Pseudo minimum phi-divergence estimator for multinomial logistic regression with complex sample design
本文建立了研究复杂样本设计下多项逻辑斯谛回归模型的理论框架。通过一个数值例子和模拟研究，给出了响应变量服从过分散多项分布的逻辑斯谛回归模型参数的新估计、伪最小Cressie-Read散度估计和类内相关系数的新估计.结果表明，当λ = 2/3的伪最小Cressie-Read散度估计被插入时，Binder的簇内相关系数估计方法具有良好的性能.
2016-06-03 stat.ME
Robust Liu-Type Estimation for Multicollinearity in Fuzzy Logistic Regression
University of Wasit（瓦西特大学）；University of Diyala（迪亚拉大学）
本文提出了一种针对模糊逻辑回归中多重共线性问题的鲁棒刘型估计方法，通过模拟和实际数据验证了FLLTPE和FLLTE在参数估计中的优越性。
2026-01-31 stat.AP stat.ME
Minimum Sample Size for Developing a Multivariable Prediction Model using Multinomial Logistic Regression
多项逻辑斯谛回归模型允许预测具有2个以上类别的分类结局的风险。在开发这样的模型时，研究人员应该确保参与者的数量（n）相对于每个类别k的事件数量（E. k）和预测参数数量（p. k）是适当的。我们提出了三个标准，以确定所需的最小n在现有的标准开发的二元结果。第一个准则旨在最小化模型过拟合。第二个目标是尽量减少观察到的和调整后的R2 Nagelkerke之间的差异。第三个标准旨在确保准确估计总体风险。对于标准（i），我们表明样本量必须基于与多项式逻辑斯谛回归的子模型对应的不同一对一逻辑斯谛回归模型的预期Cox-snell R2，而不是基于多项式逻辑斯谛回归的总体Cox-snell R2。我们通过模拟研究测试了所提出的标准（i）的性能，发现它导致了期望的过拟合水平。标准（ii）和（iii）是以前提出的二元结果标准的自然扩展。我们说明了如何实施样本量标准，通过一个工作的例子考虑发展的多项风险预测模型的肿瘤类型时，提出了卵巢肿块。并给出了仿真代码和算例。我们将把我们提出的标准嵌入到pmsampsize R库和Stata模块中。
2022-07-26 stat.AP stat.ME
Automatic Response Category Combination in Multinomial Logistic Regression
我们提出了一种惩罚似然方法，同时适合多项逻辑斯谛回归模型，并结合子集的响应类别。当优化变量中的列对相等时，惩罚是不可微的。这鼓励估计量中的这些列成对相等，这对应于响应类别组合。我们使用交替方向乘子算法来计算估计量，并讨论了算法的收敛性。预测和模型选择也得到了解决。
2017-05-10 stat.ME stat.ML
Bayesian Multinomial Logistic Normal Models through Marginally Latent Matrix-T Processes
贝叶斯多项逻辑正态（MLN）模型对于序列计数数据的分析是流行的（例如，微生物组或基因表达数据），这是由于它们能够对具有复杂协方差结构的多变量计数数据进行建模。然而，MLN模型的现有实现限于处理小数据集，由于多项式和逻辑正态分布的非共轭性。我们介绍MLN模型，可以写为边际潜在矩阵-t过程（LTP）模型。边际LTP模型描述了一类灵活的广义线性回归、非线性回归和时间序列模型。我们开发的推理方案边际LTP模型，并通过应用到MLN模型，表明我们的推理方案是高度准确的，往往比MCMC快4-5个数量级。
2019-04-01 stat.ME
Clustering microbiome data using mixtures of logistic normal multinomial models
在生物信息学中经常会遇到离散数据，例如由下一代测序产生的微生物组分类群的计数。微生物组研究中的分类群计数数据通常是高维的，过度分散的，并且只能显示相对丰度，因此被视为组成。分析组合数据存在许多挑战，因为它们被限制在单纯形上。在逻辑正态多项式模型中，相对丰度使用加性对数比变换从单纯形映射到存在于实欧几里德空间上的潜在变量。虽然逻辑正态多项式方法为数据建模带来了灵活性，但由于参数估计通常依赖于贝叶斯技术，因此它具有沉重的计算成本。在本文中，我们开发了一种新的混合logistic正态多项式模型用于聚类微生物组数据。此外，我们利用变分高斯近似（VGA）的参数估计的有效框架。采用变分高斯近似的后验的潜在变量，大大减少了计算开销。所提出的方法在模拟和真实数据集上进行了说明。
