A semiparametric Bayesian approach to epidemics, with application to the spread of the coronavirus MERS in South Korea in 2015
我们认为不完全的观察随机过程的传染病通过有限的人口接触的方式传播。我们提出了一个灵活的半参数建模框架，至少有三个优点。首先，它使研究人员能够研究人口接触网络的结构及其对传染病传播的影响。其次，它可以适应短尾和长尾度分布，并检测潜在的超级传播者，他们代表了一个重要的公共卫生问题。第三，它解决了数据不完整的重要问题。从第一性原理出发，我们表明，当不完全数据生成过程是可验证的人口模型的参数的贝叶斯推断的目的。我们展示了半参数建模框架的模拟和部分观察到的MERS疫情在韩国在2015年的应用。最后，我们扩展讨论的开放性问题和未来的研究方向。
2021-07-01 stat.ME
Bayesian Semiparametric Longitudinal Drift-Diffusion Mixed Models for Tone Learning in Adults
了解成年人如何学习非母语语言类别，如音调信息，为经验依赖的大脑可塑性机制提供了新的见解。传统上，科学家们在多类别决策范式下使用纵向学习实验来研究这些问题。漂移扩散过程在这种情况下很受欢迎，因为它们能够模仿潜在的神经机制。基于这些问题，我们提出了一种新的贝叶斯半参数逆高斯漂移扩散混合模型，用于纵向环境下的多方案决策。我们设计了一个用于后验计算的马尔可夫链蒙特卡罗算法。我们通过合成实验来评估该方法的经验性能。应用于我们的激励纵向音调学习研究，该方法提供了新的见解如何生物学解释的模型参数随着学习的发展，不同的输入-响应音调组合，以及表现良好和表现不佳的成年人之间的差异。
2020-06-15 stat.ME
Semiparametric Mixed-Scale Models Using Shared Bayesian Forests
本文展示了在各种非参数回归问题（包括多变量、异方差和半连续响应）中，共享多个模型分量之间的协变量未知特征信息的优势。在本文中，我们提出了一种方法，它允许使用贝叶斯树模型的总和在不同的模型组件之间共享非参数化的信息。我们的模拟结果表明，在相关的模型组件的信息共享往往是非常有益的，特别是在稀疏的高维问题中，变量选择必须进行。我们通过分析医疗支出调查（MEPS）的医疗支出数据来说明我们的方法。为了便于贝叶斯非参数回归分析，我们开发了两种新的模型，用于分析MEPS数据使用贝叶斯加性回归树-异方差对数正态栅栏模型与“收缩向同性”先验，和伽玛栅栏模型。
2019-06-09 stat.ME
Bayesian Semiparametric Mixed Effects Markov Chains
利用动物发声模型研究人类发声机制的神经学、遗传学和进化基础是神经科学的一个重要领域。数据集通常包括不同基因型的动物在不同社会背景下产生的音节或“歌曲”的结构化序列。我们开发了一种新的贝叶斯半参数框架在这样的数据集的推理。我们的方法是建立在一类新的混合效应马尔可夫转移模型的歌曲，适应外源性的基因型和背景的影响，以及动物特异性的异质性。我们设计了有效的马尔可夫链蒙特卡罗算法的后验计算。所提出的方法的关键优势包括它能够提供洞察到关键的科学查询有关的全球和本地的影响的外源预测的过渡动态通过自动测试的假设。使用模拟实验和上述激励应用程序在神经科学的方法进行说明。
2016-12-17 stat.ME
DPGLM: A Semiparametric Bayesian GLM with Inhomogeneous Normalized Random Measures
提出一种变权重相依狄利克雷过程模型，扩展半参数广义线性模型，通过非参数先验和指数倾斜实现非齐次随机测度，并验证其有效性与应用。
2025-03-28 stat.ME
Comments on: "Hybrid Semiparametric Bayesian Networks"
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达莱莫勒人工智能研究所（IDSIA））
邀请讨论David Atienza，Pedro Larranaga和Concha Bielza的论文“混合半参数贝叶斯网络”（TEST，2022）。
2022-05-12 cs.LG stat.ME stat.ML
A Bayesian Semiparametric Factor Analysis Model for Subtype Identification
疾病亚型识别（聚类）是生物医学研究中的一个重要问题。基因表达谱通常用于推断疾病亚型，这通常导致对疾病的生物学意义的见解。尽管有许多成功的，现有的聚类方法可能无法很好地执行时，基因是高度相关的，许多无信息的基因，包括聚类由于高维。在这篇文章中，我们介绍了一种新的亚型识别方法在贝叶斯设置的基础上基因表达谱。这种方法，称为BCSub，采用了创新的半参数贝叶斯因子分析模型，以减少数据的维度到几个因素得分聚类。具体而言，因子得分被假定为遵循狄利克雷过程混合模型，以诱导聚类。通过广泛的模拟研究，我们表明，BCSub的常用聚类方法的性能有所提高。当应用于两个基因表达数据集时，我们的模型能够识别出比现有方法更具有临床相关性的亚型。
