A fully Bayesian approach for the imputation and analysis of derived outcome variables with missingness
针对统计模型中作为结果的派生变量因源变量缺失带来的分析难题，提出一种可同时完成缺失值插补与后验采样的全贝叶斯模型，并通过含寨卡病毒新生儿小头畸形风险分析的案例，验证其相比多重插补方法的效果。
2025-03-21 stat.ME
Comment on García-Donato et al. (2025) "Model uncertainty and missing data: An objective Bayesian perspective"
本文提出了一种基于客观贝叶斯方法的缺失数据处理方法，采用O'Hagan的分数贝叶斯因子和Rubin的多重插补规则，与García-Donato等人(2025)方法具有竞争力。
2025-08-27 stat.ME
A Bayesian Longitudinal Model for Imputing Item-Level Missing Data in Trial-Based Economic Evaluations
University College London（伦敦大学学院）；University of Oxford（牛津大学）；Maastricht University（马斯特里赫特大学）
针对基于试验的卫生经济学评价中项目级缺失数据的统计挑战，本文提出一种适配复杂特征的贝叶斯纵向插补模型，经真实试验验证了其灵活性与适用性。
2026-08-28 stat.ME
Tuning Free Rank-Sparse Bayesian Matrix and Tensor Completion with Global-Local Priors
矩阵和张量补全是一系列问题的框架，包括协同过滤、缺失数据和图像重建。通过利用矩阵或张量是低秩的假设来估计缺失的条目。大多数现有的贝叶斯技术鼓励秩稀疏建模因子分解矩阵和张量与正常伽玛先验。然而，马蹄事先和其他“全球本地”配方提供调谐参数的解决方案，可以更好地实现同时秩稀疏和丢失值的恢复。我们发现这些全球本地先验优于常用的替代品在模拟和协同过滤任务预测棋盘游戏评级。
2019-05-27 stat.ME
Scalable Bayesian Spatiotemporal Tensor Modeling for Censored and Missing Areal Data
Pontificia Universidad Católica de Chile（智利天主教 Pontificia 大学）；National Chung Hsing University（国立中兴大学）；China Medical University（中国医药大学）；University of Connecticut（康涅狄格大学）
本文提出了一种新的贝叶斯方法，用于处理具有缺失和 censor 观测的时空区域数据，通过结合SAR和DAGAR模型的空间依赖结构和时间自回归成分，实现了统一的时空框架，提高了模型的可解释性和预测性能。
2026-09-21 stat.ME
Bayesian models for missing and misclassified variables using integrated nested Laplace approximations
本文提出将INLA与重要性采样结合以拟合含误分类协变量的贝叶斯模型，并展示直接使用INLA处理误分类响应变量的方法，通过模拟和真实数据验证了有效性。
2024-11-25 stat.ME
Bayesian Semiparametric Modeling of Response Mechanism for Nonignorable Missing Data
无应答的统计推断是相当具有挑战性的，特别是当应答机制不可解释时。在这种情况下，统计推断的有效性取决于响应模型的不可检验的正确规范。为了避免误指定，我们提出了半参数贝叶斯估计，其中结果模型是参数的，但响应模型是半参数的，因为我们不假设任何参数形式的非响应变量。我们采用惩罚样条方法来估计未知函数。我们还考虑了一个完全非参数的方法来建模的响应机制，使用径向基函数方法。使用Polya-Gamma数据增强，我们开发了一个有效的后验计算算法，通过吉布斯抽样，其中最完整的条件分布可以得到熟悉的形式。所提出的方法的性能证明在模拟研究和应用程序的纵向数据。
2021-01-14 stat.ME
A Bayesian Model for Co-clustering Ordinal Data with Informative Missing Entries
University of Milano-Bicocca（米兰比可卡大学）；University of Padova（帕多瓦大学）