2022-06-21 stat.CO stat.ME
Logistic Regression Augmented Community Detection for Network Data with Application in Identifying Autism-Related Gene Pathways
当寻找导致特定疾病结果的基因通路时，通常可以获得关于基因特征的额外信息，当观察到涉及两种类型基因的连接并且它们与疾病的关系未知时，这些信息可以有助于区分与疾病相关的基因和不相关的背景。我们提出了一种通过逻辑斯谛回归在辅助信息的帮助下挑选出不相关背景基因的方法，并使用邻接矩阵将相关基因聚类成内聚群。修改期望最大化算法，以最大化联合伪似然，假设与疾病相关的潜在指标和潜在组成员以及组内和组间的泊松或多项式分布链接数。一个强大的版本，允许任意连锁模式的背景下，进一步推导。证明了随机块模型下标签分配的渐近一致性。在模拟研究中观察到有限样本的优越性能和鲁棒性。所提出的鲁棒方法使用包括从头突变、基因表达和蛋白质-蛋白质相互作用在内的多种数据源来识别先前遗漏的自闭症相关神经系统疾病相关基因集。
2018-09-07 cs.LG stat.ME stat.ML
Logistic Normal Multinomial Factor Analyzers for Clustering Microbiome Data
人体微生物组在人类健康和疾病状态中起着重要作用。接下来的测序技术允许量化人类微生物组的组成。聚类这些微生物组数据可以通过识别样本中的潜在模式来提供有价值的信息。最近，Fang和Subedi（2020）提出了一种用于聚类微生物组数据的逻辑正态多项式混合模型（LNM-MM）。由于微生物组数据往往是高维的，在这里，我们开发了一个家庭的逻辑正态多项因子分析器（LNM-FA），通过将一个因子分析器的结构中的LNM-MM。这个家庭的模型更适合于高维数据的参数在LNM-FA的数量可以大大减少，通过假设潜在的因素的数量是小的。参数估计是使用交替期望条件最大化算法，利用变分高斯近似的计算效率的变体。所提出的方法说明使用模拟和真实的数据集。
2021-01-06 stat.CO stat.ME
On the stochastic restricted Liu-type maximum likelihood estimator in logistic regression
为了克服多重共线性，当线性约束是随机的时，我们通过将Liu型极大似然估计（Inan and Erdo- GAN，2013）结合到逻辑斯谛回归模型中，提出了随机约束Liu型最大似然估计。我们还讨论了新的估计量的性质。此外，我们还给出了新估计量中偏置参数的选择方法。最后，仿真研究显示了新的估计器的性能。
2017-10-06 stat.ME
Log-Linear Bayesian Additive Regression Trees for Multinomial Logistic and Count Regression Models
本文介绍了对数线性模型的贝叶斯加性回归树（BART），包括多项逻辑斯谛回归和计数回归，其中包含零膨胀和过度离差。BART已被应用于非参数均值回归和二进制分类问题在一系列的设置。然而，现有的应用程序的BART已被限制为高斯“数据”，无论是观察到的或潜在的模型。这主要是因为有效的MCMC算法可用于高斯似然。但是，虽然许多有用的模型是自然铸造的潜在高斯变量，许多其他人不是-包括本文考虑的模型。我们开发了新的数据增强策略，并仔细指定这些新模型的先验分布。像原来的BART先验一样，新的先验分布经过精心构造和校准，在防止过拟合的同时具有灵活性。新的先验和数据增强方案使我们能够在高斯模型的背景之外实现一个有效的MCMC采样器。这些新方法的效用说明了与以前公布的数据集的例子和应用程序。
2019-08-26 stat.ME
Fast Model Selection and Stable Optimization for Softmax-Gated Multinomial-Logistic Mixture of Experts Models
School of Computing, National University of Singapore, Singapore.（新加坡国立大学计算机学院）；ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems（细胞系统数学分析卓越研究中心）；School of Mathematical Sciences, Queensland University of Technology, Brisbane, Australia.（昆士兰科技大学数学科学学院）；Department of Statistics and Data Science, University of Texas at Austin, Austin, USA（德克萨斯大学奥斯汀分校统计与数据科学系）
