A Bayes factor with reasonable model selection consistency for ANOVA model
对于方差分析模型,我们提出了一个新的基于g先验的贝叶斯因子,没有积分表示,合理的模型选择一致性的任何渐近情况下(无论是因子的水平数和/或在每个水平的重复数趋于无穷大)。精确的分析计算的边缘密度下的先验的特殊选择,使这样的贝叶斯因子。
2012-06-13 stat.ME
A Bayes Factor for Replications of ANOVA Results
随着越来越多的重复研究在心理科学中进行,如何评估重复尝试的结果值得仔细考虑的问题。贝叶斯方法允许将不确定性和先验信息纳入其设计的复制尝试的分析中。由Verneland & Wagenmakers(2014)引入的复制贝叶斯因子提供了支持或反对成功复制的定量相对证据。在之前Verneland & Wagenmakers(2014)的工作中,它仅限于$t$测试的情况。本文将重复贝叶斯因子推广到多组固定效应方差分析设计中的$F$检验。仿真和例子,以促进理解,并证明这种方法的实用性。最后,复制贝叶斯因子相比,其他贝叶斯和频率论的方法,并在复制尝试的背景下进行讨论。用于计算复制贝叶斯因子和复制论文中示例的R代码可在https://osf.io/jv39h/上获得。
2018-08-29 stat.AP
Replacing P values with frequentist posterior probabilities - as possible parameter values must have uniform base-rate prior probabilities by definition in a random sampling model
随机抽样模型中可能的参数值通过定义显示为具有均匀的基本率先验概率。这允许仅以实际研究观察为条件,为这些可能的参数值计算频率后验概率分布。如果随机选择的似然概率分布是用对称连续函数建模的,那么等于或大于原假设的频率论后验概率将等于P值;否则P值将是近似值。基于完美研究方法学重现性假设的理想复制概率可用作可能受各种混杂因素影响的现实复制概率的上限。贝叶斯分布可以与这些频率分布相结合。对于非统计学家来说,重复的理想频率论后验概率可能比P值更容易理解和解释。
2018-08-09 stat.OT
Stochastic Bayes factors: why, when, and how
University of Trieste(的里雅斯特大学);Athens University of Economics and Business(雅典经济与商业大学)
本文针对经典贝叶斯因子的应用局限,提出随机贝叶斯因子框架,通过理论推导与算法实现,经模拟及实际应用验证其较经典贝叶斯因子具备更优稳健性与预测可靠性。
2026-09-01 stat.ME
Power Calculations for Replication Studies
再现性危机导致越来越多的重复研究正在进行。重复研究的样本量通常使用基于原始研究的效应估计的条件把握度计算。然而,这种方法并不适合,因为它忽略了原始结果的不确定性。贝叶斯方法用于临床试验,将先验信息纳入功效计算。我们建议,以适应这种方法的复制框架,并促进使用的预测,而不是条件的力量在设计的复制研究。此外,我们描述了如何扩展的方法,连续的临床试验,可以定制复制研究。在中期分析计算的条件和预测能力进行了比较,我们认为,预测能力是一个有用的工具,以决定是否提前停止重复研究。最近一个关于社会科学可复制性的项目被用来说明不同方法的特性。
2021-05-21 stat.ME
Understanding statistics for biomedical research through the lens of replication
Aberystwyth University(阿伯里斯特威斯大学)
通过复制视角分析生物医学研究中的统计学问题,指出复制概率受样本量和方差影响,并提出改进方法以提高复制可靠性。
2026-08-27 math.ST stat.AP stat.TH
Objective priors for the number of degrees of freedom of a multivariate t distribution and the t-copula
提出了一种估计多变量$t$分布和$t$ -copula的自由度数$(ν)$的客观贝叶斯方法。对于多变量$t$和由于没有任何方法,对于$t$ -copula,对这个参数的推断是有问题的。采用了基于损失函数的客观标准,可以克服直接定义客观概率的问题。$ν$的先验的支持被截断,这来自于多变量$t$和$t$ -copula对于足够大的自由度收敛到正态的性质。先验的性能进行了测试模拟场景。R代码和复制材料可作为论文电子版的补充材料和真实数据:IBM和证券价格数据库研究中心的每日对数回报。
2018-03-13 stat.AP stat.ME
A Study on the Power Parameter in Power Prior Bayesian Analysis
