A Two-Stage Bayesian Approach for Variable Selection in Joint Modeling of Multiple Longitudinal Markers with Competing Risks
The University of Manchester（曼彻斯特大学）；Inserm, Research Center U1219, Univ. Bordeaux, ISPED（法国国家健康与医学研究院，U1219研究中心，波尔多大学，ISPED）；Razi University（拉齐大学）
本文提出了一种两阶段贝叶斯方法，用于在存在竞争风险的情况下，通过多个纵向标记物的联合建模进行变量选择，以提高风险预测的准确性。
2025-12-02 stat.ME
Joint rank and variable selection for parsimonious estimation in a high-dimensional finite mixture regression model
本文研究了高维多元响应回归模型的有限混合模型的降维技术。响应的维数和预测变量的数量都允许超过样本量。我们考虑预测器的选择和降秩，以获得低维近似。引入了一类具有快速收敛速率的估计量。我们将此结果应用于[11]中介绍的特定程序，其中相关预测因子由Group-Lasso选择。
2017-02-16 math.ST stat.TH
Bayesian variable selection with spherically symmetric priors
我们建议，贝叶斯变量选择的线性参数化与高斯iid似然的对角化参数空间的球对称性的基础上。我们的r先验结果在封闭形式的证据的四个例子，包括超g先验和Zellner-Siow先验，这是特殊情况。一个单一的可变的色散参数和固定的色散的情况下进行了研究，并渐近形式可比的传统的信息准则。模拟实验表明，基于我们的r-先验模型比较给出了良好的结果，可比或优于当前的模型比较方案。
2015-12-10 math.ST physics.data-an stat.TH
Bayesian Variable Selection in Multivariate Nonlinear Regression with Graph Structures
高斯图模型（GGM）是使用精度矩阵进行依赖结构概率探索的成熟工具。我们开发了一种贝叶斯方法，将协变量信息在这个GGM设置在一个非线性看似无关的回归框架。我们提出了一个联合预测器和图选择模型，并开发了一个有效的折叠吉布斯采样算法来搜索联合模型空间。此外，我们研究了它的理论变量选择性质。我们证明了我们的方法对各种模拟数据，最后从TCPA项目的真实数据集。
2021-07-31 math.ST stat.ME stat.TH
Model selection criteria in beta regression with varying dispersion
研究了具有变离差的β回归模型的模型选择问题。该模型由两个子模型组成，即：平均值和离散度。我们的重点是为每个子模型选择协变量。我们的蒙特卡罗证据表明，联合选择的协变量为两个子模型是不准确的有限样本。我们引入了两个新的模型选择标准，明确考虑到不同的分散，并提出了一个快速的两步模型选择计划，这是相当准确的，是计算成本较低，比通常的联合模型选择。蒙特卡罗证据和讨论。我们还提出了实证应用的结果。
2014-10-06 stat.CO stat.ME
A Generalized Heckman Model With Varying Sample Selection Bias and Dispersion Parameters
许多建议已经出现作为Heckman选择模型的替代方案，主要是为了解决其正常假设的非鲁棒性。2001年医疗支出跟踪调查的数据经常被用来说明Heckman模型的不稳健性。在本文中，我们提出了一个推广的Heckman样本选择模型，允许样本选择偏差和分散参数依赖于协变量。我们表明，非鲁棒性的Heckman模型可能是由于假设的恒定样本选择偏差参数，而不是正态性假设。我们提出的方法使我们能够理解哪些协变量对于解释样本选择偏倚现象是重要的，而不仅仅是形成关于其存在的结论。我们探讨了我们提出的广义Heckman模型的极大似然估计（MLE）的推理方面。更具体地说，我们证明了这个模型满足一些正则条件，使它确保的MLE的一致性和渐近正态性。适当的评分残差样本选择模型，并解决模型的充分性。模拟结果检查有限样本的估计行为，并验证不考虑不同的样本选择偏差和分散参数的后果。我们表明，正常的假设分析医疗支出数据是合适的，使用我们的方法得出的结论是一致的，从以前的文献研究结果。此外，我们确定哪些协变量是相关的，以解释在这个重要的数据集样本选择偏差的存在。
