Restricted Mean Survival Time Estimation Using Bayesian Nonparametric Dependent Mixture Models
提出基于相依折棍过程先验混合模型的非参数贝叶斯RMST估计量，可产生组级因果估计和个体级预测，且相比probit先验能产生更窄可信区间，并应用于估计免疫疗法对KRAS野生型结直肠癌患者的治疗效果。
2023-05-24 stat.AP stat.ME
Bayesian Nonparametric Survival Analysis using mixture of Burr XII distributions
近年来，贝叶斯非参数方法在生存研究中的应用越来越受到人们的关注。由于生存数据的多模态性，混合模型在这一领域非常普遍。Dirichlet过程先验是贝叶斯非参数模型的著名先验之一。本文介绍了一种以Burr分布（Burr型XII）为核的贝叶斯非参数混合模型。由于Burr分布在生存分析中具有一般分布的良好性质，因此比其他分布具有更大的灵活性。通过将该模型应用于模拟和真实的失效时间数据集，我们展示了该模型的优越性，并将其与其他具有不同核函数的Dirichlet过程混合模型进行了比较。并且证明了该模型适用于右删失数据。为了计算推断和建模参数的后验，我们使用了MCMC模拟方法，特别是吉布斯抽样。
2016-12-23 stat.AP
Bayesian prediction via nonparametric transformation models
本文通过一种新的贝叶斯方法来解决非参数转换模型（NTM）预测的老问题。由于模型的不可识别性，NTM的估计已知是具有挑战性的，尽管由于其在生存分析中的稳健预测能力而具有吸引力。受后验预测分布唯一性的启发，我们在贝叶斯范式下通过上述NTM实现了有效的预测。我们的策略是将弱信息先验分配给非参数分量，而不是通过在现有文献中添加复杂的约束来识别模型。贝叶斯的成功致敬i）一个微妙的铸造的NTMs的指数变换的目的是压缩空间的无穷维参数的正象限考虑非负的故障时间; ii）一个新构造的弱信息分位数结I样条之前的重铸转换函数连同Dirichlet过程混合模型分配给误差分布。此外，我们提供了一个方便和精确的估计所确定的参数分量的一般单位范数的限制，通过后验修正，使有效的相对风险。在真实数据集上的仿真和应用表明，我们的方法是鲁棒的，优于竞争的方法。R软件包BuLTM可用于预测生存曲线，估计相对风险，并便于事后检查。
2023-02-07 stat.ME
Variable Selection for Nonparametric Gaussian Process Priors: Models and Computational Strategies
本文提出了一个统一的处理高斯过程模型，扩展到数据从指数分散家庭和生存数据。我们的具体兴趣是在分析数据集的预测，有一个先验未知的形式可能的非线性关联的响应。我们所描述的建模方法结合高斯过程在一个广义线性模型框架，以获得一类非参数回归模型的协方差阵依赖于预测。我们认为，特别是，连续的，分类和计数的反应。我们还研究了考虑生存结果的模型。我们探索替代协方差公式的高斯过程之前，并证明了建设的灵活性。接下来，我们专注于从可能的预测变量集选择变量的重要问题，并描述了一个通用的框架，采用混合先验。我们比较替代MCMC策略的后验推理，并实现了计算效率和实用的方法。我们在模拟和基准数据集上展示了性能。
2011-06-16 stat.ME
Bayesian Nonparametric Cost-Effectiveness Analyses: Causal Estimation and Adaptive Subgroup Discovery
成本效益分析（CEA）是卫生经济决策的核心。虽然这些分析有助于政策分析师和经济学家确定覆盖范围，为政策提供信息，并指导资源分配，但由于几个原因，它们在统计上具有挑战性。成本和效益是相互关联的，并遵循复杂的联合分布，这是很难捕捉参数。在许多应用中，有效性（通常以生存时间的增加来衡量）和累积成本往往是右删失的。此外，CEA通常使用非随机治疗分配的观察数据进行。因此，政策相关的因果估计需要强大的混杂控制。最后，目前的CEA方法并没有以原则性的方式解决成本效益异质性-即使可能存在显著的效应异质性，也经常提出人口平均估计值。出于这些挑战，我们开发了一个非参数贝叶斯模型的联合成本生存分布的存在删失。我们的方法利用了联合富集Dirichlet过程之前的成本和生存时间的协变量的影响，而使用伽玛过程之前的基线生存时间的风险。因果CEA估计，与政策相关的解释，确定和估计通过贝叶斯非参数g-计算程序。最后，我们概述了如何诱导聚类的丰富的狄利克雷过程可以用来自适应地检测存在的子群具有不同的成本效益的配置文件。我们概述了一个MCMC程序，充分后验推理和评估频率属性通过模拟。我们使用我们的模型来评估SEER-Medicare数据库中化疗与放疗辅助治疗子宫内膜癌的成本-效果。
2020-09-08 stat.ME stat.ML
The Cox-Polya-Gamma Algorithm for Flexible Bayesian Inference of Multilevel Survival Models
