Simulation Based Composite Likelihood
针对高维隐马尔可夫模型似然计算代价随维度指数增长的推断难题，提出基于仿真的复合似然方法SimBa-CL，用蒙特卡洛采样估计边际分布乘积近似似然，可结合自动微分加速优化并构建置信集，经实验验证优于SMC且可应用于真实病毒数据。
2025-01-16 stat.ME
Comparing composite likelihood methods based on pairs for spatial Gaussian random fieldsM
在过去的几年里，人们对提出地质统计数据的协方差函数估计方法越来越感兴趣。其中，极大似然估计在处理高斯模型时具有很好的特性。然而，当观测值的数量非常大时，极大似然变得不切实际。在这项工作中，我们回顾了一些解决方案，我们对比他们的统计效率和计算负担的损失。具体来说，我们专注于三种类型的加权复合似然函数对的基础上，我们比较他们的协方差逐渐减少的方法。导出了这三种估计方法的渐近性质。我们通过理论例子，模拟实验，并通过分析在美国气象站的年总降水量异常的数据集的方法的有效性。
2013-05-24 stat.ME
When Composite Likelihood Meets Stochastic Approximation
本文提出基于随机梯度优化的复合似然估计近似方法，刻画抽样与优化噪声共同决定的渐近方差，并通过模型模拟和心理健康调查数据验证其有效性。
2024-12-09 stat.ME
Weighted composite likelihood for linear mixed models in complex samples
本文提出了一种基于加权成对（复合）似然的方法，用于将任意混合模型拟合到来自任意调查设计的复杂数据，无需假设模型与设计的嵌套关系，并支持多层线性模型及遗传相关性等结构。
2023-11-21 stat.ME
Penalized composite likelihood for colored graphical Gaussian models
本文提出了一种用于有色图高斯模型中模型选择的惩罚复合似然方法。该方法提供了精度矩阵的稀疏和稀疏约束估计，从而同时进行模型选择和精度矩阵估计。特别地，该方法使用惩罚项来约束精度矩阵的元素，这使得我们能够将模型选择问题转化为约束优化问题。此外，计算机实验进行说明所提出的新方法的性能。结果表明，该方法在选择精度矩阵中的非零元素和识别图形模型中的对称结构方面都有很好的效果。该方法的可行性和潜在的临床应用上的微阵列基因表达数据集证明。
2020-04-03 stat.ME
Efficient Gibbs Sampling in Cox Regression Models Using Composite Partial Likelihood and Pólya-Gamma Augmentation
针对Cox回归贝叶斯方法基线风险建模复杂、计算低效的问题，提出GS4Cox全吉布斯采样器，结合广义贝叶斯框架、复合部分似然、Pólya-Gamma增强及仿射校准，实现高效采样并提升估计性能。
2025-11-18 stat.ME
Bayesian Inference from Composite Likelihoods, with an Application to Spatial Extremes
复合似然越来越多地用于完全似然在分析上未知或计算上禁止的应用中。虽然最大合成似然估计具有类似于通常的极大似然估计的频率论性质，但基于合成似然的贝叶斯推断还有待探索。在本文中，我们研究使用梅特罗波利斯-黑斯廷斯算法来计算基于复合似然的伪后验分布。提出了两种调整算法的方法，并使用模拟数据集和实际降雨空间极值数据研究了它们在逼近真实后验分布方面的性能。
2011-07-06 math.ST stat.ME stat.TH
Parsimonious and Efficient Likelihood Composition by Gibbs Sampling
由于似然函数的复杂性，传统的极大似然估计（MLE）在复杂高维数据中的应用受到限制。最大复合似然估计（Maximum Composite Likelihood Estimation，McLE）通过组合依赖于小数据子集的多个部分似然对象来避免完全似然规范，从而能够对复杂数据进行推断。一个基本的困难，使McLE方法可行的是从众多的候选似然对象构建的复合似然函数的选择。在本文中，我们提出了一个灵活的吉布斯抽样计划的最佳选择的子似然分量。采样复合似然函数收敛到一个最大的信息在平衡的未知参数，因为子似然对象的选择概率取决于相应的McLE的方差。当数据复杂度很高时，我们的方法的惩罚版本生成具有相对较少数量的组件的稀疏似然。我们的算法通过模拟数据以及真实基因型SNP数据的病例对照研究的数值例子来说明。
2015-02-17 stat.ME
A composite likelihood approach to computer model calibration using high-dimensional spatial data
