Optimal subsampling for functional composite quantile regression in massive data
针对海量函数型数据计算受限问题，本文提出基于函数L-最优性准则的复合分位数回归最优子抽样方法，并证明其优于均匀子抽样。
2024-06-28 stat.ME
Using mixtures in seemingly unrelated linear regression models with non-normal errors
引入了误差分布为有限高斯混合的看似无关的线性回归模型。提供了可识别性条件。导出了分数向量和Hessian矩阵。采用极大似然法进行参数估计，并开发了期望最大化算法。所提出的方法和数值评估其属性的有用性说明通过一个真实的数据集的分析。
2014-03-17 stat.ME
Composite Estimation for Quantile Regression Kink Models with Longitudinal Data
扭结模型被开发用于分析回归函数为两阶段线性但相交于未知阈值的数据。在纵向数据的分位数回归中，以前的工作假设未知的阈值参数或扭结点在不同的分位数上是异质的。然而，扭结效应发生的位置往往是相同的，在不同的分位数，特别是在相邻的分位数水平的区域。忽略这种同质性信息可能导致估计的效率损失。有鉴于此，我们提出了一个复合估计的公共扭结点，通过吸收多个分位数的信息。此外，我们也发展了一个超级似然比检验来检验在给定分位数水平下的扭结效应。基于分位数秩和检验，还建立了常见扭结点的检验反演置信区间。仿真研究表明，所提出的复合扭折估计比最小二乘估计和单分位数估计更具竞争力。我们说明了这项工作的实际价值，通过分析的身体质量指数和血压数据集。
2020-09-04 stat.ME
Testing a Large Number of Composite Null Hypotheses Using Conditionally Symmetric Multidimensional Gaussian Mixtures in Genome-Wide Studies
本文提出条件对称多维高斯混合模型（csmGmm），用于统一遗传研究中中介、多效性和重复性分析的复合原假设检验，并证明其能使lfdr与z统计量检验规则保持一致，在肺癌遗传关联数据上验证了方法的稳健性和可解释性。
2023-09-22 stat.AP stat.ME
Multiple-output composite quantile regression through an optimal transport lens
本文揭示了复合分位数回归与Wasserstein距离的内在联系，将其推广至多输出设置，推导了有限矩和sub-Weibull尾误差下的收敛速度，并开发了分析相关M-estimation的新技术。
2024-02-14 math.ST stat.TH
Semiparametric Mixture Regression with Unspecified Error Distributions
在混合线性回归模型的拟合中，传统的方法是采用正态假设来建立误差模型，然后用极大似然估计来估计回归参数。如果违反了正常假设，则此程序无效。为了放松误差分布的正态假设，从而降低建模偏差，我们提出了具有未知误差分布的半参数混合线性回归模型。在比已有结果更弱的条件下，我们建立了一个更一般的可辨识性结果，构造了一类新的估计量，并建立了它们的渐近性质。这些渐近结果也适用于许多现有的半参数混合回归估计的渐近性质仍然未知，由于在获得它们的固有困难。利用模拟研究，我们证明了所提出的估计的优越性超过极大似然估计时，违反了正常的错误假设和可比性时，错误是正常的。对2017年新收集的马传染性贫血病毒数据进行分析，以说明新估计量的有效性。
2018-11-02 stat.ME
A Mixture of Linear-Linear Regression Models for Linear-Circular Regression
我们介绍了一种新的方法，线性循环回归问题，涉及多个线性预测的循环响应。我们遵循一个包裹的正态分布，描述角变量和角分布的建模方法，并提出了一个线性-圆形回归分析。以往的一些工作将圆形变量建模为二元高斯随机向量在单位正方形上的投影，并且所得到的模型的统计推断涉及复杂的采样步骤。该模型将圆形响应视为对未观测到的线性响应进行取模运算的结果。所得到的模型是多个线性-线性回归模型的混合。本文给出了混合模型极大似然估计的两种期望最大化算法，一种用于参数模型，另一种用于非参数模型。估计算法提供了一个很大的计算和估计精度之间的权衡，这是用五个数值例子数值显示。所提出的方法被应用到一个问题，估计风向，通常表现出复杂的模式与大的变化和圆形。
