的方法和软件的可用性进行说明。
2019-01-29 stat.ME
Default Bayes Factors for Testing the (In)equality of Several Population Variances
方差齐性检验是许多统计应用中的一个重要问题。我们开发了默认贝叶斯因子检验来评估两个或多个总体方差的相等性，以及总体方差是否等于特定值的检验。所得检验可用于检查常用程序（如$t$检验或ANOVA）的假设，或直接检验有关方差的实质性假设。我们表明，我们的贝叶斯因子满足一些desiderata。研究人员可能已经指导了诸如$σ_{1}^{2} > σ_{2}^{2}$之类的假设，他们可能想要扩展$\mathcal{H}_{0}$以具有空区域，或者希望将关于等式的假设与关于不等式的假设相结合，例如$σ_{1}^{2} = σ_{2}^{2} > (σ_{3}^{2}, σ_{4}^{2})$。我们扩展我们的贝叶斯因子检验，以允许这些偏离我们提出的默认值，并说明它在一些实际的例子。我们的过程是在R包$bfvartest$中实现的。
2022-07-31 stat.ME
A dual-stress Bayesian Weibull accelerated life testing model
本文提出了一种贝叶斯加速寿命试验模型。寿命分布采用韦布尔分布，时间转换函数采用广义Eyring模型。这是一个模型，允许使用一个以上的压力源，而其他常用的加速模型，如阿克里先乌斯和幂律模型，只允许一个压力源。广义Eyring-Weibull模型用于应用中，其中MCMC方法用于生成用于后验推断的样本。
2021-11-16 math.ST stat.ME stat.TH
On the Consistency of Bayesian Adaptive Testing under the Rasch Model
本研究针对贝叶斯自适应测验缺乏大样本性质证明的问题，推导了Rasch模型下潜在特质后验分布收敛的条件，验证了先验误设时的稳健性，还提出了匹配最优估计性能的新型选题策略，为该类方法提供了理论支撑。
2024-12-10 stat.AP stat.ME
Nonparametric Bayesian testing for monotonicity
本文从非参数贝叶斯的角度研究了函数单调性的检验问题。构造了两个新的检验族。第一个使用约束平滑样条，连同一个层次的随机过程之前，明确控制的先验概率的单调性。第二个使用回归样条，连同两个建议的先验的回归系数。有限样本性能的测试，通过模拟，以改善现有的频率论和贝叶斯方法。本文还研究了高斯模型中比较单调与非单调回归函数的贝叶斯因子的渐近性质。我们的结果显着扩展了目前可用的，主要集中在确定参数线性模型的尺寸。
2014-06-01 math.ST stat.ME stat.TH
Bounds on Bayes Factors for Binomial A/B Testing
DELL（戴尔）
在许多情况下，贝叶斯因子已被证明是连接经典的基于值的显著性检验和后验几率的贝叶斯分析的桥梁。本文讨论了在二项式A/B测试设置（适用于例如转换测试）的这种现象。结果表明，贝叶斯因子受两个试验组成功率的\emph{Jensen-Shannon divergence}控制，并进一步受Welch统计量的约束。结果表明，bavelet的样本界几乎与frequenist的样本界相匹配。詹森-香农发散和韦尔奇检验之间的联系以及推导是信息几何工具的一个优雅应用。
2019-02-28 cs.LG stat.OT
On the Equivalence between Bayesian and Classical Hypothesis Testing
对于H_0：theta=theta_0与H_1：theta ne theta_0类型的假设，我们证明了使用贝叶斯因子的贝叶斯假设检验与相应的经典检验对于一大类模型的等价性，这在本文中有详细说明。特别是，我们表明，贝叶斯因子检验的先验和关键区域的作用是只指定的第一类错误。这是他们唯一的作用，因为，正如我们所示，功率函数的贝叶斯因子检验正好与经典的测试，一旦第一类错误已被修复。对于更复杂的测试，涉及滋扰参数，我们恢复了经典的测试，通过使用Jeffreys先验的滋扰参数，而先验的假设参数可以是任意的一个大类。另一方面，我们表明，使用适当的先验的滋扰参数的结果，在一个测试，均匀的功率比经典的测试。
