Rank-based Bayesian clustering via covariate-informed Mallows mixtures
本文提出带协变量的贝叶斯 Mallows 模型 (BMMx)，通过结合评估者特征进行排名数据聚类，利用 PPMx 相似性函数提升聚类效果，模拟与真实数据验证了其在理解偏好行为方面的潜力。
2024-02-16 stat.ME
Hierarchical Bayesian Claim Count modeling with Overdispersed Outcome and Mismeasured Covariates in Actuarial Practice
针对保险索赔计数中的过度离散与协变量测量误差问题，提出结合层次贝叶斯GLMM与SIMEX的新框架，在工作场所缺勤数据上验证其拟合优度优于朴素方法。
2023-10-11 stat.ME
Bayesian Covariate-Dependent Quantile Directed Acyclic Graphical Models for Individualized Inference
提出贝叶斯协变量依赖分位数DAG模型qDAGx，利用参数扩展马蹄先验实现大规模变量下的个体化网络结构推断，克服均值回归局限，在精准医学中成功推断肺癌患者特异性的蛋白质相互作用网络。
2023-05-22 stat.ME
Bayesian nonparametric inference for the covariate-adjusted ROC curve
疾病的准确诊断在临床实践和医学研究中至关重要。在医学诊断试验常规用于实践之前，必须通过统计分析严格评估其区分疾病和非疾病状态的能力。受试者工作特征（ROC）曲线是评价连续结果诊断试验区分能力的最常用工具。已经认识到有几个因素（例如，受试者特异性特征，如年龄和/或性别）可以影响测试的准确性，而不仅仅是疾病状态。最近，协变量调整的ROC曲线已被提出并成功地应用为考虑协变量信息的诊断准确性的全局汇总度量。我们鼓励使用协变量调整的ROC曲线，并开发了一个高度稳健的B-样条依赖Dirichlet过程混合模型和贝叶斯自助模型的基础上相结合的模型。多个模拟研究表明，我们的模型能够成功地恢复真正的协变量调整ROC曲线，并在各种复杂的情况下产生有效的推断。我们的方法的动机和应用于内分泌研究，其主要目标是评估身体质量指数的准确性，根据年龄和性别进行调整，用于预测心血管疾病风险因素的集群。的R-包AROC，实现我们提出的方法，提供。
2018-05-30 stat.ME
Bayesian Semiparametric Multivariate Density Regression with Coordinate-Wise Predictor Selection
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种灵活的贝叶斯方法，用于估计多变量结果在存在分类协变量时的联合密度。通过高斯Copula框架，方法有效捕捉多变量响应不同坐标的依赖结构，利用共享原子的灵活混合模型和新的Tucker张量分解结构，实现坐标特定的协变量子集识别。
2026-10-22 stat.ME
The Covariate-Assisted Bayesian Intransitive Bradley-Terry Model via Combinatorial Hodge Theory
Tokyo University of Science（东京科学大学）；Meisei University（明海大学）；Keio University（庆应义塾大学）；RIKEN（理化学研究所）
针对成对比较数据中的非传递性问题，提出CA-BIBT模型，利用组合霍奇分解将潜在匹配分解为正交流，通过全局-局部收缩先验自适应处理传递与非传递情形，并给出后验不确定性量化与排序总结。
2026-07-24 stat.ME
Bayesian Varying-Effects Vector Autoregressive Models for Inference of Brain Connectivity Networks and Covariate Effects in Pediatric Traumatic Brain Injury
提出贝叶斯变效应向量自回归模型，利用高斯过程混合先验和变分推断，同时估计组特异性脑网络并识别年龄、性别等协变量效应。
2024-05-01 stat.ME
Spatially Varying Gene Regulatory Networks via Bayesian Nonparametric Covariate-Dependent Directed Cyclic Graphical Models
Texas A&M University（德克萨斯农工大学）；University of Texas at Austin（得克萨斯大学奥斯汀分校）