2019-09-15 stat.ME
Partial Functional Linear Quantile Regression for Neuroimaging Data Analysis
提出了一种基于偏分位数协方差技术的函数线性分位数回归模型的预测方法，并提出了一种简单的偏分位数回归（SIMPQR）算法，以有效地提取用于估计函数系数的偏分位数回归（PQR）基.我们进一步扩展我们的偏分位数协方差技术的功能复合分位数回归（CQR）定义偏复合分位数协方差。有三个主要贡献。(1)我们通过线性分位数回归定义两个标量变量之间的偏分位数协方差。我们通过顺序最大化函数协变量的响应和投影之间的偏分位数协方差来计算PQR基。(2)为了有效地提取PQR基，我们开发了一种类似于简单偏最小二乘（SIMPLS）的SIMPQR算法。(3)在同方差的假设下，我们将我们的技术扩展到偏复合分位数协方差，并用它来寻找偏复合分位数回归（PCQR）的基础。然后对SIMPQR算法进行修改，得到SIMPCQR算法。两个仿真研究表明，我们所提出的方法的优越性。用我们提出的方法对ADHD-200样本和ADNI样本的两个实际数据进行了分析。
2015-11-02 stat.ME
Confidence ellipsoids for regression coefficients by observations from a mixture
线性回归系数的置信椭圆是由不同浓度的混合物的观测值构造的。两种方法进行了讨论。第一种是基于加权最小二乘技术的非参数方法。第二种是近似的极大似然估计，应用EM算法进行估计计算。
2018-06-11 stat.ME
On the robust learning mixtures of linear regressions
Jiujiang University（九江学院）
本文研究线性回归混合模型的鲁棒学习问题，通过阈值化将其与高斯混合模型建立联系，在温和分离条件下提出拟多项式时间算法，显著提升了鲁棒性。
2023-05-23 cs.LG stat.ML
Nonparametric contaminated Gaussian mixture of regressions
University of Pretoria（比勒陀利亚大学）；University of California, Riverside（加州大学河滨分校）
本文提出半参数和非参数污染高斯回归混合模型，通过EM和ECM算法实现鲁棒估计，用于观测聚类和异常值检测。
2026-01-10 stat.ME
Spatially and Robustly Hybrid Mixture Regression Model for Inference of Spatial Dependence
Purdue University（普渡大学）；Indiana University（印第安纳大学）；Amazon（亚马逊）；Peking University（北京大学）
在本文中，我们提出了一个空间稳健混合回归模型来研究一个响应变量和一组解释变量之间的关系在空间域上，假设的关系可能会表现出复杂的空间动态模式，不能被捕获的常数回归系数。我们的方法集成了强大的有限混合高斯回归模型与空间约束，同时处理空间非平稳性，局部同质性和离群污染。与现有的空间回归模型相比，我们提出的模型假设存在一些不同的回归模型，这些模型是基于表现出类似的响应-预测关系的观测值估计的。因此，所提出的模型不仅考虑了空间趋势的非平稳性，而且还将观测结果聚类为几个不同的同质组。这提供了一个优势，在解释与几个固定的子过程识别，捕捉响应和预测变量之间的主要关系。此外，该方法采用了强大的程序来处理回归离群值和空间离群值的污染。通过这样做，我们稳健地将空间域分割成具有相似回归系数的不同局部区域和纯粹是离群值的零星位置。设计了严格的统计假设检验程序来检验这种分割的显著性。在许多合成数据集和真实数据集上的实验结果表明，与其他鲁棒的有限混合回归，空间回归和空间分割方法相比，我们提出的方法具有鲁棒性，准确性和有效性。
2021-09-28 cs.LG stat.ME
Advanced Algorithms for Penalized Quantile and Composite Quantile Regression
在本文中，我们讨论了一个家庭的强大的，高维回归模型的分位数和复合分位数回归，有和没有自适应套索惩罚变量选择。我们重新制定这些分位数回归的问题，并通过应用交替方向的乘数法（ADMM），优化最小化（MM），和坐标下降（CD）算法获得估计。我们的新方法解决了（复合）分位数回归缺乏公开可用的方法，特别是对于高维数据，有和没有正则化。通过模拟研究，我们证明了需要不同的算法适用于各种数据设置，我们在R的cqrReg包中实现。为了比较，我们还介绍了广泛使用的内点（IP）制定和测试我们的方法对IP算法在现有的quantreg包。我们的模拟研究表明，我们的每一种方法，特别是MM和CD，在不同的设置，如大型或高维数据集，分别优于目前在quantreg中实现的方法。ADMM方法在其并行化和可扩展性方面为未来的发展提供了具体的承诺。
