The FFBS Estimation of High Dimensional Panel Data Factor Stochastic Volatility Models
本文在多元随机波动率模型的基础上，提出了一种新的具有可观测因子和不可观测因子的面板数据因子随机波动率模型，主要由均值方程、波动率方程和因子波动率演化三部分组成。随机波动率方程是一个一步向前预测过程，需要估计高维参数。采用马尔可夫链蒙特卡罗模拟（MCMC）方法，主要采用随机波动方程的前向滤波后向采样（FFBS）算法，通过卡尔曼滤波递归算法（KFRA）对新模型进行估计。数值模拟和潜在因素估计结果表明，该算法对参数估计具有鲁棒性和一致性。本文运用新模型及其估计方法，对中国股市互联网金融与传统金融类上市公司的可观测因素和不可观测因素进行了比较分析。结果表明，可观察因素对两类上市公司的影响相似，但不可观察因素的影响明显不同。
2019-04-08 stat.ME
A copula-based model for multivariate ordinal panel data: application to well-being composition
本文提出了一种新的基于Copula函数的多变量面板序模型来估计幸福感各组成部分之间的结构关系。每个有序的时间序列建模使用基于Copula的马尔可夫模型在每个观察时间的响应的边缘分布，然后，在每个观察时间，每个有序的时间序列的条件分布加入使用多变量t Copula。采用基于随机化准蒙特卡罗方法求似然的多维积分的最大模拟似然法进行估计。渐近计算表明，我们的方法是几乎一样有效的极大似然完全指定的多元copula模型。我们的研究结果强调了一个人的相对位置在评估他们的福祉没有直接影响的社会经济特征的福祉，但强大的间接影响，通过其对福祉的组成部分的影响。时间弹性，习惯形成和行为特征可以解释随着时间的推移和跨幸福组成部分的联合尾巴的依赖性。
2017-05-31 stat.AP stat.CO stat.ME
Bayesian nonparametric panel Markov-switching GARCH models
本文提出了一种新的具有马尔可夫转换效应的面板数据模型。该模型采用了一个系列特定的隐藏的马尔可夫链过程，驱动的Gestival参数。为了应对参数空间的高维性，本文利用截面聚类的系列首先假设一个软参数池通过分层先验分布与两个步骤，然后通过非参数先验分布在参数空间中引入聚类效应。通过仿真实验对模型和推理进行了评价。结果表明，推理是能够恢复的参数的真实值和组的数量在每个政权。本文还利用两区马尔可夫转换GARCH模型对2000年1月至2020年10月的SP100指数的78种资产进行了实证应用。研究结果表明，在第一和第二政权的成分之间存在2和3集群，分别。
2020-12-18 stat.ME
Mechanistic models for panel data: Analysis of ecological experiments with four interacting species
针对含不可观测变量的非线性生态面板数据，研究采用迭代粒子滤波拟合部分观测马尔可夫过程模型，并通过四物种中宇宙实验展示其似然推断能力。
2025-06-08 q-bio.PE stat.AP stat.CO
A Conditional Density Estimation Partition Model Using Logistic Gaussian Processes
条件密度估计（密度回归）估计以协变量x为条件的响应变量y的分布。利用划分模型框架，提出了一种基于Logistic高斯过程的条件密度估计方法。分区是使用Voronoi曲面细分创建的，并使用可逆跳跃马尔可夫链蒙特卡罗算法从数据中学习。通过对逻辑高斯过程模型的潜变量进行拉普拉斯近似，使得马尔可夫链蒙特卡罗算法成为可能。这种近似使每个分区元素中的参数边缘化，从而允许有效搜索曲面细分的后验分布。该方法具有理想的稠度特性。在模拟和应用中，该模型成功地估计了y的分区结构和条件分布。
2017-03-20 stat.ME
Block Gibbs samplers for logistic mixed models: convergence properties and a comparison with full Gibbs samplers
逻辑斯蒂线性混合模型（LLMM）是应用最广泛的统计模型之一。通常，马尔可夫链蒙特卡罗算法用于探索与贝叶斯LLNN相关联的后验密度。Polson、Scott和Windle（2013）的Polya-Gamma数据增强（DA）技术可用于构建LLLRR的完整Gibbs（FG）采样器。在这里，我们开发了高效的块吉布斯（BG）采样器贝叶斯LLPERS使用Polya-Gamma DA方法。当固定效应和随机效应之间的相关性发生变化以及设计矩阵的维度发生变化时，我们在真实数据示例的上下文中比较FG和BG采样器。这些数值例子证明了BG采样器优于FG采样器的性能。我们还得到了条件，保证几何遍历的BG马尔可夫链时，流行的不适当的一致先验分配的回归系数，适当或不适当的先验放置在方差参数的随机效应。这一理论结果具有重要的实际意义，因为它证明了使用渐近有效的蒙特卡罗标准误的马尔可夫链为基础的后验量的估计。
