C-mix: a high dimensional mixture model for censored durations, with applications to genetic data
本文引入了删失持续时间的混合模型(C-mix),并给出了该模型时间分布和潜回归参数的联合估计的极大似然推断。我们考虑一个高维的设置,包含大量的生物医学协变量的数据集。因此,我们通过弹性网络惩罚负对数似然,这导致模型的稀疏参数化。推理是使用一个有效的拟牛顿期望最大化(QNEM)算法,我们提供收敛性。然后,我们通过评估患者早期不良事件的风险来提出评分。该方法的统计性能进行了广泛的蒙特卡罗模拟研究,并最终说明了三个遗传数据集与高维协变量。我们表明,我们的方法优于最先进的,即治愈和考克斯比例风险模型的这项任务,无论是在C指数和AUC(t)。
2017-11-25 stat.ML
Bayesian Nonparametric Conditional Copula Estimation of Twin Data
一些关于双胞胎遗传力的研究旨在了解环境和遗传因素对特定性状的不同贡献。结合全国优秀双胞胎研究,我们的目的是正确分析社会经济地位对双胞胎认知能力关系的影响。我们的方法是基于条件Copula,这使我们能够模拟协变量驱动的主要变量之间的依赖强度的影响。我们提出了一个灵活的贝叶斯非参数方法估计的条件copula,它可以模拟任何条件copula密度。我们的方法扩展了Wu et al(2015)的工作,通过在无限混合模型中引入协变量的依赖性。我们的研究结果表明,环境因素在社会经济地位较低的家庭中更有影响力。
2017-07-03 stat.AP stat.ME
Multi-species distribution modeling using penalized mixture of regressions
多物种分布模型将多个物种的出现与环境变量联系起来,是生态学家用于预测群落中物种分布和识别驱动物种共存的重要变量的重要工具。最近,邓斯坦,福斯特和达内尔[生态模型。222(2011)955-963]提出了使用有限混合回归(FMR)模型进行多物种分布建模,其中物种基于其环境响应聚类以形成少量“原型响应”。“作为一个说明性的例子,他们将混合模型方法应用于澳大利亚大堡礁沿线收集的200种海洋生物的存在-不存在数据集。然而,很少有人注意到模型选择的问题-由于原型(混合组分)可能取决于不同但可能重叠的协变量集,因此需要一种方法同时对所有组分进行变量选择。在这篇文章中,我们考虑在FMR模型中使用罚似然函数进行变量选择。我们提出了两种惩罚,利用协变量的分组结构,即每个协变量由一组系数表示,每个分量一个。这导致了一种有吸引力的收缩形式,允许同时从所有组件中删除协变量。这两种处罚具有特定形式的变量选择的一致性,模拟表明,他们优于其他方法,不考虑分组结构。当应用于大堡礁数据集,惩罚FMR模型提供了更深入的重要变量驱动物种共存的海洋群落(相比以前的结果,没有模型选择进行),同时提供了一个计算稳定的方法建模复杂的物种-环境关系(通过正规化)。
2015-09-16 stat.AP
Population counts along elliptical habitat contours: hierarchical modelling using Poisson-lognormal mixtures with nonstationary spatial structure
生态学家经常解释种群空间分布的变化对环境特征的反应,但如果潜在的影响和空间和时间的相关性没有得到适当的解释,那么很难解开个体变量的影响。在这里,我们使用层次模型的基础上泊松对数正态混合,以了解空间变化的相对丰度(每标准化单位的努力计数)的黄鲈鱼,鲈鱼,最丰富的鱼类物种在圣皮埃尔湖,魁北克省,加拿大。该混合物采用了空间变化的环境协变量,代表当地的栖息地特征,和随机的时间和空间效应,捕捉未观察到的生态过程的影响。采样设计覆盖了湖的边缘,但没有覆盖湖的中心区域。我们适合空间广义线性混合模型的基础上三个不同的先验协方差结构的本地潜在的影响:一个单一的高斯过程(GP)的湖泊,一个GP在一个圆圈,和独立的GP为每个岸边。这些模型允许独立性、各向同性或非平稳空间效应。非平稳性处理使用两种不同的方法,几何各向异性,并列入协变量的潜在空间过程的相关结构。所提出的空间域的规范和选择的高斯过程先验的方法可能会被证明是有用的,在其他应用中,涉及沿不规则轮廓或在不连续的空间域的空间相关性。
2015-05-16 stat.AP
Comparing Spatial Regression to Random Forests for Large Environmental Data Sets
环境数据可能由于记录数量、协变量数量或两者的原因而“大”。随机森林在使用许多具有非线性关系的协变量时具有良好的预测性能,而空间回归在使用降秩方法时,在使用许多空间自相关的记录时具有良好的预测性能。在这项研究中,我们比较了这两种技术使用的数据集包含大型无脊椎动物多尺度指数(MMI)在1859流网站超过200景观协变量。一个主要的应用程序是映射MMI的预测和预测误差在110万常年流达到整个美国接壤。对于空间回归模型,我们开发了一种新的变换过程,估计Box-Cox变换线性化协变量关系,并处理可能的零膨胀协变量。我们发现,空间回归模型的转换,并随后选择显着的协变量,交叉验证性能略优于随机森林。我们还发现,预测区间覆盖率接近标称的每种方法,但空间回归预测区间往往是窄的,比分位数回归森林预测区间的变异性较小。仿真研究是用来概括的结果,并澄清每个建模方法的优点。
2018-12-26 stat.AP
Bayesian semiparametric analysis for two-phase studies of gene-environment interaction