2020-06-26 stat.CO
Model-based clustering using a new mixture of circular regressions
University of Pretoria（比勒陀利亚大学）
本文提出了一种基于圆形回归混合的模型聚类方法，用于处理多模态圆形响应变量和混合协变量的数据，通过最大似然估计和模拟研究验证了其有效性。
2026-01-08 stat.CO stat.ME
Composite Lp-quantile regression, near quantile regression and the oracle model selection theory
School of Mathematics and Statistics, Sichuan University of Science & Engineering（四川理工学院数学与统计学院）
本文提出复合Lp分位数回归和近分位数回归方法，通过改进算法提升高维分位数回归的效率与准确性。
2026-03-04 math.ST stat.TH
EM Approaches to Nonparametric Estimation for Mixture of Linear Regressions
针对线性回归混合模型，提出两种EM算法估计回归系数的先验分布，分别处理连续和离散情形，并验证了收敛性与有效性。
2025-10-16 stat.ME stat.ML
Gaussian Mixture Reduction with Composite Transportation Divergence
Renmin University of China（中国人民大学）；University of Toronto（多伦多大学）；University of British Columbia（不列颠哥伦比亚大学）
针对高斯混合递归更新中阶数指数增长导致推理困难的问题，本文提出基于复合传输散度的优化型高斯混合约简方法，采用主化-最小化算法并证明收敛性，统一了现有聚类方法，实验验证其高效有效。
2023-10-17 cs.LG stat.ML
A quantile-based g-computation approach to addressing the effects of exposure mixtures
提出分位数g-computation方法估计暴露混合物联合效应，结合WQS回归简单性和g-computation灵活性，在常见场景下无偏估计并优于WQS回归，为公共卫生干预提供支持。
2020-03-11 stat.ME
Quantile Regression Modelling via Location and Scale Mixtures of Normal Distributions
我们发现，分位数回归的估计方程可以解决使用一个简单的期望最大化算法，其中M-步骤通过加权最小二乘法计算，在E-步骤计算的权重作为独立的广义逆高斯变量的期望。我们使用核密度估计器计算分位数回归系数的方差-协方差阵，该估计器产生比现有软件产生的标准误更稳定的标准误差。期望最大化算法的自然修改涉及在M步拟合线性混合模型，将方法扩展到混合效应分位数回归模型。在这种情况下，拟合方法可以被证明为广义交替最小化算法。通过加权最小二乘法获得分位数回归估计值可实现与线性回归设置中使用的模型诊断技术类似的模型诊断技术。与现有的软件，使用模拟数据的计算方法进行比较，并说明了几个案例研究的方法。
2021-06-28 stat.ME
Mixture Quantiles Estimated by Constrained Linear Regression
Stony Brook University（石溪大学）
本文提出了一种通过约束线性回归估计混合分位数的方法，能够高效建模分布的中央部分和极端尾部。
2026-02-03 stat.ME
Maximum Likelihood Estimation of Gaussian Cluster Weighted Models and Relationships with Mixtures of Regression