2020-12-03 stat.ME
An iterative algorithm for joint covariate and random effect selection in mixed effects models
我们考虑一般混合效应模型中固定效应和随机效应的联合选择。估计的混合效应模型的解释是具有挑战性的，因为改变一组效应的结构可能导致模型中重要协变量的不同选择。我们提出了一个逐步选择算法来执行固定和随机效应的同时选择。它是基于BIC型标准，其处罚适用于混合效应模型。所提出的程序执行模型选择在线性和非线性模型。它应用于低维设置，其中协变量数量和随机效应数量相对于观察总数而言是中等的。该算法的性能进行评估，通过模拟研究，其中也包括一个比较研究的替代品时，在文献中。该方法的使用说明在抗生素剂动力学的临床研究。
2020-02-25 stat.ME
A Bayesian Joint Model for Compositional Mediation Effect Selection in Microbiome Data
本文提出面向成分微生物组数据的贝叶斯联合模型，以同时识别、估计并量化直接、相对间接和总体间接效应，并通过模拟和小鼠抗生素基准数据验证其选择性能。
2023-04-26 stat.AP stat.ME
Consistent and scalable Bayesian joint variable and graph selection for disease diagnosis leveraging functional brain network
考虑高维probit回归中协变量的回归系数和逆协方差阵的联合推断，其中预测变量既与二元响应相关，又在函数上相互关联.一个层次模型与穗和板坯先验的回归系数和逆协方差阵中的元素，同时进行变量和图形的选择。我们建立联合选择一致性的变量和底层图形的预测时，尺寸允许增长远远大于样本量，这是贝叶斯文献中的第一个理论结果。一个可扩展的吉布斯采样器推导出，在高维模拟研究中表现得更好，与其他国家的最先进的方法。我们通过功能性MRI数据集说明了所提出的方法的实际影响和实用性，其中具有改变的功能活动的感兴趣区域和潜在的功能性脑网络被推断并整合在一起，用于对疾病风险进行分层。
2022-03-14 math.ST stat.ME stat.TH
Joint Variable Selection of both Fixed and Random Effects for Gaussian Process-based Spatially Varying Coefficient Models
空间变系数（SVC）模型是一种空间数据的回归模型，其中协变量效应随空间而变化。如果有多个协变量，一个自然的问题是哪些协变量具有空间变化效应，哪些没有。针对基于高斯过程的SVC模型，提出了一种新的变量选择方法.它依赖于惩罚极大似然估计（PMLE），并允许变量选择相对于固定效应和高斯过程随机效应。我们验证了我们的方法在模拟研究以及现实世界的数据集。我们的新方法在模拟研究中表现出良好的选择性能。在实际数据应用中，我们提出的PMLE产生稀疏SVC模型，并实现了一个更小的信息标准比经典的MLE。在应用于实际数据的交叉验证中，我们表明，稀疏PML估计SVC模型与ML估计SVC模型在预测性能方面不相上下。
2021-02-11 stat.ME
A generalized likelihood based Bayesian approach for scalable joint regression and covariance selection in high dimensions
研究了贝叶斯范式下高维多元回归模型中回归系数矩阵和误差精度矩阵（逆协方差矩阵）的联合稀疏性选择问题。所选择的稀疏模式对于帮助理解预测变量和响应变量之间的关系网络以及后者之间的条件关系至关重要。虽然贝叶斯方法具有通过后验包含概率和可信区间提供自然不确定性量化的优点，但当前贝叶斯方法要么限制于稀疏模式的特定子类和/或不可扩展到具有数百个响应和预测因子的设置。贝叶斯方法只关注于估计后验模式是可扩展的，但不从后验分布生成样本用于不确定性量化。使用基于双凸回归的广义似然和尖峰和平板先验，我们开发了一种称为联合回归网络的算法（JRNS），用于联合回归和协方差选择，该算法（a）可以适应一般稀疏模式，（b）提供不确定性量化的后验样本，（c）可扩展，比提供不确定性量化的最先进贝叶斯方法快几个数量级。我们证明了所提出的方法对合成数据的统计和计算效率，并通过对选定的癌症数据集的分析。我们还建立了高维后验一致性的开发算法之一。