本文提出Cox-Polya-Gamma算法，通过泊松过程近似与充分降维策略，解决贝叶斯多层Cox半参数回归中非参数基线累积风险的单调性约束计算难题，并给出算法的一致遍历性条件。
2024-11-23 stat.ME
Infinitely divisible priors for multivariate survival functions
Research Institute for Statistics and Information Science, University of Geneva（日内瓦大学统计与信息科学研究室）
本文提出一种非参数先验框架，用于实值随机向量，可视为右中性先验的多变量推广。通过随机化最小无限可分随机向量的指数测度，自然整合了部分交换数据和交换随机向量。通过构建层次先验并嵌入贝叶斯非参数生存分析模型，该先验能聚焦于离散或连续分布，并刻画依赖性、矩等属性。
2026-05-11 stat.ME
Bayesian nonparametric mean residual life regression
针对概率框架下平均剩余寿命回归推断方法有限的问题，提出基于Dirichlet过程混合的贝叶斯非参数回归方法，扩展纳入组间依赖，开发后验推断方法，经模拟和右删失生存数据验证有效。
2024-01-24 stat.AP stat.ME
Bayesian nonparametric dynamic hazard rates in evolutionary life tables
在生命表的研究中，由于死亡率是针对整数年龄进行研究的，所以所关注的随机变量通常被假定为离散的。在动态寿命表中，包含一个时间域来考虑危险率随时间的演化效应。在这篇文章中，我们遵循生存分析的方法，并使用非参数描述的风险率。我们构建了一个离散时间随机过程，反映了跨年龄以及在时间上的依赖性。这个过程被用作演化生命表研究中危险率的一个非参数先验分布。研究了该过程的先验性质，导出了后验分布。我们提出了一个模拟研究，包括右删失观测，以及一个真实的数据分析，以显示我们的模型的性能。
2021-12-17 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
A Bayesian Nonparametric Approach for Semi-Competing Risks with Application to Cardiovascular Health
本文研究了半竞争风险环境下的因果估计问题，通过定义主分层因果估计量，结合藤Copula和贝叶斯非参数EDPM方法估计联合事件时间分布，并利用敏感性参数和MCMC进行推断，最后应用于心血管健康研究。
2025-06-25 stat.AP stat.ME
Bayesian Survival Model based on Moment Characterization
贝叶斯非参数边际方法是非常流行的，因为它们导致相当容易实现，由于形式上的边际化的无限维参数的模型。然而，这些方法的直接性也带来了一些局限性：它们通常以后验期望的形式产生点估计，但不能用于估计后验分布的非线性泛函，如中位数，众数或可信区间。这在生存分析中尤其相关，其中非线性函数（例如中位生存时间）对于临床医生和从业者发挥着核心作用。本文的主要目标是总结在[Arbel等人，Comput. Stat.数据安，2015]，以便对不限于后验均值的生存函数进行近似贝叶斯推断。此外，我们还提出了一个名为momentify的R包的实际实现，该包专为基于矩的密度近似而设计，并且通过广泛的模拟研究，我们将引入的方法与标准边际方法和经验估计进行了彻底比较。
2015-06-17 stat.ME
Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Amsterdam University Medical Centre（阿姆斯特丹大学医学中心）
该研究提出贝叶斯融合森林框架，结合随机试验与真实世界数据估计生存异质性处理效应，经模拟和HIV数据分析显示其效率优于仅试验分析，可明确识别患者获益。
2026-08-03 stat.ME stat.ML
Beyond principal ignorability: Nonparametric sensitivity bounds for principal stratification
Mississippi State University（密西西比州立大学）；University of Pennsylvania（宾夕法尼亚大学）；Yale School of Public Health（耶鲁公共卫生学院）
针对因果推断中主分层框架下主因果效应不可识别的问题，提出一种基于未测量混杂因子相对风险的无界参数化非参数敏感性分析方法，推导出每个主因果效应的尖锐非参数界，并推广至主广义因果效应。
2026-06-01 stat.ME
An improved fully nonparametric estimator of the marginal survival function based on case-control clustered data
病例对照家族研究是一项研究，其中患有感兴趣的疾病的个体（病例先证者）和没有疾病的个体（对照先证者）从明确定义的人群中随机抽样。对先证者及其亲属的发病年龄和疾病状态进行可能的右删失。一个家庭中的结果之间的相关性是由遗传易感性、共享环境和共同行为模式等因素引起的。对于这种设置，我们提出了一个非参数估计的边际生存函数，基于局部线性估计的条件生存函数。估计的渐近理论，并提出了模拟结果表明，该方法表现良好。该方法说明了从前列腺癌研究的数据。关键词：病例对照;家系研究;多变量生存;非参数估计;局部线性