加权模型（CWM）是一种混合方法，用于对响应变量和一组解释变量的联合概率进行建模。根据极大似然方法，通过期望最大化算法估计参数。在高斯假设下，分析了类加权模型的完全数据似然函数。进一步，在适当的假设下，我们证明了高斯聚类加权模型的似然函数的最大化导致了有限混合回归和有限混合伴随变量回归的相同的参数估计.在这个意义上，后者可以被认为是高斯聚类加权模型的嵌套模型。
2013-08-08 stat.CO
High-Dimensional Composite Quantile Regression: Optimal Statistical Guarantees and Fast Algorithms
针对高维重尾误差回归，提出卷积平滑复合分位数回归结合迭代重加权ℓ1正则化，采用梯度算法实现近最优统计保证和显著计算加速。
2023-10-12 stat.ME
Heterogeneity-calibrated Byzantine-robust distributed composite quantile regression
Yunnan Key Laboratory of Statistical Modeling and Data Analysis, School of Mathematics and Statistics, Yunnan University（云南大学数学与统计学院）；Department of Statistics and Data Science, Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院统计与数据科学系）
针对异质性诚实站点与拜占庭工作节点，提出异质性校准鲁棒复合分位数回归方法，通过剖面校准与坐标修剪实现鲁棒估计，并提供理论保证与实验验证。
2026-09-18 stat.CO stat.ME
Scale-mixture Birnbaum-Saunders quantile regression models applied to personal accident insurance data
人身意外保险数据的建模一直是保险文献中一个非常相关的话题。这类数据往往表现出正偏态和重尾。在这项工作中，我们提出了一个新的分位数回归模型的基础上的规模混合Birnbaum-Saunders分布建模的人身意外保险数据。通过期望最大化算法得到模型参数的最大似然估计。两个蒙特卡罗模拟研究使用R软件进行。第一项研究的目的是分析期望最大化算法的性能，以获得最大似然估计，随机分位数和广义Cox-Snell残差。在第二个模拟研究中，的Wald，似然比，得分和梯度测试的大小和权力进行了评估。这两项模拟研究是在考虑不同的感兴趣分位数和样本量的情况下进行的。最后，一个真实的保险数据集进行了分析，以说明所提出的方法。
2023-03-20 stat.CO stat.ME
A robust mixed-effects quantile regression model using generalized Laplace mixtures to handle outliers and skewness
Syneos Health；University of the Free State（自由州大学）；KU Leuven（荷语鲁汶大学）；University of Stellenbosch（斯坦陵布什大学）
本文提出一种基于受污染广义非对称拉普拉斯混合的贝叶斯混合效应分位数回归模型，以稳健处理离群值和偏态，并在HIV病毒载量衰减数据中验证其优于传统方法。
2025-06-20 stat.ME
Global Bias-Corrected Divide-and-Conquer by Quantile-Matched Composite for General Nonparametric Regressions
偏差校正和鲁棒性问题是分而治之（DC）策略中的关键问题，特别是对于具有海量数据的非对称非参数模型。基于分位数的方法具有较强的稳健性，但当误差分布不对称时，非参数回归的分位数估计存在不可消除的偏差。本文研究了一般误差分布下非参数回归模型的分位数匹配合成全局偏差校正DC。所提出的策略可以同时实现偏差校正和鲁棒性。与通常的DC分位数估计不同，新方法在不同的分位数水平上对不同的数据批次得到局部估计量，然后将全局估计量精心构造为局部估计量的加权和.在加权和中，权重和分位数水平很好地匹配，使得全局估计器的偏差得到显著校正，特别是对于误差分布不对称的情况。基于全局估计量的渐近性质，得到了最优权值，并给出了相应的算法。通过模拟实验和真实数据分析的各种数值例子进一步说明了新方法的行为。与同类方法相比，新方法具有估计精度高、鲁棒性好、适用性强和计算效率高等优点。
2022-01-29 math.ST stat.ME stat.TH
Polynomial regression under a mixture of classical and Berkson errors