双重抽样设计是一种成本效益高的方法,可以在明智选择的子样本上收集昂贵的协变量信息。这是很自然的应用这样一种策略,收集基因数据的子样本丰富的暴露于环境因素的基因-环境相互作用(G x E)分析。在本文中,我们认为两个阶段的研究G x E相互作用的第一阶段的数据可用于曝光,协变量和疾病状态。进行分层抽样,以根据疾病和暴露情况,在II期对个体进行基因分型。我们认为贝叶斯分析的基础上,联合回顾性的可能性,第一和第二阶段的数据。我们解决了几个重要的统计问题:(i)我们考虑一个具有多个基因、环境因素及其成对相互作用的模型。我们采用贝叶斯变量选择算法来降低这个潜在的高维模型的维数:(ii)我们使用基因-基因和基因-环境独立的假设,通过使用反映这一假设的分层先验估计相互作用参数的偏差和效率之间的权衡;(iii)我们使用Dunson和Xing [J. Amer. Statist. 104(2009)1042-1051]。
2013-05-24 stat.AP
Bayesian Covariate-Varying Interaction Analysis for Multivariate Count Data: Application to Microbiome Studies
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of California Santa Cruz(加州大学圣克鲁兹分校)
本文提出了一种贝叶斯协变量变化因子模型,用于分析微生物组数据中的多元计数数据,通过非参数贝叶斯框架解决高维和离散性等挑战。
2026-03-12 stat.ME
BPEC: An R Package for Bayesian Phylogeographic and Ecological Clustering
BPEC是贝叶斯系统地理学和生态聚类的R软件包,它允许地理,环境和表型测量与DNA序列相结合,以揭示迁移事件导致的聚类结构。DNA序列的建模使用一个简化的合并模型投影到单倍型树,随后引起的迁移发生的约束聚类的折叠版本。在每个聚类中,使用协变量(地理,环境,表型)的多变量高斯分布。推断遵循定制的可逆跳跃马尔可夫链蒙特卡罗采样,使得聚类的数量(即,迁移)不需要预先指定。提供了许多输出图和可视化,反映了感兴趣的参数的后验分布。BPEC还包括创建可加载到Google Earth中的输出文件的函数。包命令说明通过一个例子数据集的多型近东棕色青蛙蛙macrocnemis使用BPEC分析。
2018-09-18 stat.AP
Tail Halos: The Covariate Dual of the Tail
University of Göttingen(哥廷根大学);University of Edinburgh(爱丁堡大学)
本文提出尾部光晕概念,定义协变量空间中与极端事件相关的区域,并开发贝叶斯结构化加性分布回归框架进行推断,应用于爱丁堡空气污染数据识别高污染配置。
2026-10-01 stat.ME
Dynamical non-Gaussian modelling of spatial processes
环境应用中的时空过程通常被假设为遵循高斯模型,可能经过一些变换。但是,空间和时间上的异质性可能具有无法通过转换数据来适应的模式。在这种情况下,对方差律进行建模是一种有吸引力的替代方案。这项工作通过将过程定义为高斯和对数高斯过程之间的尺度混合,为通常的多元动态高斯模型增加了灵活性。尺度由在空间和时间上平滑变化的过程表示,该过程允许依赖于协变量。状态空间方程定义了均值和方差过程随时间的动态变化,从而导致不可行的推断和预测。人工数据集的分析表明,参数是可识别的,更简单的模型恢复一般建议的模型。最高温度和最高臭氧两个重要的环境过程的分析,说明了我们的建议,在提高时空过程预测的不确定性量化的有效性。
2021-10-14 stat.AP
Spatial Process Gradients and Their Use in Sensitivity Analysis for Environmental Processes
本文提出了基于空间过程的方向导数的局部灵敏度分析方法。空间过程的形式梯度分析在以前的论文中进行了阐述,重点是与假设遵循高斯过程模型的响应变量相关的方向导数的分布理论。在目前的工作中,这些想法被扩展到另外容纳一个连续的协变量,其方向导数也感兴趣,并将响应面的方向导数的行为与协变量表面的行为相关联。在某种意义上,评估响应的梯度是否遵循解释变量的梯度是有意义的。所有变量(包括方向导数)的联合高斯结构允许使用显式分布理论,因此允许使用多元正态理论进行空间区域的克里金法。在贝叶斯分层建模框架内工作,后验样本使所有梯度分析能够在模型拟合后进行。作为概念证明,我们展示了我们的方法可以应用到一个标准的地质统计建模设置使用模拟的例子。对于真实数据的说明,我们使用点模式数据,将我们的梯度分析推迟到强度表面,采用对数高斯Cox过程模型。特别是,我们与海拔数据点模式与杜克森林中的几个树种。
2015-03-28 math.ST stat.ME stat.TH
Surgery duration prediction using multi-task feature selection
本文提出一种基于多任务回归的特征选择方法,用于预测手术时长,通过为相同样本量的任务选择共同协变量子集并允许系数变化,在基于外科医生的任务上优于基线,但在基于手术类型的任务上未达基线。
2024-03-20 stat.AP
Bayesian Region Selection and Prediction in Poisson Regression with Spatially Dependent Global-Local Shrinkage Prior
Yale School of Public Health(耶鲁大学公共卫生学院);University of Arizona(亚利桑那大学)
本文提出一种新的全局-局部收缩先验,用于泊松回归中空间变量的选择与预测,结合条件自回归先验和超重尾先验,以处理空间依赖性和稀疏结构,提升预测精度。
2026-05-06 stat.AP stat.ME
Increasing domain asymptotics for covariate-based nonparametric Bayesian intensity estimation with Gaussian and Besov-Laplace priors
ESOMAS Department, University of Turin(都灵大学 ESOMAS 系)
研究在递增域渐近性和协变量遍历性假设下,使用高斯先验和贝索-拉普拉斯先验的非参数贝叶斯方法估计协变量驱动点过程强度函数,并证明其达到极小极大最优后验收缩率。