计算机模型用于模拟各种学科中的复杂过程。通常，复杂计算机模型的行为中的不确定性的关键来源是由于未知的模型输入参数引起的不确定性。统计计算机模型校准是从物理过程的观测和各种参数设置下的模型输出推断模型参数值以及相关不确定性的过程。观测和模型输出通常是以高维空间场的形式出现的，特别是在环境科学中。在这种情况下，合理的统计推断可能在计算上具有挑战性。在这里，我们介绍了一种复合似然为基础的方法来执行计算机模型校准与高维空间数据。虽然复合似然在空间统计学的背景下被广泛研究，但使用复合似然的计算机模型校准提出了几个新的挑战。我们提出了一个计算效率的方法贝叶斯计算机模型校准使用复合似然。我们还开发了一种基于渐近理论的方法，用于调整复合似然后验分布，使其准确地表示后验不确定性。我们研究了我们的新方法在气候模型校准的背景下的应用。
2013-07-31 stat.CO stat.ME
High-dimensional inference using the extremal skew-$t$ process
最大稳定过程是研究环境极值的常用工具，而极值偏斜$t$过程是一个允许灵活极值依赖结构的通用模型。对于高维数据的最大稳定过程的推断，精确的基于似然的估计在计算上是困难的。复合似然，使用低维组件，和斯蒂芬森-唐似然，使用最大值的发生时间，都是有吸引力的方法来规避这个问题的中等尺寸。本文建立了极值斜$t$过程的模拟和推理的理论公式。我们还将Stephenson-Tawn的概念融入到复合似然框架中，为高阶复合似然提供更高的统计和计算效率。我们比较了2路（成对），3路（三重），4路，5路和10路复合似然模型高达100个维度。此外，我们提出了CDF近似的Stephenson-Tawn似然函数，导致大的计算增益，并使模型在大尺寸的准确拟合，只有几分钟。我们说明了我们的方法与应用程序的90维温度数据集从澳大利亚墨尔本。
2020-04-18 stat.ME
Correlated Wishart Matrices Classification via an Expectation-Maximization Composite Likelihood-Based Algorithm
正定矩阵变量数据在计算机视觉中越来越流行。区域协方差描述子（Region Covariance Descriptor，RCD）是计算机视觉数据描述子的正定矩阵，它提取图像的关键特征。RCD被广泛用于图像集分类。一些分类方法处理RCD Wishart分布的随机矩阵被提出。然而，大多数当前方法排除了由所谓的非体素信息（例如，受试者的年龄和鼻子宽度等）。由于相关Wishart矩阵的联合密度函数难以获得，因此相关Wishart矩阵的建模是困难的。在本文中，我们提出了一个期望最大化复合似然算法的Wishart矩阵来解决这个问题。给出了基于合成数据和真实数据（芝加哥人脸数据集）的数值研究，我们提出的算法比不考虑所谓的非体素信息引起的相关性的替代方法表现得更好。所有这些都证明了我们的算法在未来的图像集分类中具有令人信服的潜力。
2022-12-10 stat.ME
Composite likelihood inference for space-time point processes
针对热带雨林普查点模式时间序列短、空间覆盖大的特点，提出基于条件复合似然的时空点过程参数估计方法，采用固定时间跨度-空间域递增的渐近框架，通过模拟和实际数据验证了方法的有效性。
2024-09-18 stat.ME
Composite empirical likelihood for multisample clustered data
本文针对多样本聚类数据的分位数推断问题，在密度比模型下提出复合经验似然方法，并配套基于聚类的自助法以控制第一类错误。
2025-07-18 stat.ME
Optimal combination of composite likelihoods using approximate Bayesian computation with application to state-space models
本文提出利用近似贝叶斯计算和多个复合得分函数作为汇总统计量，解决复合似然中的权重选择与曲率调整问题，并通过蒙特卡洛估计和自适应方案提升计算可行性与推断效率。
2024-09-04 stat.CO stat.ME
Uncertainty analysis and composite hypothesis under the likelihood paradigm
模型的正确使用和解释取决于几个步骤，其中两个步骤是通过参数估计进行校准和不确定性分析。在生物学文献中，这些步骤很少一起讨论，但它们可以被视为同一个难题的合适部分。特别是，不确定性估计的分析程序可能会掩盖来自具有稳定结构但数据不足的模型的高度不确定性。在似然方法下，不确定性估计问题与复合假设问题密切相关。本文简要介绍了似然统计学派的历史背景，分析了似然律与复合假设问题之间的复杂关系以及现有的解决方法，提出了一种利用数据信息进行模型不确定性估计的综合方法。我们认为，这种方法是直观的吸引力下的可能性范式。
2015-08-13 q-bio.QM stat.ME
Composite Likelihood Inference by Nonparametric Saddlepoint Tests
复合似然函数类为复杂统计模型的近似推理提供了一个灵活而强大的工具，当完全似然函数无法指定或无法计算时，可以使用它进行近似推理。然而，当考虑关于多维参数的假设检验时，复合似然方法的强度变暗，因为似然比、Wald和得分型检验统计量的有限样本行为与Godambe信息矩阵相关联。因此，Godambe信息的不准确估计转化为不准确的p值。在本文中，它是如何准确的推断，可以通过使用一个完全非参数鞍点检验统计量来自复合得分函数。所提出的统计量是渐近卡方分布的二阶相对误差，并不依赖于Godambe信息。通过仿真研究证明了该方法的有效性。