该研究提出了一种基于贝叶斯非参数协变量依赖定向循环图模型的方法，用于学习空间变化的基因调控网络，通过划分平均获得平滑变化的图结构，并在空间转录组学数据中揭示了具有反馈回路的调控网络。
2025-12-12 stat.ME
Modeling Multivariate Degradation Data with Dynamic Covariates Under a Bayesian Framework
本文提出一个贝叶斯框架，结合混合效应非线性一般路径模型和形状约束P样条，对含动态协变量的多元退化数据进行建模，并通过模拟验证及有机涂层寿命预测展示其有效性。
2025-04-07 stat.AP stat.ME
Bayesian Covariate-Dependent Graph Learning with a Dual Group Spike-and-Slab Prior
本文提出了一种新颖的双重组spike-and-slab先验方法，用于协变量依赖图学习，通过嵌套策略实现协变量、节点和个体多级稀疏选择，并开发免调参Gibbs采样器进行后验推断，在图恢复精度上优于现有方法并应用于微生物组数据分析。
2025-04-03 stat.ME
Covariate-Assisted Bayesian Graph Learning for Heterogeneous Data
提出协变量依赖的贝叶斯高斯图模型，利用乘积划分、似然/伪似然与 G-Wishart 先验刻画异质数据的图结构，并证明 minimax 后验收缩率。
2023-08-15 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
On Asymptotic Outlier Rejection in Bayesian Mixed Poisson Regression Models Under Extreme Target and Covariate Values
University of Helsinki（赫尔辛基大学）
研究混合泊松回归模型在协变量或目标值异常时的稳健性，发现模型对目标异常稳健但对协变量异常不稳健，需开发新方法。
2026-09-23 stat.ME
Bayesian dependent mixture models: A predictive comparison and survey
本文综述了贝叶斯协变量相依混合模型，将其分为联合模型、单权重条件模型和协变量相依权重条件模型三类，并通过预测方程分析和模拟数据比较探讨模型选择问题。
2023-07-30 stat.ME
Identifying treatment effect heterogeneity in dose-finding trials using Bayesian hierarchical models
药物开发中的一项重要任务是确定患者对实验性治疗的反应更好或更差。识别影响处理效应并可用于定义患者亚组的预测协变量是这项任务的关键方面。然而，已知处理效应异质性分析具有挑战性，因为可能的协变量或亚组的数量通常很大，而药物开发早期阶段的样本量通常很小。此外，区分预测协变量与预后协变量（其影响与给定治疗无关的反应）通常很困难。虽然已经提出了许多解决这些问题的方法，但大多数方法都集中在两组临床试验环境中，即给予患者治疗或对照。在本文中，我们考虑平行组剂量探索试验，其中患者给予不同剂量的相同治疗。为了研究这种情况下的处理效应异质性，我们提出了一个协变量对剂量反应参数有影响的贝叶斯分层剂量反应模型。我们利用收缩先验来防止过度拟合，当考虑的协变量数量很大而样本量很小时，过度拟合很容易发生。我们在模拟中比较了几个这样的先验，并研究了预后和预测效应的相关建模，以更好地区分这两种类型的效应。我们说明了使用我们提出的方法，使用II期剂量探索试验，并显示它如何可以用来确定预测协变量和亚组的患者增加处理效应。
2018-11-26 stat.ME
Bayesian Semiparametric Covariate Informed Multivariate Density Deconvolution
不同膳食成分长期平均摄入量的边际密度和联合密度的估计是营养流行病学中的一个重要问题。由于这些变量无法直接测量，因此通常以24小时回顾摄入量的形式收集数据。估计潜在的长期平均摄入量的密度的问题，从他们的观察，但错误污染的回忆，然后成为一个问题的多变量反卷积的密度。潜在的密度可能会随着受试者的人口统计学特征，如性别，种族，年龄等，在相关的精确测量的协变量的存在下，密度反卷积的问题，但是，从来没有被考虑过，甚至在单变量设置。我们提出了一个灵活的贝叶斯半参数方法协变量知情的多元反卷积。基于Copula反卷积和条件张量分解技术的最新进展，我们提出的方法不仅允许联合和边缘密度随相关预测因子灵活变化，而且允许自动选择最有影响力的预测因子。重要的是，该方法还允许感兴趣的密度和测量误差的密度随潜在的不同预测器组而变化。我们设计了马尔可夫链蒙特卡罗算法，可以实现高效的后验推理，适当地适应分析各个方面的不确定性。通过仿真实验验证了该方法的有效性。它的实际效用在上述营养流行病学应用中被证明是在估计不同膳食成分的协变量调整的长期摄入量。补充材料包括实质性的额外细节和R代码也可在线获得。