2013-12-02 stat.ME
Bayesian Kernel Two-Sample Testing
在现代数据分析中，随机变量之间差异的非参数度量尤为重要。这个问题在频率论文献中得到了很好的研究，而在贝叶斯环境中的发展是有限的，应用程序往往限于单变量的情况下。在这里，我们提出了一种贝叶斯核双样本测试程序，该程序基于利用Flaxman等人（2016）建立的框架对再生核希尔伯特空间中的核均值嵌入之间的差异进行建模。核方法的使用使其能够应用于超越多元欧氏空间的一般域中的随机变量。所提出的过程中的后验推理方案，允许自动选择的核心参数相关的问题在手。在一系列的合成实验和两个真实数据实验（即从高维数据测试网络异质性和六元单环构象比较）中，我们说明了我们的方法的优点。
2022-01-21 stat.CO stat.ME
A New Look at Bayesian Testing
Virginia Tech（弗吉尼亚理工大学）；University of Chicago（芝加哥大学）；George Mason University（乔治梅森大学）；University of South Florida（南佛罗里达大学）
本文探讨了贝叶斯检验中关键偏差尺度的确定，推导了在集成贝叶斯风险下的最优拒绝边界，并展示了其在正则先验下的通用性。
2026-03-20 math.ST stat.ME stat.TH
Bayesian Hypothesis Testing: Redux
贝叶斯假设检验重新审查的角度来看，先验评估的检验统计量分布下的替代。通过评估可观察的检验统计量的分布，而不是先验参数值，我们提供了一个实用的默认贝叶斯因子，这是直接解释。为了说明我们的方法，我们提供的例子中，贝叶斯证据惊人地支持空，但导致拒绝下一个经典的测试。最后，我们总结了未来研究的方向。
2018-08-26 math.ST stat.TH
A simple consistent Bayes factor for testing the Kendall rank correlation coefficient
在本文中，我们提出了一个简单和易于实现的贝叶斯假设检验的存在的关联，描述了肯德尔的τ系数，在至少一个有序尺度上测量的两个变量之间。由于数据的似然函数的缺失，我们采用检验统计量的渐近抽样分布作为工作似然，然后在备择假设的非中心性参数上指定一个截尾正态先验分布，从而得到了以标准正态分布的累积分布函数表示的封闭形式的Bayes因子.研究贝叶斯因子的渐近行为，我们发现先验的条件，使得它与假设为真的条件一致。仿真研究和实际数据的应用程序被用来说明所提出的贝叶斯因子的有效性。值得一提的是，所提出的方法可以很容易地涵盖在本科和研究生课程的非参数统计与学生的贝叶斯思想的数据分析的重点。
2022-09-08 stat.ME
Bayesian Inference and Testing of Group Differences in Brain Networks
网络数据越来越多地与其他感兴趣的变量一起收集。我们的动机来自神经生理学研究，测量了一个样本个体的大脑连接网络，以及他们在低或高创造性推理群体中的成员资格。发展统计学方法来检验不同群体大脑区域之间结构性相互联系的整体和局部变化是至关重要的。我们开发了一个通用的贝叶斯推理和测试的网络结构，这依赖于一个非参数表示与网络值的随机变量的条件概率质量函数的组差异的过程。通过利用低秩分解的混合，我们允许简单的全局和局部假设检验调整多重性。一个有效的吉布斯采样器被定义为后验计算。我们提供的模型的灵活性的理论结果，并评估在模拟测试性能。该方法的应用提供了新的见解人类大脑网络和创造力之间的关系。
2016-08-17 stat.AP 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
Non-marginal Decisions: A Novel Bayesian Multiple Testing Procedure