2026-05-29 math.ST stat.ME stat.TH
A Case Study of Space-time Performance Comparison of Wind Turbines on a Wind Farm
本文介绍了一个电力行业联合案例研究,进行量化和比较多年的变化,分散在一个中型风电场的多个涡轮机的发电性能。该分析被称为空时性能比较。功率性能分析的一个关键方面是控制风力和环境输入。本研究采用,在一个连续的方式,两个主要的建模组件,行使严格控制的多个输入条件-协变量匹配方法,其次是一个基于高斯过程模型的功能比较。该分析方法适用于一个风力发电场,房子66涡轮机在一个中等复杂的地形。发电和环境数据跨越近四年,在此期间,涡轮机经历了多次技术升级。时空分析提供了一个定量和全局的图像,显示了涡轮机之间的相对差异以及每个涡轮机如何随时间变化。
2021-02-19 stat.AP
Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting
Department of Statistics University of Connecticut(统计学系 美国康涅狄格大学);Department of Statistics North Carolina State University(统计学系 北卡罗来纳州立大学)
本文提出一种基于spike-and-slab先验的分层贝叶斯框架,用于线性回归中协变量与滞后误差项的联合选择,并设计两阶段MCMC算法解决高维计算问题,在理论和实际应用中均展现出更高的选择准确性与预测性能。
2025-08-15 cs.LG math.ST stat.ME
Using Integrated Nested Laplace Approximation for Modeling Spatial Healthcare Utilization
近年来,空间和时空建模已成为许多领域(流行病学,环境研究,疾病地图)的重要研究领域。在这项工作中,我们提出了不同的空间模型来研究医院招聘,包括一些潜在的解释变量。感兴趣的是每个地理单元的分布,即居住在该地理单元的患者人数与同一地理单元的人口之间的比例。模型考虑的框架内的贝叶斯潜在高斯模型。我们的响应变量假设遵循具有logit链接的二项分布,其参数是地理单元中的人群和相应的相对风险。结构化加性预测因子以加性方式解释各种协变量的效应,包括协变量的平滑函数(例如空间效应),协变量的线性效应。为了近似后边缘,这不是在封闭的形式,我们使用集成嵌套拉普拉斯近似(INLA),最近提出的近似贝叶斯推断在潜在的高斯模型。INLA的优点是给出非常精确的近似值,并且当参数的数量不超过6时(就像我们的情况一样),比McMC方法更快。使用DIC标准评估模型比较。
2010-06-18 stat.AP stat.ME
A varying-coefficient model for characterizing duration-driven heterogeneity in flood-related health impacts
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院)
本文提出EDVCM模型,用于分析洪水暴露持续时间对健康影响的异质性,通过贝叶斯方法和条件泊松回归提高估计精度。
2026-01-26 stat.AP stat.ME
Semi-parametric Bayes Regression with Network Valued Covariates
越来越多的人认识到大脑网络作为精神健康和精神病学研究中的神经影像学生物标志物的作用。我们的重点是创伤后应激障碍(PTSD),其中大脑网络以复杂的方式与环境暴露相互作用,以推动疾病进展。寻求表征临床表型与脑网络中的整个边缘集之间的关系的现有线性模型可能过于简单化,并且通常涉及导致计算负担和不准确估计的膨胀的参数数量。在第一个这样的努力之一,我们开发了一种新的两阶段贝叶斯框架,找到一个节点特定的低维表示的网络使用潜在规模的方法在第一阶段,然后使用一个灵活的高斯过程回归框架预测涉及的潜在规模和其他补充协变量在第二阶段。所提出的方法放松了线性假设,解决了维数灾难,并可扩展到高维网络,同时保持在网络的节点级别的可解释性。从我们的激励PTSD应用程序的广泛的模拟和结果显示了竞争的线性和非线性方法的预测和覆盖方面的明显优势,所提出的方法。
2019-10-09 stat.ME
A Bayesian Gaussian Process for Estimating a Causal Exposure Response Curve in Environmental Epidemiology
出于环境政策问题,我们解决的挑战,估计,变点检测和不确定性量化的因果关系的确定性响应函数(CERF)。在潜在结果框架下,CERF描述了连续变化的暴露(或治疗)及其对结果的因果影响之间的关系。我们提出了一种新的贝叶斯方法,依赖于一个高斯过程(GP)模型来估计非参数的CERF。为了实现所需的分离设计和分析阶段,我们参数化的协方差(核)函数的GP模拟匹配通过广义倾向得分(GPS)。超参数以及GP的核函数的形式被选择以优化协变量平衡。我们的方法实现了自动不确定性评估的CERF与高的计算效率,并使变点检测通过推断CERF的衍生物。我们提供的理论结果表明,我们的贝叶斯GP框架和传统的方法之间的对应关系,在因果推断估计连续曝光的因果影响。我们将这些方法应用于520,711个ZIP代码水平的观察,以估计长期暴露于PM2.5,臭氧和NO2对美国医疗保险参保者全因死亡率的因果影响。GPCERF R包中提供了建议的GP模型的计算效率实现,该包可在CRAN上获得。
2023-01-25 stat.AP stat.ME
Cokrig-and-Regress for Spatially Misaligned Environmental Data
针对环境研究中常见的空间错位数据问题,提出可处理多协变量及非线性关联的CNR方法,通过协同克里金预测补全未观测协变量,结合参数自助法校正偏差,模拟与真实数据应用均验证了其有效性。
2023-10-09 stat.AP stat.ME