2016-09-26 stat.ME
Bayesian Bandwidths in Semiparametric Modelling for Nonnegative Orthant Data with Diagnostics
多元非负正交数据是零向量左边的实向量，它们可以是连续的，离散的或混合的。本文首先回顾了近年来多元非负连续分布和计数分布的相对变异性指标。作为前奏，具有相同平均向量的两个可比分布的分类通过相对于参考分布的欠、等和过变异来完成。多元相关的核估计，然后审查新的建议，可以容纳任何非负orthant数据集。我们专注于带宽矩阵选择的自适应和局部贝叶斯方法连续和计数支持，分别。最后，我们介绍了一个灵活的半参数方法估计所有这些分布的非负支持。相应的估计器是由一个给定的参数部分，和一个非参数部分，这是一个权重函数估计通过多元关联核。一个诊断模型进行了讨论，使参数，半参数和非参数方法之间的适当选择。纯非参数的保留意味着在建模中使用参数部分的不便。逐步考虑多变量真实数据的例子，在连续设置的可靠性来说明所提出的方法。最后对扩展到其他多种功能作了总结。
2021-01-20 stat.ME
A case study of causal mediation using Bayesian nonparametrics and semiparametric corrections
提出截断富集狄利克雷过程混合模型估计自然直接和间接效应，结合高效MCMC算法和基于有效影响函数的一步后验修正，解决贝叶斯非参数中因果估计量的可靠推断问题。
2026-06-19 stat.ME
Heterogeneity Pursuit for Spatial Point Pattern with Application to Tree Locations: A Bayesian Semiparametric Recourse
空间点模式数据是经常遇到的。一个灵活的回归模型的基础强度是必不可少的空间点模式的特征和了解潜在的风险因素对这种模式的影响。我们提出了一个贝叶斯半参数回归模型，其中观察到的空间点遵循一个空间泊松过程的强度函数，调整非参数基线强度与乘法协变量的影响。基线强度是分段恒定的，接近一个有动力的中国餐馆的过程之前，防止不必要的大量件。参数回归部分允许在回归系数之前通过加标平板进行变量选择。提出了一种有效的马尔可夫链蒙特卡罗（MCMC）算法。的方法的性能进行了验证，在一个广泛的模拟研究。在应用的位置Beilschmiedia pendula树在巴罗科罗拉多岛森林动态研究地块在巴拿马中部，空间异质性归因于土壤测量的一个子集，除了地理测量与空间变化的基线强度。
2020-03-24 stat.ME
Bayesian Semiparametric Multivariate Density Deconvolution via Stochastic Rotation of Replicates
我们考虑多变量密度反卷积的问题，其中随机向量的分布需要从被条件异方差测量误差污染的重复中估计。我们提出了一个概念上简单，但从根本上新颖的和高度鲁棒的方法，多变量密度反卷积随机旋转的复制对相应的真实潜在值。我们还解决了另外显着的挑战性问题，适应条件异方差测量误差在这个新引入的框架。我们采取贝叶斯路线估计和推理，通过一个有效的马尔可夫链蒙特卡罗算法，适当地适应在我们的分析的各个方面的不确定性。渐近收敛保证的方法也建立。我们通过模拟实验及其在估计不同膳食成分的长期联合平均摄入量中的实际效用，说明了该方法的经验功效，从受测量误差污染的24小时膳食回忆。
2022-11-28 stat.ME
Bayesian Semiparametric Hierarchical Empirical Likelihood Spatial Models
我们引入了一个一般的分层贝叶斯框架，通过使用经验似然方法，我们称之为半参数分层经验似然（SHEL）模型，采用了灵活的非参数数据模型规范。虽然一般的依赖结构可以很容易地容纳，我们专注于空间建模，一个相对欠发达地区的经验似然文学。重要的是，我们开发的模型自然适应不规则网格和不规则间隔的点参考数据的空间关联。我们通过模拟研究和三个真实数据的例子来说明我们提出的框架。首先，我们在SHEL框架下发展了一个空间Fay-Herriot模型，并将其应用于美国社区调查中的小区域估计问题。接下来，我们通过北卡罗来纳州婴儿猝死综合征（SIDS）数据集在面积数据（在不规则网格上）的背景下说明SHEL模型。最后，我们分析了一个点参考数据集，从北美繁殖鸟类调查，认为鸽子计数密苏里州。在所有情况下，我们都证明了我们的模型在均方预测误差方面优于标准参数分析。
2014-05-15 stat.ME
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
Bayesian Semiparametric Multivariate Density Deconvolution