2022-05-17 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
Bayesian Shape Invariant Model for Latent Growth Curve with Time-Invariant Covariates
在注意力缺陷多动障碍（ADHD）研究中，儿童被开了不同的兴奋剂药物。纵向记录身高测量值以及用药时间。通过平移和旋转叠加（SITAR）模型建议的参数捕获患者之间的差异，该模型使用三个受试者特异性参数来估计其与平均生长曲线的偏差。在本文中，我们推广了SITAR模型的贝叶斯方式与时不变的协变量。时不变模型使我们能够预测潜在的生长因子。由于患者患有共同的疾病，他们通常表现出相似的模式，并且很自然地建立形状不变的非线性模型。该模型是半参数的，人口时间曲线是用自然三次样条。原始的形状不变的生长曲线模型，由青春期身高随时间的演变的流行病学研究的动机，适合的基本形状函数的身高随年龄的变化，并估计受试者的具体偏差从这个曲线的大小，节奏，和速度使用极大似然。注意缺陷多动障碍（ADHD）的研究说明了该模型的有用性。此外，我们证明了刺激性药物对性别青春期生长的影响。
2021-03-24 stat.ME
Covariate-localized False Discovery Rates
Duke University（杜克大学）
本文提出基于非参数高斯混合模型和权重局部化预测递归的协变量局部化错误发现率估计方法，实现更高效、更可控的多重检验。
2026-09-11 stat.ME
A joint Bayesian framework for missing data and measurement error using integrated nested Laplace approximations
在处理数据的学科中，协变量中的测量误差（ME）和缺失值通常是不可避免的，在过去的几十年中，这两个问题分别受到了相当大的关注。然而，虽然大多数研究人员都熟悉处理缺失数据的方法，但在回归模型的协变量中考虑ME并不常见。此外，ME和缺失数据通常被视为两个独立的问题，尽管实际和理论上的相似之处。在这里，我们利用这样一个事实，即在一个连续的协变量中的缺失数据是一个极端的情况下，经典ME，使我们能够使用现有的方法，通过贝叶斯框架，采用集成嵌套拉普拉斯近似（INLA）的ME帐户，从而同时考虑ME和缺失数据在同一协变量。作为一个有用的副产品，我们提出了一种方法来处理缺失数据在INLA，因为这对应于特殊情况下，当没有ME存在。此外，我们将展示如何在同一框架中解释Berkson ME。因此，在其最广泛的一般性中，所提出的联合贝叶斯框架可以解释Berkson ME、经典ME和缺失数据，或者解释INLA可行的回归模型家族的相同或不同连续协变量中这些数据的任何组合。该方法的例子使用模拟和真实的数据。我们提供了广泛的和完全可复制的补充材料与充分记录的例子使用{R-INLA}和{inlabru}。
2023-03-27 stat.ME
A Nonparametric Bayesian Method for Clustering of High-Dimensional Mixed Dataset
本文是从高吞吐量混合数据集的聚类问题出发的。这些数据集的聚类可以提供对生物学关联的深入了解。在这种情况下，一个开放的问题是同时聚类高维混合数据集。本文填补了这一空白，并提出了一种非参数贝叶斯方法称为Gen-VariScan的高维混合数据集的双聚类。Gen-VariScan利用广义线性模型（GLM）和潜在变量方法来整合混合数据集。我们利用Poisson Dirichlet过程（PDP）来识别混合协变量的低维结构。我们发现，协变量协聚类检测是后验一致的，随着受试者和协变量的数量的增长。通过数值模拟和数据分析，验证了Gen-VariScan的优越性。作为一个副产品，我们推导出一个工作值的方法来执行beta回归。本文的补充材料可在网上查阅。
2018-08-14 stat.ME
Bayesian Nonparametric Instrumental Variable Regression Approach to Quantile Inference
本研究扩展了贝叶斯非参数工具变量回归模型，以确定协变量对响应变量条件分位数的结构效应。误差分布是使用二元正态分布的Dirichlet混合物非参数建模的。均值函数包括以加法方式使用样条函数表示的协变量的平滑效应。第二阶段误差的条件方差也使用样条函数建模，使得它随协变量平滑地变化。因此，所提出的模型允许相当大的灵活性，在形状的分位数函数，同时校正的内消效应。该模型的后验推理是基于马尔可夫链蒙特卡罗方法，不需要大都会黑斯廷斯更新。使用模拟和真实的数据在日本的死亡率在两次世界大战期间的方法进行了演示。
2016-08-29 stat.ME