本文考虑假设相依时的多重检验问题。在现有的大多数文献中，无论是贝叶斯还是非贝叶斯，决策规则主要集中在测试过程的有效性，而不是实际利用依赖性来提高效率。此外，关于不同假设的决定是边缘性的，因为它们不直接相互依赖。然而，在现实情况下，假设通常是相关的，因此希望联合做出有关相关假设的决策。在这篇文章中，我们开发了一种新的贝叶斯多重检验程序，连贯地考虑到这一要求。我们的方法，这是基于新的概念的错误和非错误的条款，大大提高了效率，明智地利用之间的依赖结构的假设。我们证明了我们的方法最小化与一个加性“0-1”损失函数相关的后验期望损失，我们还证明了相关错误概率的理论结果，建立了我们的方法的一致性和实用性。最佳决策配置是不是在封闭的形式，我们提出了一种新的和有效的模拟退火算法的优化，这也是一般适用于二进制优化问题。数值研究表明，在相关的情况下，我们的方法执行显着优于一些现有的流行的传统多重检验方法，在精度和功率控制。此外，我们的想法应用到一个真实的，空间数据集与放射性核素浓度在朗格拉普群岛产生了深刻的结果。
2018-07-09 stat.ME
Testing Homogeneity for Normal Mixture Models: Variational Bayes Approach
正态混合物的齐性检验在不同的研究领域都有应用，但由于原假设的参数集对应于参数空间中的奇点，因此构建齐性检验理论具有挑战性。在本文中，我们从一个新的角度来研究这个问题，并提供了一个理论的假设检验的基础上变分贝叶斯框架的同质性。在传统的理论中，自由能的常阶项一直是未知的，然而，我们澄清了它的渐近行为，因为它是必要的，以构建一个假设检验。数值实验验证了理论结果的正确性。
2019-12-15 math.ST stat.ME stat.TH
Doublethink: simultaneous Bayesian-frequentist model-averaged hypothesis testing
本文提出Doublethink方法，证明贝叶斯模型平均假设检验可强控制频率学派FWER，并同时给出后验优势比和渐近p值，通过孟德尔随机化与模拟验证其有效性。
2025-05-09 math.ST stat.ME stat.TH
BFpack: Flexible Bayes Factor Testing of Scientific Theories in R
在社会和行为科学以及相关领域中，用于假设检验的贝叶斯因子的方法学有了巨大的发展。这种发展是由于贝叶斯因子同时测试多个假设的灵活性，测试涉及平等的复杂假设的能力，以及对感兴趣的参数的顺序约束，以及结果的可解释性作为支持竞争科学理论的数据所提供的证据的权重。然而，用于贝叶斯假设检验的可用软件工具仍然有限。在本文中，我们提出了一个新的R-包称为BF包，包含函数的贝叶斯因子假设检验的许多常见的测试问题。该软件包括新的工具（i）贝叶斯探索性测试（无效效应vs阳性效应vs阴性效应），（ii）贝叶斯验证性检验（具有等式和/或顺序约束的竞争假设），（iii）对于常见的统计分析，例如线性回归，广义线性模型，（协）方差的（多变量）分析、相关性分析和随机截距模型，（iv）使用默认先验，以及（v）同时允许数据包含随机随机缺失的缺失观测。
2019-11-18 stat.CO
Bayesian Testing of Scientific Expectations Under Exponential Random Graph Models
本文针对指数随机图模型中传统p值检验的局限性，提出基于贝叶斯因子和后验概率的检验方法，并在R包BFpack中实现，用于直接检验带等式或顺序约束的多重科学假设。
2023-11-30 stat.AP stat.ME
Bayesian Mendelian randomization testing of interval causal null hypotheses: ternary decision rules and loss function calibration
我们的方法孟德尔随机化（MR）分析的目的是增加因果效应的“发现”的可重复性：（i）使用贝叶斯方法进行推理;（ii）用实际等效区域代替点原假设，该实际等效区域包括对于感兴趣的效应的可忽略量值的值，同时利用贝叶斯分析的能力来量化落在区域内/区域外的影响的证据;（iii）拒绝通常的二元决策逻辑，而赞成三元逻辑，其中假设检验可能导致接受或拒绝空值，同时还适应“不确定”的结果。我们提出了一种方法来校准所提出的方法，通过损失函数，我们用我们的方法与频率论的比较。我们说明的方法与援助的因果关系的影响，肥胖的青少年心肌梗死的风险的研究。