我们考虑多变量密度反褶积的问题时，兴趣在于估计的分布的向量值的随机变量，但精确的测量的变量的兴趣是不可用的，观察被污染的添加剂测量误差。关于该问题的现有稀疏文献假设测量误差的密度是完全已知的。当测量误差密度未知但复制代理可用于随机向量的每个未观测值时，我们提出了鲁棒贝叶斯半参数多元反卷积方法。另外，我们允许测量误差的可变性通过未知关系依赖于感兴趣的矢量的相关联的未观察值，这也自动包括多变量乘法测量误差的情况。有限混合模型、多元正态核和可交换先验的基本性质被以许多新颖的方式利用，以满足建模和计算的挑战。理论结果表明，所提出的方法的灵活性。我们通过仿真实验说明了所提出的方法在恢复感兴趣的真实密度的效率。该方法适用于估计联合消费模式的不同膳食成分污染的24小时召回。
2016-12-05 stat.ME
Bayesian semiparametric modelling of covariance matrices for multivariate longitudinal data
本文开发了多变量纵向响应的边际模型。总体而言，该模型由五个回归子模型组成，一个用于平均值，四个用于协方差阵，后者是通过考虑各种矩阵分解得到的。我们采用的分解是直观的，易于理解的，并且它们不依赖于任何假设，例如多变量响应之间存在排序。回归子模型是半参数的，未知函数由基函数展开表示。我们使用spike-slap先验的回归系数，以实现变量的选择和功能的正则化，并获得参数估计，考虑模型的不确定性。提出了一种有效的后验抽样马尔可夫链蒙特卡罗算法。模拟研究调查先验对后验的影响，当考虑多变量纵向分析而不是单变量分析时可能会获得的收益，以及这些收益是否可以抵消缺失数据的负面影响。我们将这些方法应用于一个高度不平衡的纵向数据集，该数据集在20年的时间内观察到四个响应
2020-12-17 stat.ME
Semiparametric Bayesian structure learning of nonparanormal directed acyclic graphs with local--global shrinkage
Ferdowsi University of Mashhad（马什哈德 Ferdowsi 大学）
提出NPN-DAG-HS，一种结合非参数正态族与马蹄形收缩的贝叶斯半参数DAG模型，无需估计单调变换即可处理非高斯数据，在高维下具有理论保证，并在模拟和真实数据中优于高斯方法。
2026-09-14 stat.ME
Computational strategies and estimation performance with Bayesian semiparametric Item Response Theory models
项目反应理论（IRT）模型通常依赖于特定主题的潜在特质的正态性假设，这在实践中往往是不现实的。基于Dirichlet过程混合的半参数扩展提供了一个更灵活的表示未知分布的潜在特质。然而，在IRT文献中使用这种模型是非常有限的，在很大程度上是因为缺乏全面的研究和可用的软件工具。本文为半参数IRT模型及其实现提供了指导。特别是，我们依赖于NIMBLE，一个灵活的软件系统，分层模型，使使用狄利克雷过程的混合物。我们强调有效的抽样策略模型估计和比较参数和半参数模型下的推断结果。
2022-08-10 stat.AP stat.ME
Approximate Bayesian inference in semiparametric copula models
我们描述了一个简单的方法进行推断的功能的多元分布。该方法是基于Copula表示的多变量分布，它是基于近似贝叶斯蒙特卡罗算法，其中建议的值的功能的利益加权的经验似然的属性。当与工作模型相关联的“真”似然函数太昂贵而无法评估时，或者当工作模型仅部分指定时，该方法特别有用。
2017-07-16 stat.CO stat.ME
Semiparametric imputation using latent sparse conditional Gaussian mixtures for multivariate mixed outcomes
本文提出了一种灵活的贝叶斯方法，多重插补使用条件高斯混合。我们引入了新的收缩先验的协变量依赖的混合比例的混合模型，自动选择合适的数量的组件中使用的插补步骤。我们通过马尔可夫链蒙特卡罗方法开发了一种用于后验计算和多重插补的高效采样算法。所提出的方法可以很容易地扩展到的情况下，数据不仅包含连续变量，但也离散变量，如二进制和计数值。我们还提出了近似贝叶斯推断的损失函数定义的参数的基础上的后验预测分布的缺失观测，通过扩展基于Bootstrap的贝叶斯推断的完整数据。所提出的方法是通过模拟和真实数据的数值研究证明。
2022-08-16 stat.ME
Survival Analysis with Discrete Biomarkers Under a Semiparametric Bayesian Conditional Poisson Model
针对癌症生存分析中离散生物标志物存在测量误差的问题，本文提出一种基于狄利克雷过程混合的半参数贝叶斯条件泊松联合模型，并通过模拟和高级别浆液性癌生存研究验证了其在偏差降低和稳健性方面的优势。
2025-09-23 stat.ME
Seemingly Unrelated Multi-State processes: a Bayesian semiparametric approach