A Bayesian Nonparametric Approach for Identifying Differentially Abundant Taxa in Multigroup Microbiome Data with Covariates
针对含协变量的多组微生物组数据,提出零膨胀贝叶斯非参数(ZIBNP)方法,利用半参数中餐馆过程降维并处理零膨胀,在模拟和真实数据集上验证了其差异丰度分析的准确性。
2023-12-27 stat.ME
Covariate-Dependent Functional Principal Component Analysis for SHM
Helmut Schmidt University(赫尔穆特·施密特大学);KU Leuven(荷语鲁汶大学)
本文提出一种基于协变量的功能主成分分析方法,用于处理结构健康监测中环境因素对功能数据协方差结构的影响,提升监测鲁棒性。
2026-03-18 stat.AP stat.ME
Spatio-Temporal Gaussian Process for Building Terrain-Incorporating Wind Power Curves
提出一种非参数时空高斯过程模型,通过构建共享代表性时间协变量集实现时空对齐,有效整合地形特征与时间变量,提升风电场功率预测精度。
2026-07-02 cs.LG stat.AP
A multivariate Gaussian random field prior against spatial confounding
空间模型用于各种研究领域,如环境科学,流行病学或物理学。在许多空间回归模型中,一个常见的现象是空间混杂。当模拟响应均值的空间索引协变量与空间随机效应相关时,会发生这种现象。因此,协变量的回归系数估计值可能存在严重偏倚,对这些估计值的解释不再有效。最近的文献表明,减少空间混淆的典型解决方案可能会导致误导和违反直觉的结果。在本文中,我们开发了一个计算效率高的空间模型在贝叶斯框架集成新的先验结构,减少空间混淆。从单变量的情况下,我们扩展我们的先验结构的情况下,多个空间混杂协变量。在一项模拟研究中,我们表明,我们的新模型灵活地检测和减少空间数据集中的空间混淆,并且它的性能优于通常使用的方法,如限制空间回归。这些结果是有希望的任何应用研究人员谁希望解释协变量的影响空间回归模型。作为一个真实的数据说明,我们研究了海拔和温度对德国日降水量的影响。
2021-06-07 stat.ME
Bayesian covariance regression for differential network analysis of zero-inflated microbiome data
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心)
本文提出TRECOR框架,通过贝叶斯协方差回归推断零膨胀组成计数数据的协变量依赖微生物协方差网络,展示了其在微生物组数据中的应用效果。
2026-04-02 stat.AP stat.ME
A Degradation Performance Model With Mixed-type Covariates and Latent Heterogeneity
退化性能数据的成功建模对于高可靠性产品单元的准确可靠性评估和失效预测至关重要。随着时间的推移,降解性能测量是高度异质的。这种异质性可以部分归因于外部因素,如加速/环境条件,也可以归因于内部因素,如产品单元的材料微观结构特征。由于每个产品单元内共有的未观察到/未知因素,潜在的异质性也可能存在,也需要考虑。现有的降解模型往往未能考虑(i)外部加速/环境条件和内部材料信息的影响,(ii)每个单元内未观察到/未知因素的影响。在这项工作中,我们提出了一个通用的退化性能建模框架,混合型协变量和潜在的异质性,以考虑到观察到的内部和外部因素以及未观察到的因素的影响。有效的估计算法也被开发来联合量化混合型协变量和个体潜在异质性的影响,并检查混合型协变量之间的潜在相互作用。函数数据分析和数据增强技术被用来解决一系列的估计问题。一个真实的案例研究进一步证明了所提出的方法优于几种替代建模方法的性能。此外,所提出的退化性能建模框架也提供了可解释的结果。
2021-01-11 stat.AP
Bayesian nonparametric dependent model for partially replicated data: the influence of fuel spills on species diversity
我们引入了一个依赖贝叶斯非参数模型的概率建模的子群的成员在一个社区的基础上部分复制的数据。这里的重点是按地点分类的物种数据,即社区数据,其中不同地点的观测结果按不同物种分类。我们的目标是研究额外的协变量,例如环境变量,对数据结构的影响,特别是对社区的多样性。为了这个目的,我们引入了先验的协变量之间的依赖,并表明它提高了后验推理。我们使用的Griffiths-Engen-McCloskey分布的依赖版本定义通过棒断裂建设。该分布通过变换高斯过程获得,该高斯过程的协方差函数控制期望的相关性。用马尔可夫链蒙特卡罗方法对得到的后验分布进行抽样。我们说明了我们的模型的应用程序,在南极洲的燃料泄漏现场的碳氢化合物污染梯度的土壤微生物数据集。这种方法允许推断的数量感兴趣的生态毒理学,如多样性或有效浓度,并广泛适用于社区对环境变量的反应的一般问题。
2015-07-27 math.ST stat.ME stat.TH
Which modelling choices shape your interpolation map? An Optimal Transport sensitivity analysis for groundwater sulfate concentration
本研究提出一种基于最优传输的全局敏感性分析方法,将空间预测图的不确定性归因于建模选择,并应用于巴黎盆地地下水硫酸盐浓度制图,发现协变量选择和网格分辨率是主要不确定性来源。
2026-10-06 stat.AP stat.ME
Point-process based Bayesian modeling of space-time structures of forest fire occurrences in Mediterranean France