2013-06-23 math.ST stat.ME stat.TH
Fast Multivariate Probit Estimation via a Two-Stage Composite Likelihood
多变量概率单位是流行的建模相关的二进制数据，具有灵活性和简单性的一个有吸引力的平衡。然而，在计算和制定明确的统计框架方面仍然存在相当大的挑战。近年来，对多元概率单位的兴趣有所增加。目前的应用包括基因组学和精密医学，其中多个性状的同时建模可能是感兴趣的，并且计算效率是一个重要的考虑因素。我们提出了一种快速的方法，通过两个阶段的复合似然多变量概率估计。我们探讨了计算和统计效率，并指出，该方法设置的扩展阶段超越了纯粹的二进制设置。
2020-04-20 stat.CO stat.ME
Partial Penalized Likelihood Ratio Test under Sparse Case
这项工作是关注测试的低维参数的兴趣与发散的维数据和变量选择的稀疏情况下，其余的。利用部分惩罚似然方法，得到了部分惩罚似然比检验统计量的一致性检验，并在一定的正则条件下，得到了它在原假设和局部选择为$n^{-1/2}$的条件下的渐近分布.同时，部分惩罚似然估计的预言性质也成立。提出的部分惩罚似然比检验统计量在规模和功效方面优于完全惩罚似然比检验统计量，并且表现得与经典的似然比检验统计量一样好。此外，该方法得到的变量选择结果以及检验的p值。数值模拟和前列腺癌数据的分析证实了我们的理论研究结果，并证明了有前途的性能，提出的部分惩罚似然假设检验和变量选择。
2014-11-19 stat.ME
Huber-robust likelihood ratio tests for composite nulls and alternatives
本文提出了一种基于e值的鲁棒似然比检验方法，用于处理数据中存在任意污染的情况，通过分析LFD对和TV邻域，实现了对复合原假设和替代假设的有效检验。
2025-12-24 stat.ME
Parsimonious and powerful composite likelihood testing for group difference and genotype-phenotype association
在全基因组关联研究（GWAS）中，从病例对照数据中检验一个表型与多个遗传变异之间的关联是必不可少的。这是一项具有挑战性的任务，因为许多此类变体是相关的或无信息的。高维数据的两组总体差异检验问题在复杂的全似然函数下存在相似性。测试可以通过最大复合似然（MCL）来处理，而不需要完全的似然，但是当前的MCL测试由于涉及非信息性或冗余的子似然而受到功率损失。在本文中，我们开发了一个前向搜索和测试方法，同时强大的组差异测试和信息子似然组成。我们的方法构造了一个序列的Wald型检验统计量，逐步只包括信息的子似然，以提高测试功率下的局部稀疏的替代品。数值研究表明，它实现了相当大的改善，可用的测试作为建模复杂性的增长。我们的方法进一步验证了测试动机GWAS数据乳腺癌与有趣的结果。
2016-01-22 stat.AP stat.ME
Composite likelihood inference in a discrete latent variable model for two-way "clustering-by-segmentation" problems
我们考虑一个离散的潜在变量模型的双向数据阵列，它允许一个同时产生集群沿一个数据维度（例如可交换的观测单位或功能）和连续的组，或段，沿其他（例如连续排序的时间或位置）。该模型依赖于一个隐马尔可夫结构，但由于其复杂性，不能完全最大似然估计。因此，我们引入复合似然方法的基础上考虑不同的数据子集。所提出的方法说明了模拟，并与基因组数据的应用程序。
2015-06-27 math.ST stat.ME stat.TH
A joint model of correlated ordinal and continuous variables
本文提出一种基于多元正态误差假设的联合模型，可同时处理二元、有序和连续响应，采用复合似然方法估计参数，并提供R包mvordnorm实现，在风险管理中展示应用。
2024-11-05 stat.ME
Geostatistical inference in the presence of geomasking: a composite-likelihood approach
在几乎所有的地质统计分析中，一个基本的、通常是隐含的建模假设是，进行测量的空间位置被准确记录。在这项研究中，我们开发地质统计推断时，这个假设是无效的。例如，当个体地址信息被随机改变以提供隐私保护或由地理编码过程和测量设备引起不精确时，通常是这种情况。我们的目标是开发一种基于复合似然的推断方法，该方法克服了Fanshawe和Diggle（2011）中提出的全似然方法的固有计算限制。通过模拟研究，我们然后比较我们提出的方法的性能与N加权最小二乘估计程序，基于修正版本的经验变差函数。我们的研究结果表明，复合似然方法优于后者，导致较小的均方根误差的参数估计。最后，我们说明了我们的方法来分析数据的营养不良的人口与健康调查在塞内加尔在2011年，在那里的位置被随机扰动，以保护受访者的隐私。
2017-11-01 stat.AP stat.ME
A Composite Likelihood-based Approach for Change-point Detection in Spatio-temporal Processes