Taras Shevchenko National University of Kyiv（基辅塔拉斯舍甫琴科国立大学）；Institute of Mathematics NAS of Ukraine（乌克兰国家科学院数学研究所）
针对协变量含经典与Berkson混合测量误差的多项式回归模型，采用Corrected Score方法构造一致估计量，推导其渐近正态性条件并通过模拟验证结果。
2026-08-07 math.ST stat.TH
L1-Penalization for Mixture Regression Models
本文考虑高维非齐次数据的有限混合回归模型，其中协变量的数目可能远大于样本量。我们提出了一个l1-惩罚的极大似然估计在适当的参数化。这类估计属于一类需要非凸函数的优化和理论的问题。这与具有凸损失或目标函数的高维估计非常清楚地区别开来，例如线性或广义线性模型中的Lasso。混合模型代表了非凸性出现的一个主要和重要的例子。对于FMR模型，我们提出了一种有效的数值优化期望最大化算法，并证明了算法的收敛性。我们的惩罚估计量在数值上是更好的（例如，准则函数的有界性）比未惩罚的极大似然估计更好，并且它允许有效的统计正则化，包括变量选择。我们还提出了一些渐近理论和预言不等式：由于非凸性的负对数似然函数，不同的数学参数需要比凸损失的问题。最后，我们将新方法应用到模拟和真实数据。
2012-02-27 stat.ME
Composite quantile regression and the oracle Model Selection Theory
多元线性回归中的系数估计和变量选择通常在（惩罚）最小二乘（LS）框架中进行。本文介绍了范和李提出的模型选择预言的概念[J. Amer. Statistist. Assoc.96（2001）1348- 1360]描述了模型选择过程的最优行为。然而，如果误差方差是无限的，最小二乘预言理论就失效了。在本文中，我们提出了一种新的回归方法称为复合分位数回归（CQR）。我们表明，使用CQR预言机的预言机模型选择理论工作得很好，即使当误差方差是无限的。我们开发了一个新的预言程序，以实现最佳性能的CQR预言。当误差方差有限时，CQR在估计效率方面仍具有很大的优势。我们表明，CQR的相对效率相比，最小二乘法是大于70%，无论误差分布。此外，CQR可能比最小二乘更有效，有时甚至更有效。当比较CQR-预言估计量和LS-预言估计量时，同样的结论也成立。
2008-06-18 math.ST stat.TH
A Unified Analysis of Multi-task Functional Linear Regression Models with Manifold Constraint and Composite Quadratic Penalty
本文研究多任务函数线性回归模型，提出具有矩阵流形约束和复合二次惩罚的双重正则化通用模型，推导出统一的收敛上界并应用于降秩和图拉普拉斯正则化等特例。
2023-08-01 math.ST stat.ML stat.TH
EM Converges for a Mixture of Many Linear Regressions
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
研究了具有任意个数$k$的混合线性回归的期望最大化算法的收敛性。我们表明，只要信号噪声比（SNR）是$\tildeΩ(k)$，良好的初始化EM收敛到真正的回归参数。$k \geq 3$的先前结果仅建立了无噪声设置的局部收敛，即，其中SNR无限大。我们的结果扩大了范围的环境噪声，值得注意的是，我们建立了一个统计出错率，是独立的范数（或成对距离）的回归参数。特别是，我们的研究结果意味着确切的恢复$σ\rightarrow 0$，与大多数以前的局部收敛结果EM，其中的统计误差缩放与规范的参数。标准的矩量法方法可以用来保证我们在局部收敛保证适用的区域。
2019-11-26 cs.LG stat.ML
A Nonparametric Maximum Likelihood Approach to Mixture of Regression
针对混合线性回归模型，提出完全非参数极大似然估计量（NPMLE），在已知 $σ$ 且 $G^*$ 具有紧支撑时达到近参数速率，并实现基于后验的个体化系数推断。
2025-06-27 math.ST stat.ME stat.TH
Minimax testing of a composite null hypothesis defined via a quadratic functional in the model of regression