本文提出一种贝叶斯非参数模型，用于共聚类多变量有序数据，通过将缺失值视为信息而非缺失，提升对数据潜在结构的理解。
2024-11-04 stat.ME
Bayesian inference for cluster-randomized trials with multivariate outcomes subject to both truncation by death and missingness
本文提出一个贝叶斯框架，通过多变量结局联合建模，在整群随机试验中同时处理死亡截断、异质性失访和未知生存状态等复杂缺失问题，并区分个体与整群水平的幸存者平均因果效应。
2025-05-05 stat.ME
Sensitivity analysis for Bayesian hierarchical models
先验敏感性检验在贝叶斯分析中起着重要的作用。这对于贝叶斯分层模型尤其如此，其中层次结构中更深层内的参数的可解释性变得具有挑战性。此外，缺乏信息以及可识别性问题可能意味着这些模型的先验分布对后验推断具有不期望的影响。尽管它的相关性，非正式的方法，以前的敏感性分析目前使用。它们需要使用临时修改的基础先验参数值重复重新运行模型。其他形式的方法，以前的敏感性分析遭受缺乏普及，在实践中，主要是由于他们的高计算成本和缺乏软件实现。我们提出了一种新的形式化方法，先验敏感性分析，这是快速和准确的。它量化灵敏度，而无需重新运行模型。我们在R中开发了一个即用型priorSens软件包，用于R-INLA的常规先验灵敏度调查。在一系列的例子中，我们展示了我们的方法可以用来检测一些参数的高先验灵敏度以及可能过度参数化贝叶斯分层模型中的可识别性问题。
2013-12-17 stat.ME
Geometric Sensitivity Measures for Bayesian Nonparametric Density Estimation Models
本文提出了一个几何框架来评估密度估计的贝叶斯非参数模型的全局灵敏度。研究了基于Dirichlet型先验的密度估计的非参数贝叶斯模型对精度参数或基概率测度扰动的敏感性。为了量化这些模型中参数和超参数的扰动对后验的不同影响，我们定义了三个几何激励的全局敏感性度量，这些度量基于在密度空间上的非参数Fisher-Rao黎曼度量下计算的测地线路径和距离，应用于密度的后验样本：（1）后验样本的密度平均值之间的Fisher-Rao距离，（2）后验样本的Karcher方差的对数比，（3）由后验样本得到的经验协方差算子的标度累积特征值之差的范数。我们验证我们的方法，使用多个模拟研究，并考虑贝叶斯密度估计模型的敏感性分析问题的背景下，以前已经研究过的三个真实的数据集。
2018-10-08 stat.ME
Bayesian models for data missing not at random in health examination surveys
在流行病学调查中，由于调查无应答而导致的数据非随机非随机缺失（MNAR）可能会导致风险因子估计值的偏倚。我们提出了一种基于贝叶斯数据增强和生存建模的方法，以减少无应答偏倚。这一方法需要基于后续数据的更多信息。我们使用1972年至2007年收集的FINRISK数据进行了一项吸烟流行率的案例研究，并将其与其他常用的随机缺失（MAR）插补方法进行了比较。仿真实验验证了该方法的有效性。我们的方法似乎大大减少了无响应偏差，而MAR插补在减少偏差方面并不成功。
2017-08-28 stat.AP stat.ME
A Comparative Evaluation of a Conditional Median-Based Bayesian Growth Curve Modeling Approach with Missing Data
针对纵向分析中缺失数据（尤其是非正态时）的挑战，本研究通过蒙特卡洛模拟比较评估基于条件中位数的贝叶斯增长曲线建模方法与现有方法，发现其在多种缺失场景下处理非正态数据更可靠。
2025-04-18 stat.AP stat.ME
Convergence and asymptotic normality of variational Bayesian approximations for exponential family models with missing values
研究了缺失值指数族模型变分Bayes逼近的性质。证明了当样本量变大时，变分贝叶斯估计的迭代算法以概率1局部收敛于真值。证明了变分后验分布是渐近正态的。
2012-07-11 math.ST stat.CO stat.ME
Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics
基于狄利克雷过程和其他棒打破先验的贝叶斯模型已被提出作为聚类，主题建模和其他无监督学习任务的核心成分。然而，由于这些模型的灵活性，先前选择的结果可能是不透明的。因此，事先说明可能相对困难。同时，先验选择对后验推理也有很大的影响。因此，鲁棒性的考虑需要与非参数建模齐头并进。在本文中，我们利用变分贝叶斯方法，除了在拟合复杂的非参数模型的计算优势，还产生灵敏度方面的贝叶斯模型的参数和非参数方面的事实来应对这一挑战。特别是，我们演示了如何评估的灵敏度的结论选择的浓度参数和棒断裂分布的Dirichlet过程的混合物和相关的混合物模型下的推断。我们提供了理论和经验支持，我们的变分方法贝叶斯敏感性分析。
2022-01-25 stat.ME
Bayesian Reconstruction of Missing Observations
本文重点研究了一种基于贝叶斯重建的插值方法。在标准插值方法中，缺失数据是确定性插值的，而在贝叶斯重建中，缺失数据是使用贝叶斯处理概率性插值的。在本文中，我们将讨论贝叶斯重建的框架和它的应用在交通工程领域的交通数据重建问题。在本文的后半部分，我们描述了我们的贝叶斯流量重建模型的统计性能的评估，使用统计机械的方法，并澄清其统计行为。
2015-03-26 stat.ML
Bayesian analysis of the causal reference-based model for missing data in clinical trials
本文针对临床试验中因并发事件导致的缺失数据问题，在White等人因果模型框架下为维持治疗效应参数引入贝叶斯先验，提出基于参照的贝叶斯因果模型方法，以量化参照假设的不确定性并估计治疗政策效应，模拟和抗抑郁药试验应用验证了其频率学性质。
2025-07-02 stat.ME
Generative Bayesian modeling to nowcast the effective reproduction number from line list data with missing symptom onset dates
本研究提出整合插补、截断调整与$R_t$估计的生成式贝叶斯模型，可从含缺失症状发作日期的病例列表数据联合推断病例数和$R_t$，避免分步方法的偏差，相关组件已整合入R包epinowcast。
2023-08-25 stat.ME
Bayesian estimation of probabilistic sensitivity measures
本文提出基于单样本设计的全贝叶斯方法估计概率敏感性度量，利用分段常数先验和贝叶斯非参数密度估计量化不确定性，无需额外模拟器评估，并在合成与实际应用中验证其优于传统点估计量。
2019-08-08 stat.ME
Bayesian Estimation of Hierarchical Linear Models from Incomplete Data: Cluster-Level Interaction Effects and Small Sample Sizes
针对小样本和部分观测数据下HLM的估计问题，提出一种直接从精确后验分布填补参数与缺失值的兼容Gibbs采样器，通过模拟证明其优于现有方法。
2025-01-31 stat.ME
Variational Bayesian Inference For A Scale Mixture Of Normal Distributions Handling Missing Data
本文提出了一种适用于含有异常值和缺失值的数据分类和聚类的正态分布尺度混合模型。分类方法，基于混合模型，侧重于引入潜变量，使我们有可能处理模型对离群值的敏感性，并允许对缺失数据进行限制性较小的建模。通过变分贝叶斯近似进行推理，并采用贝叶斯处理进行模型学习、监督分类和聚类。
2017-11-22 stat.ML
A Bayesian two-step multiple imputation approach based on mixed models for the missing in EMA data
本文提出一种基于混合模型的两步贝叶斯多重插补框架，以解决EMA数据缺失问题，通过模拟与实际应用验证了其优于单一插补，并指出选择最佳混合模型的两个关键因素。
2023-11-20 stat.AP stat.ME
Bayesian Bootstrap based Gaussian Copula Model for Mixed Data with High Missing Rates
本文提出贝叶斯自助法高斯Copula模型BBGC，通过量化边缘分布不确定性并支持混合数据类型，在高缺失率下优于现有插补方法。
2025-07-22 stat.AP stat.ME
Joint Models for Handling Non-Ignorable Missing Data using Bayesian Additive Regression Trees: Application to Leaf Photosynthetic Traits Data
针对非随机缺失数据，本文提出两种基于 BART 的联合模型，灵活建模多变量结果与缺失机制，有效处理响应变量及协变量缺失，并在模拟和叶片光合性状数据中验证了其有效性。