Bayesian Modeling of the Stochastic Block Model for Weighted Network Data with Zero-Inflated Negative Binomial Distribution
Department of Mathematics, Hiroshima University（广岛大学数学系）
本文提出基于零膨胀负二项分布的贝叶斯块模型，以应对加权网络中的过分散数据，通过零膨胀自然处理缺失交互，并利用多项式伽玛数据增强实现高效后验计算，提升社区检测和链接预测性能。
2026-04-27 stat.ME
NExON-Bayes: A Bayesian approach to network estimation informed by ordinal covariates
MRC Biostatistics Unit（MRC生物统计学单元）；University of Cambridge（剑桥大学）
NExON-Bayes通过结合序数协变量的贝叶斯方法，改进高维组学数据中网络估计的准确性与可靠性。
2026-01-24 stat.ME
Unsupervised empirical Bayesian multiple testing with external covariates
在经验贝叶斯设置，我们提供了一个新的多重检验方法，有用的时候，一个额外的协变量是可用的，影响每个原假设是真的概率。我们在协变量和数据的条件下测量每个检验的后验显著性，从而获得更大的功效。使用协变量为基础的先验信息在无监督的方式，我们产生了一个列表的显着的假设不同的长度和顺序从列表中获得的方法不考虑协变量信息。使用快速近似算法估计每个原假设的协变量调制的后验概率。新方法被应用到表达数量性状基因座（eQTL）数据。
2008-07-29 stat.AP
A Bayesian regression framework for circular models with INLA
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University of Pretoria（比勒陀利亚大学）
本文提出了一种基于INLA的贝叶斯回归框架，用于处理圆形变量的回归模型，能够处理多种响应类型和混合协变量，并通过实例验证其有效性。
2026-02-09 stat.ME
Bayesian Covariate-Dependent Circadian Modeling of Rest-Activity Rhythms
本文提出一种贝叶斯协变量依赖昼夜节律模型，通过l_1球投影先验实现稀疏建模，用于分析可穿戴设备活动数据并揭示影响静息-活动节律的复杂因素。
2025-02-05 stat.AP stat.ME
Bayesian Spatial Binary Classification
在空间参考数据的分析中，研究人员通常有两个目标之一：量化响应变量和协变量之间的关系，同时考虑剩余的空间依赖性或预测响应变量在未观察到的位置的值。在第二种情况下，当响应变量是分类的时，预测可以被视为分类问题。许多分类方法要么忽略响应变量/协变量关系，只依赖于空间上接近的观察分类，或者忽略空间依赖性，只使用协变量进行分类。贝叶斯空间广义线性（混合）模型提供了一种工具，以适应空间和协变量的信息来源分类问题。在本文中，我们正式定义空间分类规则的基础上，这些模型。我们还仔细研究了其中两个模型，已在文献中提出，即概率单位版本的空间广义线性模型（SGLM）和贝叶斯空间广义线性混合模型（SGLMM）。我们描述了这些模型的空间分类之间看似轻微的差异的影响，并通过模拟研究探讨了模型误指定的鲁棒性问题。我们还提供了SGLM/SGLMM为基础的分类器的替代品的概述，并说明了各种方法，使用来自东南亚的卫星土地覆盖数据。
2016-01-08 stat.ME
Bayesian Soft-Tree Poisson Process Model for Covariate-Dependent Point Patterns
Iowa State University（爱荷华州立大学）
本文针对协变量依赖点模式估计难题，提出贝叶斯软树泊松过程模型，结合自适应协变量划分与平滑强度函数，采用RJ-MCMC算法，经模拟与野火数据验证其性能优于现有方法。
2026-10-09 stat.CO stat.ME
A Bayesian Nonparametric Approach for Clustering Functional Trajectories over Time
针对生物医学及移动健康场景中功能关系随时间演变的聚类问题，提出贝叶斯非参数方法，可跨时段聚类功能轨迹、适配时间依赖，在戒烟干预的移动健康数据中验证了其分析聚类转换的效用。
2024-05-18 stat.ME
High-dimensional single-index Bayesian modeling of brain atrophy
