Comment: Bayesian Checking of the Second Levels of Hierarchical Models
注释:分层模型第二水平的贝叶斯检验[arXiv:0802.0743]
2008-02-06 stat.ME
Rejoinder: Bayesian Checking of the Second Levels of Hierarchical Models
反驳:分层模型第二层的贝叶斯检验[arXiv:0802.0743]
2008-02-06 stat.ME
Comment: Bayesian Checking of the Second Level of Hierarchical Models: Cross-Validated Posterior Predictive Checks Using Discrepancy Measures
注释:分层模型第二水平的贝叶斯检验[arXiv:0802.0743]
2008-02-06 stat.ME
A Hierarchical Bayesian Framework for Constructing Sparsity-inducing Priors
由于越来越多的回归和分类应用涉及高维数据,我们希望一些预测是不重要的,变量选择技术已成为统计学家之间越来越流行。在这种情况下,贝叶斯变量选择技术,涉及马尔可夫链蒙特卡罗探索的后验分布的模型可以是令人望而却步的计算昂贵的,所以已经注意到准贝叶斯方法,如最大后验概率(MAP)估计使用先验,诱导稀疏性,在这样的估计。我们专注于后一种方法,扩展到目前为止提出的层次结构,以提供贝叶斯解释和概括的最先进的惩罚优化方法,并同时提供一种自然的方式,包括在此框架内的参数先验信息。我们给出了如何使用这个层次结构来计算线性和逻辑斯谛回归的MAP估计以及高斯图形模型中的稀疏精度矩阵估计的例子。此外,一个自适应群套索方法推导出使用的框架。
2010-09-16 stat.CO stat.ME
Hellinger Distance and Bayesian Non-Parametrics: Hierarchical Models for Robust and Efficient Bayesian Inference
本文介绍了一个层次化的框架,将Hellinger距离方法贝叶斯分析。我们建议修改先验的非参数密度的指数的两倍之间的候选人和参数密度的Hellinger距离。通过将先验的第二密度的参数,我们到达一个层次模型,其中的非参数模型之间的参数和数据。族的参数然后可以被估计为模型中的超参数。在频率估计中,最小化核密度估计和参数族之间的Hellinger距离已被证明可以产生对离群值具有鲁棒性的估计量,并且在参数模型正确时具有统计效率。在本文中,我们证明了同样的结果是适用时,非参数贝叶斯密度估计取代核密度估计。然后,我们证明了所提出的分层模型的鲁棒性和效率。有限样本的估计行为进行了研究,通过模拟和现实世界的数据。
2013-09-26 stat.ME
Comment: Bayesian Checking of the Second Levels of Hierarchical Models
我们讨论了Evans和Moshonov [Bayesian Analysis 1(2006)893- 914,Bayesian Statistics and Its Applications(2007)145- 159]关于检查先验数据冲突的方法及其与本文提出的方法的相关性。[arXiv:0802.0743]
2008-02-06 stat.ME
Bayesian inference in hierarchical models by combining independent posteriors
层次模型是用于对来自不同但相关的源的数据集进行联合建模的通用工具。然而,如果特定于源的数据模型是复杂的,或者如果源的数量非常大,则完全贝叶斯推断可能在计算上变得禁止。为了便于计算,我们提出了一种方法,其中的推理是第一次独立的每个数据集的参数,从而获得的后验样本被用来作为观测数据的替代分层模型,基于缩放的似然函数。与完全分层模型中的直接推理相比,该方法的优点是能够通过将初始大推理问题分解为具有更好收敛特性的较小个体子问题来加快收敛。此外,它使并行处理的可能复杂的推断的源特定的参数,否则可能会创建一个计算瓶颈,如果共同处理的一部分,一个分层模型。该方法与模拟和真实的数据进行说明。
2016-04-13 stat.CO stat.ME stat.ML
Bayesian Hierarchical Copula Models with a Dirichlet-Laplace Prior
本文针对金融时间序列聚类提出贝叶斯分层copula模型,采用Dirichlet-Laplace全局-局部收缩先验解决后验不适定问题并刻画聚类间依赖,通过模拟和真实数据验证性能。
2025-02-06 stat.ME
Nonparametric hierarchical Bayesian quantiles