医学统计学以及其他领域的许多应用可以通过个人随时间经历的多个状态之间的转变（例如从健康到疾病）来描述。在这种情况下，多状态模型是一种流行的统计技术，特别是当没有观察到确切的过渡时间时。我们感兴趣的关键量是转换率，它捕捉了从一种状态转换到另一种状态的瞬时风险。这项工作的主要贡献是提出了一个联合半参数模型几个可能相关的多状态过程（看似无关的多状态，SUMS，过程），假设一个马尔可夫结构的过渡随着时间的推移。不同过程之间的依赖性是通过指定每个过程的转移率的联合随机效应分布来捕获的。我们假设一个灵活的随机效应分布，它允许聚类的个人，过度分散和离群值。此外，我们采用了一个图形结构来描述进程之间的依赖关系，利用高斯图形模型文献中的工具。也可以包括协变量效应。我们使用我们的方法来模拟心理健康中的疾病进展。后验推理是通过一个专门设计的MCMC算法。
2021-06-06 stat.ME
Fast Approximate Inference for Arbitrarily Large Semiparametric Regression Models via Message Passing
我们展示了如何消息传递的概念可以用来简化的代数和计算机编码的快速近似推理大型贝叶斯半参数回归模型。特别是，一旦建立了一组原始操作，这种方法就可以处理任意大的特定类型的模型。该方法是建立在一个消息传递的平均场变分贝叶斯公式，利用因子图表示的统计模型。基本原则适用于一般的贝叶斯分层模型，虽然我们专注于半参数回归。因子图片段的概念进行了介绍，并示出，以便于划分所需的代数和编码。由此产生的算法有准备实施封闭形式的表达式，并允许广泛的任意大的半参数回归模型进行处理。正在进行的软件项目，如Infer.NET和Stan，支持特定模型类的变分类型推理。本文并不关注软件包本身，而是关注可扩展变分推断算法的基本原则。
2016-04-06 stat.ME
Dir-SPGLM: A Bayesian semiparametric GLM with data-driven reference distribution
本文提出 Dir-SPGLM，通过对基线分布施加 Dirichlet 先验构建贝叶斯半参数 GLM，以支持超越概率等泛函的不确定性推断，并证明渐近性质，在小样本和稀疏数据下表现优于或相当于 ML-SPGLM。
2024-04-07 stat.ME
Decoding Neuronal Ensembles from Spatially-Referenced Calcium Traces: A Bayesian Semiparametric Approach
University of Milano-Bicocca（米兰比可卡大学）；University of Padova（帕多瓦大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种贝叶斯半参数方法，通过钙迹解码神经元群体活动，揭示空间结构化共激活模式及群体结构与动物位置的关系。
2026-09-09 stat.ME
A Bayesian Semiparametric Gaussian Copula Approach to a Multivariate Normality Test
在本文中，贝叶斯半参数Copula方法被用来模拟潜在的多元分布$F_{true}$。首先，在$F_{true}$的未知边缘分布上构造Dirichlet过程。然后利用高斯copula模型来捕捉$F_{true}$的依赖结构。最后，结合相对置信比和能量距离建立了贝叶斯多元正态性检验。几个有趣的理论结果的方法。最后，通过几个模拟的例子和一个真实的数据集，所提出的方法显示出良好的性能。
2019-07-04 stat.AP stat.CO 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
Bayesian Semiparametric Functional Mixed Models for Serially Correlated Functional Data, with Application to Glaucoma Data
青光眼是导致失明的主要原因，其特征在于与眼内压（IOP）相关的视神经损伤，但其全部病因尚不清楚。UAB的研究人员设计了一种定制设备，用于在固定的IOP水平下连续测量眼睛周围的巩膜应变，该设备用于评估后极周围的应变如何随IOP以及年龄等青光眼风险因素而变化。假设巩膜应变随年龄增长而减少，这可能会改变视神经乳头的生物力学，并导致最终导致青光眼的损伤。为了评估这一假设，我们采用贝叶斯函数混合模型来模拟这些复杂的数据，这些数据由球形巩膜表面上的相关函数组成，非参数年龄效应允许在巩膜表面上的幅度和平滑度上变化，多水平随机效应函数用于捕获受试者内相关性，功能性生长曲线项用于捕获可以在巩膜表面周围变化的IOP之间的序列相关性。我们的方法产生完全贝叶斯推断上的巩膜表面或任何聚集或转换，并揭示了有趣的见解青光眼的生物力学病因。所描述的通用建模框架非常灵活，适用于许多复杂的高维函数数据。
2018-05-07 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
Real-time semiparametric regression