功率先验及其变化已被证明是贝叶斯推断中有用的一类信息先验,因为它们通过将历史数据的似然性提高到分数幂δ而在合并历史信息方面具有灵活性。基于原始幂先验及其变体归一化幂先验的边际似然的推导引入了具有幂似然的先验预测分布形式的缩放因子C(δ)。在本文中,我们证明了,对于一些积极的δ与常规使用的初始先验的比例因子可能是无限的,这将改变的容许集的功率参数。这一结果在文献中几乎被完全忽略了。然后,我们说明了这种现象可能会危及后验推理下的权力先验模型参数的初始先验是不适当的。本文的主要研究结果表明,当建议的借款水平接近于0时,应特别注意,而实际的最佳水平可能低于建议值。为了说明的目的,我们使用正常的线性模型作为示例。
2022-04-13 stat.ME
A New Standard for the Analysis and Design of Replication Studies
提出了一个新的标准,用于重复研究的证据评估。该方法结合了一个特定的反向贝叶斯技术与先验预测尾部概率来定义复制成功。该方法产生了一个复制成功的定量测量,称为怀疑p值。怀疑p值整合了原始和复制研究的传统显著性,并比较了各自的效应量。它合并了原始和复制效应估计值的不确定性,如果忽略原始效应估计值的不确定性,则会减少到复制研究的普通p值。建议的框架也可以用来确定的权力或所需的复制样本量,以实现复制成功。数值计算强调了如果原始研究的证据仅是提示性的,则难以实现复制成功。从开放科学合作项目的心理科学的可复制性数据的应用程序说明了所提出的方法。
2019-05-11 stat.ME
The assessment of replication success based on relative effect size
为了证实最初的发现,越来越多地进行重复研究。然而,没有既定的标准,如何评估复制成功,在实践中使用许多不同的方法。本文的目的是完善和扩展最近提出的反向贝叶斯方法的分析复制研究。我们展示了这种方法是如何直接关系到相对效应大小,复制原始效应估计的比率。这种观点导致了一个新的建议,重新校准评估复制成功,黄金水平。重新校准确保了对于边缘显著的原始研究,只有在复制效应估计值大于原始估计值时才能实现复制成功。如果原始研究具有显著性且重复样本量足够大,则重复成功的条件把握度可以取任何期望值。与要求原始研究和复制研究具有统计学显著性的标准方法相比,如果复制样本量不小于原始样本量,则黄金水平的复制成功提供了项目功效的均匀增益,并控制了第一类错误率。从四个大型复制项目的数据的应用程序表明,新的方法导致更适当的推论,因为它惩罚收缩的复制估计相比,原来的,同时确保这两个效果的估计是足够令人信服的自己。
2021-04-08 stat.ME
Power-Expected-Posterior Priors as Mixtures of g-Priors
构造客观贝叶斯方法的先验分布的主要方法之一是随机虚观测值的概念。在这种设置下,期望后验先验(EPP)提供了几个优点,其中它具有很好的和简单的解释,并提供了一种有效的方法来建立模型之间的先验的兼容性。本文研究了正态线性模型下客观贝叶斯模型选择中幂期望后验先验的推广。我们证明,它可以表示为混合物的$g$先验,像一个广泛的先验分布下的正态线性模型,从而后验分布和贝叶斯因子推导出封闭的形式,因此保持计算易处理。比较与其他混合物的$g$先验和重点是在后验分布的g和它的效果贝叶斯模型选择和模型平均。
2020-10-08 stat.ME
Optimal weighted tests for replication studies and the two-trials rule
MRC Biostatistics Unit, University of Cambridge(剑桥大学生物统计单元);University of Regensburg(雷根斯堡大学)
本文提出基于原始研究结果的最优加权Bonferroni程序用于复制研究,以最大化析取功效,并证明其能显著提升功效且对效应量变化稳健。
2025-10-24 stat.ME
Normalized power priors always discount historical data
本文证明在正态和二项模型中,即使数据完全一致且样本量无穷大,幂先验中参数α的后验不收敛于1,导致历史数据无法完全合并,总是被打折。
2023-06-26 stat.ME
Detecting and diagnosing prior and likelihood sensitivity with power-scaling
本文提出了一种基于重要性采样的幂缩放敏感性分析方法,用于高效估计先验或似然扰动对后验的影响,并提供诊断先验-数据冲突或似然无信息性的工具,已实现于R包priorsense。
2023-05-26 stat.ME
A Network-Structured Bayesian Hierarchical Model for Sparse Mutation-Drug Response Associations: Application to Cancer Pharmacogenomics