2021-12-16 stat.ME
dynamite: An R Package for Dynamic Multivariate Panel Models
University of Jyväskylä（于韦斯屈莱大学）；University of Turku（图尔库大学）
dynamite 是一个用于动态多元面板模型的R软件包，支持贝叶斯推断、多种分布建模及高效预测与可视化。
2026-01-20 stat.ME
Bayesian Matrix Completion Approach to Causal Inference with Panel Data
本研究提出了一种新的贝叶斯方法来推断二元处理效应。该方法将反事实的未经处理的结果视为缺失的观察结果，并通过使用数据增强技术完成由已实现的和潜在的未经处理的结果组成的矩阵来推断它们。我们还开发了一个量身定制的先验知识，有助于识别参数，并诱导未经处理的结果矩阵近似为低秩。使用马尔可夫链蒙特卡罗采样器模拟后验绘制。虽然所提出的方法是类似的综合控制方法和其他相关的方法，它有几个显着的优点。首先，与合成控制方法不同，所提出的方法不需要严格的假设。其次，与非贝叶斯方法相比，该方法可以以简单和一致的方式量化推理的不确定性。通过一系列的仿真研究，我们表明，我们的建议有一个更好的有限样本性能比现有的方法。
2020-07-28 stat.ME
Convergence Rate of Efficient MCMC with Ancillarity-Sufficiency Interweaving Strategy for Panel Data Models
本文首次为贝叶斯分层面板数据模型中应用辅助-充分交织策略（ASIS）提供严格理论证明，推导其最优几何收敛速度条件，通过蒙特卡洛实验验证其在小型面板中的效率，为ASIS扩展奠定基础。
2025-11-12 stat.CO stat.ME
Bayesian Nonparametric Inference for Panel Count Data with an Informative Observation Process
本文考虑了重复事件的面板计数数据分析。这种分析对于在临床试验和观察性研究中研究肿瘤或感染复发是有用的。提出了一个双变量高斯Cox过程模型，用于联合建模观测过程和复发事件过程。贝叶斯非参数推断提出了同时估计回归参数，二元脆弱性效应和基线强度函数。推理是通过马尔可夫链蒙特卡罗，充分发展的计算技术。预测推理下的贝叶斯设置也进行了讨论。通过仿真研究表明，该方法是有效的。皮肤癌患者的临床试验数据集进行了分析，以说明所提出的方法。
2017-12-11 stat.AP stat.ME
Forecasting under model uncertainty:Non-homogeneous hidden Markov models with Polya-Gamma data augmentation
本文研究了两状态非齐次隐马尔可夫模型（NHHMM）对单变量时间序列的预测。给定一组预测因子，时间序列通过具有状态相关系数和时变转移概率的预测回归来建模，所述时变转移概率通过逻辑函数依赖于预测因子。在隐马尔可夫设置中，逻辑斯谛回归系数的推断变得复杂，并且在某些情况下由于收敛问题而不可能。在本文中，我们的目标是解决这个问题，使用一个新的潜变量计划，利用Pólya-Gamma类的分布。我们允许模型的不确定性的预测，影响系列线性-在平均值-和非线性-在过渡矩阵。预测器的选择和推断的模型参数的基础上的MCMC计划与可逆的跳跃步骤。单步和多步预测是通过最可能的模型，中位数概率模型或贝叶斯模型平均方法获得的。使用模拟实验，我们说明了我们的算法在各种设置的性能，在混合属性，模型选择和预测能力。对已实现波动率数据的实证研究表明，我们的方法提供了改进的预测相比，基准模型。
2019-07-30 stat.ME
Variational Bayesian analysis of survival data using a log-logistic accelerated failure time model
本研究针对对数逻辑加速失效时间模型，提出嵌入分段近似技术的平均场变分贝叶斯推断算法，在保证估计精度的同时降低了计算成本。
2023-10-10 stat.ME
Combining Mixed Effects Hidden Markov Models with Latent Alternating Recurrent Event Processes to Model Diurnal Active-Rest Cycles