针对非平稳时空过程的时间维变点估计问题，提出基于复合似然的无惩罚准则与剪枝动态规划算法，在两类渐近框架下证明了变点数量与位置估计的一致性，通过模拟和美国降水数据验证了方法有效性。
2023-10-05 stat.ME
Correlation structure and variable selection in generalized estimating equations via composite likelihood information criteria
广义估计方程（GEE）方法是生物统计学文献中分析纵向二进制和计数数据的常用方法。它假设结果变量为广义线性模型（GLM），重复测量之间存在工作相关性。在本文中，我们介绍了一个可行的竞争对手：加权评分法的GLM利润。我们使用一个离散化的多元正态模型，这是一个适当的多元模型的单变量得分方程的权重。由于加权评分法是一种基于似然的参数化方法，我们提出了复合似然信息准则作为模型选择的中间步骤。相关性结构和变量选择可以使用相同的标准。仿真研究和应用实例表明，该方法优于现有的GEE模型选择方法。从实例中可以看出，我们的方法允许正确的分析，并可能改变推理结果。
2015-11-27 stat.AP stat.ME
Composite Inference for Gaussian Processes
大规模高斯过程模型正变得越来越重要，并广泛应用于许多领域，例如，计算机实验，通过模拟的随机最优化，以及使用高斯过程的机器学习。标准方法，如用于参数估计的极大似然估计（MLE）和用于预测的最佳线性无偏预测器（BLUP），通常是许多应用中的主要选择。尽管这些方法有其优点，但当样本量很大时，由于计算复杂而不可行。针对大规模高斯过程模型的计算问题，提出了一种新的参数估计和预测方法。该方法充分利用了条件密度之间的相关性，将参数估计和预测有机地结合起来：首先基于条件密度的联合分布构造一种统计上有效的复合似然估计参数，然后根据未知输入点在每个块子集上的分布条件，构造“复合推理”对未知输入点进行预测.所提出的方法将棘手的BLUP转化为一个易于处理的凸优化问题。它还表明，由所提出的方法，称为最佳线性无偏块预测，具有最小的方差为一个给定的分离的数据集的预测。关键词：大规模，并行计算，复合似然，空间过程
2018-08-01 stat.ME
Consistent and Scalable Composite Likelihood Estimation of Probit Models with Crossed Random Effects
针对交叉随机效应Probit模型计算成本高且高维积分困难的问题，提出仅需一维积分的复合似然分层模型替代法，实现参数一致估计且计算量随样本量线性增长。
2025-04-29 stat.CO stat.ME
Prepivoting composite score statistics by weighted bootstrap iteration
对数似然比的复合模拟在假设检验和设置置信区域中所起的作用并不像在典型似然设置中那样突出，因为它的渐近分布取决于未知参数。基于复合对数似然比的近似主元可以通过使用渐近参数来导出。然而，这种枢轴的实际分布可能与渐近参考有很大不同，导致测试和置信区域的水平远离标称值。在复合似然框架中使用自举而不是渐近分布进行了探讨。基于适当统计量的预旋转测试和置信度集被证明是准确的和计算上有吸引力的推理工具。
2013-01-29 math.ST stat.CO stat.ME
Composite likelihood inference for the Poisson log-normal model
CEREMADE, Université Paris-Dauphine, Université PSL, CNRS（巴黎第九大学CEREMAS研究中心，巴黎文理研究大学，法国国家科学研究中心）；Université Paris-Saclay, INRAE, AgroParisTech, UMR MIA Paris-Saclay（巴黎萨克雷大学，法国国家农业食品与环境研究院，巴黎高等农学院）；Sorbonne Université, CNRS, Laboratoire de Probabilités, Statistique et Modélisation（索邦大学，法国国家科学研究中心）
本文提出了一种结合EM框架与复合似然和重要性采样估计的新型推断方法，用于泊松对数正态模型参数估计，解决了高维积分瓶颈问题，实现了计算可行性，同时保持了最大似然估计的渐近性质。
2026-01-15 stat.CO stat.ME
On composite likelihood in bivariate meta-analysis of diagnostic test accuracy studies
复合似然（CL）是在诊断试验准确性研究的双变量荟萃分析背景下用于估计广义线性混合模型（GLMM）的计算方法之一。它的优点是可以在随机效应之间相互独立的假设下方便地推导出似然，但对这种方法的优点和必要性还没有明确的分析。在生物统计学文献中，已经提出了一种Copula混合模型来综合诊断测试准确性研究。该通用模型包括GLMM作为特殊情况，并且还可以允许灵活的依赖性建模，不同于假设简单的线性相关结构、正态性和联合尾部中的尾部独立性。最大似然（ML）方法是基于求积法求似然函数的二维积分，它实际上减轻了似然函数中二重积分可能引起的计算困难。这两种方法进行了彻底检查，广泛的模拟和说明与数据发表的荟萃分析。结果表明，ML方法没有非收敛问题或计算困难，同时允许估计研究特异性灵敏度和特异性之间的依赖关系，从而通过汇总受试者工作曲线进行预测。