我们开发了实时执行半参数回归分析的算法，数据在收集时进行处理，并通过现代电信技术立即提供。我们的半参数回归的定义是相当广泛的，包括，作为特殊情况下，广义线性混合模型，广义可加模型，地质统计模型，小波非参数回归模型及其各种组合。快速更新回归拟合是通过将半参数回归耦合到贝叶斯分层模型或等价的图形模型框架中并采用在线平均场变分思想来实现的。本文所附的一个网站realtime-semiparametric-regression.net说明了不断获得股票市场、房地产和航空公司数据的方法。基于日益普遍的流数据源的灵活实时分析将受益匪浅。
2013-02-06 stat.ME
Bayesian semiparametric long memory models for discretized event data
针对长记忆离散事件数据，提出了一类新的半参数隐变量模型。该方法的动机是亚马逊雨林中的鸟类发声的研究，发声的时间表现出自相似性和长期依赖排除模型的基础上泊松过程。提出的FRAP概率模型是基于一个潜在过程的阈值，该潜在过程由一个具有分数布朗运动的光滑高斯过程的加性展开组成。我们使用马尔可夫链蒙特卡罗开发了一种贝叶斯推理方法，并在仿真研究中表现出良好的性能。应用亚马逊鸟类发声数据的方法，我们发现大量的证据自相似性和非马尔可夫/泊松动力学。为了适应鸟类发声数据，其中有许多不同种类的鸟类展示自己的发声动力学，FRAP的层次扩展在补充材料中提供。
2021-06-30 stat.AP stat.ME
Estimating the health effects of environmental mixtures using Bayesian semiparametric regression and sparsity inducing priors
人类经常暴露于化学品和其他环境因素的混合物中，这使得量化与环境混合物相关的健康影响成为制定充分保护人类健康的环境政策的关键目标。对接触环境混合物的影响进行量化提出了若干统计挑战。通常情况下，暴露于多种污染物会相互作用，从而影响结果。此外，结果与某些暴露（如某些金属）之间的风险-响应关系可能表现出复杂的非线性形式，因为某些暴露在不同的暴露范围内可能是有益的，也可能是有害的。为了估计复杂混合物的健康影响，我们提出了一个灵活的贝叶斯方法，允许暴露相互作用，并与结果有非线性关系。我们使用多变量尖峰和板先验来诱导稀疏性，以确定哪些曝光与结果相关，以及哪些曝光相互作用。所提出的方法是可解释的，因为我们可以使用包含到模型中的后验概率来识别相互作用的污染物。我们说明了我们的方法的能力，使用模拟数据来估计复杂的功能，并将我们的方法应用于两项研究，以确定哪些环境污染物对健康产生不利影响。
2019-10-29 stat.ME
Bayesian Semiparametric Joint Modeling of Gap-Time Distribution for Multitype Recurrent Events and a Terminal Event
针对多类型复发事件与终点事件，提出一种基于间隔时间的贝叶斯半参数联合模型，通过共享脆弱性和伽马过程先验灵活量化事件依赖性，并开发高效MCMC算法，在模拟与ALLHAT数据中表现优越。
2025-09-12 stat.ME
A semiparametric spatiotemporal Bayesian model for the bulk and extremes of the Fosberg Fire Weather Index
大规模野火造成了重大的环境问题，精确的火灾风险地图可以改善救灾规划。Fosberg火灾天气指数（FFWI）常被用来衡量森林火灾的风险; FFWI具有非高斯边缘分布和强时空极值依赖性，因此，使用高斯过程等地统计学模型对FFWI进行建模是值得商榷的。极值理论（EVT）驱动的模型，如最大稳定过程在理论上是有吸引力的，但计算要求高，只适用于阈值不稳定或块最大值。灾害管理政策往往考虑气候参数的中极端分位数，因此，需要对数据的主体和尾部进行联合建模。在本文中，我们考虑一个Dirichlet过程的混合空间skew-t过程，可以灵活地模拟散装以及尾部。该模型具有非平稳的均值和协方差结构，以及非零的时空极值相关性。仿真研究表明，该模型具有更好的空间预测性能相比，一些竞争模型。我们开发的FFWI中位数和极端的空间地图，并讨论整个加州圣安娜地区的野火风险。
2020-11-16 stat.ME
On semiparametric regression with O'Sullivan penalised splines
这是一本关于在当代半参数回归中使用O 'Sullivan惩罚样条的论文，包括混合模型和贝叶斯公式。奥沙利文惩罚样条类似于P-样条，但有一个优点是平滑样条的直接推广。得到了O 'Sullivan罚矩阵的精确表达式。两者之间的比较表明，奥沙利文惩罚样条更密切地模仿自然边界的平滑样条的行为。讨论了在Matlab、R和BUGS等现代计算环境中的实现。
2007-07-02 stat.ME
Bayesian Semiparametric Orthogonal Tucker Factorized Mixed Models for Multi-dimensional Longitudinal Functional Data
University of Florida（佛罗里达大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种贝叶斯半参数正交Tucker分解混合模型，用于分析多维纵向功能数据，通过降维技术和高效后验抽样方法，提升对复杂功能数据的建模能力。