本文研究了非参数多元回归模型下复合原假设的检验问题。对于给定的二次函数$Q$，原假设声明回归函数$f$满足约束$Q[f]=0$，而替代假设对应于$Q[f]$远离零的函数。一方面，我们提供了极大极小化率的测试和确切的分离常数，以及尖锐的最佳测试程序，对角和非负二次泛函。我们考虑光滑类的椭球形和检查，我们的条件得到满足，在特定情况下，对应于各向异性的Sobolev类椭球。在这种情况下，我们提出了一个封闭的形式的极大极小速率和分离常数。另一方面，二次泛函的极小极大率既不是正的也不是负的，使得出现两种不同的状态：“正则”和“非正则”。在“规则”情况下，极大极小化速率等于$n^{-1/4}$，而在“不规则”情况下，速率取决于平滑类，并且比“规则”情况下慢。我们将其应用到测试在嘈杂的环境中观察到的两个功能的规范的平等的问题。
2013-01-04 math.ST stat.TH
Optimal Error Exponents for Composite Sequential Quantum Hypothesis Testing
School of Computer Science, University of Birmingham（伯明翰大学计算机学院）
本文研究了复合序列量子假设检验问题，提出了一种混合-序列量子概率比检验方法，通过自适应选择测量并停止阈值跨越，同时达到类型I和最坏情况类型II误差指数。
2026-08-12 cs.IT math.IT math.ST
Composite Quantile Regression With XGBoost Using the Novel Arctan Pinball Loss
Radboud University（拉德堡德大学）；Alliander（Alliander公司）；Institute for Computing and Information Sciences, Radboud University（拉德堡德大学计算与信息科学学院）
本文提出专为 XGBoost 设计的 arctan pinball loss，通过提供较大的二阶导数解决传统 pinball loss 难以用于二阶近似的问题，实现了高效的同时多分位数预测并大幅减少了分位数交叉现象。
2024-06-04 cs.LG stat.ML
Learning Mixtures of Linear Regressions in Subexponential Time via Fourier Moments
MIT（麻省理工学院）；Microsoft Research AI（微软人工智能研究院）；Princeton（普林斯顿大学）；IAS（高等研究院）
我们考虑学习混合线性回归（MLR）的问题。MLR由$k$非负混合权重$p_1, \ldots, p_k$和$1$以及$k$未知回归量$w_1,...,w_k\in\mathbb{R}^d$指定。通过以概率$p_i$对$i$进行采样，然后输出$(x, y)$，其中$y = \langle x, w_i \rangle + η$，其中$η\sim\mathcal{N}(0,ς^2)$用于噪声率$ς$，来从MLR中抽取样本。混合线性回归是一种流行的生成模型，在机器学习和理论计算机科学中得到了广泛的研究。然而，所有以前的算法学习的参数MLR需要运行时间和样本复杂度缩放指数与$k$。在本文中，我们给出了第一个算法学习的MLR运行的时间是次指数在$k$。具体来说，我们给出了一个算法，它运行在时间$\widetilde{O}(d)\cdot\exp(\widetilde{O}(\sqrt{k}))$和输出的参数的MLR的高精度，即使在存在非平凡的回归噪声。我们证明了一种新的方法，我们称之为“傅立叶矩下降”，它使用单变量密度估计和低度矩的傅立叶变换的适当的单变量投影的MLR迭代完善我们的参数估计。据我们所知，这些技术从未在高维分布学习的背景下使用过，并且可能是独立的兴趣。我们还表明，我们的技术可以用来给一个亚指数时间算法学习混合物的超平面，自然的子空间聚类问题的硬实例。
2019-12-16 cs.DS cs.LG stat.ML
While-alive regression analysis of composite survival endpoints
针对复合生存结局存活期间指标缺乏时变效应回归方法的问题，本文开发了基于样条函数的回归框架，可处理独立和整群数据，推导了渐近性质并经模拟验证，还应用于两项临床试验数据，方法已在WAreg R包实现。
2025-11-12 stat.AP stat.ME
Component-weighted sparse group LASSO for finite mixture regression models
University of Guelph（圭尔夫大学）