由于气候变化和人类活动,预计野火将在全球范围内变得更加频繁和极端,造成经济和生态灾难。随机建模可以帮助部署预防措施和操作预测,有助于理解和量化控制发生强度的机制。我们在这里开发了一个点过程框架观察到的野火点火点在法国地中海盆地自1995年以来,我们适合的时空对数高斯考克斯过程与每月的时间分辨率在贝叶斯框架使用集成嵌套拉普拉斯近似(INLA)。人类活动是野火的主要直接原因,并通过一些适当定义的代理相关的土地利用协变量(城市化,道路网络)在我们的方法间接测量,我们进一步整合气候和环境条件的协变量来解释野火的发生。我们包括空间随机效应与Matérn协方差和时间自回归在年度分辨率。两个主要的方法学挑战:第一,处理和统一的多尺度结构的数据是通过计算机密集型的预处理步骤与GIS软件和克里格技术实现的;第二,基于INLA的估计与高维响应向量和潜在的模型是通过年内二次抽样,考虑到野火的发生结构。
2020-02-19 stat.AP stat.ME
Modeling Sheep pox Disease from the 1994-1998 Epidemic in Evros Prefecture, Greece
羊痘是一种高度传染性疾病,可造成严重的牲畜损失,因此可产生重大的经济影响。我们目前的数据从1994年至1998年发生的羊痘疫情。这些数据包括每周受感染农场的记录以及一些协变量。我们实现贝叶斯随机回归模型,除了各种解释变量,如季节和环境/气象因素,还包含基于Ornstein-Uhlenbeck过程变体的序列相关结构。我们通过利用基于偏差的措施在模型选择中采取预测观点。结果表明,季节性和感染的农场数量是绵羊痘发病率的重要预测因子。
2017-08-28 q-bio.PE stat.AP
Additive multivariate Gaussian processes for joint species distribution modeling with heterogeneous data
物种分布模型(SDM)是生态学、自然资源保护和管理的重要工具。最先进的空间数据模型的两个关键组成部分是描述物种分布响应沿环境协变量和空间随机效应。联合物种分布模型(JSDM)还包括种间相关性,与单物种模型相比,这种相关性已被证明可以提高其描述和预测性能。目前的JSDM仅限于分层广义线性建模框架。这些参数模型在解释丰度变化方面存在困难,例如,高度非线性的物理耐受极限,这在预测新区域或环境变化情景下的物种分布时特别重要。另一方面,半参数响应函数已被证明可以提高单物种模型中SDM在这些任务中的预测性能。在这里,我们提出了JSDM的环境协变量的响应建模与加性多变量高斯过程编码为线性模型coregionalization。这些允许推断广泛的功能形式和种间相关性的反应。我们还提出了一个有效的方法,推断与拉普拉斯近似和参数化的种间协方差阵的欧几里德空间。我们用两个小规模的例子和一个真实世界的案例研究证明了我们的模型的好处。我们使用交叉验证比较所提出的模型类似的半参数单物种模型和参数单和联合物种模型的内插和外推任务。在所有情况下,所提出的模型优于替代模型。我们还表明,所提出的模型可以被看作是一个扩展的当前国家的最先进的JSDM的半参数模型。
2019-08-08 stat.ME
A functional joint model with baseline functional covariates: linking sitting accumulation patterns to physical function and mortality among older women
North Carolina State University(北卡罗来纳州立大学);University of Buffalo(布法罗大学);University of California, San Diego(加州大学圣地亚哥分校);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心)
本研究针对老年女性,提出含基线功能协变量的功能联合模型,分析OPACH研究中6489名女性的久坐积累模式与身体功能、死亡率的关联,验证了该模型的有效性并揭示了相关剂量-反应关系。
2026-08-19 stat.AP
A Bayesian Semiparametric Jolly-Seber Model with Individual Heterogeneity: An Application to Migratory Mallards at Stopover
我们提出了一个贝叶斯分层Jolly-Seber模型,可以解释个体异质性的出发和协变量的到达时间的依赖。此外,我们的模型提供了一个半参数函数形式建模捕获概率。该模型具有灵活性,可用于估计中途停留时间和中途停留人口规模,这是中途停留时间分析的关键。从建模的角度来看,我们的模型允许个人异质性的出发,由于一个连续的内在因素,随时间和个人而变化。一个随机过程被认为是模拟这个内在因素随时间的变化。此外,我们的模型将外部因素与捕获概率和到达时间联系起来。因此,我们提出的模型使我们能够推断出内在因素对出发的影响,以及外在因素对捕获结果和到达时间的影响。通过使用一个半参数模型的捕获概率,我们允许的数据,以建议外部因素和捕获概率之间的函数关系,而不是依赖于一个强加的参数模型。通过使用数据增强,我们开发了一个很好的定制马尔可夫链蒙特卡罗算法,是免费的调整。我们证明了我们的模型的有效性,通过一个激励性的例子,停留时间分析绿头鸭(阿纳斯platyrhynchos)在秋季迁移在瑞典的研究。
2018-11-05 stat.ME
Modeling Cell Populations Measured By Flow Cytometry With Covariates Using Sparse Mixture of Regressions
海洋中充满了被称为浮游植物的微小藻类,它们共同负责的光合作用相当于陆地上所有植物的总和。我们预测它们对海洋变暖的反应的能力依赖于了解浮游植物种群的动态如何受到环境条件变化的影响。研究浮游植物动态的一种强大技术是流式细胞术,它每秒测量数千个细胞的光学特性。今天,海洋学家能够在移动的船上实时收集流式细胞术数据,为他们提供数千公里范围内浮游植物分布的精细分辨率。目前的挑战之一是了解这些小规模和大规模的变化与环境条件的关系,如营养物质的可用性,温度,光照和洋流。在本文中,我们提出了一种新的稀疏混合多元回归模型来估计随时间变化的浮游植物亚群,同时确定特定的环境协变量,预测观察到的变化,这些亚群。我们使用2017年春季在东北太平洋进行的海洋学巡航中收集的合成数据和真实观测结果来证明该方法的有用性和可解释性。