2026-02-12 stat.ME
A Semiparametric Bayesian Extreme Value Model Using a Dirichlet Process Mixture of Gamma Densities
在本文中，我们提出了一个Dirichlet过程混合的伽玛密度在阈值以下的大部分和广义Pareto密度在尾部的极值估计模型。所提出的模型是简单和灵活的，允许我们的后验密度估计和后验推理的高分位数。该模型工作良好，即使小样本量和在没有先验信息。我们通过仿真研究评估所提出的模型的性能。最后，将该模型应用于一个实际的环境数据。
2013-04-02 stat.AP stat.ME stat.ML
Bayesian joint modelling using semiparametric accelerated failure time approaches
The University of Queensland’s Clinical Trials Capability (ULTRA)（昆士兰大学临床试验能力中心（ULTRA））；NHMRC Clinical Trial Centre, University of Sydney（悉尼大学国家健康与医学研究委员会临床试验中心）；Australian and New Zealand Urogenital and Prostate (ANZUP) Cancer Trials Group（澳大利亚和新西兰泌尿生殖和前列腺癌症试验组）
提出一类半参数加速失效时间联合模型，直接建模协变量对事件时间的影响并灵活捕捉纵向-事件关联，采用贝叶斯框架进行估计，相比比例风险模型更具灵活性和可解释性。
2026-06-16 stat.ME
Bayesian Semiparametric Joint Dynamic Model for Multitype Recurrent Events and a Terminal Event
Department of Biostatistics, School of Public Health, University of Alabama at Birmingham（阿拉巴马大学伯明翰分校公共卫生学院生物统计系）
本文提出一种贝叶斯半参数联合动态模型，用于分析多类型复发事件与终端事件之间的关系，并提供基于过去事件影响的风险评估方法。
2025-12-08 stat.ME
Semiparametric Bayesian Networks
Universidad Politécnica de Madrid（马德里理工大学）
我们介绍半参数贝叶斯网络，结合参数和非参数条件概率分布。他们的目标是结合两个组件的优点：参数模型的有限复杂性和非参数模型的灵活性。我们证明了半参数贝叶斯网络推广了两种著名的贝叶斯网络：高斯贝叶斯网络和核密度估计贝叶斯网络。为此，我们考虑两个不同的条件概率分布所需的半参数贝叶斯网络。此外，我们提出了修改的两个著名的算法（贪婪爬山和PC）学习的半参数贝叶斯网络的结构数据。为了实现这一点，我们采用了基于交叉验证的评分函数。此外，使用验证数据集，我们应用早期停止标准来避免过拟合。为了评估所提出的算法的适用性，我们进行了详尽的实验合成数据采样混合线性和非线性函数，多元正态数据采样高斯贝叶斯网络，真实数据从UCI存储库，轴承退化数据。作为这个实验的结果，我们得出结论，该算法准确地学习参数和非参数组件的组合，同时实现与最先进的方法所提供的性能相媲美。
2021-09-07 cs.LG stat.ML
A Bayesian semiparametric Archimedean copula
阿基米德Copula的特征在于它的生成元。这是一个实函数，其逆函数表现为生存函数。我们提出了一个基于二次样条的半参数发生器。这是通过在生存分析背景下将风险率函数的一阶导数建模为分段常数函数来实现的。我们的半参数生成器的凸性是通过施加一些简单的约束。诱导的半参数阿基米德copula产生肯德尔的tau关联措施，涵盖了整个范围$(-1,1)$。在贝叶斯方法下对模型进行推断，并且对于一些先前的规范，我们能够执行独立性测试。该模型的特性说明了模拟研究以及与一个真正的数据集。
2019-08-12 math.ST stat.TH
A Semiparametric Bayesian Approach for Extreme Values Using Dirichlet Process Mixture of Gamma and Generalized Pareto Densities
对于极值估计，我们建议使用一个Dirichlet过程混合的伽玛密度的中心和广义帕累托密度的尾部模型。由于中心的随机性和尾部的重尾密度，高分位数的密度估计和后验推断是可能的。该方法可以在正实数上以“默认”方式使用，因为它在先验信息不可用时有效。该模型易于实现，并进行了敏感性分析。我们将所提出的模型应用于模拟和真实数据集。
2013-03-28 math.ST stat.ME stat.TH
Semiparametric GARCH via Bayesian model averaging