针对有限混合回归模型，提出分量加权稀疏组LASSO方法，同时实现组级和个体级变量选择，并通过MM算法优化，在模拟和真实数据中验证有效性。
2026-09-16 stat.AP stat.ME
Composite Expectile Regression with Gene-environment Interaction
当误差分布具有异方差性时，就推翻了线性回归的假设。期望回归是一个强大的工具，估计条件期望的反应变量在这种情况下。由于多水平期望回归模型已经得到了很好的研究，我们提出了复合期望回归，通过组合不同水平的期望回归来提高功效。本文研究了高维情形下的稀疏复合期望回归问题。它是通过实现一个坐标下降算法。我们还证明了它的选择和估计的一致性。仿真结果表明，该算法的性能与其它算法相当或优于其它算法。我们应用所提出的方法来分析肺腺癌（LUAD）的真实数据集，研究G-E相互作用。
2022-07-02 math.ST stat.ME stat.TH
Modelling and computation using NCoRM mixtures for density regression
归一化复合随机测度是相关分布的灵活非参数先验。本文考虑利用归一化复合随机测度混合模型建立一般的非参数回归模型。后验推断是使用一种新的伪边缘Metropolis-Hastings采样归一化复合随机测度混合模型。该算法利用一种新的一般方法来无偏估计拉普拉斯泛函的复合随机措施（其中包括完全随机措施作为一种特殊情况）。密度回归问题的方法进行了说明。
2017-08-31 stat.AP stat.CO 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
Deep Quantile and Deep Composite Model Regression
精算索赔额建模的一个主要困难是，没有一个简单的现成的分布，同时提供了一个良好的分布模型的主体和尾部的数据。特别是，协变量对于小索赔额和大索赔额可能有不同的影响。为了解决这个问题，我们引入了一个深度复合回归模型，其拼接点是根据条件索赔额分布的分位数而不是常数给出的。为了便于M-估计这样的模型，我们介绍和严格一致的评分函数组成的三分位数，以及下和上超出该分位数的预期不足的类的特征。在第二步中，将此启发性结果应用于拟合深度神经网络回归模型。我们证明了我们的方法的适用性和它的优越性，在一个真正的意外保险数据集上的经典方法。
2021-12-06 econ.EM q-fin.ST stat.ME
Spatial Clustering Regression of Count Value Data via Bayesian Mixture of Finite Mixtures
本文提出贝叶斯有限混合之混合空间聚类回归模型，利用 Markov 随机场先验识别 Poisson 回归系数的空间同质性，并辅以理论、MCMC 算法、模拟和佐治亚州数据验证。
2023-06-04 stat.AP stat.CO stat.ME
Families of Parsimonious Finite Mixtures of Regression Models
回归模型的有限混合为研究具有函数依赖关系的数据的异质性提供了灵活的框架。这些模型可以方便地用于具有明确回归关系的数据的无监督学习。我们通过对多元误差协方差阵进行特征分解来扩展这种模型。通过约束部分分解，我们得到了简约的回归混合和伴随变量的回归混合的家庭。这些模型家族解释了多个响应之间的相关性。提出了一种期望最大化算法用于参数估计，并在模拟和实际数据上说明了该算法的性能。
2013-12-02 stat.CO stat.ME stat.ML
Robust Model Selection for Finite Mixture of Regression Models Through Trimming
本文介绍了有限混合回归模型的一种新的变量选择技术--修剪法。与传统的变量选择技术相比，新方法具有鲁棒性和对离群值不敏感的特点。估计算法的介绍和数值研究进行检查所提出的程序的有限样本性能，并与其他现有的方法进行比较。
2019-05-03 stat.ME
Robust mixture regression based on the skew t distribution
在这项研究中，我们提出了一个强大的混合回归过程的基础上偏t分布模型重尾和/或偏误的混合回归设置。利用斜t分布的尺度混合表示，我们给出了一个期望最大化（EM）算法来计算感兴趣的参数的最大似然（ML）估计。模拟研究和实际数据的例子证明了所提出的估计的性能。
2015-12-01 math.ST stat.ME stat.TH