本文提出了一种基于softmax门控多项式-对数混合专家模型的快速模型选择与稳定优化方法，通过批量MM算法和树状图适应技术，实现了高效的模型训练和参数恢复。
2026-02-08 cs.LG math.ST stat.CO
Scalable Inference for Bayesian Multinomial Logistic-Normal Dynamic Linear Models
针对贝叶斯 MLN-DLMs 后验状态估计的计算瓶颈，提出结合新型 MAP 算法与关键后验边缘近似的 Fenrir，并配套优化 Stan 基准，实现最高三个数量级加速。
2025-06-08 stat.AP stat.ME stat.ML
Liu-type Shrinkage Estimators for Mixture of Logistic Regressions: An Osteoporosis Study
针对混合逻辑回归模型中多重共线性导致最大似然估计不可靠的问题，本研究开发了岭估计器和Liu型估计器等收缩方法，数值研究及50岁及以上女性骨质疏松应用均证实该方法能提供更可靠的系数估计。
2023-09-07 stat.CO stat.ME
Statistical optimality and stability of tangent transform algorithms in logit models
一个系统的方法来寻找变分逼近，否则难以处理的非共轭模型是利用一般原则的凸对偶，最小化的边际似然，使问题易于处理。虽然这种方法在非共轭贝叶斯模型的变分推理中很受欢迎，但缺乏统计最优性和算法收敛性的理论保证。针对逻辑斯谛回归模型，我们在数据生成过程中提供了一个温和的条件来导出变分最优风险的非渐近上界。我们证明，这些假设可以完全放松，如果一个人认为轻微的变化的算法，提高可能性的分数功率。接下来，我们利用动力系统的理论，在逻辑和多项式logit回归等算法提供收敛保证。特别是，我们建立了局部渐近稳定性的算法，没有任何假设的数据生成过程。我们探讨了一个特殊的情况下，涉及一个半正交设计的整体收敛。该理论进一步说明了使用几个数值研究。
2020-10-25 math.ST stat.CO stat.ML
Bayesian Multinomial Logistic Regression for Numerous Categories
Brigham Young University（杨百翰大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出了一种伽马增强策略，用于改进贝叶斯多项逻辑回归在大量类别情况下的计算效率，通过解耦类别特定系数更新以提高可扩展性。
2026-02-26 stat.CO stat.ME
Robust and Sparse Multinomial Regression in High Dimensions
针对高维数据，提出了一种稳健稀疏的多项式回归估计。估计器的鲁棒性通过修剪观测值来实现，估计器的稀疏性通过弹性网惩罚来获得，弹性网惩罚是$L_1$和$L_2$惩罚的混合。从这个角度来看，建议的估计是一个扩展的enet-LTS估计\citep{Kurnaz18}的线性和逻辑斯谛回归的多项式回归设置。在介绍了一种算法的计算，进行了模拟研究，以显示性能相比，非稳健版本的多项式回归估计。一些真实数据的例子强调了这个强大的估计的有用性。
2022-05-24 math.ST stat.CO stat.ME
Risk prediction models for discrete ordinal outcomes: calibration and the impact of the proportional odds assumption
校准是风险预测模型性能的一个重要方面，但在有序结果的背景下研究很少。本研究比较了预测离散有序结果的风险模型的校准措施，并调查了比例优势假设对校准和过拟合的影响。我们研究了多项式，累积，相邻类别，延续比，和刻板的logit/logistic模型。为了评估校准，我们研究了校准截距和斜率、校准图和估计的校准指数。使用大样本模拟，我们研究了在各种条件下的风险估计模型的性能，假设真实的模型具有多项式logistic形式或累积logit比例优势形式。小样本模拟用于比较模型之间的过拟合趋势。作为一个案例研究，我们开发了诊断有症状患者冠状动脉疾病（五类）程度的模型。当真正的模型是多项logistic时，比例优势模型通常产生较差的风险估计，即使在大型模型开发数据集上，校准斜率也大大偏离1。刻板印象逻辑模型改善了校准斜率，但仍然为个体患者提供了有偏见的风险估计。当真实模型具有累积logit比例优势形式时，多项逻辑斯谛回归提供了有偏倚的风险估计，尽管这些偏倚是适度的。非比例优势模型需要从数据中估计更多的参数，因此遭受更多的过拟合。尽管需要较大的样本量，但我们通常推荐多项逻辑斯谛回归用于离散有序结局的风险预测建模。