我们提出了一个脑萎缩模型，作为高维遗传信息和低维协变量，如性别，年龄，APOE基因和疾病状态的函数。提出了一种高维非参数单指标贝叶斯模型，用于描述未知函数的B样条级数先验和随机效应分布的中心正态Dirichlet过程尺度混合先验之间的关系.随着样本量的增加，在固定数量的区域和时间点建立无随机效应的后验收缩率。我们通过哈密顿蒙特卡罗（HMC）算法实现了一个有效的计算算法。所提出的贝叶斯方法的性能进行了比较与相应的最小二乘估计在线性模型与马蹄先验，LASSO和SCAD惩罚的高维协变量。将所提出的贝叶斯方法应用于748个个体的多次访问记录的脑区域体积数据集，每个个体使用620，901个SNP和6个其他协变量，以识别与脑萎缩相关的因素。
2019-02-11 stat.ME
Bayesian analysis of restricted mean survival time adjusted for covariates using pseudo-observations
本文提出一种结合伪观测与广义矩方法的新型贝叶斯方法，无需建模生存函数即可估计协变量调整的RMST，模拟与前列腺癌III期试验验证其有效性、精度及可解释性。
2025-03-27 stat.AP stat.ME
Bayesian prognostic covariate adjustment
关于疾病结局的历史数据可以通过多种方式整合到临床试验分析中。我们建立在现有文献的基础上，这些文献使用预测模型的预后评分，通过协变量调整来提高处理效应估计的效率。在这里，我们更进一步，利用贝叶斯框架，结合预测协变量调整与经验先验分布从预测模型的预测性能在过去的试验中学习。贝叶斯方法在既往扩散时采用严格第一类错误控制的预后协变量调整与既往达到峰值时采用单臂试验之间进行插值。理论上表明，该方法可大幅提高统计功效，同时在合理条件下限制第一类错误率。我们证明了我们的方法在模拟和分析过去的阿尔茨海默病的临床试验的效用。
2020-12-24 stat.AP stat.ME stat.ML
VCBART: Bayesian trees for varying coefficients
针对现有变系数模型难以处理多元效应修饰变量的问题，提出VCBART，利用贝叶斯加性回归树灵活估计协变量效应，在估计、不确定性量化和预测上优于现有方法，并通过两个案例验证了其有效性。
2024-09-24 stat.ME
A Nonparametric Bayesian Technique for High-Dimensional Regression
本文提出了一个非参数贝叶斯框架称为VariScan的同时聚类，变量选择和预测在高通量回归设置。Poisson-Dirichlet过程用于检测协变量的低维潜在聚类。为响应构造了自适应非线性预测模型，实现了模型简约性和灵活性之间的平衡。与传统的信念相反，集群检测显示为后验一致的一般类的模型的协变量和主题的数量的增长。仿真研究和数据分析表明，VariScan往往优于几个著名的统计方法。
2016-04-12 stat.ME
Bayesian Clustered Coefficients Regression with Auxiliary Covariates Assistant Random Effects
在区域经济学研究中，一个令人感兴趣的问题是检测区域之间的相似性，并估计它们在经济模型中的共享系数。在这篇文章中，我们提出了一个有限混合物（MFM）聚类回归模型的辅助协变量，占人口或经济特征的相似性在空间域的混合。我们的贝叶斯构造提供了聚类数和聚类配置的推断，以及每个聚类的参数估计。通过模拟实验说明了该模型的实证性能，并进一步应用于佐治亚州每月住房成本的影响因素的研究。
2021-08-28 econ.EM stat.AP stat.ME
Direct Bayesian Regression for Distribution-valued Covariates
本文提出一种直接利用重复测量作为协变量的分布值回归方法，避免密度估计，具有变换不变性，并基于高斯过程先验实现闭式贝叶斯推断，理论上达到最优误差界，实证优于需中间密度估计的方法。
2024-04-18 math.ST stat.ME stat.TH
Modelling spatial heterogeneity in the effects of area-level covariates on income distributions using Bayesian nonparametric methods
King’s College London（伦敦国王学院）；University College London（伦敦大学学院）
本文提出NLMFM-C模型，通过混合潜在因子密度分析收入分布变化，探讨空间和协变量效应，应用于美国四个州2016和2020年的微观数据，揭示收入水平和人口特征对收入分布的影响。
2026-04-25 stat.AP stat.ME
Bayesian Nonparametric Modeling for Multivariate Ordinal Regression