从可穿戴设备和智能手机收集的数据可以揭示个人的行为模式和昼夜节律。手机使用可以被建模为处于活动使用状态和空闲状态之间的交替事件过程。马尔可夫链和交替循环事件模型通常用于模拟这些情况下的状态转换，并且可以使用随机效应的合并来引入昼夜效应。虽然状态标签可以在建模动态之前导出，但这种方法忽略了可以影响状态成员关系的信息回归协变量。相反，我们提出了一个交替的经常性事件比例风险（PH）回归模型的潜在状态之间的转换。我们提出了一个期望最大化（EM）算法的潜在状态标签和估计回归参数。我们表明，我们的E-步简化的隐马尔可夫模型（HMM）的前向-后向算法，使我们能够恢复一个HMM与逻辑斯谛回归转移概率。此外，我们表明，PH建模的离散时间转换隐含惩罚的逻辑斯谛回归的可能性和结果收缩估计的相对风险。我们推导出模型参数估计值的渐近分布，并通过模拟以及在一项数字表型研究中将我们的方法与竞争方法进行比较，该研究在一组患有情绪障碍的青少年中使用智能手机。
2022-12-12 stat.ME
Efficient posterior sampling for high-dimensional imbalanced logistic regression
本文针对高维不平衡逻辑回归的贝叶斯后验计算效率问题，提出结合重要性加权和小批量子采样的分段确定性马尔可夫链蒙特卡洛算法，在保持正确平稳分布的同时显著优于现有方法。
2024-01-12 stat.CO stat.ME
Calibration and filtering for multi factor commodity models with seasonality: incorporating panel data from futures contracts
我们研究了一个通用的多因子模型的商品现货价格和期货估价。本文对Schwartz和Smith（2000）及Yan（2002）的多因素多空模型进行了两个重要方面的扩展：首先，我们考虑了长期和短期动态因素的均值回复，并加入了随机波动率因素;然后，Milstein离散化的非线性随机波动率状态空间表示的模型，允许在观察方程的期货和期权合约。然后，我们开发了一个先进的顺序蒙特卡罗算法的基础上，利用粒子马尔可夫链蒙特卡罗进行校准的模型与过滤的潜在过程的长期-短期的动态和波动性因素的数值方法。在这方面，我们探索和开发一种新的方法的基础上，自适应Rao-Blackwellised版本的粒子马尔可夫链蒙特卡罗方法。在这样做时，我们准确地处理非线性的状态空间模型，因此引入到过滤框架。我们对石油商品的合成和真实数据进行分析。
2011-05-30 q-fin.CP q-fin.ST stat.CO
Variable Length Markov Chain with Exogenous Covariates
可变长度的马尔可夫链是用于数据压缩的有用的随机模型，其避免了全马尔可夫链所面临的维数灾难。本文引入了一种变长的马尔可夫链，它的转移概率不仅依赖于状态历史，而且还依赖于Logistic模型中的外生协变量。所提出的程序的目标是获得的背景下的过程，即，历史的过程是相关的预测下一个状态，连同估计的系数对应的显着的外生变量。我们表明，所提出的方法是一致的，在这个意义上，估计的上下文和系数等于真实的数据生成机制的概率趋于1的样本量增加。模拟表明，当协变量确实对转移概率有贡献时，所提出的方法优于不考虑协变量的可变长度马尔可夫链，同时在协变量不存在时产生可比的结果。
2019-12-30 stat.ME
Bayesian Panel Quantile Regression for Binary Outcomes with Correlated Random Effects: An Application on Crime Recidivism in Canada
本文提出了一种贝叶斯方法，用于在存在相关随机效应的情况下估计具有二元结果的面板分位数回归。我们使用非对称拉普拉斯（AL）误差分布构建工作似然，并将其与合适的先验分布相结合，以获得完整的联合后验分布。对于后验推理，我们提出了两个马尔可夫链蒙特卡罗（MCMC）算法，但更喜欢的算法，利用阻塞过程中产生较低的自相关MCMC提请。我们还解释了如何使用MCMC抽签来计算边际效应，相对风险和比值比。我们的首选算法的性能在多个模拟研究中得到证明，并表现得非常好。此外，我们实施了拟议的框架，研究犯罪累犯在魁北克省，加拿大省，使用一个新的数据，从行政矫正档案。我们的研究结果表明，最近实施的“强硬的犯罪”政策，加拿大政府已在很大程度上成功地减少了重复犯罪的概率在后政策时期。此外，我们的研究结果支持现有的研究结果，犯罪累犯，并提供了新的见解，在不同的分位数。
2020-01-25 econ.EM stat.ME
Spatially dependent mixture models via the Logistic Multivariate CAR prior