2021-11-18 stat.ME
A generalized Bayesian approach to multiple changepoint analysis
Florida State University（佛罗里达州立大学）；University of Iowa（爱荷华大学）
本文提出一种通用贝叶斯方法用于多变化点分析，通过受多项逻辑回归启发的损失函数，无需指定数据生成过程，避免对变化点性质的限制，同时推断变化点位置和多项逻辑回归系数，通过模拟和应用展示其准确性和可解释性。
2026-03-26 stat.ME
Fused Multinomial Logistic Regression Utilizing Summary-Level External Machine-learning Information
National Cheng Kung University（国立成功大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出一种融合外部机器学习信息的多元逻辑回归框架，通过矩约束整合外部预测，解决数据质量问题并提升统计推断效率。
2026-04-05 cs.LG stat.ME stat.ML
Multivariate MRP
本文提出多元MRP框架，通过多项逻辑回归变分推断估计多个调查问题的联合意见分布，并以美国党派舆论估计验证其能显著改进现有方法并支持多议题代表性研究。
2025-07-04 stat.AP stat.ME
Multinomial Inverse Regression for Text Analysis
文本数据，包括演讲、故事和其他文档形式，通常与市场营销、经济学和其他领域的研究感兴趣的情感变量相关联。它也是非常高维的，难以纳入统计分析。本文介绍了一个简单的框架，情感保持降维的文本数据。多项式逆回归作为一种通用工具，用于简化预测集，可以表示为从一个多项分布绘制，我们表明，逻辑斯谛回归的短语计数到文档注释可以用来获得低维文档表示，是丰富的情感信息。为了便于这种建模，一种新的估计技术开发的多项式逻辑斯谛回归非常高维的响应。特别是，独立的拉普拉斯先验与未知的方差被分配给每个回归系数，我们详细介绍了一个有效的例程，最大化的联合后验系数和他们的先验规模。这种“gamma-lasso”方案产生稳定和有效的估计一般高维逻辑斯谛回归，我们认为，它将优于目前的方法在许多设置。事先规范的指导方针，算法的收敛性进行了详细说明，估计属性概述的角度来看，非凹似然惩罚的文献。从统计学，计量经济学，和机器学习的情绪分析的相关工作进行了调查和连接。最后，该方法被应用在两个详细的例子，我们提供了样本外的预测研究，以说明其有效性。
2013-08-08 stat.ME
A Comparative Study of Imputation Methods for Multivariate Ordinal Data
针对多元有序数据的缺失值问题，本文比较评估了多种多重填补方法，发现比例优势逻辑回归、分类回归树及多项分布DP混合模型表现更优。
2024-12-24 stat.AP stat.ME
A Multinomial Canonical Decomposition Model, with emphasis on the analysis of Multivariate Binary data
Leiden University（莱顿大学）
本文提出将多项式模型的广义参数分解为参与者和类别分数，利用外部信息限制这些分数，通过主要化-最小化算法估计参数，特别关注类别表示二元响应变量配置的情况，推导了解释规则并讨论了与loglinear模型等的联系。
2025-01-22 stat.CO stat.ME
Phase-type mixture-of-experts regression for loss severities
当数据与经典回归假设不一致时，处理索赔严重性建模的任务。这一框架在保险和再保险的多个业务线中很常见，在这些业务线中，灾难性损失或异质子群体导致数据难以建模。他们的正确分析是为保险产品定价所必需的，最近在这个方向上最流行的一些规范是专家混合模型。本文提出了一个回归模型，概括了后者的方法相型分布设置。更具体地说，混合的概念扩展到整个马尔可夫跳跃过程是不可观察的，状态可以相互通信的情况下。协变量然后作用于这样的基础链的初始概率，其扮演专家权重的角色。这样一个模型的基本属性计算的矩阵泛函，并推导出稠密性，证明其灵活性。提出了一种有效的估计过程，基于EM算法和多项式逻辑斯谛回归，并随后使用模拟和真实世界的数据集进行说明。所提出的模型的灵活性增加不来在一个高的计算成本，动机和解释是同样透明的简单的MoE模型。
2022-03-31 math.ST stat.TH
Plackett-Luce regression: A new Bayesian model for polychotomous data