在这里,我们开发了一种方法进行非参数贝叶斯推断的分位数。依靠几何测度理论和采用Hausdorff基测度,我们能够指定有意义的先验的分位数,而处理的数据分布,否则非参数。我们进一步扩展的方法,一个层次模型的分位数的亚群,仅通过他们的分位数连接在一起的子组。我们的方法是计算简单,允许审查和噪声数据。我们展示了模拟数据和应用问题,从体育统计,它被观察到稳定和改善推理和预测的建议的方法。
2016-05-11 stat.ME
A Gentle Introduction to Bayesian Hierarchical Linear Regression Models
考虑到贝叶斯建模的灵活性和适用性,在这项工作中,我们修改了回归设置中的两个层次模型的主要特征。我们研究了模型的完整概率结构以及每个模型参数的完整条件分布。在我们的分层扩展下,我们允许模型第二阶段的均值对一组协变量具有线性依赖性。充分描述和推导了拟合模型时用于获取样本的吉布斯抽样算法。此外,我们考虑一个案例研究中,植物的大小,其特征在于作为一个功能的氮土壤浓度和分组因子(农场)。
2021-10-20 stat.ME
Hierarchical Bayesian Level Set Inversion
水平集方法自20世纪90年代系统发展以来,在界面反问题的研究中取得了广泛的成功。最近,它已被用于贝叶斯反演的背景下,允许量化的不确定性重建的接口。然而,贝叶斯方法是非常敏感的长度和幅度尺度的先验概率模型。本文演示了如何规模的敏感性,可以规避通过一个层次的方法,使用一个单一的标量参数。随着分层参数的变化,编码概率测度等价的算法的发展与仔细考虑一起,这导致了通过交替的Metropolis-Hastings更新的水平集函数和分层参数发现的定义良好的基于Gibbs的MCMC方法。这些方法明显优于非分层贝叶斯水平集方法。
2016-09-09 math.PR stat.ME
Visualisation for Exploratory Modelling Analysis of Bayesian Hierarchical Models
针对贝叶斯分层模型开发中结构选择的挑战,本文提出基于稳健原则的新型可视化方法,通过参数/超参数比较多模型,结合PISA数据案例验证其能辅助模型选择并增强决策合理性。
2024-12-04 stat.AP stat.ME
Bayesian hierarchical weighting adjustment and survey inference
我们结合贝叶斯预测和加权推理作为一个统一的方法来调查推理。贝叶斯分析的一般原则意味着,调查结果的模型应取决于影响纳入概率的所有变量。我们将加权变量的框架下的多级回归和后分层,作为一个副产品生成基于模型的权重平滑后。我们研究了深层的相互作用,并引入了结构化的先验分布的平滑和稳定的估计。计算通过Stan完成,并在开源R包“rstanarm”中实现,可供公众使用。仿真研究表明,基于模型的预测和加权推理优于经典加权。我们将该建议应用于纽约幸福纵向研究。新方法产生强大的权重,并提高有限人口推断的效率,特别是对人口的子集。
2020-06-23 stat.AP stat.CO stat.ME
Bayesian Variable Selection via Hierarchical Gaussian Process Model in Computer Experiments
针对计算机实验中活跃因子识别难题,本文提出嵌入潜在指示变量的贝叶斯分层高斯过程模型,利用Metropolis-within-Gibbs采样器联合完成参数估计与变量选择,并通过模拟和实际应用验证其优于竞争方法。
2024-06-17 stat.ME
A fully Bayesian strategy for high-dimensional hierarchical modeling using massively parallel computing
马尔可夫链蒙特卡罗(MCMC)是贝叶斯参数估计的主要工具。当模型由于层次数量、特定级别的组数量或每组中的观测数量的增加而扩展时,通过MCMC进行的完全贝叶斯分析很容易变得计算量大,甚至难以处理。我们说明了如何在MCMC分层模型的步骤主要是两种类型之一:条件独立的绘制或低维绘制的基础上汇总统计的参数在更高级别的层次结构。并行计算可以通过对条件独立绘制执行并行计算并使用并行归约计算汇总统计量来提高效率。在MCMC算法中,我们记录运行均值和参数平方均值,以进行收敛性诊断和后验推理,同时避免代价高昂的内存传输瓶颈。我们证明了该算法的有效性的模型激励下一代测序数据,我们发布我们的实现R包fbseq和fbseqCUDA。
2016-06-21 stat.CO
Bayesian Checking of the Second Levels of Hierarchical Models