2022-08-10 stat.ME
Testing Bayesian Networks
IBM Research（IBM研究院）；Stanford University（斯坦福大学）；Columbia University（哥伦比亚大学）；University of WisconsinMadison（威斯康星大学麦迪逊分校）；University of Southern California（南加州大学）；Web3 Foundation（Web3基金会）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
这项工作启动了一个系统的调查，测试高维结构化分布的重点是测试贝叶斯网络-有向图形模型的原型家庭。贝叶斯网络由有向无环图定义，其中我们将随机变量与每个节点相关联。一旦其父节点固定，任何特定节点上的值都有条件地独立于所有其他非后代节点。具体地，我们研究了贝叶斯网络的身份测试和贴近度测试的性质。我们的主要贡献是这些问题的第一个非平凡有效的测试算法和相应的信息论下界。对于广泛的参数设置，我们的测试算法的样本复杂度在维度上是次线性的，并且是样本最优的，直到常数因子。
2020-01-25 cs.DS cs.IT cs.LG
To Vary or Not To Vary: A Flexible Empirical Bayes Factor for Testing Variance Components
针对随机效应存在性检验的方差成分边界问题，提出一种灵活的经验贝叶斯因子，通过从数据估计随机效应分布避免手动先验设置，仅需拟合全模型即可完成检验，且适用于多种模型场景。
2025-08-02 stat.ME
Comparison of Bayesian and Frequentist Multiplicity Correction For Testing Mutually Exclusive Hypotheses Under Data Dependence
考虑了用相依检验统计量检验互斥假设的问题。贝叶斯和频率论方法的多重性控制进行了研究和比较，以帮助获得理解的效果，检验统计量依赖于每种方法。贝叶斯方法被证明具有优良的频率特性，并被认为是最有效的方式获得频率多重控制，而不牺牲权力，当有相当大的检验统计量依赖。
2016-11-17 math.ST stat.TH
Bayes factor testing of equality and order constraints on measures of association in social research
关联性度量在社会科学中起着核心作用，可以量化感兴趣的变量之间线性关系的强度。在许多应用中，研究人员可以将科学期望转化为假设，并对这些关联措施进行平等和/或顺序约束。在本文中，贝叶斯因子检验提出了测试多个假设的顺序和/或连续变量之间的关联措施的限制，可能在纠正某些协变量。这个测试可以用来获得一个研究问题的直接答案，即相对于竞争理论，社会科学理论的数据中有多少证据。附带的软件包“BCT”使用户能够以简单的方式应用该方法。休闲研究的经验应用程序的生活，休闲和关系满意度之间的关联和应用程序的差异，平等主义的正义信念在不同的国家被用来说明的方法。
2019-04-03 stat.ME
A unified Bayesian framework for interval hypothesis testing in clinical trials
本文提出统一贝叶斯区间假设检验框架，用区间原假设与基于常用检验统计量的贝叶斯因子克服传统P值缺陷，兼顾频率学派错误控制与可解释性，并应用于临床试验结果报告。
2024-02-21 stat.ME stat.ML
Bayes factor functions for testing partial correlation coefficients
Texas A&M University（德克萨斯农工大学）
本文提出贝叶斯因子函数(BFFs)用于评估部分相关系数的存在，克服传统方法的局限性，提供累积证据和多研究整合。