2018-12-03 stat.ME
Doubly Robust Nonparametric Instrumental Variable Estimators for Survival Outcomes
工具变量（IV）方法使我们有机会解决因果推断中的不可测混杂。然而，大多数IV方法仅适用于离散或连续结局，很少有IV方法适用于删失生存结局。在这项工作中，我们提出了非参数估计的局部平均处理效应的生存概率下不可删失和可删失。我们提供了一个有效的基于影响函数的估计和一个简单的估计过程时，IV是二进制或连续的。所提出的估计具有双重鲁棒性，可以很容易地将非参数估计使用机器学习工具。在模拟研究中，我们证明了我们提出的估计在各种合理的情况下的灵活性和效率。我们将我们的方法应用于前列腺癌、肺癌、结直肠癌和卵巢癌筛查试验，以估计筛查对生存概率的因果影响，并研究在不同删失假设下两种干预措施之间的因果对比。
2020-09-28 stat.ME
Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach
Yale School of Public Health（耶鲁大学公共卫生学院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种嵌套贝叶斯非参数方法，用于处理由死亡等终端事件截断的复发事件，通过双重脆弱框架推导出部分可识别结果，提升因果推断的透明度和准确性。
2026-03-17 stat.ME
BatMan: Mitigating Batch Effects via Stratification for Survival Outcome Prediction
转录组学数据的可重复翻译受到普遍存在的批次效应的阻碍。管理批次效应的统计方法最初是在样本组比较的环境中开发的，后来被借用到其他环境中，如生存结果预测。最值得注意的方法是ComBat，它通过将其作为协变量与样本组一起纳入线性回归中来调整批次。然而，在生存预测中，ComBat在没有可定义的生存结局组的情况下使用，并且在潜在混淆结局的生存回归中顺序进行。为了解决这些问题，我们提出了一种新的方法，称为蝙蝠侠（“批量缓解通过分层”）。它在生存回归中调整批次作为分层，并利用变量选择方法（如LASSO）来处理高维。我们评估蝙蝠侠的性能与ComBat相比，单独使用或与数据归一化结合使用，在基于重新采样的模拟研究中，在不同水平的预测信号强度和批量结果关联模式下。我们的模拟表明，（1）当数据中存在批量效应时，BatMan在几乎所有场景中的性能都优于ComBat，（2）它们的性能可能会因添加数据归一化而恶化。我们使用来自癌症基因组图谱的卵巢癌microRNA数据对它们进行了进一步评估，并发现蝙蝠侠超越了ComBat，而数据归一化的增加则使预测变得更加准确。因此，我们的研究显示了蝙蝠侠的优势，并提出了在开发生存预测模型的背景下天真地使用数据归一化的警告。BatMan方法和用于性能评估的模拟工具在R中实现，并可在https://github.com/LXQin/PRECISION.survival上公开获得…
2022-09-08 stat.ME
Patient stratification in multi-arm trials: a two-stage procedure with Bayesian profile regression
精准医学是一个新兴领域，它考虑到个体异质性，为更好的临床实践提供信息。在临床试验中，评价处理效应异质性是一个重要组成部分，最近，已经提出了许多统计方法，用于根据这种异质性将患者分为不同的亚组。然而，大多数为此目的开发的现有方法集中在二分治疗的情况下，并不直接适用于多组试验。在本文中，我们考虑在多组试验设置的患者分层的问题，并提出了一个两阶段的贝叶斯非参数框架内的程序。具体来说，我们首先使用贝叶斯加性回归树（BART）来预测每个患者在不同治疗方案下的潜在结果（治疗反应），然后我们利用贝叶斯轮廓回归根据患者的基线特征和预测的潜在结果将其聚类为亚组。我们进一步嵌入变量选择程序到我们提出的框架，以确定积极“驱动”的聚类结构的患者特征。我们进行模拟研究，以检查我们提出的方法的性能，并通过将其应用于英国的多臂献血试验来证明该方法，其中我们的方法揭示了五个有临床意义的供体亚组。
2023-02-22 stat.AP stat.ME
Principled Estimation and Prediction with Competing Risks: a Bayesian Nonparametric Approach
University of Milano-Bicocca（米兰比可卡大学）；Bocconi Institute for Data Science and Analytics, Bocconi University（博科尼大学数据科学与分析研究所）
本文提出一种贝叶斯非参数方法，用于竞争风险下的估计与预测，通过多状态模型框架和灵活的非参数先验模型，构建预测曲线并评估生存函数和病因特异性发病率。
2026-04-29 math.ST stat.ME stat.TH