2022-08-03 stat.AP stat.ME stat.ML
Bayesian Analysis of Covariate-Driven Hawkes Processes with Application in Plant Epidemiology
MaIAGE Research Unit, INRAE(MaIAGE研究单元,INRAE);Université Paris - Saclay(巴黎萨克雷大学);Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Inria(法国国家数字技术研究所);Plant Protection Department, National Institute of Horticultural Research(果树研究所植物保护部)
本研究提出协变量驱动Hawkes过程的贝叶斯变量选择方法,通过尖峰-平板先验识别相关协变量,并应用于苹果黑星病孢子释放数据,实现预测与风险带估计。
2026-10-05 stat.AP stat.ME
Bayesian Approximations to Hidden Semi-Markov Models for Telemetric Monitoring of Physical Activity
我们提出了一个贝叶斯隐马尔可夫模型来分析时间序列和序列数据,其中嵌入了一个特殊结构的转移概率矩阵来建模显式持续时间的半马尔可夫动态。我们的配方允许开发高度灵活和可解释的模型,可以整合现有的先验信息的状态持续时间,同时保持适度的计算成本,以执行有效的后验推理。我们显示的好处,选择贝叶斯方法的HSMM估计的频率对应,在模型选择和样本预测,也突出了计算的可行性,我们的推理过程,而招致的统计误差可以忽略不计。我们的方法的使用说明在电子健康相关的应用程序,在那里我们调查休息活动的节奏,通过可穿戴传感设备收集的遥测活动数据。该分析首次考虑了明确状态驻留分布形式的贝叶斯模型选择。我们进一步研究了将昼夜节律协变量纳入发射密度,并以数据驱动的方式进行估计。
2022-05-20 stat.ME
Efficient and powerful familywise error control in genome-wide association studies using generalized linear models
在遗传关联研究中,检测表型-基因型关联是主要目标。我们假设数据之间的关系-表型,遗传标记和环境协变量-可以用广义线性模型(GLM)建模。纳入环境协变量使得有可能考虑到重要的混杂因素,如性别和人口结构。多变量得分统计量,在没有表型-基因型关联的完全原假设下,渐近地具有多元正态分布,其具有可以从数据估计的协方差阵,用于测试大量遗传标记与表型的关联。我们强调控制familywise错误率(FWER)的重要性,并使用多变量得分检验统计量的渐近分布,以找到一个局部的显着性水平的个人测试。使用真实的数据(从一项研究精神分裂症和双相情感障碍和一个最大摄氧量),并构建相关的结构,我们表明,我们的方法是一个强大的替代流行的Bonferroni和Sidak方法。对于没有环境协变量的GLM,我们表明,我们的方法是一个有效的替代排列方法的多重检验。此外,我们表明,如果环境协变量和遗传标记是不相关的,估计的协方差阵的得分检验统计量可以近似估计的相关矩阵的遗传标记。作为我们的方法的副产品,可以定义有效数量的独立测试,并且可以计算FWER调整的$p$值作为使用局部显著性水平的替代方案。
2016-12-22 stat.AP stat.ME
Causal Effect Estimation for Multivariate Continuous Treatments
因果推断广泛应用于生物学、心理学和经济学等领域。在观察研究中,我们需要在估计因果效应之前对协变量进行平衡。本研究将一维熵平衡法扩展到多维,以平衡协变量。提出了估计多变量连续处理因果效应的参数和非参数方法,并给出了这两种估计的理论性质。仿真结果表明,该方法在各种情况下都优于其他方法。最后,我们应用该方法分析了吸烟时间和频率对医疗费用的影响。研究结果表明,吸烟频率会显著增加医疗费用,而吸烟时间不会显著增加医疗费用。
2022-05-18 stat.AP stat.ME
Hierarchical Modeling and Shrinkage for User Session Length Prediction in Media Streaming
Massachusetts Institute of Technology(麻省理工学院);Pandora Media, Inc.(潘多拉媒体公司);Stanford(斯坦福大学)
在线流媒体服务内的用户满意度和参与度的重要度量是用户会话长度,即,他们连续不中断地花费在服务上的时间量。能够预测此值直接有益于音乐和视频流媒体服务中的推荐和广告节奏上下文。最近的研究表明,由于用户可以结束会话的许多外部因素以及缺乏预测协变量,预测所花费的确切时间是非常重要的。大多数关于基于持续时间的用户参与度的其他相关文献都集中在网站的停留时间,搜索和显示广告,主要用于点击后满意度预测或广告排名。在这项工作中,我们提出了一个新的框架的启发,层次贝叶斯建模预测,在登录的那一刻,用户将花费在流媒体服务的时间量。用户在平台上花费的时间取决于通过分层收缩学习的用户特定的潜在变量。我们的框架享有理论保证,并自然地结合了灵活的参数/非参数模型的协变量,包括模型鲁棒离群值。我们的建议被发现在现实世界的公共和私人数据集的效率和预测性能方面优于最先进的估计。
2018-06-22 cs.LG stat.ML
Estimating treatment duration effects via clone-censor-weight: a breast cancer case study
本文研究了在观察性生存数据中估计治疗持续时间效应的问题,提出克隆-删失加权框架以模拟治疗持续时间策略的目标试验,通过仿真研究比较了多种估计方法,并在乳腺癌队列中应用该框架,揭示了克隆-删失方法的实用性和局限性。