2026-04-14 stat.AP stat.ME
Bayesian Group Testing Regression with a Shape-Free Dilution Curve
提出BADGER模型，用无形状稀释曲线和Dirichlet先验建模分组检测灵敏度，通过精确Gibbs采样推断，并用贝叶斯因子衡量稀释证据，模拟和实际数据验证有效。
2026-09-09 stat.CO stat.ME
Comment on "Safe Testing" by Grünwald, de Heide, and Koolen
本文评论《安全检验》，通过比较分数贝叶斯因子与基于右 Haar 先验的贝叶斯因子，阐明其安全性。
2024-03-25 stat.ME
Assessing racial inequality in COVID-19 testing with Bayesian threshold tests
COVID-19检测阳性率存在种族差异，这表明少数民族可能被低估了。在这里，借鉴文献上的统计评估种族差异的警务，我们1）阐明了一个统计缺陷，称为超边缘，在使用阳性率作为衡量评估种族差异的测试不足; 2）开发一种新型的贝叶斯阈值测试来衡量COVID-19测试中的差异，3）应用该测试来衡量真实环境中测试阈值的种族差异。全球COVID-19数据集。
2020-11-02 stat.AP
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
Objective Bayesian hypothesis testing in binomial regression models with integral prior distributions
在这项工作中，我们应用积分先验的方法来处理贝叶斯模型选择在二项式回归模型与一般的链接功能。这些模型经常用于调查流行病学研究中的关联和风险，其中一个目标是展示暴露是否是发展某种疾病的风险因素;本文的目的是测试特定暴露因素的影响。我们制定了贝叶斯模型选择情况下的问题，并解决它使用客观贝叶斯因素。为了在二项回归模型的回归系数上构造参考先验分布，我们依赖于积分先验的方法，该方法几乎是自动的，因为它只需要指定估计参考先验，并且不依赖于这些先验中的调整参数或超参数。
2013-06-28 stat.CO stat.ME
A Bayesian nonparametric approach to testing for dependence between random variables
随机变量之间统计相关性的非参数和非线性度量是现代数据分析中的重要工具。特别是，大数据集的出现现在可以支持放松传统关联分数（如相关性）中隐含的线性假设。在这里，我们描述了一个贝叶斯非参数过程，导致一个听话的，明确的和分析量化的相对证据的依赖与独立。我们的方法使用Polya树先验空间的概率测度，然后可以嵌入到一个决策理论测试的依赖性。Polya树先验可以适应潜在抽样分布形式的已知不确定性，并提供相关性和独立性的显式后验概率测度。具有明确的概率测度的众所周知的优点包括：容易比较不同研究中的证据;编码先验信息;量化不同实验条件下的依赖性变化;以及在正式决策分析中整合结果。
2016-05-12 stat.ME
Robust Bayesian inference for nondestructive one-shot device testing data under competing risk using Hamiltonian Monte Carlo method
本文针对竞争风险下非破坏性一次性设备测试数据，提出基于密度幂散度的稳健贝叶斯估计与贝叶斯因子检验方法，并用哈密顿蒙特卡洛和影响函数验证其稳健性。
2025-02-10 math.ST stat.ME stat.TH
Root Cause Analysis in Lithium-Ion Battery Production with FMEA-Based Large-Scale Bayesian Network