多项逻辑斯谛回归是最流行的模型之一，用于模拟解释变量对一组指定选项之间的主题选择的影响。该模型在机器学习、心理学或经济学中有许多应用。在这个模型中的贝叶斯推断是不平凡的，需要，或者诉诸于MetropolisHastings算法，或拒绝抽样内的吉布斯采样器。在本文中，我们提出了一个替代模型多项式逻辑斯谛回归。该模型基于Plackett-Luce模型，这是一种流行的多重比较模型。我们发现，一组合适的辅助变量的引入导致一个期望最大化算法找到最大后验估计的参数。我们进一步提供了一个完整的贝叶斯处理，推导出一个吉布斯采样器，它只需要从高度标准的分布样本。我们还提出了一个变分近似推理方案。所有这些都很容易实现。Plackett-Luce回归模型的一个特性是它学习了一组稀疏的特征权重。我们比较我们的方法稀疏贝叶斯多项式逻辑斯谛回归，并表明它是有竞争力的，特别是在存在多分类数据。
2012-10-16 stat.AP stat.CO stat.ME
Prevalence estimation in infectious diseases with imperfect tests: A comparison of Frequentist and Bayesian Logistic Regression methods with misclassification correction
本研究比较四种校正误分类的统计方法估计STI患病率，发现贝叶斯内部校正模型在低患病率下估计更稳定、CI更窄，优于Liu模型和外部校正法。
2025-04-18 math.ST stat.ME stat.TH
$\ell_1$-penalized Multinomial Regression: Estimation, inference, and prediction, with an application to risk factor identification for different dementia subtypes
针对高维多项逻辑回归模型统计推断研究不足的问题，本研究扩展去偏方法至该模型，提供有效置信区间与$p$值，验证模型误设等场景下的稳健性，模拟及痴呆亚型应用显示其优于其他推断方法。
2024-08-26 stat.AP stat.ME
Bayesian Classification of Multiclass Functional Data
我们提出了一种贝叶斯方法来估计多类函数模型中的参数。考虑了无序多项概率单位、有序多项概率单位和多项logistic模型。在这三个多项式模型中，我们使用基于适当基础（如B样条）的有限随机序列先验，并使用贝叶斯规则对函数数据进行分类。我们根据从马尔可夫链蒙特卡罗（MCMC）输出估计的边际似然对模型进行平均。计算了三个多项式模型的后验收缩率。我们还考虑贝叶斯线性和二次判别分析的多元数据，通过应用功能的主成分技术对原始的功能数据。进行了模拟研究，比较这些方法对不同类型的数据。我们也将这些方法应用到音素数据集。
2018-08-02 stat.ME
Multinomial Link Models
本文提出多项式链接模型族，含四类模型，解决累积链接模型参数估计的不可行性问题，并提供模型选择方法，在真实数据上拟合更优、纠正缺失响应误导并增强推断信息量。
2025-07-08 stat.ME
Logistic regression models for aggregated data
逻辑斯谛回归模型是预测分类响应数据概率的一种流行而有效的方法。然而，对于大型数据集，这些模型的推理可能在计算上变得难以实现。在这里，我们采用符号数据分析的思想，将预测变量的集合汇总为直方图形式，并在此汇总数据集上进行推理。我们开发的想法的基础上，复合似然率，以获得一个有效的一对休息的近似复合似然模型的直方图为基础的随机变量，从低维边缘直方图从完整的直方图。我们证明，这种程序可以实现可比的分类率相比，标准的全数据多项式分析和对国家的最先进的二次抽样算法的逻辑斯谛回归，但在一个显着降低计算成本。通过模拟示例以及对大型超对称性和卫星作物分类数据集的分析来探索性能。
2020-08-24 stat.CO stat.ME stat.ML
Sparse estimation for case-control studies with multiple subtypes of cases
对几种亚型病例的病例对照研究分析越来越普遍，例如在癌症流行病学中。对于匹配的设计，我们表明，一个自然的策略是基于分层的条件逻辑斯谛回归模型。然后，考虑到潜在的同质性亚型的情况下，我们适应的想法，数据共享套索，这是最近提出的估计回归模型在分层设置。对于不匹配的设计，我们比较了基于L1-范数惩罚多项式逻辑斯谛回归的两种标准方法。我们描述了这两种方法之间的正式联系，从中可以得到实际的指导。我们发现，这些方法之一，这是基于对称制定的多项式逻辑斯谛回归模型，实际上减少到一个数据共享套索版本的其他。因此，这两种方法的相对性能主要取决于病例亚型之间存在的同质性水平：更确切地说，当同质性为中度至高度时，不建议使用对照品作为参比品的非对称制剂。从合成数据获得的实证结果，证实了适当占潜在的同质性匹配和不匹配的设计下的好处。我们还介绍了EPIC队列中嵌套的病例对照研究分析的初步结果，其目的是确定与乳腺癌亚型发生相关的代谢物。