分层模型越来越多地用于许多应用中。随着这种使用的增加,人们希望调查模型是否与观察到的数据兼容。贝叶斯方法非常适合消除这些复杂模型中的许多(滋扰)参数,在本文中,我们研究贝叶斯模型检验方法。由于我们认为模型检查作为一个初步的,探索性的分析,我们专注于客观的贝叶斯方法,其中仔细规范的信息先验分布是避免的。许多例子,并给出了不同的建议进行了调查和批判性的比较。
2008-02-06 stat.ME
Bayesian Sample Size Determination for Planning Hierarchical Bayes Small Area Estimates
本文设计了一种基于决策风险的分层模型小区域估计的完全贝叶斯样本量确定方法。围绕所需的最大后验方差目标指定的新损失函数实现了估计可靠性的传统官方统计标准(变异系数高达20%)。这种方法附带一种高效的二分搜索算法,可识别在此阈值约束下生成小面积估计所需的最小有效样本量。然后,可使用传统的调查抽样设计工具,利用由此产生的有效样本量目标,规划适当的数据收集。这种方法是说明在一个案例研究的小面积流行的生活限制健康问题的6个年龄组在英格兰北部的1,956个小地区,使用最近开发的集成嵌套拉普拉斯近似方法的空间广义线性混合层次模型。
2018-02-26 stat.ME
A Bayesian hierarchical model for related densities using Polya trees
贝叶斯分层模型用于在相关样本之间共享信息,并获得样本水平参数、共同结构和样本间变异的更准确估计。当感兴趣的参数是连续变量的分布或密度时,需要连续分布的分层模型。在文献中已经描述了许多这样的模型,使用狄利克雷过程和相关过程的扩展,通常作为混合核参数的分布。我们提出了一个新的层次模型的基础上的Pólya树,它允许直接建模的密度,并享有一些计算优势的Dirichlet过程。Pólya树还允许对样本之间的变化进行更灵活的建模,提供更明智的收缩,并允许对分散函数进行后验推断,该分散函数量化了样本密度之间的变化。我们还展示了如何将该模型扩展到集群样本的情况下,所观察到的样本被认为是从几个潜在的人口。
2019-06-15 stat.ME
EggCounts: a Bayesian hierarchical toolkit to model faecal egg count reductions
这是R包eggCounts 2.0版本的一个小插曲。该软件包实现了一套贝叶斯分层模型处理粪便鸡蛋计数减少。模型设计用于各种实际情况,包括个体治疗疗效、零膨胀、小样本量(小于10)和潜在离群值。这些功能使用直观,其输出易于解释,从而保护用户免受复杂的贝叶斯分层建模任务的影响。此外,该软件包包括绘图功能,以视觉上吸引人的方式显示数据和结果。该模型在Stan建模语言中实现,该语言提供了有效的采样技术来获得后验样本。本小插图简要介绍了不同的模型,并提供了一个简短的步行通过分析示例数据。
2022-02-03 stat.AP stat.CO
Sensitivity analysis for Bayesian hierarchical models
先验敏感性检验在贝叶斯分析中起着重要的作用。这对于贝叶斯分层模型尤其如此,其中层次结构中更深层内的参数的可解释性变得具有挑战性。此外,缺乏信息以及可识别性问题可能意味着这些模型的先验分布对后验推断具有不期望的影响。尽管它的相关性,非正式的方法,以前的敏感性分析目前使用。它们需要使用临时修改的基础先验参数值重复重新运行模型。其他形式的方法,以前的敏感性分析遭受缺乏普及,在实践中,主要是由于他们的高计算成本和缺乏软件实现。我们提出了一种新的形式化方法,先验敏感性分析,这是快速和准确的。它量化灵敏度,而无需重新运行模型。我们在R中开发了一个即用型priorSens软件包,用于R-INLA的常规先验灵敏度调查。在一系列的例子中,我们展示了我们的方法可以用来检测一些参数的高先验灵敏度以及可能过度参数化贝叶斯分层模型中的可识别性问题。
2013-12-17 stat.ME
Bayesian hierarchical stacking: Some models are (somewhere) useful
Columbia University(哥伦比亚大学);University of Ljubljana(卢布尔雅那大学);Aalto University(阿尔托大学)
堆叠是一种广泛使用的模型平均技术,其在线性平均值之间渐近地产生最优预测。我们发现,当模型预测性能在输入中是异质的时,堆叠是最有效的,并且我们可以用分层模型进一步改进堆叠的混合物。我们将堆叠推广到贝叶斯分层堆叠。模型权重作为数据的函数而变化,部分合并,并使用贝叶斯推断进行推断。我们进一步结合离散和连续的输入,其他结构化的先验,时间序列和纵向数据。为了验证所提出的方法的性能增益,我们推导出理论界,并证明了几个应用问题。
2021-05-20 cs.LG stat.ME stat.ML
Bivariate Hierarchical Bayesian Model for Combining Summary Measures and their Uncertainties from Multiple Sources