锂离子电池单元的生产的特征在于由于工艺特性之间的许多因果关系而导致的高度复杂性。关于多阶段生产的知识在几个专家之间传播，使故障分析任务具有挑战性。本文提出了一种新的方法，包括专家知识的获取，在生产爬坡相结合的故障模式与影响分析（FMEA）与贝叶斯网络。提出了特殊的算法，帮助检测和解决专家提供的参数之间的不一致性，必然会发生从几个过程专家收集知识。我们通过建立一个大规模的，跨过程的贝叶斯失效网络在锂离子电池生产和其应用的根本原因分析，这种整体方法的有效性。
2020-06-15 stat.AP stat.ML
A nonparametric Bayesian test of dependence
在这篇文章中，我们提出了一种新的方法来测试两组变量之间的依赖关系的基本任务。独立性的原假设和相关性的备择假设下的响应密度由非参数贝叶斯模型确定。在原假设下，联合分布由两个独立的Dirichlet过程混合（Dirichlet Process Mixture，DIFR）先验的乘积建模;在另一种情况下，全联合密度由多变量DIFR先验建模。然后，检验基于支持备择假设的后验概率。该检验不仅在线性相关性检验方面具有良好的性能，而且在非线性相关性检验方面也优于其他方法。在基因表达数据的分析中，我们比较了不同的方法来测试基因之间的成对依赖性。结果表明，该测试确定了一些依赖结构，没有检测到的其他测试。
2015-01-28 stat.ME
Continuous Monitoring of A/B Tests without Pain: Optional Stopping in Bayesian Testing
A/B测试是统计理论在现代互联网时代最成功的应用之一。原假设统计检验（NHST）是A/B检验方法学的主干，它的一个问题是不允许实验者对结果进行连续监测和实时决策。许多人认为这种限制是对实时数据分析技术趋势的一种挫折。近年来，贝叶斯假设检验，直观上是更适合于实时决策，吸引了越来越多的兴趣作为替代NHST。虽然NHST的连续监测设置的校正在现有的文献中已经建立，并且在A/B测试社区中是已知的，但是关于连续监测是否是贝叶斯测试中的适当实践的问题的争论存在于学术研究人员和全科医生中。在本文中，我们正式证明了贝叶斯测试的有效性与连续监测时，适当的停止规则使用，并说明了理论结果与具体的模拟说明。我们指出了常见的不良做法，停止规则是不适当的，也比较我们的方法NHST更正。还为研究人员和从业人员提供了一般准则。
2016-02-17 stat.AP
Objective Bayes testing of Poisson versus inflated Poisson models
泊松分布通常用作计数数据的标准模型。然而，这样的数据集往往不能很好地拟合泊松模型，因为它们具有比与该模型兼容的更多的零。对于这些情况，通常提出零膨胀泊松（ZIP）分布。本文讨论了测试泊松与ZIP模型，使用贝叶斯方法的基础上适当的客观先验。客观先验的具体选择是合理的，他们的财产调查。该方法扩展到包括回归模型中的协变量。给出了几种应用。
2008-05-21 math.ST stat.ME stat.TH
A Unified View of False Discovery Rate Control: Reconciliation of Bayesian and Frequentist Approaches
本文探讨了贝叶斯错误发现率（FDR）控制过程和频率论控制过程之间的内在联系。我们试图提供一个统一的观点，FDR控制内和外的设置测试可交换的假设。在标准两组模型和Oracle条件下，我们证明了贝叶斯和频率论方法可以在任意水平上实现渐近等价的FDR控制。基于这一结果，我们进一步说明，严格的后拟合模型诊断是必要的和有效的，以确保强大的FDR控制参数贝叶斯方法。此外，我们表明，贝叶斯FDR控制方法是连贯的，自然扩展到设置超越测试交换假设。特别是，我们说明，$p$值不再是自然的统计工具，最佳频率FDR控制在测试不可交换的假设。最后，我们说明了由我们的理论结果激励的简单数值配方可以有效地检查贝叶斯和频率论程序中通常假设的一些关键模型假设（例如，零假设）。
2018-03-14 stat.ME
A Novel Bayesian Multiple Testing Approach to Deregulated miRNA Discovery Harnessing Positional Clustering