由于金融市场的动态结构会发生剧烈变化，因此能够提供一致准确的波动估计的模型不得对价格如何随时间变化做出强有力的假设。大多数波动率模型采用特定的参数函数形式，将观察到的价格变化与波动率预测（新闻影响函数）联系起来。我们提出了一类新的函数系数半参数波动率模型，其中新闻影响函数允许是任何光滑函数，并研究其估计波动率的能力相比，众所周知的参数建议，在模拟研究和实证研究与真实的金融数据。我们估计的新闻影响函数使用贝叶斯模型平均的方法，通过精心开发的马尔可夫链蒙特卡罗（MCMC）采样算法实现。使用模拟，我们表明，我们灵活的半参数模型是能够学习的形状的新闻影响函数从观察到的数据。当应用到实际的金融时间序列，我们的新模型表明，新闻影响函数的形状显着不同的不同的资产类型，但相同类型的资产是相似的。
2017-08-25 q-fin.RM stat.AP stat.ME
Subgroup Analysis for Longitudinal data via Semiparametric Additive Mixed Effect Model
本文提出了一种基于纵向分析中半参数加性混合效应模型的一般子群分析框架，该框架可以同时识别每个协变量上的子群并估计相应的回归函数。此外，所提出的程序适用于平衡和不平衡的纵向数据。本文提出了一种基于k-means算法的后拟合方法来估计每个子组上的半参数加性分量，并分别检测每个协变量上的子组结构。通过最小化贝叶斯信息准则来估计组的实际数目。数值研究表明，所提出的方法在确定亚组和估计回归函数的有效性和准确性。此外，我们说明了我们的方法的实用性与PBC数据的应用程序，并提供了一个有意义的划分的人口。
2021-12-01 stat.ME
BNSP: an R Package for Fitting Bayesian Semiparametric Regression Models and Variable Selection
R包BNSP为半参数位置-尺度回归和随机搜索变量选择提供了一个统一的框架。该软件包所基于的统计方法学利用基函数展开来表示均值和方差函数中的半参数协变量效应，并利用尖峰-平板先验来执行估计效应的选择和正则化。除了执行后验采样的主函数外，该软件包还包括用于评估采样器收敛性、汇总模型拟合、可视化协变量效应以及获得给定特征/协变量向量的新响应或其均值的预测的函数。
2018-10-08 stat.OT
Semiparametric Bayesian Difference-in-Differences
University of Bonn（波恩大学）；CUHK Business School, Chinese University of Hong Kong（香港中文大学商学院）；Graduate School of Economics, University of Osaka（大阪大学经济学研究科）
本文研究了在差分-in-差分研究设计中半参数贝叶斯推断平均处理效应（ATT）的方法，提出了两种新的贝叶斯方法并证明了其频率有效性。
2026-06-04 econ.EM stat.ML
Adjusting for Partial Compliance in SMARTs: a Bayesian Semiparametric Approach
许多物质使用障碍的周期性和异质性突出表明，需要调整治疗的类型或剂量，以适应个人的具体和不断变化的需要。酒精和可卡因依赖适应性治疗研究（ENGAGE）是一项多阶段随机试验，旨在为构建治疗策略提供纵向数据，以提高患者对治疗的参与度。然而，高不依从率和缺乏分析工具来解释不依从性阻碍了研究人员使用数据来实现试验的主要目标。我们克服了这个问题，我们的目标参数定义为不同的治疗策略下的平均结果为给定的潜在的依从性分层，并提出了贝叶斯半参数模型来估计这个数量。虽然它增加了大量的复杂性分析，我们的工作的一个重要特点是，我们考虑部分，而不是二进制的遵守类，这是更相关的纵向研究。我们通过全面的模拟研究评估我们的方法的性能。我们说明了它的应用程序上的ENGAGE研究，并表明，最佳的治疗策略取决于依从性层。
2020-05-20 stat.AP stat.ME
Semiparametric Functional Factor Models with Bayesian Rank Selection
函数数据通常伴随着描述函数的典型形状的参数化模板。然而，这些参数化模板可能会产生显著的偏差，这会破坏实用性和可解释性。为了纠正模型的误指定，我们增加了一个无限维的非参数函数的基础上的参数模板。非参数基函数从数据中学习，并被约束为与参数模板正交，这保持了参数项和非参数项之间的区别。这种区别是必不可少的，以防止功能混淆，否则会导致严重的偏见的参数项。的非参数因子正则化与一个有序的尖峰和平板之前，提供一致的秩选择，并满足几个有吸引力的理论性质。所提出的方法的多功能性说明通过应用程序的合成数据，人体运动控制数据，和动态收益率曲线数据。相对于参数和半参数的替代品，建议的半参数功能因子模型消除了偏见，减少过多的后验和预测的不确定性，并提供可靠的推断非参数项的有效数量-所有与最小的额外计算成本。
2022-05-16 econ.EM stat.CO stat.ME
Efficient Bayesian estimation and use of cut posterior in semiparametric hidden Markov models