2022-01-14 stat.CO stat.ME
Adaptive Basis Selection for Exponential Family Smoothing Splines with Application in Joint Modeling of Multiple Sequencing Samples
第二代测序技术已经取代了基于芯片的技术，成为基因组学和表观基因组学分析的默认方法。第二代测序技术可并行测序数千万个DNA/cDNA片段。在将所得序列（短读段）映射到基因组之后，得到沿着基因组的短读段计数的序列。在这些短读段计数中有效提取信号是测序技术成功的关键。非参数方法，特别是平滑样条，已被广泛用于建模和处理单测序样品。然而，多个第二代测序样本的非参数联合建模由于计算成本而仍然缺乏。在这篇文章中，我们开发了一种自适应的基础选择方法，用于高效计算指数族平滑样条来建模多个第二代测序样本。我们的自适应基选择给出了平滑样条的稀疏近似，产生了更低维的有效模型空间，用于更可扩展的计算。渐近分析表明，有效的模型空间是丰富的，足以保留数据的本质特征。此外，通过自适应基选择计算的指数族平滑样条模型具有良好的统计特性，例如，收敛速度与全基指数族光滑样条相同。通过模拟研究和两个第二代测序数据的例子证明了经验性能。
2017-02-07 stat.ME
Tutorial on ABC rejection and ABC SMC for parameter estimation and model selection
在本教程中，我们示意性地说明了四种算法：（1）用于参数估计的ABC拒绝（2）用于参数估计的ABC SMC（3）用于联合空间上的模型选择的ABC拒绝（4）用于联合空间上的模型选择的ABC SMC。
2010-01-19 stat.CO stat.ME
Joint Bayesian Variable and DAG Selection Consistency for High-dimensional Regression Models with Network-structured Covariates
考虑了高维回归模型中协变量的回归系数和协变量的协方差阵的联合稀疏估计问题，其中预测变量既与响应变量相关，又通过高斯有向无圈图（DAG）模型在函数上相互关联.高斯DAG模型在逆协方差阵的Cholesky因子中引入稀疏性，而稀疏性模式又对应于对基础预测变量的特定条件独立性假设。近年来已经开发了各种方法贝叶斯推理在确定这样的网络结构的预测回归设置，但这些模型的重要稀疏性选择属性还没有得到彻底的研究。本文研究了一类在回归系数上具有spike和slab先验的递阶模型和一类在逆协方差阵的Cholesky因子上具有多个形状参数的灵活且一般的DAG-Wishart分布.在温和的规律性假设下，我们建立了联合选择一致性的变量和潜在的DAG的协变量时，预测的维度允许增长远远大于样本量。我们证明了我们的方法优于现有的方法在选择网络结构的预测在几个模拟设置。
2020-04-20 math.ST stat.ME stat.TH
Bayesian feature selection in joint models with application to a cardiovascular disease cohort study
本文提出一种改进的贝叶斯稀疏组选择先验，用于联合模型中风险因素组及组内轨迹特征的双层选择，并通过模拟和ARIC队列识别与CVD死亡相关的重要风险因素及特征。
2024-12-01 stat.ME
Joint variable and rank selection for parsimonious estimation of high-dimensional matrices
我们提出了稀疏，高维多变量响应回归模型的降维方法。响应数量和预测因子数量都可能超过样本量。有时被视为互补的，预测选择和降秩是最流行的策略，以获得低维近似的参数矩阵在这样的模型。在这篇文章中，我们表明，重要的收益，预测精度可以通过共同考虑它们获得。我们提出了一类新的稀疏多元回归模型，其中系数矩阵具有低秩和零行，或者可以很好地近似这样的矩阵。接下来，我们介绍的估计是基于惩罚最小二乘，与新的罚款，同时施加行和秩限制的系数矩阵。我们证明了这些估计确实适应未知矩阵的稀疏性，并具有快速的收敛速度。我们支持我们的理论结果与广泛的模拟研究和两个数据分析。
2013-02-13 math.ST stat.ME stat.ML