2026-05-19 stat.AP stat.ME
Informed attribution of flood changes to decadal variation of atmospheric, catchment and river drivers in Upper Austria
洪水变化可归因于三大类变化驱动因素:大气、集水和河流系统驱动因素。在这项工作中,我们提出了一个基于数据的归因方法,选择驱动程序最相关的洪水频率曲线的时间变化。洪峰被假定为遵循Gumbel分布,其位置参数随时间的变化作为以下替代协变量之一的十年变化的函数:不同持续时间的年降水量和极端降水量,农业土地利用集约化指数,水库建设的集水区,量化的指数。利用贝叶斯推断估计了该归因模型的参数。这些参数之一的先验信息,弹性的洪峰,各自的驱动程序,从现有的文献中,以增加洪水和协变量时间序列之间的虚假相关性的方法的鲁棒性。因此,归因模型以两种方式告知:通过使用协变量,代表变化的驱动因素,以及通过先验,代表对这些协变量如何影响洪水的水文理解。Watanabe-Akaike信息准则用于比较涉及替代协变量的模型。我们采用的方法,96集水区在上奥地利州,在过去的50年中,已观察到积极的洪峰趋势。结果表明,在上奥地利州,一天或七天的极端降水通常是一个更好的协变量的洪水频率曲线的变化比降水在较长的时间尺度。农业土地利用集约化很少是最好的协变量,水库指数从来没有,这表明集水区和河流驱动因素不如大气驱动因素重要。
2020-05-12 stat.AP
On the use of satellite information to estimate agricultural carbon footprint in a small area framework
University of Milano-Bicocca(米兰比可卡大学);Consiglio per la ricerca in agricoltura e l’analisi dell’economia agraria (CREA-PB)(农业经济与政策研究中心(CREA-PB));Fondazione Eni Enrico Mattei (FEEM)(恩利·马泰基金会(FEEM));University of Bamberg(班贝格大学)
本文提出一种基于模型的框架,利用卫星数据提高意大利波河谷小区域农业碳足迹估计的精度与稳定性,减少对大范围辅助数据的依赖。
2026-04-28 stat.AP
Copula-based spatio-temporal modeling of air pollutant data incorporating covariate dependencies
针对韩国PM10浓度超标的问题,提出结合协变量时空邻域的藤Copula时空建模方法,采用Gumbel和广义极值分布为边际分布,在极值预测上优于传统模型,可推广至多领域复杂依赖结构建模。
2025-03-20 stat.AP
Capturing episodic impacts of environmental signals
环境科学家经常依靠解释变量的时间序列来解释它们对重要响应变量的影响。然而,有时候,研究者对解释变量的原始观测结果不太感兴趣,而对嵌入其时间序列中的事件所诱导的衍生指数更感兴趣。这些事件通常是间歇性的,发生在特定的有限记忆中,持续不同的持续时间,不同的强度水平,并与反应变量的重要时期重叠。我们开发了一个通用的,参数化的,家庭的加权指数提取的环境信号称为IMPIT指数。为了方便它们的构建和校准,我们在Shiny R中开发了一个用户友好的应用程序,称为IMPIT-a。我们构建的IMPIT指数从南方涛动指数和海表面温度信号提取的例子。我们说明了他们的应用程序,以两个鱼类在昆士兰水域(即,笛鲷和碟状扇贝)和小麦产量。
2023-03-24 stat.AP
Statistical Analysis of Modern Reliability Data
传统的可靠性分析一直使用时间到事件数据,退化数据,和经常性事件数据,而相关的协变量往往是简单的,随着时间的推移常数。在过去的几年里,我们见证了传感器和无线技术的快速发展,这使我们能够跟踪产品的使用方式以及在哪些环境条件下使用。如今,我们能够收集关于协变量的更丰富的信息,这为更好的可靠性预测提供了机会。在本章中,我们首先回顾了可靠性分析的统计方法的最新发展。然后,我们重点介绍了几种具体的方法,开发了不同类型的可靠性数据的协变量信息。还使用工业实例说明了这些方法。测试规划也是可靠性分析的重要组成部分。除了数据分析,我们还提供了一个简短的审查最近的发展,测试规划,然后重点说明序贯贝叶斯设计与聚合物复合材料的疲劳测试的例子。最后,本文进行了一些讨论和评论。
2019-08-26 stat.AP
Regression approaches for modelling genotype-environment interaction and making predictions into unseen environments
University of Hohenheim(霍恩海姆大学);Bangladesh Rice Research Institute (BRRI)(孟加拉国水稻研究所)
本文提出了一种基于回归方法的基因型-环境互作建模框架,通过多种方法评估新环境预测的不确定性。
2025-10-27 stat.AP stat.ME
Integrating Temporal Disaggregation and Distributed Lag Nonlinear Models for Bayesian Spatio-Temporal Disease Mapping with High-Resolution Environmental Exposures
KU Leuven(荷语鲁汶大学);Hasselt University(哈瑟尔特大学);Clinton Health Access Initiative(克林顿健康准入倡议);National Malaria Control Program, Ministry of Health(卫生部国家疟疾控制项目);University of Birmingham(伯明翰大学)