2017-04-05 stat.AP stat.ME
The Average Likelihood Ratio for Large-scale Multiple Testing and Detecting Sparse Mixtures
大规模的多重检验问题需要同时评估多个p值。本文比较了几种方法来评估多个二项计数的p值的证据：最大的二项计数后，标准化（“高批评批判性”），最大的二项计数后，对数似然比转换（“伯克-琼斯批判性”），和一个新引入的平均值后，二项计数的似然比转换。仿真结果表明，在稀疏度很高的情况下（稀疏系数$β\gtrapprox 0.75$），高批评度统计量的性能优于Berk-Jones统计量，而对于$β\lessapprox 0.75$，情况正好相反.平均似然比被认为是结合了良好的性能，更高的批评，在非常稀疏的情况下，在不太稀疏的情况下，伯克-琼斯统计，因此似乎占主导地位的统计。一些渐近最优性理论被认为是，但发现设置太慢，以照亮上述研究结果，至少样本量高达一百万。相比之下，Wellner和Koltchinskii（2003）以及Jager和Wellner（2007）提出的Berk-Jones统计量临界值的渐近近似，即使对于非常小的样本量，也能给出令人惊讶的精确近似。
2011-11-01 stat.ME
Composite Bayesian inference
我们重新审视和概括的概念，复合似然作为一种方法，使概率推理聚合多个贝叶斯代理，从而定义了一类预测模型，我们称之为复合贝叶斯。这种观点提供了选择与复合似然相关的权重的见解，无论是先验的还是通过学习;在后一种情况下，它们可以被调整，以最小化预测交叉熵，从而产生易于解决的凸问题。我们认为，复合贝叶斯推断是生成模型和判别模型之间的中间道路，在可解释性和预测性能之间进行权衡，这两者对许多人工智能任务都至关重要。
2019-04-17 stat.CO stat.ME
Composite Likelihoods with Bounded Weights in Extrapolation of Data
在促进儿童及时获得安全有效药品的许多努力中，外推法得到了更多的关注。广义而言，当可以假设儿科和参考人群的病程和对药品的预期反应足够相似时，利用成人或老年人群的结论或可用数据得出目标儿科人群的结论。然后，外推可以表征为从参考（成人或老年组）到目标儿科人群的信息的统计映射。信息的转换或松散映射可以通过复合似然方法进行，其中参考群体的似然通过取幂来加权，并且该指数与目标群体中映射信息的值相关。权重上下有界，承认尽管队列之间的缓解存在差异，但（疾病和预期缓解的）相似性仍然有效。极大似然方法，然后用于估计参数和渐近理论是用来推导分布的估计用于推断。因此，对目标人群的效应估计借用了参考人群的信息。此外，这篇手稿还谈到了这种方法与贝叶斯统计范式的关系。
2022-10-04 stat.AP stat.ME
Predicting protein inter-residue contacts using composite likelihood maximization and deep learning
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Peking University（北京大学）；Huazhong University of Science and Technology（华中科技大学）
准确预测蛋白质残基间的接触对于计算蛋白质的三级结构具有重要意义。残基间协同进化事件的分析已被证明是推断残基间接触的有效方法。马尔可夫随机场（MRF）技术虽然被广泛地用于接触预测，但遭受以下困境：MRF的实际似然函数是准确的但计算耗时，相反，对实际似然的近似，例如伪似然，计算有效但不准确。因此，如何同时实现准确性和效率仍然是一个挑战。在这项研究中，我们提出了这样一种方法（称为clmDCA）的接触预测。与使用伪似然的plmDCA不同，即，单个残差的条件概率的乘积，我们的方法使用复合似然，即，所有剩余对的条件概率的乘积。理论上证明了复合似然比伪似然更能逼近实际似然函数。同时，复合似然仍然是有效的最大化，从而确保clmDCA的效率。我们在流行的基准数据集（包括PSICOV数据集和CASP-11数据集）上进行了全面的实验，以表明：i）单独的clmDCA在预测精度上优于现有的基于MRF的方法。ii）当配备深度学习技术进行细化时，clmDCA的预测准确性进一步显著提高，表明clmDCA适用于后续细化过程。我们进一步提出了成功的应用预测的接触，以准确地建立三级结构的蛋白质在PSICOV数据集。可访问性：软件clmDCA和服务器可通过http://protein.ict.ac.cn/clmDCA/公开访问。
2018-08-31 cs.LG q-bio.BM stat.ME
Linear mixed models for complex survey data: implementing and evaluating pairwise likelihood
本文在R中实现了基于成对复合似然的两层线性混合模型，用于复杂调查数据，并通过模拟和PISA数据评估其计算效率及与分阶段伪似然估计量的表现差异。
2023-07-11 stat.CO stat.ME