将来自多个数据来源的类似数量的现有估计数结合起来往往是有意义的。当每个估计值的相应方差也可用时,模型应考虑估计值本身的不确定性以及方差估计的不确定性。此外,如果估计值与其方差之间存在强关联,则还应考虑这两个量之间的相关性。在本文中,我们提出了一个双变量层次贝叶斯模型,联合模型的估计和估计方差假设这两个措施之间的相关性。我们进行模拟,以探讨所提出的双变量贝叶斯模型的性能,并比较它与其他常用的方法在不同的相关性的情况下。提出的双变量贝叶斯模型具有广泛的应用。我们说明了它的应用程序在三个非常不同的领域:PET脑成像研究,荟萃分析和小面积估计。
2021-09-15 stat.ME
Bayesian Hierarchical Invariant Prediction
Department of Technology, Management and Economics, Danish Technical University(丹麦技术大学技术、管理与经济系);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
本文提出贝叶斯分层不变预测(BHIP),通过分层贝叶斯框架重新定义不变因果预测(ICP),利用分层结构显式测试因果机制在异质数据下的不变性,提升计算可扩展性,并利用先验信息。
2026-04-04 cs.AI cs.LG stat.ME
MUCE: Bayesian Hierarchical Modeling for the Design and Analysis of Phase 1b Multiple Expansion Cohort Trials
针对1a期剂量递增后开展的新型1b期多扩展队列首次人体研究,提出基于贝叶斯分层模型的MUCE方法,可跨组自适应借信息,基于后验概率辅助选组决策。
2020-06-17 stat.AP stat.ME
Spatial Bayesian hierarchical modeling of precipitation extremes over a large domain
我们提出了一个贝叶斯分层模型的空间极值上的一个大的域。在数据层中,应用具有广义极值(GEV)边缘的高斯椭圆copula。GEV参数的空间依赖性被捕获与空间变化系数的潜在空间回归。使用复合似然方法,我们能够有效地将一个大的降水数据集,其中包括站与缺失数据。该模型被证明是通过应用到秋季降水极端在大约2600站覆盖美国西部,-125E到-100E经度和30 N到50 N纬度。分层模型提供了GEV参数上的$1/8$ th度网格,因此地图的回报水平和相关的不确定性。模型结果表明,回报水平在空间上和跨季节的一致性变化,提供信息的时空变化的风险,在美国西部的极端降水,有助于基础设施规划。
2016-01-29 stat.ME
Hierarchical Dynamic Modeling for Individualized Bayesian Forecasting
我们提出了一个案例研究和方法的发展,在大规模的层次动态建模的个性化预测在商业。背景是超市销售,其中改进的客户/家庭特定的购买行为预测通知个性化定价和促销的持续基础上的决策。这是一个大数据、大建模和预测环境,涉及成千上万的客户和销售商品,需要进行顺序分析,解决随着时间的推移在多个层面上的信息流,以及客户档案和商品类别的异质性。开发的模型是完全贝叶斯的,可解释的和多尺度的,分层形式覆盖在零售环境的固有结构上。客户行为在几个聚合级别上进行建模,信息从聚合级别流向各个级别。在单个家庭层面上进行预测可以推断价格敏感度,从而为个性化定价和促销决策提供信息。方法上的创新包括贝叶斯动态混合模型的扩展,将其集成到多尺度系统中,以及使用特定于上下文的指标进行预测评估。使用多个层次的同时预测,提高了预测在客户项目的主要利益。这在许多不同的家庭和项目中得到了证明,表明建模框架在此和其他个性化预测应用中的实用性。
2021-01-09 stat.ME
Bayesian Time-Varying Meta-Analysis via Hierarchical Mean-Variance Random-effects Models
NTT DOCOMO, INC.(NTT DOCOMO公司);Graduate School of Economics, Keio University(庆应义塾大学经济学研究科);Faculty of Economics, Keio University(庆应义塾大学经济学部)
本文提出基于分层均方随机效应模型的贝叶斯时间变化元分析方法,通过高斯过程建模时间效应,实现对实验均值的高精度估计。
2026-01-16 stat.ME
Parallel Markov Chain Monte Carlo for Bayesian Hierarchical Models with Big Data, in Two Stages