我们考虑的问题，空间相关的面积数据，其中每个区域的独立观测是可用的，并建议通过有限的混合高斯分布模型的密度每个区域。空间依赖性是通过一个新的联合分布的向量在单纯形的集合，我们术语logisticMCAR。我们发现，logisticMCAR分布的显着特点可以描述分析，并根据Pólya-Gamma身份的一个合适的增强方案，可以得到一个有效的马尔可夫链蒙特卡罗算法。与竞争对手相比，我们的模型已被证明可以更好地估计不同（断开）区域位置的密度，当它们具有不同的特征时。我们讨论了在阿姆斯特丹市Airbnb房源真实数据集上的应用，还展示了如何轻松地将额外的协变量信息纳入模型。
2021-06-08 stat.AP stat.ME
Bayesian Logistic Regression for Small Areas with Numerous Households
我们分析了二进制数据，可用于相对大量（大数据）的家庭（或家庭），这些家庭位于小区域内，来自基于人口的调查。需要对每个地区具有特定特征的个体的有限人口比例进行推断。为了适应所有样本个体的二进制数据和重要特征，我们使用分层贝叶斯逻辑斯谛回归模型，每个家庭（而不是地区）都有自己的随机效应。这种建模有助于纠正在小面积估计中常见的过度收缩。由于存在大量族，因此使用标准马尔可夫链蒙特卡罗（MCMC）方法计算联合后验密度的计算时间是令人望而却步的。因此，联合后验密度的超参数近似使用集成嵌套正常近似（INNA）通过乘法规则。这种方法提供了一种基于采样的方法，允许快速计算，从而避免非常耗时的MCMC方法。然后，通过并行计算，从精确的条件后验密度中得到随机效应。未知的非样本特征和家庭规模是使用嵌套贝叶斯自助法获得的，该方法也可以使用并行计算来完成。对于相对较小的数据集（例如，5000个家庭），我们比较我们的方法与MCMC方法，表明我们的方法是合理的。我们讨论了一个例子，使用尼泊尔生活水平调查（NLSS）的健康严重程度。
2018-06-01 stat.ME
Factor pre-training in Bayesian multivariate logistic models
本文提出一种因子预训练方法，通过利用维度优势预估计潜在因子，并采用并行高斯近似推断回归系数和载荷，以高效处理高维二元结果逻辑回归，并在模拟和马达加斯加昆虫数据中验证了其性能。
2025-04-21 stat.CO stat.ME
Markov Neighborhood Regression for High-Dimensional Inference
本文提出了一种新的方法，用于构造置信区间和评估p值的统计推断高维线性模型。该方法成功地将高维推理问题分解为一系列低维推理问题：对于每个回归系数$β_i$，根据相应变量$X_i$与其他变量之间的条件独立关系，选择一个变量子集进行回归，计算置信区间和$p$ -值。由于在由所有变量$X_1,X_2,\ldots,X_p$构成的马尔可夫网络中，变量的子集构成了$X_i$的马尔可夫邻域，因此该方法被称为马尔可夫邻域回归。所提出的方法进行了测试高维线性，逻辑回归和Cox回归。数值结果表明，所提出的方法显着优于现有的。基于Markov邻域回归，提出了一种高维线性模型因果结构学习方法，并将其应用于药物敏感基因和癌症驱动基因的识别。使用条件独立关系进行降维的思想是通用的，并且也可以潜在地扩展到其他高维或大数据问题。
2020-10-17 stat.ME
Bayesian Tensor Factorized Vector Autoregressive Models for Inferring Granger Causality Patterns from High-Dimensional Multi-subject Panel Neuroimaging Data
利用非侵入性神经影像技术了解功能性脑连接模式的动态是人类神经科学的一个重要焦点。向量自回归（VAR）过程和格兰杰因果分析（GCA）已被广泛用于这一目的。虽然高分辨率的多学科神经影像学数据是日常收集的一天，VAR模型的统计文献仍然高度集中在小到中等尺寸的问题和单一的主题数据。基于这些问题，我们提出了一种新的贝叶斯随机效应面板VAR模型，用于多主题高维神经影像数据。我们从一个单主体模型开始，将VAR系数构造为三向张量，然后通过应用Tucker张量分解来降低维度。一种新的稀疏诱导收缩先验允许数据自适应秩和滞后选择。然后，我们将该方法扩展到一种新的多学科数据的随机效应模型，该模型小心地避免了维度随着受试者数量的增加而爆炸，但也灵活地适应了特定于受试者的异质性。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。最后，对后验样本进行带有后验错误发现控制的GCA。该方法在仿真实验中表现出了良好的经验性能。应用于我们的激励功能磁共振成像研究，该方法允许人类大脑网络的定向连接进行详细研究，揭示有意义的，但以前未经证实的皮层连接模式。