microRNA（miRNAs）是一类非编码的小分子RNA，是基因表达的调控因子。近年来，研究人员对研究miRNAs在正常细胞以及疾病过程中的作用产生了巨大且不断增长的兴趣。因此，为了研究miRNAs在口腔癌中的作用，我们分析miRNAs的表达水平以鉴定在癌组织中具有统计学显著差异表达的miRNAs。在这篇文章中，我们提出了一种新的贝叶斯层次模型的miRNA表达数据。大量证据表明，人类基因组中miRNAs的转录过程是一个潜在的过程，有助于观察到的表达水平。我们在分析中考虑了miRNA的位置聚类，并通过适当的高斯过程非参数化地模拟了潜在的转录现象。为了测试的目的，我们采用了一种新的贝叶斯多重检验方法，我们主要集中在利用假设之间的依赖结构，以获得更好的结果，同时也确保在许多方面的最优性。事实上，我们的非边际方法产生的结果与基础科学知识相一致，而这些知识是非常流行的Benjamini-Hochberg方法所遗漏的。
2018-04-11 stat.AP stat.ME
The diachronic Bayesian
本文提出历时贝叶斯框架，用投注方式建模并检验贝叶斯概率测度随时间的演化，从而支持多步预测和近似最优决策。
2024-03-31 stat.ME
Objective Bayesian Comparison of Order-Constrained Models in Contingency Tables
在社会和生物医学科学中，列联表中的测试通常涉及对单元概率参数的顺序限制。我们开发了客观的贝叶斯方法，用于在产品二项或多项抽样下观察时的顺序约束检验和模型比较。具体来说，我们考虑测试的单调顺序的参数对所有参数的平等。我们的策略以统一的方式结合了内在先验方法和包含先验方法，以计算贝叶斯因子和后验模型概率。我们的方法的性能进行了评估几个模拟研究和真实的数据集。
2018-10-23 stat.ME
Bayesian Testing for Exogenous Partition Structures in Stochastic Block Models
网络数据通常表现出块结构，其特征在于具有相似边缘形成模式的节点簇。当这样的关系数据由关于外生节点分区的附加信息补充时，这些知识源通常被包括在模型中以监督聚类分配机制或改进对边缘概率的推断。虽然这些解决方案是常规实施，有一个缺乏正式的方法来测试，如果一个给定的外部节点分区是符合内生聚类结构编码随机等价模式之间的节点在网络中。为了填补这一空白，我们开发了一个正式的贝叶斯测试程序，它依赖于计算贝叶斯因子之间的随机块模型与已知的分组结构定义的外源节点分区和一个无限的关系模型，允许内生的聚类配置是未知的，随机的，并充分揭示了块连接模式在网络中。提出了一种简单的计算贝叶斯因子和量化内生群体不确定性的马尔可夫链蒙特卡罗方法。这个程序进行评估，在模拟和应用程序中研究外源性等价结构的阿尔茨海默氏症患者的大脑网络。
2020-09-25 stat.AP stat.ME
Independence Testing for Bounded Degree Bayesian Network
我们研究了以下独立性检验问题：给定$P$在$\{0,1\}^n$上的分布样本，决定$P$是否是一个产品分布，或者它是否是$\varepsilon$ -远离任何产品分布的总变异距离。对于任意分布，此问题需要$\exp(n)$样本。在这项工作中，我们表明，如果$P$有一个稀疏的结构，那么实际上只需要线性许多样本。具体地说，如果$P$是马尔可夫相对于贝叶斯网络，其基础DAG的度有界的$d$，那么$\tildeΘ(2^{d/2}\cdot n/\varepsilon^2)$样本是必要的和足够的独立性测试。
2023-01-03 cs.DM cs.DS cs.IT
Testing for Causality in Continuous Time Bayesian Network Models of High-Frequency Data
连续时间贝叶斯网络的研究，特别关注其表达因果关系的能力。一个框架，在这些网络中进行推理。中心贡献是网络的强度矩阵的表示和因果关系度量的引入。提出了一种新的高频金融数据模型。它是根据市场数据进行校准的，通过新的因果关系衡量，它比旧模型表现得更好。
2016-01-25 q-fin.TR stat.ML