Bayesian bivariate survival estimation
本文探讨了双变量生存分布非参数估计的挑战，提出基于贝叶斯方法的改进方案，通过Beta过程构建非参数先验，实现一致估计。
2026-04-10 math.ST stat.TH
A Bayesian Approach for the Variance of Fine Stratification
本文提出了一种分层贝叶斯估计方法，用于估计合并分层的方差，该方法在频数MSE和偏倚方面优于现有方法。
2026-03-05 stat.CO stat.ME
Gaussian Processes for Survival Analysis
本文介绍了一种用于生存分析的半参数贝叶斯模型。该模型以参数基线风险为中心，并使用高斯过程以非参数方式模拟偏离其的变化以及对协变量的依赖性。与生存分析中的许多其他方法相反，我们的框架不会在风险率或生存函数中施加不必要的约束。此外，我们的模型处理左，右和区间删失机制常见的生存分析。我们提出了一个MCMC算法进行推理和一个近似方案的基础上随机傅立叶特征，使计算速度更快。我们报告了合成和真实数据的实验结果，表明我们的模型比竞争模型，如Cox比例风险，方差分析-DDP和随机生存森林。
2016-11-02 stat.ML
Nonparametric Analysis of Delayed Treatment Effects using Single-Crossing Constraints
由于处理效应延迟，涉及新型免疫肿瘤学（IO）治疗的临床试验经常显示出违反比例风险假设的生存曲线，在这种情况下，两个治疗组的生存曲线可能在两条曲线最终分离之前出现交叉。为了灵活地模拟这种情况，我们描述了一种用于估计治疗组特异性生存函数的非参数方法，该方法限制这两个生存函数最多交叉一次，而不对生存曲线如何相关进行任何额外的假设。我们的方法的一个主要优点是，它提供了一个交叉时间的估计，如果这样的交叉存在，而且，我们的方法产生可解释的措施的治疗效益，包括交叉条件生存概率和交叉条件估计的限制剩余平均寿命。我们证明了我们的方法的使用和有效性与一个大型的模拟研究和分析重建的结果，从最近的联合治疗试验。
2021-01-31 stat.ME
Nonparametric Sensitivity Analysis for Unobserved Confounding with Survival Outcomes
针对生存数据未观测混杂的参数假设局限，提出非参数敏感性分析框架，推导生存曲线及限制平均生存时间差异的非参数边界与推断方法，并通过数值研究与腮腺癌实例验证。
2025-11-03 stat.ME
Dependent Dirichlet Processes for Analysis of a Generalized Shared Frailty Model
与频率论范式相比，贝叶斯范式由于在处理复杂删失方案方面的优势，在生存分析中具有拟合复杂生存模型和计算可行的优点。在本章中，我们的目的是显示贝叶斯计算的最新趋势，在自动化的后验抽样的意义上，通过贝叶斯分析的生存建模的多变量生存结果与复杂的数据结构。出于放松强比例假设和共同基线人群的限制，我们提出了一个广义的共享虚弱模型，其中包括参数和非参数虚弱随机效应，以便将多个事件的治疗方式和时间变化。我们开发了一个生存函数版本的方差分析依赖Dirichlet过程来模拟基线生存函数之间的依赖性。后验抽样由现代贝叶斯计算工具Stan中的No-U-Turn抽样器自动实现。通过对膀胱癌复发数据的分析，验证了该模型的有效性。该估计与现有结果一致。我们的模型和贝叶斯推断提供的证据表明，贝叶斯范式促进复杂的建模和可行的计算在生存分析和斯坦放松后验推理。
2021-09-09 stat.CO stat.ME
Generalized Bayesian Inference using the Bayesian Bootstrap for Survival Models
The University of Sydney（悉尼大学）；Kids Research Institute, The Children’s Hospital at Westmead（西梅德儿童医院儿童研究所）
本文提出结合贝叶斯自助法与广义贝叶斯更新的生存分析贝叶斯方法，可稳健量化不确定性、整合先验信息，已开发Cox比例风险模型框架并通过模拟与实际数据验证，对应开源R包为BayesBoots。
2026-09-09 stat.AP stat.ME
Nonparametric competing risks analysis using Bayesian Additive Regression Trees (BART)
许多至事件发生时间研究因存在竞争风险而变得复杂。通常使用Cox模型分析这些数据的原因特异性风险函数，或使用Fine-Gray模型分析子分布风险。在实践中，采用任一策略的竞争风险数据中的回归关系通常很复杂，可能包括协变量的非线性函数、相互作用、高维参数空间和非比例原因特异性或子分布危害。模型指定错误会导致预测性能不佳。为了解决这些问题，我们提出了一种新的方法，灵活的预测建模的竞争风险数据使用贝叶斯加性回归树（BART）。我们研究了在两个样本的情况下，以及一个复杂的回归设置的模拟性能，并基准测试其性能对标准的回归技术，以及随机生存森林。我们在最近发表的一项针对接受造血干细胞移植的患者的研究中说明了所提出的方法的使用。