本文研究了具有有限状态空间和非参数发射分布的隐马尔可夫模型的估计问题。给出了转移阵的有效估计，并推导出半参数Bernstein-von Mises结果.在此基础上，我们提出了一个模块化的方法，使用切割后联合估计的转移阵和发射密度。我们推导出这种方法的收缩率的一般定理。然后，我们将展示如何将这一结果可以应用于获得收缩率的结果，在我们的设置中的发射密度，一个关键的中间步骤是一个反演不等式有关$L^1$之间的距离的边缘密度之间的$L^1$距离的排放量。最后给出了平滑概率的压缩结果，避免了常用的样本分裂方法。仿真证明了理论和易于实现。
2023-03-08 math.ST stat.ME stat.TH
A Spatial Bayesian Semiparametric Mixture Model for Positive Definite Matrices with Applications to Diffusion Tensor Imaging
扩散张量成像（DTI）是一种流行的磁共振成像技术，用于表征大脑中的微观结构变化。DTI研究使用估计的3x3对称正定扩散张量矩阵量化体素中水分子的扩散。DTI数据的统计分析具有挑战性，因为数据是正定矩阵。矩阵变量信息通常由单变量（例如分数各向异性（FA））概括，导致信息丢失。此外，DTI分析通常忽略相邻体素的空间关联，这可能导致不精确的估计。虽然空间建模的文献是丰富的，建模空间依赖正定矩阵是具有挑战性的。为了缓解这些问题，我们提出了一个矩阵变量贝叶斯半参数混合模型，其中正定矩阵分布为逆Wishart分布的混合物，混合物成分标签的马尔可夫模型捕获的空间依赖性。共轭和双梅特罗波利斯-黑斯廷斯算法导致快速和优雅的贝叶斯计算。我们的仿真研究表明，所提出的方法是更强大的比非空间的方法。我们还应用所提出的方法来研究可卡因使用对大脑结构的影响。我们的工作的贡献是提供了一个新的统计推断工具的DTI分析扩展空间统计学的矩阵变量数据。
2019-03-18 stat.AP stat.ME
A unified framework for fitting Bayesian semiparametric models to arbitrarily censored survival data, including spatially-referenced data
一个全面的，统一的方法来建模任意删失的空间生存数据的三个最常用的半参数模型：比例风险，比例优势，加速失效时间。与许多其他方法不同，所有方式的删失生存时间同时容纳，包括未删失，区间删失，当前状态，左和右删失，以及这些的混合。左截断的数据也容纳导致模型的时间依赖性协变量。地理参考（位置精确观察）和区域观察（位置已知的地理单位，如县）的空间位置进行处理;正式的变量选择使得模型选择特别容易。用条件Cox-Snell残差图评估模型拟合，并通过LPML和DIC进行模型选择。基线生存率采用新的变换Bernstein多项式先验建模。所有模型都通过一个新的函数来拟合，该函数调用R包spBayesSurv中的高效编译C++。该方法广泛说明了模拟和实际数据的应用。一个重要的发现是，比例几率和加速失效时间模型往往比常用的比例风险模型拟合得更好。补充材料可在网上查阅。
2017-07-03 stat.AP stat.ME
A Bayesian Semiparametric Mixture Model for Clustering Zero-Inflated Microbiome Data
针对微生物组数据的零膨胀多元组成计数特征及现有聚类方法的局限性，提出贝叶斯半参数混合模型，可同时学习聚类数量并分配聚类，经模拟验证其性能及处理零膨胀的重要性，且已应用于相关疾病研究数据的聚类分析。
2025-08-19 stat.AP stat.CO stat.ME
Bayesian Semiparametric Mixture Cure (Frailty) Models
University of Oslo（奥斯陆大学）
本文提出了一种贝叶斯半参数混合治愈模型，通过分层框架灵活处理frailty成分，提升对患者异质性的建模能力，并在模拟和实际数据中验证了其有效性。
2025-12-09 math.ST stat.CO stat.ME
Semiparametric posterior corrections
提出一种通过贝叶斯自助法校正非参数后验分布来推断低维泛函的半参数方法，保证频率论性质，并在多个示例及ACIC 2016竞赛中验证其优于现有方法。
2023-06-20 math.ST stat.ME stat.TH
Semiparametric Bernstein-von Mises Theorem: Second Order Studies
本文主要研究半参数贝叶斯模型中参数分量的边缘后验分布的二阶频率论性质，特别是二阶半参数Bernstein-von Mises（BvM）定理。我们的第一个贡献是发现一个有趣的干扰现象之间的贝叶斯估计和频率论的推断精度：更准确的贝叶斯估计的滋扰功能导致更高的频率论的推断精度的参数组件。作为第二个贡献，我们提出了一类新的依赖先验下，贝叶斯推理过程的参数组件不仅是有效的，而且是自适应的（w.r.t.非参数分量的光滑性）直到二阶频率论有效性。然而，通常使用的独立先验甚至可能无法产生一个理想的根-n收缩率的参数组件在这种自适应的情况下，除非施加一些严格的假设。三个重要的类的半参数模型进行检查，并提供了广泛的模拟。
2015-03-16 math.ST stat.TH