2024-12-19 stat.AP stat.ME stat.ML
Measurement error as a missing data problem
这篇文章关注的是回归分析中协变量的测量误差，其目的是估计一个或多个协变量与结果之间的关联，调整混杂因素。如果忽略协变量测量中的误差，则会导致代表相关性的参数的有偏估计。对于部分或全部研究受试者，测量变量存在误差的研究可视为真实变量缺失的研究。我们建立了测量误差和缺失数据之间的联系，并描述了校正由于协变量测量误差引起的偏倚的方法，包括回归校准（条件均值插补），极大似然法和贝叶斯法，以及多重插补。使用第三次全国健康与营养检查调查（NHANES III）的数据来说明这些方法，以调查易出错的协变量收缩压与心血管疾病死亡风险之间的相关性，调整其他几个变量，包括那些受缺失数据的影响。我们使用多重插补和贝叶斯方法，可以同时解决测量误差和缺失数据。示例数据和R代码在补充材料中提供。
2019-10-14 stat.ME
Bayesian Prediction with Covariates Subject to Detection Limits
在工业问题中，由于信号干扰或测量设备缺乏灵敏度而导致的协变量缺失值是常见的。我们提出了一个完整的贝叶斯解决方案的预测问题，一个有效的马尔可夫链蒙特卡罗（MCMC）算法，更新所有的删失协变量值联合在一个随机扫描吉布斯采样。我们发现，缺失协变量值的联合更新可以比单变量更新至少高两个数量级。这种提高的效率被证明是至关重要的快速学习缺失的协变量值和他们的不确定性在实时决策的背景下，特别是当有大量的相关性在后的缺失值。该方法进行了评估模拟数据和电信部门的数据。我们的研究结果表明，所提出的贝叶斯插补提供了更准确的预测比天真的插补，并在插补辅助变量的使用提供了额外的预测能力。
2022-01-19 stat.AP stat.ME
Prediction with Missing Data via Bayesian Additive Regression Trees
The Wharton School of the University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
我们提出了一种方法，将缺失数据在非参数统计学习，而不需要填补。我们专注于一个基于树的方法，贝叶斯加法回归树（BART），增强了“Missingness Incorporated in Attributes”，最近提出的一种方法将missingness纳入决策树（Twala，2008）。这个过程利用了基于树的模型中的分区机制。仿真生成的模型和实际数据表明，我们提出的方法可以很好地预测复杂的失踪在随机和非失踪在随机模型，以及失踪本身影响响应的模型。我们的程序具有更高的预测性能，在许多情况下比竞争对手更稳定。我们还说明了巴士的能力，将缺失到不确定性区间，并检测缺失的模型拟合的影响。
2014-02-12 cs.LG stat.ML
Bayesian Variable Selection for High-Dimensional Predictors with Missing Psychometric Outcomes
Vanderbilt University Medical Center（范德堡大学医学中心）；University of California, Riverside（加州大学河滨分校）
针对心理测量中高维多模态预测变量与缺失多变量结果，提出SHIM贝叶斯框架，结合层次马蹄收缩与缺失结果处理，模拟验证平衡灵敏度与假阳性，并应用于阿尔茨海默病队列。R包shim已公开。
2026-09-11 stat.AP 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
Sensitivity and Early Detection of Bayesian Causal Impact Models for Marketing Interventions
Despegar
研究营销干预中贝叶斯因果影响模型的敏感性与早期检测，提出基于模拟框架，利用弃购营销旅程数据评估不同条件下警报激活概率及两种警报标准，揭示检测性能受多种因素影响，为动态营销监测决策提供实用方法。
2026-07-08 stat.ME
Bayesian data combination model with Gaussian process latent variable model for mixed observed variables under NMAR missingness