Robust mixture regression with Exponential Power distribution
假设指数幂分布是处理回归和聚类中离群值的一种方法，这可以增加分析的鲁棒性。高斯分布是指数分布的一种特殊情况。指数幂分布可以看作是正态分布的尺度混合。因此，模型选择方法开发的高斯混合模型可以很容易地扩展到指数幂混合模型。此外，高斯混合模型在实际情况下倾向于选择比指数幂混合模型更多的分量，这意味着指数幂混合模型更容易解释。本文研究了误差服从指数幂次分布的混合回归模型。它对异常值具有鲁棒性，并且模型选择易于实现。
2020-12-19 stat.CO stat.ME
Bayesian Modal Regression based on Mixture Distributions
本文提出基于单峰混合分布的贝叶斯众数回归统一框架，推导后验正常性条件，并通过模拟和实际数据证明其对离群点稳健、能发现均值或中位数回归遗漏的协变量效应并构建更紧的预测区间。
2024-06-28 stat.AP stat.ME
Density regression via Dirichlet process mixtures of normal structured additive regression models
本文提出单权重相依 Dirichlet 过程正态结构化加法回归混合模型，利用惩罚 B 样条和张量积实现灵活密度回归，并通过闭式满条件分布支持高效 Gibbs 后验推断。
2024-05-13 stat.AP stat.ME
Mixture of Regression Models with Single-Index
本文提出了一类单指标半参数混合回归模型。我们认为，许多最近提出的半参数/非参数混合回归模型可以被认为是所提出的模型的特殊情况。然而，与现有的半参数混合回归模型不同，新提出的模型可以轻松地将多元预测变量纳入非参数分量中。为了获得参数函数和非参数函数的最优收敛速度，提出了相应的回拟估计和算法。我们证明了非参数函数的参数估计与参数已知时具有相同的渐近精度，指数参数的估计可以用传统的参数根n收敛速度来估计.模拟研究和NBA数据的应用已经进行了证明所提出的模型的有限样本性能。
2016-02-22 stat.ME
Data augmentation for non-Gaussian regression models using variance-mean mixtures
我们使用正态方差均值混合理论，推导出一类常见的正则化问题的数据增强方案。这推广了回归和分类中先验正态方差混合的现有理论。它还允许期望最大化算法的变体被带到比以前认识到的更广泛的模型上。我们演示了几个例子，包括稀疏分位数回归和二元逻辑斯谛回归的方法。我们还表明，拟牛顿加速可以大大提高算法的速度，而不影响其鲁棒性。
2012-09-22 stat.CO stat.ME
Liu-type Shrinkage Estimators for Mixture of Logistic Regressions: An Osteoporosis Study
针对混合逻辑回归模型中多重共线性导致最大似然估计不可靠的问题，本研究开发了岭估计器和Liu型估计器等收缩方法，数值研究及50岁及以上女性骨质疏松应用均证实该方法能提供更可靠的系数估计。
2023-09-07 stat.CO stat.ME
Repulsive g-Priors for Regression Mixtures
Graduate School of Economics, Keio University（庆应义塾大学经济学研究科）；Faculty of Economics, Keio University（庆应义塾大学经济学部）
本文提出了一种用于回归混合的排斥性g先验，通过在马氏度量下强制分离组件，提高模型的简洁性和预测性能。
2025-12-18 stat.ME
Semiparametric Mixtures of Regressions with Single-index for Model Based Clustering
在这篇文章中，我们提出了两类半参数单指标混合回归模型的基于模型的聚类。与许多只能应用于低维预测因子的半参数/非参数混合回归模型不同，新的半参数模型可以很容易地将高维预测因子纳入非参数分量。所提出的模型是非常一般的，许多最近提出的半参数/非参数混合回归模型确实是新模型的特殊情况。为了获得参数和非参数部分的最优收敛速度，提出了反拟合估计和相应的修正期望最大化算法。我们建立了所提出的两个模型的可辨识性结果，并研究了所提出的估计程序的渐近性质。仿真研究表明，所提出的模型的有限样本性能。通过新模型对NBA数据的应用，揭示了一些新的发现。
2017-08-11 stat.ME