通常假设单变量或多变量有序响应来自潜在连续参数分布，协变量效应线性进入。本文介绍了一种单变量和多变量有序回归的贝叶斯非参数建模方法，该方法基于潜响应和协变量的联合分布的混合建模。建模框架可以高度灵活地推断有序回归关系，避免协变量效应中的线性或加性假设。在标准参数有序回归模型中，计算挑战来自于可识别性约束和需要非标准推理技术的参数估计。非参数模型的一个关键特征是它实现了推理的灵活性，同时避免了这些困难。特别是，我们建立了充分支持的非参数混合模型下的固定截止点，通过离散化的潜在连续响应与顺序响应。通过应用到两个数据集的计量经济学，一个例子，涉及臭氧浓度的回归关系，和多评价协议问题的建模方法的实际效用说明。
2016-09-20 stat.ME
Covariate-dependent hierarchical Dirichlet processes
本文提出一种结合协变量信息的分层贝叶斯非参数模型，用于密度估计和跨组聚类，通过数据增广实现高效推断，并在单细胞测序和钙成像数据上验证了其有效性。
2025-10-27 stat.ME
Unsupervised bayesian convex deconvolution based on a field with an explicit partition function
本文提出了一种具有特殊功能：显式划分函数的非高斯马尔可夫场。据我们所知，这是一个原创性的贡献。此外，显式表达的分区函数，使一个无监督的边缘保持凸反卷积方法的发展。该方法是完全贝叶斯的，并产生后验均值意义上的估计，通过蒙特卡罗马尔可夫链技术进行数值计算。该方法是特别有效的和计算实用性的方法上一个简单的模拟例子。
2009-01-26 stat.ME
Bayesian Nonlinear Tensor Regression with Functional Fused Elastic Net Prior
本文提出非线性贝叶斯张量加性回归模型，并设计函数融合弹性网先验，以同时建模非线性与空间平滑性、检测边界跳跃并识别活跃区域，模拟和人脸数据验证了其灵活性与可解释性。
2023-02-16 stat.ME
Adaptive Bayesian Sum of Trees Model for Covariate Dependent Spectral Analysis
本文介绍了一种灵活的、自适应的非参数方法，用于估计多个协变量与多个时间序列的功率谱之间的关联。所提出的方法使用贝叶斯树模型的总和，以捕捉复杂的依赖关系和协变量和功率谱之间的相互作用，这是经常观察到的生物医学时间序列的研究。局部功率谱对应的终端节点内的树木估计非参数使用贝叶斯惩罚线性样条。树被认为是随机的，并使用贝叶斯回拟合马尔可夫链蒙特卡罗（MCMC）算法，顺序考虑树的修改，通过可逆跳MCMC技术。对于高维协变量，稀疏诱导Dirichlet超先验树分裂比例被认为是，它提供了稀疏估计协变量的影响和有效的变量选择。通过对树的后验分布进行平均，该方法可以恢复多个协变量之间功率谱的平滑和突变。经验性能通过模拟评估，以证明所提出的方法的能力，准确地恢复复杂的关系和相互作用。建议的方法是用来研究步态成熟的幼儿通过评估与年龄相关的变化，在其他协变量的存在下，功率谱的步幅间隔时间序列。
2021-09-29 stat.AP stat.CO stat.ME
Bayesian Regression for a Dirichlet Distributed Response using Stan
对于由总和为1的正值集合或向量组成的观察到的响应，狄利克雷分布（Bol'shev，2018）是量化该过程背后的数据生成机制的有用数学构造。在应用中，这些响应集通常表示为比例或比例的组合，并且通过协变量，人们希望通过这些协变量的值的变化来表现潜在的信号，从而导致不同分布的响应组合。本文简要介绍了这类回归模型，并基于最近开发的公式（Maier，2014），说明了在贝叶斯推断框架Stan中的实现。
2018-08-20 stat.ME
Bayesian Latent Class Regression with Interpretable Binary Profiles
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
针对高维分类数据，提出一种引入二元潜在属性层的贝叶斯潜在类别回归模型（BLIP），满足可识别性和后验一致性，并具有贝叶斯最优聚类性质以应对维数灾难。
2026-05-27 stat.ME
Bayesian Functional Generalized Additive Models with Sparsely Observed Covariates