在社会科学和商业领域的观测数据分析中，很难获得一个“（准）单源数据集”，其中感兴趣的变量被同时观测。相反，多源数据集通常是为不同的个人或单位采集的。已经提出了各种方法来研究每个数据集中的变量之间的关系，例如，匹配和潜在变量建模。有必要将这些数据集用作缺少变量的单源数据集。现有的方法假设要整合的数据集是从同一个群体中获得的，或者采样依赖于协变量。就缺失程度而言，该假设被称为随机缺失（MAR）。然而，正如应用研究所示，这一假设在实际数据分析中可能不成立，所得结果可能存在偏差。我们提出了一种数据融合方法，不假设数据集是同质的。对于非MAR缺失数据，我们使用高斯过程潜变量模型。该模型假设关注变量和缺失概率取决于潜变量。仿真研究和实际数据分析表明，该方法具有丢失数据机制和潜在的高斯过程，可以得到有效的估计，而现有方法只能得到严重偏差的估计.这是第一次在合理的假设条件下研究数据融合问题中的非随机分配问题。
2021-09-01 stat.ME stat.ML
Variational Bayesian Multiple Imputation in High-Dimensional Regression Models With Missing Responses
针对高维聚类数据多重插补的计算负担，基于线性混合效应模型与变分贝叶斯推断，结合spike-and-slab先验开发逐变量插补算法，并扩展至分类变量，有效提升了不完整数据的插补与推断性能。
2025-04-06 stat.AP stat.ME
Bayesian Nonparametric Models for Biomedical Data Analysis
在这篇论文中，我们开发了非参数贝叶斯模型用于生物医学数据分析。特别地，我们关注肿瘤异质性的推断和缺失数据的推断。首先，我们提出了一个贝叶斯特征分配模型的肿瘤亚克隆重建突变对。关键的创新在于使用映射到近端单核苷酸变体（SNV）对的短读段。相比之下，大多数现有方法仅使用未配对SNV的边缘读段。在相同的背景下，使用突变对，为了恢复亚克隆的系统发育关系，我们然后开发了贝叶斯树特征分配模型。与常用的特征分配模型相比，我们允许潜在的特征是依赖的，使用树结构来引入依赖。最后，我们提出了一个非参数贝叶斯方法来处理纵向研究中的单调缺失数据。与大多数现有的方法相比，我们的方法允许从辅助协变量中整合信息，并且能够捕获响应、缺失和辅助协变量之间的复杂结构。我们的模型通过模拟研究进行验证，并应用于现实世界的生物医学数据集。
2017-10-26 stat.AP stat.CO stat.ME
Bayesian nonparametric inference for modal missing species and features
Bocconi University（博科尼大学）；University of Milano-Bicocca（米兰比可卡大学）；University of Torino（都灵大学）
针对物种和特征抽样中模态缺失概率推断缺乏统一框架且现有方法过于保守的问题，提出基于贝叶斯非参数模型的统一推断框架，生成更尖锐的闭式置信区间，兼顾频率论稳健性，并经模拟和有组织犯罪应用验证。
2026-09-09 stat.AP stat.ME
Multiple Imputation of Missing Categorical and Continuous Values via Bayesian Mixture Models with Local Dependence
我们提出了一个非参数贝叶斯联合模型的多变量连续和分类变量，目的是开发一个灵活的引擎，多重插补的缺失值。该模型融合了分类变量多项分布的Dirichlet过程混合和连续变量多元正态分布的Dirichlet过程混合。我们将连续和分类变量之间的依赖性（i）建模的正态分布的平均值作为组件特定的功能的分类变量和（ii）形成不同的混合成分的分类和连续数据的概率，通过分层模型。这种结构允许模型捕获分类数据和连续数据之间的复杂依赖关系，而分析人员只需进行最小的调整。我们应用该模型来填补缺失值，由于项目无应答的收入和计划参与调查（SIPP）的重新设计的评价。目标是将新设计的现场测试估计值与旧设计下收集的面板中选定个体的估计值进行比较。我们表明，占缺失数据改变了一些结论的可比性分布在两个数据集。我们还进行了广泛的重复抽样模拟使用类似的数据，从完整的情况下，在现有的SIPP面板，比较我们提出的模型的默认应用程序的多重插补链式方程。在这种现实环境中，基于所提出的模型的插补往往比链式方程的默认应用具有更好的重复采样特性。
2015-10-13 stat.AP stat.ME
Adaptive Bayesian SLOPE -- High-dimensional Model Selection with Missing Values