2018-06-29 stat.AP stat.ME
Nonparametric Estimation of Conditional Survival Function with Time-Varying Covariates Using DeepONet
本研究提出基于 DeepONet 的非参数方法估计具有时变协变量的条件生存函数，放宽风险回归假设，模拟与 ADNI 数据表明其优于 Cox 模型。
2025-05-28 stat.ME
Bayesian Estimation of Variance under Fine Stratification via Mean-Variance Smoothing
Florida International University（佛罗里达国际大学）；Keio University（庆应义塾大学）
本文提出了一种基于惩罚样条的非参数方法，用于细分层调查中无偏估计方差，通过均值-方差平滑提升估计精度。
2026-03-03 stat.AP stat.CO stat.ME
Analysis of spatially clustered survival data with unobserved covariates using SBART
针对大型空间聚类生存数据，提出基于软贝叶斯加法回归树（SBART）的非参数方法，处理未知函数形式及未观测协变量，并在佛罗里达州乳腺癌数据中验证其优于现有方法。
2024-11-10 stat.AP stat.ME
A Nonparametric Method for Value Function Guided Subgroup Identification via Gradient Tree Boosting for Censored Survival Data
在具有生存结局的随机临床试验中，基于基线基因组、蛋白质组学标志物或临床特征的亚组识别越来越受到关注。一些现有的方法通过直接建模结果或处理效应来识别从实验处理中实质上受益的亚组。当目标是为给定患者找到最佳治疗而不是为给定治疗找到合适的患者时，个体化治疗方案框架下的方法估计个体化治疗规则，该个体化治疗规则将导致如由值函数测量的最佳预期临床结果。将价值函数的概念与亚组识别联系起来，我们提出了一种非参数方法，该方法通过最大化直接反映基于受限平均生存时间的亚组-治疗相互作用效应的价值函数来搜索亚组成员资格分数。提出了一种梯度树提升算法来搜索单个子组成员分数。我们进行模拟研究，以评估所提出的方法的性能和应用程序的艾滋病临床试验进行说明。
2020-06-15 stat.ME
Structured Transfer Learning for Survival Risk Stratification in Data-Sparse Clinical Cohorts
National University of Singapore（新加坡国立大学）；Institute for Human Development and Potential, Agency for Science, Technology and Research (A*STAR)（人才发展研究所，科学技术研究局（A*STAR））；Bioinformatics Institute, Agency for Science, Technology and Research (A*STAR)（生物信息学研究所，科学技术研究局（A*STAR））；Department of Biomedical Informatics & Data Science, Yale School of Medicine（耶鲁医学院生物医学信息学与数据科学系）；National Heart & Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）
本文提出CORE-Cox模型，通过低秩Cox系数结构学习共享风险因子模式，并通过正则化残差校正适应目标队列，提升生存风险分层的可靠性。
2026-05-15 stat.ME
Nonparametric generalized fiducial inference for survival functions under censoring
信念推断是费雪在20世纪30年代提出的一个有着悠久历史的理论，它有时会引起激烈的争论。然而，它的应用主要局限于相对简单的参数问题。在本文中，我们提出了可能是第一次的信念推断，由Hannig等人推广。（2016），系统地应用于右删失下的非参数生存函数的估计。我们发现，由此产生的信念分布产生了令人惊讶的良好的统计程序适用于一个样本和两个样本的问题。特别是，我们使用的生存函数的信念分布构造逐点和曲线置信区间的生存函数，并提出了基于曲线置信区间的测试。我们建立了一个功能性的Bernstein-von Mises定理，并在不同水平的删失情况下进行了全面的模拟研究。建议的基于基准的置信区间保持覆盖的情况下，渐近方法往往有很大的覆盖问题。此外，所提出的置信区间的平均长度通常短于保持覆盖率的竞争方法的长度。最后，在某些情况下，所提出的置信检验比各种类型的对数秩检验和超级对数秩检验更强大。我们说明了拟议的基准测试比较化疗与化疗联合放疗的数据，从局部不可切除的胃癌的治疗。
2018-03-24 stat.ME