由于近年来大数据集的不断增长,新的贝叶斯马尔可夫链蒙特卡罗(MCMC)并行计算方法已经被开发出来。这些方法通过观察将大数据集划分为子集。然而,对于贝叶斯嵌套分层模型,通常只有少数参数对整个数据集是通用的,大多数参数是特定于组的。因此,并行贝叶斯MCMC方法考虑到模型的结构,并按组而不是按观察值划分完整的数据集,是一种更自然的分析方法。在这里,我们适应和扩展了最近推出的两阶段贝叶斯分层建模方法,我们划分完整的数据集组。在阶段1中,独立地并行估计组特异性参数。阶段1后验被用作阶段2中的建议分布,其中目标分布是完整模型。使用三层和四层模型,我们在模拟和真实数据的研究表明,我们的方法的结果与完整的数据分析,大大提高了MCMC的效率,大大减少了计算时间。我们的方法与现有的并行MCMC计算方法的优点也被描述。
2019-01-16 cs.DC stat.CO 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
Hierarchical Bayesian Modeling of Hitting Performance in Baseball
我们已经开发了一个复杂的统计模型,用于预测美国职业棒球大联盟球员的击球表现。贝叶斯范式提供了一个原则性的方法来平衡过去的表现与关键的协变量,如球员的年龄和位置。我们通过使用混合分布来控制收缩以提高准确性,从而跨时间和跨玩家共享信息。我们比较了我们的模型的性能,目前的sabermetric方法上举行了一个赛季(2006年),并讨论了成功和局限性。
2009-02-09 stat.AP stat.ME
Statistical comparison of classifiers through Bayesian hierarchical modelling
Istituto Dalle Molle di studi sull’Intelligenza Artificiale (IDSIA)(达勒莫勒人工智能研究所 (IDSIA));University of Ljubljana(卢布尔雅那大学)
通常人们通过零假设显著性检验(nhst)来比较两个竞争分类器的准确性。然而,nhst测试遭受的重要缺点,这可以通过切换到贝叶斯假设检验克服。我们提出了一个贝叶斯分层模型,共同分析交叉验证结果,由两个分类器在多个数据集。它返回两个分类器的准确度实际上相等或显著不同的后验概率。分层模型的另一个优点是,通过联合分析所有数据集上获得的结果,与对给定数据集上获得的交叉验证结果进行平均的通常方法相比,它减少了估计误差。
2016-11-22 cs.LG stat.ME stat.ML
Variable Selection in Bayesian Semiparametric Regression Models
本文扩展了现有的用于高斯过程回归中变量选择的贝叶斯方法,以选择空间相关结构中的回归项和活动协变量。然后,我们使用估计的后验概率通过交叉验证在相对较少的模式之间进行选择,从而提高预测。
2014-12-31 stat.ME
Advancing Stepped Wedge Cluster Randomized Trials Analysis: Bayesian Hierarchical Penalized Spline Models for Immediate and Time-Varying Intervention Effects
针对阶梯楔形整群随机试验的时间趋势混杂问题,提出两种贝叶斯分层惩罚样条模型,分别用于即时和时变干预效应估计,经模拟和真实试验验证,其估计准确性与可靠性均优于传统方法。
2024-02-01 stat.ME
Dimension-free mixing times of Gibbs samplers for Bayesian hierarchical models
本文利用贝叶斯渐近理论分析分层模型 Gibbs 采样器的总变差混合时间,在随机数据生成假设下为具有一般似然函数的两层模型建立了无维度收敛结果,并讨论了高斯、二项和分类似然的具体例子。
2023-10-30 math.ST stat.CO stat.ML
Conjugate distributions in hierarchical Bayesian ANOVA for computational efficiency and assessments of both practical and statistical significance
根据数据中的不同因素评估变异性是统计学的基本技术。然而,通常被认为是方差分析(ANOVA)的方法通常仅限于数据中存在因子的所有水平(即因子水平的总体已经用尽)的情况。随机和混合效应模型用于更复杂的情况,但需要不同的术语,概念和理论,以及不同的推理程序。分层贝叶斯方法后,一个全面的方差分析框架,它统一了上述统计模型,强调实际而不是统计意义,解决了随机效应的参数可识别性问题,并提供了直接的计算程序的推理步骤。虽然这是以严格的方式完成的,但本文的内容可以被视为支持向方差分析转变的方法的意识形态。