我们考虑的问题，变量选择在高维设置与缺失的观测之间的协变量。为了解决这个相对不足的问题，我们提出了一个新的协同程序-自适应贝叶斯斜率-有效地结合了斜率方法（排序$l_1$正则化）与尖峰和板LASSO方法。我们将我们的方法定位在贝叶斯框架内，该框架允许同时进行变量选择和参数估计，尽管存在缺失值。与尖峰和平板LASSO一样，系数被认为是由两组组成的分层模型产生的：（1）非活动的尖峰和（2）活动的平板。然而，我们没有为每个协变量分配独立的尖峰先验，而是在这里部署了一个联合的“SLOPE”尖峰先验，它考虑了系数幅度的排序，以控制错误的发现。通过大量的模拟，我们展示了令人满意的性能，功率，FDR和估计偏差在各种情况下。最后，我们分析了一个真实的数据集，其中包括来自巴黎医院的患者，他们经历了严重的创伤，在预测血小板水平方面表现出色。我们的方法已经在C++中实现，并包装成一个R包ABSLOPE供公众使用。
2019-11-06 stat.AP stat.CO stat.ME
Invited Discussion of "Model Uncertainty and Missing Data: An Objective Bayesian Perspective" by Gonzalo García-Donato , María Eugenia Castellanos , Stefano Cabras Alicia Quirós , and Anabel Forte
Duke University（杜克大学）
文章从客观贝叶斯视角出发，提出一种在高斯回归框架下同时处理模型不确定性和缺失数据的方法，并探讨了填补$g$-先验与图模型模型选择的联系。
2025-12-02 math.ST stat.ME stat.OT
Bayesian measures of leverage and influence
University of Warwick（华威大学）
该研究从局部敏感性框架推导贝叶斯杠杆与影响诊断，关联预测信息准则，提出异常值检测等新诊断，为模型改进及先验-数据冲突分析提供方法。
2026-08-20 stat.ME
A Bayesian approach to sharing information on sensitivity of a Multi-Cancer Early Detection test across and within tumour types and stages
针对多癌种早期检测测试敏感性在不同癌症类型和分期间的异质性问题，提出基于贝叶斯层次模型的信息共享框架，发现特定共享假设能提升早期癌症敏感性估计精度。
2025-04-30 stat.ME
A Novel Bayesian Approach for Latent Variable Modeling from Mixed Data with Missing Values
Institute for Computing and Information Sciences（计算与信息科学研究所）；Radboud University Nijmegen（拉德堡德大学奈梅亨分校）
本文研究了隐变量模型的参数学习问题。我们提出了一种新的贝叶斯高斯copula因子（BGCF）的方法，在一定的条件下是一致的，这是相当强大的违反这些条件。在模拟中，BGCF大大优于两个国家的最先进的替代方法。“Holzinger & Swineford 1939”数据集上的一个例子表明，即使数据与MLR的假设相匹配，BGCF也优于所谓的鲁棒极大似然（MLR）。
2018-06-12 cs.LG stat.ML
A Bayesian Approach for Nonignorable Dropout in Bivariate Longitudinal Models
Maastricht University（马斯特里赫特大学）；University of Florida（佛罗里达大学）；University College London（伦敦大学学院）
提出贝叶斯非参数方法处理双变量纵向数据中的非随机缺失，通过联合建模各响应的退出过程并利用识别约束处理数据复杂性，应用于成本效果评估。
2026-06-25 stat.ME
A computationally-tractable measure of global sensitivity for sampling-based Bayesian inference
University College London（伦敦大学学院）
提出基于Fisher散度的全局敏感性分析方法，仅需参考后验样本和得分函数评估，计算可行且适用于高维问题。
2026-10-07 stat.CO stat.ME
Efficient Uncertainty Propagation in Bayesian Two-Step Procedures
TU Dortmund University（多特蒙德工业大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出了一种高效两步方法，通过混合分布和帕累托平滑重要性采样减少计算开销，以更准确地处理贝叶斯推断中的不确定性传播问题。
2026-08-21 stat.ME
Fully Bayesian imputation model for non-random missing data in qPCR