Composite likelihood inference of fractional Gaussian processes with sequentially optimal subset selection
ESILV；De Vinci Higher Education, De Vinci Research Center（德芬奇高等教育，德芬奇研究中心）
针对分数高斯过程，提出通过顺序最大化Godambe信息来选择子集，以平衡估计精度与计算成本，并推导了Fisher信息和Godambe信息的理论表达式。
2026-07-15 q-fin.ST stat.CO stat.ME
Student-t Stochastic Volatility Model With Composite Likelihood EM-Algorithm
提出了一种新的具有Student-t边际的鲁棒随机波动模型。我们的过程是通过一个线性正态回归模型驱动的潜在伽马过程，控制时间依赖性。这个伽玛过程的战略选择，使我们能够找到一个明确的表达成对联合密度函数的学生t响应过程。有了这个在手，我们提出了一个复合似然（CL）为我们的模型，它可以直接实现低计算成本的推理。这是一个显着的特点，我们的学生-t SV过程中现有的SV模型在文献中，涉及计算量大的算法估计参数。为了精确估计与潜在过程相关的参数，本文提出了CL期望最大化算法，并讨论了自举法获取标准误的方法。通过蒙特卡罗模拟，我们的复合似然方法的有限样本性能进行评估。该方法的动机是在金融市场的实证应用。我们分析的关系，在多个时间段内，各种美国部门的交易所交易基金回报率和个别公司的股票价格回报率的基础上，我们的新学生t模型。这种关系进一步用于选择最佳的金融投资组合。
2021-05-27 stat.AP stat.CO stat.ME
Sensitivity analysis for publication bias in meta-analysis of sparse data based on exact likelihood
本文针对稀疏数据荟萃分析中的发表偏倚问题，将基于Copas t统计量选择函数的似然敏感性分析扩展到广义线性混合效应模型，并通过真实数据和模拟研究证明其优于传统正态-正态模型方法。
2024-06-07 stat.ME
Penalized Composite Quasi-Likelihood for Ultrahigh-Dimensional Variable Selection
在高维模型选择问题中，惩罚简单最小二乘方法得到了广泛的应用。针对惩罚模型选择方法的鲁棒性和效率问题，提出了一种数据驱动的凸损失函数加权线性组合和加权$L_1$ -惩罚模型.它是完全数据自适应的，不需要误差分布的先验知识。加权的$L_1$ -罚函数用于保证罚函数项的凸性和改善由$L_1$ -罚函数引起的偏差。在维数远大于样本量的情况下，我们建立了该方法的一个强预言性质，该性质同时具有模型选择一致性和对真实非零系数的估计效率.作为具体的例子，我们介绍了一个强大的复合L1-L2的方法，和最佳复合分位数方法，并评估其性能在模拟和真实数据的例子。
2010-06-30 math.ST stat.ME stat.TH
A Proximal Distance Algorithm for Likelihood-Based Sparse Covariance Estimation
本文讨论的任务，估计协方差阵下的无模式稀疏性假设。与现有的基于阈值或收缩惩罚的方法相比，我们提出了一种基于似然的方法，该方法将协方差估计到对称稀疏集的距离正则化。该公式避免了由更常见的范数惩罚引起的不必要的收缩，并通过求解一系列光滑，无约束的子问题来优化所得到的非凸目标。这些子问题的产生和解决，通过最近距离版本的优化最小化原则。由此产生的算法执行迅速，优雅地处理设置的参数的数量超过的情况下，产生一个正定的解决方案，并享有理想的收敛性能。从经验上讲，我们证明了我们的方法优于竞争方法的几个指标在一套模拟实验。它的优点说明了一个国际移民数据集和一个经典的案例研究流式细胞术。我们的研究结果表明，细胞信号数据的边缘和条件依赖网络比以前得出的结论更相似。
2021-09-09 stat.ME
Missing values: sparse inverse covariance estimation and an extension to sparse regression
提出了一种估计高维多元正态模型中存在缺失数据的逆协方差阵的l1正则化似然方法。我们的方法是基于假设的数据是随机缺失（MAR），这也需要完全随机缺失的情况下。该方法的实现是非平凡的，因为观察到的负对数似然一般是一个复杂的非凸函数。我们提出了一个有效的期望最大化算法的优化与可证明的数值收敛性能。此外，我们扩展的方法来处理稀疏回归上下文中的缺失值。我们证明了这两种方法的模拟和真实数据。
2012-02-27 stat.ME
Fast Stochastic Nearest Neighbor Pairwise Composite Likelihood for Massive Spatial Datasets
Universidad Adolfo Ibáñez（阿道夫·伊巴涅斯大学）；Ca’ Foscari University of Venice（威尼斯卡福斯卡里大学）；Universidad Técnica Federico Santa María（弗雷德里科·圣塔玛丽亚理工大学）；Universidad del Bío-Bío（比奥比奥大学）