Detecting Early and Late Divergences in Survival Curves Using Nonparametric Effect Measures
Intelligent Data Analytics (IDA) Lab, Department of Artificial Intelligence and Human Interfaces (AIHI), Paris Lodron University of Salzburg（萨尔茨堡巴黎罗德大学）；School of Mathematical and Physical Sciences, Macquarie University（麦考瑞大学数理科学学院）；Division of Biostatistics, German Cancer Research Center（德国癌症研究中心）
该研究针对生存曲线早期与晚期分歧难以用比例风险假设捕捉的问题，构建含Kaplan–Meier相关效应及新型时间对比的联合推断框架，经模拟和实际应用验证其性能优于log-rank检验，可揭示隐藏的早期治疗优势。
2026-09-03 stat.ME
Multiscale Bayesian Survival Analysis
我们考虑贝叶斯非参数推断的右删失生存模型，其中建模是在风险率的水平。我们推导出后验极限分布的线性泛函的危害，然后为“许多”泛函同时在适当的多尺度空间。作为一个应用程序，我们推导出Bernstein-von Mises定理的累积风险和生存函数，这导致这些数量的渐近有效的置信带。此外，我们展示了最佳后验收缩率的上确界范数的危险。在医学研究中，一种流行的方法是先验地将危险建模为具有可能相关高度的随机直方图。这类和更一般的任意光滑的先验分布被认为是我们的理论的应用。为可能相关的直方图后验提供了采样器。它的有限样本性质进行了研究模拟和真实数据实验。
2021-05-31 math.ST stat.TH
Nonparametric Causal Survival Analysis with Clustered Interference
针对观察性研究中存在删失、混杂和聚类干扰的生存时间结局，提出非参数样本分割估计器，支持对修改倾向得分分布的随机策略进行反事实推断，并在模拟和霍乱疫苗研究中验证了其有效性。
2025-08-12 stat.ME
npcure: An R Package for Nonparametric Inference in Mixture Cure Models
针对含治愈比例的生存数据分析需求，R包npcure实现了右删失场景下混合治愈模型的完全非参数推断方法，提供协变量相关的估计量、Bootstrap带宽选择器及多类型协变量的显著性检验。
2024-01-30 stat.ME
Inference for multiple object tracking: A Bayesian nonparametric approach
Arizona State University（亚利桑那州立大学）
近年来，多目标跟踪（MOT）问题引起了人们的关注，并在各个研究领域得到了广泛的研究。然而，一些具有挑战性的问题，包括时间相关的基数，无序的测量集，和对象标记仍然不清楚。本文提出了一种稳健的非参数方法来对MOT问题的状态先验进行建模。这些模型被证明是更灵活和强大的现有方法相比。特别是，整体方法估计时间相关的对象基数，提供对象标记，并识别对象相关的测量。此外，我们提出的框架动态竞争的出生/死亡和生存的对象通过依赖的非参数过程。我们提出了推理算法，证明了实用程序的依赖非参数模型的跟踪。我们采用蒙特卡罗采样方法来证明所提出的算法有效地学习对象的轨迹从噪声测量。计算结果显示了所提出的算法的性能和比较，不仅在彼此之间，而且在所提出的算法和标记的多伯努利跟踪器之间。
2019-09-16 cs.LG math.ST stat.ML
A Predictive Approach to Bayesian Nonparametric Survival Analysis
贝叶斯非参数方法是分析生存数据的流行选择，因为它们能够灵活地模拟生存时间的分布。这些方法通常采用非参数先验的生存函数，这是共轭相对于右删失数据。得出这些先验，特别是在存在协变量的情况下，可能具有挑战性，并且推断通常依赖于计算密集型的马尔可夫链蒙特卡罗方案。在本文中，我们建立在最近的工作，改写贝叶斯推断分配一个预测分布的人口条件的观察样本的看不见的值，从而避免了需要指定一个复杂的先验。我们描述了一个基于Copula的预测更新，它允许一个可扩展的顺序重要性抽样算法来执行推理，正确地考虑右删失。我们提供了理论上的理由，通过扩展Doob的一致性定理，并说明了一些模拟和真实的数据集，包括一个例子与协变量的方法。我们的方法使分析师能够执行贝叶斯非参数推断，通过只有规范的预测分布。
2022-02-21 stat.CO stat.ME
Nonparametric survival analysis and vaccine efficacy using Dempster-Shafer analysis
我们引入了任意单变量CDF的非参数DS推断的扩展，在这种情况下，一些故障时间（右）-删失，然后将其应用到评估证据的问题，关于两个人口的相对风险的断言。该方法使探索的灵敏度生存分析假设独立的缺失数据过程和失败的过程。我们提出了一个应用程序的部分有效的RV 144（HIV-1）疫苗试验，并表明，疫苗有效性的结论的强度取决于假设的最大失败率的受试者失去随访。