我们提出了一种新的统计方法来获得差异基因表达的定量实时PCR（qPCR）实验中，通过贝叶斯分层模型。我们建议将未检出视为非随机缺失数据，对缺失数据机制进行建模，并使用该模型插补Ct值或获得相关模型参数的直接估计值。一个典型的实验室没有资源进行大量的重复实验，因此，我们提出了一种方法，不依赖于大样本理论。我们的目的是通过使用贝叶斯估计来证明存在非随机缺失的情况下分析qPCR数据的可能性。贝叶斯分析通常允许分析较小的数据集，而不会失去功效，同时保持精确度。贝叶斯估计的核心是，在观察数据（先验）之前，关于参数的所有已知信息都与数据本身的信息（可能性）相结合，从而产生关于参数的更新知识（后验）。在这项工作中，我们介绍和描述我们的分层模型和选择的先验分布，评估模型的敏感性，先验的选择，执行收敛诊断的马尔可夫链蒙特卡罗，并提出了一个真实的数据应用的结果。
2019-10-30 stat.AP
A Full Bayesian Model to Handle Structural Ones and Missingness in Economic Evaluations from Individual-Level Data
根据个人数据进行经济评价是技术评估过程的一个重要组成部分，目的是为资源分配决定提供信息。这些分析中的一个关键问题是，有效性和成本数据通常都存在一定的复杂性（如非正态性、峰值和缺失），应使用适当的方法加以解决。然而，在常规分析中，通常使用简单的标准化方法，可能导致有偏见的推论。我们提出了一个通用的贝叶斯框架，可以处理的复杂性。我们展示了使用我们的方法的好处，一个激励的例子，MenSS试验，其中有尖峰在一个有效性和缺失的两个结果。我们对比了一组日益复杂的模型，并进行了敏感性分析，以评估结论对一系列合理缺失假设的稳健性。本文强调了采用综合建模方法进行经济评估的重要性，以及在贝叶斯框架内构建这些复杂模型的战略优势。
2018-01-30 stat.AP
Diagnosing missing always at random in multivariate data
用于分析具有缺失值的多变量数据集的模型需要强有力的、通常是不可评估的假设。其中最常见的是，产生缺失数据的机制是可验证的--这是一个依赖于推理模式的双重假设。第一部分是这里的重点，在贝叶斯和直接似然范式下，要求缺失数据是随机随机缺失的;相反，频率似然范式要求缺失数据机制总是产生随机随机缺失数据，这种情况称为总是随机缺失。在某些正则条件下，假设缺失总是随机的，导致可以单独使用观测数据进行检验的假设，即，缺失数据指标仅取决于完全观测的变量。在这里，我们提出了三种不同的诊断测试，不仅表明这种假设是不正确的，而且还表明哪些变量是最有可能的罪魁祸首。尽管在贝叶斯和直接似然范式下，总是随机缺失不是确保有效性的必要条件，但它已经足够了，违反随机缺失的证据应该鼓励细心的统计学家进行有针对性的敏感性分析。
2018-04-02 stat.AP stat.ME
Bayesian and Maximum Likelihood Estimation for Gaussian Processes on an Incomplete Lattice
本文提出了一种新的方法来估计大格点上具有缺失值的平稳高斯过程的贝叶斯和极大似然参数估计。我们提出了一个MCMC方法的贝叶斯推断，和极大似然推理的蒙特卡罗期望最大化算法。我们的方法使用数据增广和循环嵌入的协方差阵，并提供精确的推断参数和缺失数据。使用模拟数据和应用卫星海洋表面温度在太平洋，我们表明，我们的方法提供了准确的推断尺寸高达512 × 512的格子，并优于两个流行的方法：复合似然和谱近似。
2014-02-18 stat.CO stat.ME
Bayesian Optimization with Missing Inputs
Deakin University（迪肯大学）；Applied Artificial Intelligence Institute（应用人工智能研究院）
贝叶斯优化（BO）是优化昂贵的黑盒函数的有效方法。在实际应用中，BO经常面临输入中缺失值的主要问题。丢失输入可能发生在两种情况下。首先，用于训练BO的历史数据通常包含缺失值。第二，当执行函数评估（例如，计算热处理过程中的合金强度）时，可能发生错误（例如，恒温器停止工作），导致在随机未知值而不是建议值处计算函数的错误情况。为了解决这个问题，一种常见的方法只是简单地跳过发生缺失值的数据点。显然，这种幼稚的方法不能有效地利用数据，并且通常导致性能低下。在本文中，我们提出了一种新的BO方法来处理丢失的输入。我们首先找到每个缺失值的概率分布，以便我们可以通过从其分布中抽取样本来估算缺失值。然后，我们开发了一个新的采集功能的基础上著名的置信上限（UCB）采集功能，它考虑了不确定性的估算值时，建议下一个点的功能评估。我们对合成和现实世界的应用程序进行了全面的实验，以证明我们方法的有用性。