University of Ibadan(伊巴丹大学);Worcester Polytechnic Institute(伍斯特理工学院)
提出网络结构贝叶斯层次模型,结合GMRF与马蹄形先验及共轭吉布斯采样,在癌症药物基因组学中识别稀疏、可解释且外部支持的基因-药物敏感性关联,并支持组织特异性分析。
2026-09-09 q-bio.GN q-bio.QM stat.AP
Normalized Power Prior Bayesian Analysis
在历史数据可用性的基础上,通过将历史数据的似然函数提升到分数次幂δ,量化了用当前数据进行推理时对历史信息的折扣程度,实现了幂先验的提取。当δ未预先指定并被视为随机时,可以使用贝叶斯更新范式从数据中估计δ。然而,在联合功效先验贝叶斯方法的原始形式中,当采用不同的充分统计量设置时,历史数据的似然性之前的某些正常数可以相乘。这将改变具有不同常数的功率先验,因此违反了似然原理。在这篇文章中,我们研究了一个归一化的功率先验方法,它遵守似然原理,是一个修改形式的联合功率先验。研究了归一化幂先验在极小化加权库尔贝克-莱布勒散度意义下的最优性。通过研究几种常用分布的后验,我们表明,历史和当前数据之间的差异可以很好地量化的归一化功率先验设置下的功率参数。还提出了计算比例因子的有效算法。此外,我们用三个数据例子说明了归一化功率先验贝叶斯分析的使用,并提供了一个R包NPP的实现。
2022-04-12 stat.AP stat.ME
Beyond Arbitrary Replications: A Principled Approach to Simulation Design in Causal Inference
针对模拟研究中任意重复次数的问题,提出测试信息模拟计数算法(TISCA),结合t检验与功效分析确定统计上合理的模拟次数,节省资源并提供可靠证据。
2025-05-22 stat.ME
Combining controls can improve power in two-stage association studies
高维病例对照研究在生物科学中无处不在,特别是基因组学。为了在限制成本的同时最大限度地提高功效,并最大限度地降低第一类错误率,研究人员通常会在进行进一步分析之前,在第二次独立队列实验中重复研究结果。本文介绍了一种方法,其中控制(或情况下)从发现队列的样本重复使用的复制研究。这种方法的理论意义进行了讨论和模拟用于比较性能对标准方法在一系列的情况下。在几种常见的研究设计中,共享控制方法允许在保留1型错误率控制的同时大幅提高功效。当对照样本难以招募或确定时,出现了一个重要的潜在应用领域;例如在疾病间比较或退行性疾病研究中。使用类似的方法,提出了一个程序的“部分复制”使用一个新的独立的队列组成的控制。当无法进行完整的复制程序时,可使用此方法对结果进行某些验证。与标准程序相比,新方法对研究队列中的混杂因素具有不同的敏感性,在应用中必须考虑到这一点。在这些情况下的1型错误率的分析和经验得出,并提供了一个在线工具,用于比较功率和错误率。尽管必须仔细考虑所有必要的假设,但这种方法可以在全基因组关联研究(GWAS)和其他应用中更有效地使用数据。
2017-07-10 stat.ME
Limiting behavior of the Jeffreys Power-Expected-Posterior Bayes Factor in Gaussian Linear Models
期望-后验先验(EPP)已被证明是非常有用的检验假设的正态线性模型的回归系数。使用EPP的优点之一是基线先验的不适当不会导致不确定性。然而,在回归问题中,他们基于一个或多个\textit{training samples},这可能会影响得到的后验分布。功率期望后验先验是最小信息先验,通过结合功率先验和单位信息先验方法的思想,减少了训练样本对EPP方法的影响。在本文中,我们显示的一致性时,使用功率期望后验先验,独立Jeffreys(或参考)作为基线,正常的线性模型在设计矩阵上非常温和的条件下。
2014-11-30 stat.CO
Power laws distributions in objective priors
在贝叶斯应用中使用客观先验已成为一种常见的做法,以分析数据,没有主观信息。形式规则通常获得这些先验分布,而数据提供了后验分布中的主导信息。然而,这些先验通常是不适当的,并可能导致不适当的后验。在这里,我们表明,一般家庭的分布,所获得的客观先验的参数要么遵循幂律分布或具有渐近幂律行为。结果,我们观察到模型的指数在0.5和1之间。理解这些行为使我们能够很容易地验证,如果这样的先验直接从幂律指数导致正确或不正确的后验。在我们的研究中考虑的一般家庭包括基本模型,如指数,伽玛,威布尔,Nakagami-m,哈夫-正常,瑞利,厄兰和麦克斯韦玻尔兹曼分布,仅列出几个。总之,我们表明,理解的机制描述的形状先验提供了必要的信息,可用于在额外的复杂性的情况下。
2020-05-15 math.ST stat.TH