McLean等人（2013）最近提出了函数广义可加模型（FGAM），作为常见函数线性模型（FLM）的更灵活的替代方案，用于回归函数协变量的标量。在本文中，我们开发了一个贝叶斯版本的FGAM的高斯误差的情况下，单位链接功能。我们的方法允许函数协变量被稀疏地观察和测量，而McLean et al.（2013）的估计过程要求它们在规则网格上被无噪声地观察。我们认为这两个蒙特卡罗和变分贝叶斯方法拟合FGAM稀疏观测协变量。由于模型后验分布和全条件分布的复杂形式，标准蒙特卡罗和变分贝叶斯算法不能使用。我们使用的策略来处理更新的参数没有封闭形式的完整条件应该是独立的兴趣应用贝叶斯统计学家与非共轭模型。我们的数值研究表明，我们的算法的好处，首先使用标准技术恢复完整的轨迹，然后拟合一个功能回归模型的两步方法。在一个真实的数据分析中，我们的方法被应用到预测在网上拍卖网站eBay上拍卖的物品的收盘价。
2017-05-26 stat.CO stat.ME
Bayesian machine learning approach for recurrent events studies using Soft Bayesian Additive Regression Trees (SBART)
Florida State University（佛罗里达州立大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出软贝叶斯加性回归树（SBART）非参数方法，结合软决策树与贝叶斯集成学习，用于复发事件建模，通过两层数据增强实现高效计算，在模拟和实际数据中优于现有方法。
2026-06-12 stat.ME
Compatible Imputation for Hierarchical Linear Models with Incomplete Data: Interaction Effects of Continuous and Categorical Covariates MAR
针对连续协变量C与分类协变量D存在交互效应的MAR不完全数据，提出兼容Gibbs采样器解决小样本下HLM贝叶斯估计问题，可直接从精确后验分布抽取参数与缺失值，提升估计性能。
2025-02-10 stat.ME
Bayesian nonparametric tests via sliced inverse modeling
我们研究了分类协变量和连续响应变量之间的独立性和条件独立性检验问题，这在遗传学中有直接的应用。我们不是在给定协变量值的情况下估计响应的条件分布，而是在给定离散化响应（又名“切片”）的情况下对协变量的条件分布进行建模。通过为每个可能的离散化方案分配先验概率，我们可以使用动态规划算法有效地计算用于独立性（或条件独立性）检验的贝叶斯因子（BF）统计量。研究了BF统计量的幂和零分布等渐近性质和有限样本性质，并进一步提出了一种基于BF统计量的逐步变量选择方法。我们比较了BF统计与一些现有的经典方法，并通过广泛的模拟研究证明其统计功效。我们将所提出的方法应用于小鼠遗传学数据集，旨在检测数量性状位点（QTL），并取得了可喜的成果。
2015-05-02 stat.ME
Covariate Adjustment in Bayesian Adaptive Randomized Controlled Trials
本文研究贝叶斯自适应随机对照试验中的协变量调整方法，展示如何从调整分析中获取边际估计目标的后验样本，并通过模拟和COVID-19试验证明其能提高检验效能、增加提前停止概率并降低预期样本量。
2023-11-23 stat.AP stat.ME
Bayesian Variable Selection for Multi-Outcome Models Through Shared Shrinkage
University of Louisville（路易斯维尔大学）
本文提出了一种基于共享收缩的贝叶斯变量选择方法，用于多结果模型中同时识别重要协变量。
2019-04-25 stat.ME
CoMET: A Compressed Bayesian Mixed-Effects Model for High-Dimensional Tensors
The University of Iowa（爱荷华大学）；University of Florida（佛罗里达大学）
CoMET是一种用于高维张量数据的压缩贝叶斯混合效应模型，通过结构化随机投影和低秩分解实现高效计算与预测。
2026-02-22 stat.ME
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
Scalable Bayesian nonparametric regression via a Plackett-Luce model for conditional ranks
我们提出了一种新的贝叶斯非参数回归模型的协变量X和连续的，真正的响应变量Y。该模型根据Y和X的边缘分布以及调整条件分布F（y）的随机排序的回归函数进行参数化|x）。通过采用近似的复合似然方法，我们表明，由此产生的后验推理可以解耦的模型的单独组件。该过程可以扩展到非常大的数据集，并允许使用来自贝叶斯非参数密度估计和Plackett-Luce排名估计的标准现有软件。作为一个例子，我们展示了我们的方法在美国人口普查数据集上的应用，该数据集有超过130万个数据点和100多个协变量。
2015-06-24 stat.ME