针对大规模空间数据集，提出基于随机加速的NN成对复合似然估计方法，含两种稀疏设计。模拟研究表明该方法能在统计与计算间取得平衡，应用中预测精度与Vecchia基准相当，且协方差拟合时间大幅缩短。
2026-07-08 stat.CO stat.ME
A likelihood-based coefficient for biomedical independence testing: the binomial-cut composite likelihood ratio
National Institute of Allergy and Infectious Diseases（国家过敏和传染病研究所）；National Institutes of Health（美国国立卫生研究院）
提出一种基于复合伯努利似然比的独立性检验系数xi_cut，能捕捉非单调依赖，在模拟和蛋白质组数据中优于传统秩相关系数。
2026-09-28 stat.AP stat.ME
Log-F-penalized Conditional Logistic Regression for Sparse Data
Simon Fraser University（西蒙菲莎大学）
针对稀疏匹配病例对照研究中条件逻辑回归估计量偏差与收缩控制不足问题，提出log-F惩罚条件逻辑回归方法，其在模拟中表现出与Firth方法相当的置信区间覆盖率，且均方误差更低。
2026-08-03 stat.ME
Sparse estimation via nonconcave penalized likelihood in a factor analysis model
考虑因子分析模型中的稀疏估计问题。一个传统的估计过程中使用的是以下两个步骤的方法：模型估计的极大似然方法，然后旋转技术是用来找到稀疏因子加载。然而，当变量的数目远大于观测的数目时，不能获得最大似然估计。此外，即使最大似然估计是可用的，旋转技术通常不产生足够稀疏的解决方案。为了处理这些问题，本文介绍了一种惩罚似然过程，对因子载荷施加非凸惩罚。我们发现，惩罚似然过程可以被视为传统的两步方法的推广，所提出的方法可以产生稀疏的解决方案比旋转技术。一个新的算法，通过期望最大化算法随着坐标下降被引入到计算整个解决方案的路径，它允许应用到各种各样的凸和非凸处罚。蒙特卡罗模拟进行调查我们的建模策略的性能。最后给出了一个实际数据的例子来说明我们的方法。
2013-03-15 stat.CO stat.ME stat.ML
Sparse logistic functional principal component analysis for binary data
函数型二进制数据集在实际应用中经常出现，而数据的离散特性会给模型估计带来挑战。本文提出了一种稀疏逻辑函数主成分分析（SLFPCA）方法来处理函数型二值数据。SLFPCA寻找局部稀疏的本征函数，以获得方便的解释。我们制定的问题，通过惩罚的伯努利似然粗糙惩罚和稀疏惩罚条款。利用优化最小化（MM）算法，提出了一种有效的惩罚似然优化算法。理论结果表明，该方法的一致性和稀疏性。我们进行了彻底的数值实验，以证明SLFPCA方法的优点。我们的方法被进一步应用到身体活动数据集。
2021-09-16 stat.ME
Sparse Latent Class Analysis For Dichotomous Responses: Post-Estimation Refinement via Item-level Pseudo-Likelihood
London School of Economics and Political Science（伦敦政治经济学院）；RWTH Aachen University（亚琛工业大学）
本文提出一种计算高效的后估计细化方法，通过稀疏模型估计提升模型可解释性，通过项目特定响应概率的模型选择进一步减少冗余层次，从而获得更易于解释的稀疏矩阵。
2026-09-11 stat.ME
Generalizations related to hypothesis testing with the Posterior distribution of the Likelihood Ratio
李克比的后验分布是Dempster在1974年提出的，用于简单假设与复合假设情况下的显著性检验。在这个假设检验案例中，经典频率论和贝叶斯假设检验是不可调和的，正如林德利悖论，伯杰和塞尔克在1987年和许多其他人所强调的那样。然而，Dempster表明PLR（内部阈值为1）等于简单高斯情况下的频率p值。1997年，Aitkin通过添加一个讨厌的参数扩展了这个结果，并在更一般的分布下证明了它的渐近有效性。在这里，我们扩展的PLR和频率p值之间的和解有限样本，通过一个框架类似于斯坦的定理框架中，一个可信的（贝叶斯）域等于一个置信度（频率）域。该一般协调结果仅涉及简单与复合假设检验。Aitkin在2010年和Evans在1997年提出的措施具有有趣的性质，并扩展了Dempster的PLR，但只是通过添加一个滋扰参数。在这里，我们提出了两个扩展的PLR概念的一般复合与复合假设检验。一旦后验是正确的，就可以为不正确的先验定义第一扩展。第二个扩展出现从一个新的贝叶斯型奈曼-皮尔逊引理，并强调，从贝叶斯的角度来看，LR作为一个差异变量的假设检验的作用。
2014-06-04 physics.data-an stat.ME
A path following algorithm for Sparse Pseudo-Likelihood Inverse Covariance Estimation (SPLICE)