The scale transformed power prior for use with historical data from a different outcome model
我们开发的规模转换功率之前的历史和当前数据涉及不同的数据类型,如二进制和连续数据,分别设置。这种情况经常出现在临床试验中,例如,当历史数据涉及二进制响应,当前数据涉及事件发生时间或其他类型的连续或离散结果时。Ibrahim和Chen(2000)提出的幂先验没有解决不同数据类型的问题。在这里,我们开发了一种新的类型的功率先验,我们称之为规模变换功率先验(straPP)。通过使用历史和当前数据模型的费舍尔信息矩阵的函数重新缩放参数来变换历史数据的幂先验,从而将参数向量的尺度从历史数据的尺度移位到当前数据的尺度,来构造straPP。提出的例子来激励需要的规模变换和模拟研究,以说明的功率先验和其他信息和非信息先验的straPP的性能优势。一个真实的数据集,从临床试验进行研究一种新的过渡性护理模式,中风幸存者被用来说明的方法。
2021-05-11 stat.ME
Debiased Estimators in High-Dimensional Regression: A Review and Replication of Javanmard and Montanari (2014)
University of Toronto(多伦多大学)
本文回顾并复现了Javanmard和Montanari(2014)的去偏估计方法,探讨其在高维设置下的理论基础和实证结果,分析去偏LASSO与LASSO投影估计器在不同信号强度下的性能差异。
2026-04-06 math.ST stat.ME stat.ML
Improved Modeling of Persistence Diagram
Hebrew University(希伯来大学)
高维约简方法是描述大数据中主要模式的有力工具。拓扑数据分析(TDA)就是其中之一,它根据数据的拓扑特性对数据的形状进行建模。该方法专门将原始数据转换为二维系统,并通过“持久化”图形化表示。此图上的离群点表示数据模式,而其他点则表现为随机噪声。为了确定哪些点是显著的离群值,需要对原始数据集进行复制。一旦只有一个原始数据可用,就可以通过为持久性图上的点拟合模型,然后使用MCMC方法来创建副本。其中一个模型是复制统计拓扑(Replicating Statistical Topology)。在本文中,我们提出了一个修改的模型。使用模拟研究,我们表明,修改后的ESTA提高了性能的ESTA的拟合优度。我们使用MCMC梅特罗波利斯-黑斯廷斯算法根据拟合模型进行抽样。
2022-05-22 cs.LG stat.ME stat.ML
Optimal Priors for the Discounting Parameter of the Normalized Power Prior
本文研究归一化幂先验中折扣参数的后验收敛行为,并基于 KL 散度和均方误差提出 beta 先验形状参数的最优选取程序,以兼顾相容时借信息与冲突时限借信息。
2024-04-08 stat.AP stat.ME
BayesPPDSurv: An R Package for Bayesian Sample Size Determination Using the Power and Normalized Power Prior for Time-To-Event Data
本文介绍 R 包 BayesPPDSurv,其基于幂先验和归一化幂先验整合历史生存数据,支持分层分段常数风险模型、贝叶斯功效与 I 类错误计算,并通过黑色素瘤试验设计案例展示应用。
2024-04-08 stat.AP stat.ME
On the Computation of Normalized Power Priors
SAS Institute Inc.(SAS研究所);BeOne Medicines(必康医药)
研究归一化功率先验计算,利用函数恒等式提出基于采样的策略,用通用MCMC算法输出近似该先验,无需显式评估边际似然,能在通用贝叶斯软件包中实现,促进其在应用场景中的常规使用。
2026-07-08 stat.CO stat.ME
Laplace Power-expected-posterior priors for generalized linear models with applications to logistic regression
功率-期望-后验(PEP)方法借鉴了功率先验、期望-后验先验和单位信息先验的思想,提供了一种构造客观先验的系统方法。其基本思想是使用假想的训练样本将无信息先验更新为最小信息先验。在这项工作中,我们开发了一种新的定义PEP先验的广义线性模型,依赖于拉普拉斯展开的可能性的假想训练样本。这种方法具有各种计算,实践和理论上的优势,比以前的建议无信息先验的广义线性模型。我们特别强调逻辑斯谛回归模型,其中样本分离对替代方法提出了特别的挑战。我们调查的渐近和有限样本的程序,表明这是渐近和内在的一致性,它的性能至少是有竞争力的,在某些情况下,优于文献中的替代方法。
2021-12-05 math.ST stat.AP stat.CO