2013-03-14 stat.ME
Decoupling shrinkage and selection in Bayesian linear models: a posterior summary perspective
为线性模型选择变量子集仍然是一个活跃的研究领域。本文回顾了许多最近的贡献贝叶斯模型选择和收缩先前的文献。提出了一种后验变量选择方法,该方法将回归系数的后验分布提取为稀疏线性预测变量序列。
2014-08-03 stat.ME
Inverse Uncertainty Quantification by Hierarchical Bayesian Modeling and Application in Nuclear System Thermal-Hydraulics Codes
本文提出一种新颖的分层贝叶斯模型,有效缓解了核热工水力系统逆向不确定性量化中物理模型参数高变异性和过拟合问题,提供更优的后验分布估计并具备推广至大型数据库的潜力。
2024-03-26 physics.data-an stat.CO
Variational Bayesian hierarchical regression for data analysis
用于分析或预测任务的收集的数据通常具有分层结构,例如,来自执行相同任务的各个人的数据。对数据结构进行建模可以提高导出结果的可靠性和新的未观测数据的预测性能。贝叶斯建模为设计层次模型提供了一个工具包。然而,通常用于参数估计的马尔可夫链蒙特卡罗方法在计算上昂贵。这通常使其在许多应用中不适用。然而,变分贝叶斯方法允许以少得多的计算工作量得到近似。本文描述了分层线性贝叶斯回归的变分近似的推导,并演示了其在数据分析中的应用。
2018-11-08 stat.AP
Bayesian hierarchical modeling of simply connected 2D shapes
包含在图像内的形状的分布的模型可以广泛地用于生物医学应用中,从用于靶向放射治疗的肿瘤跟踪到对血液样本中的细胞进行分类。我们的重点是简单连接的2D闭合曲线的形状和大小的分层概率模型,避免了通过对整个曲线进行建模来指定地标的需要,同时借用相关对象的曲线信息。流行的方法在提供曲线和/或标志位置的初始点估计方面遵循根本不同的策略,然后将其馈送到随后的统计分析中。这种两阶段方法忽略了第一阶段的不确定性,并且不允许在估计对象形状和大小时跨对象借用信息。我们的完全贝叶斯分层模型是基于循环基表征的线性组合内的多尺度变形,这有利于自动对齐不同的曲线占不确定性。表征是高度灵活的,在表示2D封闭曲线,导致一个非参数贝叶斯先验与大的支持。有效的马尔可夫链蒙特卡罗方法被开发用于同时分析多个对象。通过模拟实例和酵母细胞成像数据的方法进行评估。
2012-01-08 stat.ME
A discussion of "Bayesian model selection based on proper scoring rules" by A.P. Dawid and M. Musio
本文是对A.P. Dawid和M. Musio,出现在贝叶斯分析中。虽然赞赏背后的概念使用适当的评分规则,包括不适当的先验知识,我们在这里指出一些可能的实际困难与提倡的方法。
2015-02-26 stat.ME
Efficient Bayesian hierarchical functional data analysis with basis function approximations using Gaussian-Wishart processes
Functional data are defined as realizations of random functions (mostly smooth functions) varying over a continuum, which are usually collected with measurement errors on discretized grids. In order to accurately smooth noisy functional observations and deal with the issue of high-dimensional observation grids, we propose a novel Bayesian method based on the Bayesian hierarchical model with a Gaussian-Wishart process prior and basis function representations. We first derive an induced model for the basis-function coefficients of the functional data, and then use this model to conduct posterior…
2016-12-12 stat.ME