给定p维随机向量的n个观测值，在许多应用中需要得到协方差阵及其逆矩阵（精度矩阵）。当p与样本量n相当时，样本协方差（例如，其特征结构）可能会表现不佳。正则化经常被用来缓解这个问题。本文提出了逆协方差阵的l1-模惩罚伪似然估计。由于l1-范数惩罚，这种估计是稀疏的，我们称这种方法为SPLICE。它的正则化路径可以通过基于同伦/LARS-Lasso算法的算法来计算。对p=15和n=20，1000的各种逆协方差结构进行了模拟研究。我们比较SPLICE与l1-范数惩罚似然估计和l1-范数惩罚Cholesky分解为基础的方法。SPLICE在精确度矩阵和ROC曲线的三个指标方面为模型选择提供了最佳的整体性能。此外，我们的模拟结果表明，SPLICE估计是正定的正则化路径的大部分，即使没有强制执行的限制。
2008-07-23 stat.CO stat.ME
Empirical phi-divergence test statistics for testing simple and composite null hypotheses
本文的主要目的是首先介绍一个新的家庭的经验检验统计量测试一个简单的原假设时，通过一组特定的无偏估计函数定义的参数向量。该检验统计量族基于两个概率向量之间的距离，其中第一概率向量通过使参数向量上的经验似然最大化而获得，并且第二向量在简单的原假设下从参数的固定向量定义。为此目的所考虑的距离是φ-发散度量。然后推导出该族检验统计量的渐进分布。所提出的方法是说明通过著名的数据Newcomb的测量光的通过时间。模拟研究进行比较其性能与经验的似然比检验时，置信区间构造的基础上，小样本量。结果表明，“经验修正的似然比检验统计量”是经验似然比检验统计量的一种有竞争力的替代方法，并且在数据中存在污染的情况下比经验似然比检验统计量更稳健.最后，我们提出了经验的Φ发散检验统计量测试复合原假设，并提出了一些渐近以及模拟结果，这些测试程序的性能进行评估。
2014-08-17 math.ST stat.ME stat.TH
The Sparse Dynamic Factor Model: A Regularised Quasi-Maximum Likelihood Approach
稀疏性和正则化估计的概念已被证明在许多高维统计应用中是有用的。动态因子模型为高维时间序列的建模提供了一种简洁的方法，但往往难以解释潜在因子的含义。本文正式介绍了一类稀疏的DFM，其中的加载矩阵被限制为有几个非零的项目，从而增加了可解释的因素。我们提出了一个正则化的M-估计模型参数，并构建了一个有效的期望最大化算法，使估计。合成实验表明，在估计负载结构方面的一致性，以及在低秩因子结构可能是适当的情况下的优越预测性能。该方法的实用性进一步说明了在一个应用程序中预测跨一个大的智能电表集的电力消耗。
2023-03-21 stat.AP stat.ME
Inference for possibly high-dimensional inhomogeneous Gibbs point processes
吉布斯点过程（GPP）构成了一个大的和灵活的空间点过程之间的显式依赖。它们可以模拟吸引和排斥的点模式。特征选择过程是高维统计建模中的一个重要课题。本文提出了一种利用凸罚函数和非凸罚函数正则化的复合似然方法来处理可能高维非齐次GPP的统计推断。复合似然包含伪似然和逻辑复合似然。我们特别调查的设置，随着观察域的增加，协变量的数量发散。在空间广义相对论和罚函数的条件下，证明了预言性质、相合性和渐近正态性成立。我们的结果也涵盖了低维的情况下，填补了文献中的一个很大的空白。通过模拟实验，我们验证了我们的理论结果，最后，热带林业数据集的应用程序说明了所提出的方法的使用。
2021-01-21 math.ST stat.ME stat.TH
A geometric approach to maximum likelihood estimation of the functional principal components from sparse longitudinal data
在本文中，我们考虑协方差核的特征值和特征函数的估计问题（即，函数主成分）从稀疏和不规则观测的纵向数据。我们通过假设协方差核是光滑的和有限维的极大似然方法来处理这个问题。我们利用本征函数的光滑性，通过将它们限制在光滑函数的低维空间来降低维数。该估计方案是基于牛顿-拉夫逊程序，使用的事实，即基础系数代表的本征函数位于Stiefel流形上。我们还解决了选择正确数量的基函数，以及协方差核的维度的二阶近似的留一曲线交叉验证得分，这是计算上非常有效的。我们的程序的有效性证明了模拟研究和应用程序的CD 4计数数据集。在仿真研究中，我们的方法在估计和模型选择方面都有很好的表现。它也优于现有的两种方法：一种是基于经验协方差的局部多项式平滑，另一种是使用期望最大化算法。
2007-10-29 stat.CO stat.ME
Incorporating sparse labels into hidden Markov models using weighted likelihoods improves accuracy and interpretability in biologging studies
该研究提出一种加权似然方法，将稀疏标签纳入隐马尔可夫模型，以提高解码动物潜在行为过程的准确性和可解释性。
2024-09-27 stat.AP stat.ME