2019-01-18 stat.ME
Clinical Prediction Models to Predict the Risk of Multiple Binary Outcomes: a comparison of approaches
临床预测模型（CPM）用于预测临床相关结果或事件。通常，预后CPM是用来预测单一未来结果的风险。然而，随着对多发病率预测的日益重视，越来越需要CPM同时预测多个未来结果中的每一个的风险。多结果风险预测的一种常见方法是分别为每个结果导出CPM，然后乘以预测的风险。这种方法仅在给定协变量的结果是条件独立的情况下有效，并且它未能利用结果之间的潜在关系。本文概述了几种方法，可用于开发多种结果的预后CPM。我们考虑了四种方法，在复杂性和假设条件独立的假设：即，概率分类链，多项逻辑斯谛回归，多元逻辑斯谛回归，贝叶斯概率模型。这些依赖于条件独立的方法进行比较：单独的单变量CPM和堆叠回归。采用模拟研究和现实世界的例子，通过MIMIC-III数据库，我们说明，CPM的联合风险预测的多个结果应该只使用模型的结果之间的剩余相关性的方法。在这种情况下，我们的研究结果表明，概率分类链，多项逻辑斯谛回归或贝叶斯概率模型都是合适的选择。当多个相关或结构相关的结果是有意义的时，我们对单独为每个结果制定CPM提出了质疑，并建议进行更全面的风险预测。
2020-01-21 stat.ME
Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome
基于高维多组学数据集构建预测二进制类别标签的分类模型提出了几个挑战，这是由于数据层在预测器数量、数据类型和噪声水平方面通常具有广泛不同的特性。先前的研究已经表明，将具有弹性网络惩罚的经典逻辑斯谛回归应用于这些数据集可能导致较差的结果（Liu等人，2018年）。我们实现了一个两步的方法，多组学逻辑斯谛回归，其中变量的选择是在每一层上分别进行，然后使用在第一步中选择的变量建立预测模型。在这里，我们的方法与为相同目的开发的其他方法进行了比较，我们将现有的多组学线性回归软件（Zhao和Zucknick，2020）调整为逻辑斯谛回归设置。广泛的模拟研究表明，我们的方法应该是首选，如果目标是选择尽可能多的相关预测，以及实现预测性能媲美的最佳竞争对手。我们的激励示例是心脏代谢综合征数据集，其包括针对2个极端表型组（10个肥胖和10个脂肪代谢障碍个体）和185个献血者的8个组学数据类型。我们提出的方法使我们能够在分子水平上识别出抑制心脏代谢综合征的特征。R代码可在https://github.com/acabassi/logistic-regression-for-multi-omic-data上获得。
2020-08-01 stat.AP stat.ME stat.ML
A monotone data augmentation algorithm for multivariate nonnormal data: with applications to controlled imputations for longitudinal trials
提出了一种有效的单调数据增广（MDA）算法，用于不完全多元非正态数据的缺失数据填补，这些数据可能包含不同类型的变量，并由一系列回归模型建模，包括线性、二项logistic、多项logistic、比例优势、泊松、负二项、偏正态、偏t回归或这些模型的混合。MDA算法应用于纵向试验的敏感性分析，该分析使用受控模式插补，假设在实验组受试者停止治疗后，处理效应降低或消失。我们还描述了一种启发式的方法来实现控制插补，其中完全条件规范方法被用来插补中间的缺失数据，以创建一个单调的缺失模式，和缺失数据后，辍学，然后根据假设的不可插补机制。通过仿真和实际数据分析说明了所提出的方法。
2018-11-20 stat.ME
Multiple Observers Ranked Set Samples for Shrinkage Estimators
分级集抽样（RSS）被用作一种强大的数据收集技术，用于测量研究变量需要昂贵和/或繁琐的过程的情况，而抽样单元可以容易地分级（例如，骨质疏松症研究）。本文针对线性回归、随机约束回归和逻辑斯谛回归的系数估计中的共线性问题，提出了多观测站RSS数据下岭型和Liu型收缩估计.通过广泛的数值研究，我们表明，收缩方法与多观察员RSS的结果更有效的系数估计。开发的方法，最后应用到骨矿物质数据分析的骨疾病状态的妇女年龄在50岁及以上。
2021-10-15 math.ST stat.CO stat.ME