A hierarchical Bayesian non-asymptotic extreme value model for spatial data
针对极端降水空间重现水平估计,本文提出放宽渐近假设的贝叶斯分层非渐近极值模型,利用潜在时空过程和地理协变量刻画事件发生与空间依赖,并通过模拟和北卡罗来纳州降雨应用证明其显著降低了估计不确定性。
2023-04-26 stat.ME
A simple hierarchical Bayesian model for simultaneous inference of tournament graphs and informant error
本文提出了一个同时推理竞赛图和信息误差的多层贝叶斯模型。从多个线人报告或测量工具输出,模型估计标准的结构(即,真)比赛图与可能并列的结果。具有可能并列结果的竞赛图是其中对于图节点的每个无序对存在三种可能状态的图:节点i赢且节点j输;节点j赢且节点i输;两个节点都不赢(即,的结果)。该模型还估计了个体线人(或工具)错误地报告获胜和失败的二元组成员,错误地报告并列结果和错误地报告决定性结果的比率。该模型的开发是为了从多个线人的报告中推断社会优势结构,但对于推断任何可以通过锦标赛图表征的结构,以及从多个报告中测量的结构,它可能是有用的。
2013-10-11 stat.ME
Bayesian Hierarchical Words Representation Learning
Microsoft(微软公司);Tel Aviv University(特拉维夫大学);Bar-Ilan University(巴伊兰大学)
本文提出了贝叶斯层次词表示(BHWR)学习算法。BHWR促进了变分贝叶斯词表示学习与通过分层先验的语义分类建模相结合。通过在相关词之间传播相关信息,BHWR利用分类法来提高这种表示的质量。几个语言数据集的评估表明,BHWR的优势,适当的替代品,促进贝叶斯建模或没有语义先验。最后,我们进一步表明,BHWR产生更好的表示罕见的话。
2020-04-12 cs.CL cs.LG stat.ML
Hierarchical Bayesian Bootstrap for Heterogeneous Treatment Effect Estimation
因果推断的一个主要焦点是估计异质性平均处理效应(HTE)-另一个关注变量(如生物标志物水平、教育或年龄分层)分层内的平均处理效应。推断涉及估计特定于层的回归,并将其整合到该层中混杂因素的分布上-这本身必须被估计。标准实践涉及独立估计这些层特异性混杂因素分布(例如,通过经验分布或Rubin的贝叶斯自助法),这对于具有很少观察到的混杂因素向量的稀疏人口层来说是有问题的。在本文中,我们开发了一个非参数的分层贝叶斯自助(HBB)先验的分层特定的混杂分布的HTE估计。HBB部分地汇集了特定于层的分布,从而允许在稀疏性是一个问题时跨层原则性地借用混淆信息。我们发现,在HBB下的后验推理可以产生效率增益超过标准的边缘化方法,同时避免强参数假设的混杂分布。我们使用我们的方法来评估质子与光子放化疗在各种癌症类型中的不良事件风险。
2023-01-04 stat.ME
What is the best predictor that you can compute in five minutes using a given Bayesian hierarchical model?
本文的目标是为统计学家提供一种方法来回答本文标题中提出的问题,使用他们选择的任何贝叶斯分层模型,而不施加额外的限制性模型假设。我们的动机是,"大数据“的兴起给统计人员直接将其方法应用于大数据集带来了困难。我们引入了一个“数据子集模型”流行的“数据模型,过程模型,参数模型”的框架,用于总结贝叶斯分层模型。数据子集模型的超参数被构造性地指定,因为它们被选择为使得子集的隐含大小满足预定义的计算约束。因此,这些超参数有效地将统计模型校准到计算机本身,以在预先指定的时间量内获得预测/估计。提供了数据子集模型的几个属性,包括:适当性,部分充分性和半参数属性。此外,我们还证明了正态分布数据的子集在合理的约束下是渐近部分充分的。模拟数据集的结果将在不同的计算机上显示,以显示计算机对统计分析的影响。此外,我们提供了两个不同的环境数据集的联合空间分析。
2019-12-10 stat.ME
Hierarchical Bayesian sparse image reconstruction with application to MRFM
本文提出了一种分层贝叶斯模型,当观测值由线性变换获得并被加性高斯白噪声破坏时,重建稀疏图像。我们的分层贝叶斯模型非常适合于这种自然稀疏的图像应用,因为它无缝地通过适当的贝叶斯先验解释了图像的稀疏性和积极性等属性。我们提出了一个先验,是基于一个加权的混合正指数分布和质量为零。先验具有通过分层贝叶斯模型的边缘化自动调整的超参数。为了克服后验分布的复杂性,提出了一种Gibbs抽样策略。吉布斯样本可以用于估计要恢复的图像,例如通过最大化估计的后验分布。在我们的完全贝叶斯方法中,所有参数的后验均可用。因此,我们的算法提供了更多的信息比其他以前提出的稀疏重建方法,只给一个点估计。我们的分层贝叶斯稀疏重建方法的性能说明合成和真实的数据从烟草病毒样本使用原型MRFM仪器。