2012-04-25 stat.AP stat.ME
A Bernstein-von Mises theorem in the nonparametric right-censoring model
在最近的贝叶斯非参数文献中，许多例子已经报道了贝叶斯估计和后验分布没有达到最佳收敛速度，表明Bernstein-von Mises定理不成立。在这篇文章中，我们给出了一个积极的结果，在这个方向上，表明伯恩斯坦-冯米塞斯定理在生存模型中的一大类事先中立的权利。我们还证明了，对于任意给定的收敛速度n^{-α}，0<α \leq 1/2，可以选择一个向右中性的先验过程，使其后验分布达到收敛速度n^{-α}。
2004-10-05 math.ST stat.TH
Bayesian models for survival data of clinical trials: Comparison of implementations using R software
目的：为使用比例风险模型对具有生存终点的随机临床试验进行事后贝叶斯分析提供R中可用主要函数的使用指南。研究设计和设置：数据来源于ALLOZARGO试验，该试验对465例接受同种异体移植以预防肺部并发症的患者进行，并在阿奇霉素和安慰剂之间进行分配;随机化后2年的无气流下降生存率是主要终点。结果如下：尽管建模假设存在异质性，特别是基线风险（参数或非参数）和估计方法，但阿奇霉素效应的贝叶斯后验平均风险比（HR）估计值接近于通过极大似然方法获得的估计值。结论：贝叶斯模型可以使用各种R软件包实现，提供与最大似然估计密切一致的结果。这些模型提供了不可能以其他方式获得的概率陈述。
2019-09-09 stat.AP stat.CO
Nonparametric Survival Estimation with Contaminated and Adjudicated Events
本文提出一种非参数生存估计方法，用于处理受污染和裁定事件的数据，通过核平滑纳入协变量，并分析了专家信息对估计结果的影响。
2026-01-03 stat.ME
A class of nonparametric methods for evaluating the effect of continuous treatments on survival outcomes
针对连续治疗下反事实生存概率因非路径可微难以构建良好估计量的问题，提出连续暴露下的非参数推断检验方法，经数值研究验证后应用于两项HIV单抗效力试验数据。
2024-12-13 stat.ME
Efficient nonparametric estimators of discrimination measures with censored survival data
针对删失生存数据中评分规则依赖删失分布的问题，提出不依赖删失模型设定的非参数去偏估计量，有效利用数据并最小化偏差，通过模拟和脑癌研究验证了方法优越性。
2025-08-11 stat.ME
Principal Stratification with Continuous Post-Treatment Variables: Nonparametric Identification and Semiparametric Estimation
本文针对连续治疗后变量的主分层问题，提出非参数识别与半参数估计理论，利用工作模型近似因果效应曲面并构造双重稳健估计量，填补了现有方法主要限于二值治疗后变量的空白。
2024-04-03 math.ST stat.ME stat.TH
Semiparametric analysis of clustered interval-censored survival data using Soft Bayesian Additive Regression Trees (SBART)
流行的参数和半参数风险回归模型聚类生存数据是不合适的，不充分的未知影响不同的协变量和聚类是复杂的。这需要一个灵活的建模框架来产生有效的生存预测。此外，对于一些涉及至发生某些无症状事件的时间的生存期研究，生存期通常在连续临床检查之间进行间隔删失。在这篇文章中，我们提出了一个强大的半参数模型，用于贝叶斯集成学习范式下的聚类区间删失生存数据，称为软贝叶斯加性回归树或SBART（Linero和Yang，2018），它结合了多个稀疏（软）决策树，以获得出色的预测精度。我们开发了一种新的半参数风险回归模型，通过建模的风险函数作为一个产品的参数基线风险函数和非参数组件，使用SBART将聚类，未知的功能形式的主要影响，和各种协变量的相互作用的影响。除了适用于左删失，右删失和区间删失的生存数据，我们的方法是使用数据增强计划，允许现有的贝叶斯回拟合算法被使用。我们说明了我们的方法的实际实施和优势，通过模拟研究和分析的前列腺癌手术的研究，依赖于医生的经验和技能水平，导致集群的生存时间。最后，我们讨论了我们的方法的适用性，涉及高维数据与复杂的底层关联的研究。
2021-03-12 stat.AP
Stratification of patient trajectories using covariate latent variable models