该研究提出整合时间分解与分布滞后非线性模型的贝叶斯时空框架,结合高分辨率环境暴露开展疟疾制图,在莫桑比克数据上验证其提升了预测精度,可用于研究环境延迟效应并扩展至多类疾病。
2026-08-21 stat.AP
Tree-based Inference of Species Interaction Network from Abundance Data
生态系统的行为主要依赖于它所涉及的物种之间的相互作用。我们考虑从丰度数据推断物种相互作用网络的问题。为了相关,任何网络推理方法都需要处理计数数据并考虑可能的环境影响。它还需要区分直接交互和间接关联,图形模型为此提供了一个方便的框架。我们介绍了一个通用的统计模型的网络推理的基础上丰富的数据。该模型包括用于解释环境协变量和采样努力的固定效应,以及用于编码物种相互作用的相关随机效应。通过以计算高效的方式对所有可能的树形(因此是稀疏的)网络进行平均来获得推断的网络。该过程的输出是每条边成为底层网络的一部分的概率。仿真研究表明,所提出的方法相比,以及与国家的最先进的方法,即使底层图强烈不同于树。两个数据集的分析突出了协变量对推断网络的影响。考虑协变量对于避免伪边缘至关重要。所提出的方法可以扩展到执行网络比较或寻找丢失的物种。
2019-10-28 q-bio.PE stat.AP
Estimation for recurrent events through conditional estimating equations
我们提出了新的估计的统计分析的依赖性的平均间隙时间长度之间的连续复发事件,一组解释性随机变量和右删失的存在。的依赖性表示通过回归和过度分散参数,估计通过条件估计方程。每个间隙时间长度的均值和方差以观察到的先前事件的历史和其他协变量为条件,是参数和协变量的已知函数。在一定的截尾条件下,我们构造了渐近无偏且只包含观测数据的归一化估计函数。我们讨论了参数估计序列的存在性、相合性和渐近正态性,这些参数是估计方程的根。模拟表明,我们的估计可以成功地使用一个相对较小的样本量在短期的研究。
2021-09-08 stat.AP
Spatial Functional Data Modeling of Plant Reflectances
植物反射光谱--由不同波长的叶子反射的光的轮廓--提供了一个物种在空间位置的光谱特征,从而能够估计植物的功能和分类多样性。我们认为叶光谱作为“响应”空间解释。这些光谱/反射率是响应于环境的波长带上的函数。我们的激励数据收集的几个家庭从南非的开普敦植物区系区(CFR),并导致我们开发丰富的新的空间模型,可以解释谱属内的家庭。单个叶片的波长响应被视为波长的函数,导致功能数据建模。当地的环境特征成为协变量。我们引入波长协变量的相互作用,因为对环境回归的响应可能随波长而变化,方差也可能变化。正式的空间建模,使反射率的预测属在未观察到的位置与已知的环境特征。我们将空间依赖性,波长依赖性和空间波长相互作用(在时空相互作用的精神)。我们实现了样本外验证来选择最佳模型,发现上面列出的模型特征都为函数数据分析提供了信息。然后,我们提供的结果下所选择的模型的解释。
2021-03-25 stat.AP stat.ME
Variable selection for sparse Dirichlet-multinomial regression with an application to microbiome data analysis
随着下一代测序技术的发展,研究人员现在已经能够使用直接测序来研究微生物组的组成,其输出是每个微生物组样本的细菌分类群计数。微生物组研究的一个目标是将微生物组组成与环境协变量相关联。我们建议使用狄利克雷多项(DM)回归模型来模拟分类群计数,以解释观察到的计数的过度分散。DM回归模型可用于使用似然比检验来检验分类群组成和协变量之间的关联。但是,当协变量的数量很大时,多重检验可能会导致功效损失。为了解决高维的问题,我们开发了一种惩罚似然方法来估计回归参数,并通过施加稀疏组$\ell_1$惩罚来选择变量,以鼓励组级和组内稀疏性。这样的变量选择程序可以导致选择相关的协变量及其相关的细菌分类群。一个有效的块坐标下降算法来解决优化问题。我们提出了广泛的模拟,以证明稀疏DM回归可以比忽略过度分散或仅考虑比例的模型更好地识别微生物组相关协变量。我们证明了我们的方法在分析数据集的能力,评估营养摄入对人类肠道微生物组组成的影响。我们的研究结果清楚地表明,营养素摄入量与人体肠道微生物组密切相关。
2013-05-23 stat.AP
Analysis of Large Heterogeneous Repairable System Reliability Data with Static System Attributes and Dynamic Sensor Measurement in Big Data Environment
在大数据环境下,工程师面临的一个紧迫挑战是对大量具有协变量的异构可修系统进行可靠性分析。除了静态协变量(包括时不变系统属性,如标称操作条件、地理位置等)之外,传感技术的最新进展也使得获得系统操作和环境条件的动态传感器测量成为可能。在大数据环境中,大量的可靠性数据通常存储在分布式存储系统中。利用现代统计学习的强大功能,本文研究了一种将随机森林算法与经典的数据分析方法(如均值累积函数的非参数估计和基于非齐次Poisson过程的参数模型)相结合的可修系统可靠性统计方法。我们表明,所提出的方法有效地解决了一些常见的挑战,从实践中产生的,包括系统异构性,协变量的选择,模型规范和数据的局部性,由于分布式数据存储。建立了估计量的大样本性质和一致相合性。两个数值例子和案例研究来说明所提出的方法的应用。所提出的方法的优点是通过比较研究证明。
2019-04-01 stat.AP
covXtreme : MATLAB software for non-stationary penalised piecewise constant marginal and conditional extreme value models
covXtreme 是一款 MATLAB 软件,通过分段常数表示和惩罚最大似然估计,实现非平稳边际与条件极值模型及环境等值线的估计,并量化不确定性。
2024-04-25 physics.ao-ph stat.AP stat.ME