2009-09-23 cs.IT math.IT physics.data-an
A hierarchical expected improvement method for Bayesian optimization
针对 EI 过度贪婪导致次优解的问题,提出基于分层高斯过程的 HEI 框架,保留闭式采集函数并鼓励探索,证明其全局收敛与近 minimax 速率,实验验证性能更优。
2023-04-20 stat.ME
Leveraging joint sparsity in hierarchical Bayesian learning
MIT(麻省理工学院);Dartmouth College(达特茅斯学院)
提出层次贝叶斯方法,利用联合稀疏先验从多测量向量中推断稀疏参数,实验证明其优于常用方法。
2024-05-24 cs.LG cs.NA math.NA
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
Bayesian hierarchical modelling for inferring genetic interactions in yeast
鉴定给定微生物如酵母的遗传相互作用是困难的。定量适合度分析(QFA)是一种用于定量微生物培养物适合度的高通量实验和计算方法。QFA可用于比较不同基因型的适合度观测值,从而推断遗传互作强度。目前的“天真”的频率统计方法中使用的QFA不模型之间的基因型变异或不同条件下的基因型变异的差异。在这篇论文中,贝叶斯方法被引入到评估层次模型,更好地反映结构或设计的QFA实验。首先,提出了一个两阶段的方法:一个层次的逻辑模型拟合微生物培养生长曲线,然后一个层次的相互作用模型拟合每个基因型推断的健身总结。接下来,一个阶段的贝叶斯方法:一个联合层次模型,不需要一个单变量的健身总结,用于模型之间传递信息。新的分层方法,然后使用数据集检查端粒缺陷对酵母的影响进行比较。通过更好地描述实验结构,发现了与端粒帽相互作用的基因和复合物的新证据。这些模型的各种扩展,包括模型的数据转换,批量效应,本质上随机增长模型也被认为是。
2014-05-27 math.ST stat.AP stat.CO
Hierarchical Stochastic Model in Bayesian Inference: Theoretical Implications and Efficient Approximation
本文将文献中的多层贝叶斯模型分为两类,即多层先验模型(HPM)和多层随机模型(HSM)。然后,我们重点研究了高速模型的理论含义。使用多项式函数的例子,我们表明,HSM是能够分离系统中不同类型的不确定性和量化的降阶模型的不确定性下的贝叶斯模型类选择框架。针对高速模型分析计算量大的问题,提出了一种基于重要性抽样和经验插值方法的高速模型逼近方法。我们用两个例子来说明我们的方法-氪的分子动力学模拟和抗癌药物的药代动力学/药效学模型。
2016-11-09 stat.AP
Multilevel and hierarchical Bayesian modeling of cosmic populations
宇宙人口的人口学研究必须与测量误差和选择效应作斗争。我们调查的一些关键的想法天文学家已经开发出处理这些并发症,在银河系调查和文学Malmquist和爱丁顿偏差的校正的背景下。从现代统计学的角度来看,这种修正在多水平模型的背景下自然出现,特别是在贝叶斯处理这种模型时:分层贝叶斯模型。我们调查了分层贝叶斯模型的一些关键教训,包括收缩估计,这是密切相关的天文学家设计的传统修正。我们描述了一个框架,层次贝叶斯模型的宇宙人口,量身定制的天文调查,是不是典型的调查在其他学科的功能。这种细化的潜在标记点过程框架占选择(检测)和测量之间的联系,在天文调查,治疗选择和测量误差的影响,在一个自洽的方式。
2019-11-27 astro-ph.IM stat.AP
Hierarchical Bayesian modeling of fluid-induced seismicity
在这项研究中,我们提出了一个贝叶斯层次框架来模拟流体诱发的地震活动。该框架是基于一个非齐次泊松过程(NHPP)与流体诱发地震率成比例的注入流体的速率。流体诱发地震率模型依赖于一组物理上有意义的参数,并已验证了六个流体诱发的案例研究。根据分层贝叶斯建模的观点,将速率参数视为随机变量。我们开发的贝叶斯推断和更新规则,这是用来开发一个概率预测模型。我们测试了巴塞尔2006年流体诱发地震的案例研究,以证明层次贝叶斯模型提供了一个合适的框架,连贯编码认知的不确定性和偶然的变化。此外,它提供了一个强大的和一致的短期地震预测模型,适用于在线风险量化和缓解。
2017-11-24 stat.AP