标准模型基于充分表征的临床标志物将疾病进展分配到离散的类别或阶段。然而，这样的系统可能与我们对潜在生物学的理解不一致，在高度复杂的系统中，可能支持疾病从开始到终末状态的（接近）连续演变。为了学习这种连续的疾病评分，可以从动态“组学”数据（诸如RNA-seq）推断潜在变量，其与感兴趣的结果（诸如存活时间）相关。然而，这种分析可能会受到其他数据的混淆，例如电子健康记录（EHR）中测量的临床协变量。作为一个解决方案，我们引入协变量潜变量模型，一种新型的潜变量模型，学习低维的数据表示在存在两个（不对称）的视图相同的数据源。我们将我们的模型应用于TCGA结直肠癌RNA-seq数据，并展示了如何将微卫星不稳定性（MSI）状态作为外部协变量，使我们能够识别在免疫反应轨迹上对患者进行分层的基因。最后，我们提出了一个扩展称为协变量高斯过程潜变量模型学习非参数，非线性表示。可在http://github.com/kieranrcampbell/clvm上获得实现协变量潜变量模型的变分推断的R包。
2017-01-09 q-bio.GN q-bio.QM stat.ML
Nonparametric survival analysis of epidemic data
本文提出基于接触间隔的流行病数据非参数生存分析方法，利用Nelson-Aalen估计量及EM算法处理传播网络观测不确定性，并证明其可扩展链二项模型至连续时间。
2011-04-21 q-bio.QM stat.ME
A Nonparametric Statistical Method for Two Crossing Survival Curves
在两组至事件发生时间数据的比较研究中，当两条生存曲线相互交叉时，可能难以使用对数秩检验和风险比（HR）来正确评估治疗获益。我们的目的是确定一种方法来评估两组在上述情况下的治疗效果。我们基于一种称为两条生存曲线之间的面积（ABS）的直观测量来量化治疗获益，这是临床试验中治疗获益的稳健测量，无论是否违反比例风险假设或两条生存曲线相互交叉。此外，我们提出了一种基于ABS的排列测试，我们评估了这种测试的有效性和可靠性与模拟数据。ABS置换检验是一种稳健的统计推断方法，具有可接受的第一类错误率和检测处理效应差异的卓越功效，尤其是在违反比例风险假设时。ABS可用于直观地量化随时间推移的治疗差异，并在复杂情况下提供可靠的结论，例如穿越生存曲线。R软件包“ComparisonSurv”包含所提出的方法，可从https://CRAN.R-project.org/package=ComparisonSurv获得。关键词：生存分析;两条生存曲线之间的面积;交叉生存曲线;治疗获益
2021-12-20 stat.AP stat.ME
Nonparametric Estimation of Event-Free Survival for Data with Left-Truncated Death and Intermittently Assessed Nonfatal Events
University of Minnesota（明尼苏达大学）；Columbia University（哥伦比亚大学）；University of Texas（德克萨斯大学）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；University of Mississippi Medical Center（密西西比大学医学中心）；University of North Carolina（北卡罗来纳大学）；Wake Forest University School of Medicine（维克森林大学医学院）
针对左截断、分量特异性删失（区间删失非致命事件与右删失死亡）下的无事件生存估计，提出核平滑非参数方法，支持受限均值检验及补充数据利用，并经模拟和ARIC数据验证。
2026-09-14 stat.ME
Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables
Data Science Institute, Brown University（布朗大学数据科学研究所）；Department of Statistics, University of Padova（帕多瓦大学统计系）；Department of Economics, European University Institute（欧洲研究院经济系）；Department of Biostatistics, Harvard School of Public Health（哈佛公共卫生学院生物统计系）；Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系）
本文提出CASBAH方法，通过贝叶斯非参数先验处理连续后处理变量，解决主分层识别与不确定性量化问题，通过模拟和案例研究验证其有效性。
2026-03-25 math.ST stat.ME stat.TH
Treatment Effect Estimation in Causal Survival Analysis: Practical Recommendations
本文提出在因果生存分析中使用RMST差异估计治疗效应，并通过模拟研究比较不同估计方法的性能，提供实用选择建议和开源代码。
2026-02-26 stat.ME