2020-06-19 cs.LG stat.ML
BAMITA: Bayesian Multiple Imputation for Tensor Arrays
针对生物医学领域张量数据缺失且现有插补方法仅能点估计、无法捕捉不确定性的问题，提出基于贝叶斯CP分解的BAMITA多重插补方法，兼具插补精度与不确定性校准效果，已在微生物组研究中验证有效性并开源R代码。
2024-10-30 q-bio.QM stat.ME stat.ML
Bayesian Nonparametric Classification for Incomplete Data With a High Missing Rate: an Application to Semiconductor Manufacturing Data
在半导体制造过程中，半导体成品率的预测是一个重要的问题。在制造过程中及早发现不良产品的产生，可以节省巨大的生产成本。半导体制造过程中产生的数据具有高度非正态分布、缺失模式复杂、缺失率高的特点，这使得成品率的预测变得复杂。提出了一种基于Dirichlet过程和朴素贝叶斯模型的混合分类方法--Dirichlet过程-朴素贝叶斯模型（DPNB）。由于DPNB基于Dirichlet过程的混合，并学习所有相关变量的联合分布，因此它可以处理高度非正态数据，并可以对任何缺失模式的测试数据集进行预测。DPNB也表现良好的高丢失率，因为它使用的所有信息的观察到的组件。在包括半导体制造数据在内的各种真实数据集上的实验表明，随着缺失值百分比的增加，DPNB在预测缺失值方面具有比MICE和MissForest更好的性能。
2021-08-02 stat.AP
Bayesian Pliable Lasso with Horseshoe Prior for Interaction Effects in GLMs with Missing Responses
本文提出贝叶斯可塑套索，结合马蹄先验处理广义线性模型中的交互效应与缺失响应，通过分层先验强制遗传约束并自适应收缩，开发高效吉布斯采样算法，在完整和不完整数据下优于现有方法。
2025-09-09 stat.AP stat.CO stat.ME
Incremental Bayesian tensor learning for structural monitoring data imputation and response forecasting
Northeastern University（东北大学）；McGill University（麦吉尔大学）；MIT（麻省理工学院）
由于传感器故障引起的传感不连续性，缺失传感器数据填补在结构健康监测（SHM）领域中普遍存在。为了解决这个基本问题，本文提出了一种增量贝叶斯张量学习方法，用于SHM中时空缺失数据的重建和结构响应的预测。特别是，首先构建时空张量，然后进行贝叶斯张量因子分解，提取潜在的功能缺失数据填补。为了使结构响应预测的基础上不完整的传感数据，张量分解进一步集成与向量自回归增量学习计划。所提出的方法的性能进行了验证连续的现场传感数据（包括应变和温度记录）的混凝土桥梁，应变时间历程是高度相关的温度记录的假设的基础上。结果表明，所提出的概率张量学习方法是准确的和强大的，即使在存在较大的随机缺失率，结构化缺失和它们的组合。秩的选择的插补和预测性能的影响进行了研究。结果表明，对于随机缺失，秩越高，估计精度越高;对于结构性缺失，秩越低，估计精度越高。
2020-07-17 cs.LG cs.NA math.NA
Bayesian sensitivity analysis for a missing data model
本文针对缺失结局完全随机缺失假设，提出非参数贝叶斯敏感性分析方法，结合信息性先验，提供理论保证并模拟验证。
2023-05-11 math.ST stat.TH
Bayesian data analysis in empirical software engineering---The case of missing data
贝叶斯数据分析（BDA）今天被许多研究学科使用。这些学科使用BDA作为一种方法，通过使用多层次模型和利用手头的所有可用信息来拥抱不确定性。在本章中，我们首先向读者介绍BDA，然后提供一个经验软件工程的例子，在那里我们也处理我们领域的一个共同问题，即，缺少数据。我们使用的示例介绍了在进行最先进的统计分析时所做的步骤。首先，我们需要了解我们想要解决的问题。其次，我们进行因果分析。第三，我们分析了不可识别性。第四，进行缺失数据分析。最后，我们对先验进行了敏感性分析。所有这些都是在我们设计统计模型之前。一旦我们有了一个模型，我们就提出了几个可以用来进行健全性检查的诊断。我们希望通过这些例子，读者将看到使用BDA的优点。通过这种方式，我们希望贝叶斯统计在我们的领域中变得更加普遍，从而部分避免我们在其他学科中看到的再现性危机。
2020-01-01 cs.SE stat.AP