2022-09-14 stat.AP stat.ME
A Heteroscedastic Bayesian Generalized Logistic Regression Model with Application to Scaling Problems
针对幂律尺度建模中常用方法假设正态分布与固定方差易产生偏差的问题，提出贝叶斯广义逻辑回归框架，结合GLD处理偏态与异方差，用MCMC求解，经COVID-19数据验证效果更优且具普适性。
2024-01-25 stat.ME
Spike and slab variational Bayes for high dimensional logistic regression
Imperial College London（帝国理工学院）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
变分贝叶斯（VB）是马尔可夫链蒙特卡罗的一种流行的可扩展替代方案，用于贝叶斯推断。研究了稀疏高维逻辑斯谛回归中广泛使用的贝叶斯模型选择先验的均值场尖峰和板条VB近似。我们提供非渐近的理论保证VB后在$\ell_2$和预测损失的稀疏真理，最佳（极大极小）收敛速度。由于VB算法不依赖于未知的真相，以实现最优性，我们的结果揭示了有效的先验选择。我们证实了我们的VB算法的改进性能在数值研究中常见的稀疏VB方法。
2021-09-06 cs.LG math.ST stat.ME
Sequences of regressions and their independences
单变量或多变量回归的有序序列提供了统计模型，用于分析来自随机、可能的序贯干预、队列或多波面板研究以及横断面或回顾性研究的数据。条件独立性通过我们称为回归图的东西来捕获，前提是生成的分布与联合高斯分布具有某些属性。回归图通过两种类型的无向图扩展了纯有向无环图，一种类型用于联合响应的分量，另一种类型用于上下文向量变量的分量。我们回顾了回归图的特殊功能和历史，推导出读取回归图的所有隐含独立性的标准，并证明了马尔可夫等价性的标准，即判断两个不同的图是否隐含相同的独立性声明。马尔可夫等价的知识提供了一个给定的序列的回归的替代解释，是必不可少的机器学习策略，并允许使用简单的图形标准的回归图上的相应的标准一般更复杂。在已知回归图存在马尔可夫等价有向无环图的条件下，给出了一个多项式时间算法。
2012-03-08 stat.ME
Accelerating Bayesian Variable Selection using Piecewise Deterministic Markov Processes
Tilburg University（蒂尔堡大学）；University of Amsterdam（阿姆斯特丹大学）
本研究将分段确定性马尔可夫过程（PDMP）采样器应用于贝叶斯变量选择，扩展其至相关先验与随机梯度场景，结合心理测量模型验证，提升了强相关参数下的采样效率。
2026-08-31 stat.ME
A Method for Compressing Parameters in Bayesian Models with Application to Logistic Sequence Prediction Models
由于马尔可夫链蒙特卡罗（MCMC）方法需要使用大量的参数，而且参数的数量随着阶数的增加而迅速增加，因此高阶交互作用下的贝叶斯分类和回归在很大程度上是不可行的。在本文中，我们展示了如何通过有效地减少参数的数量，利用许多相互作用对于所有训练案例都具有相同值的事实来使其可行。我们的方法使用一个单一的“压缩”参数来表示与一组模式相关的所有参数的总和，这些模式对于所有训练案例都具有相同的值。利用对称稳定分布作为原始参数的先验，我们可以很容易地找到这些压缩参数的先验。因此，当用MCMC训练模型时，我们只需要处理数量少得多的压缩参数。在考虑最高可能阶之前，压缩参数的数量可能已经收敛。在训练模型之后，我们可以根据需要将这些压缩的参数拆分为原始参数，以便对测试用例进行预测。我们详细介绍了如何压缩logistic序列预测模型的参数。模拟和真实数据的实验表明，大量的参数确实可以减少我们的压缩方法。
2007-11-30 stat.ME stat.ML
Laplace approximation for logistic Gaussian process density estimation and regression
逻辑高斯过程（LGP）先验为建模未知密度提供了灵活的替代方案。密度估计的平滑性可以通过LGP的先验协方差结构来控制，但挑战在于分析上难以处理的推断。在本文中，我们提出了近似贝叶斯推断的LGP密度估计在一个网格中使用拉普拉斯的方法来整合在非高斯后验分布的潜函数值，并确定协方差函数参数与类型II的最大后验概率（MAP）估计。我们证明，拉普拉斯的方法与MAP是足够快的实际互动可视化的1D和2D密度。我们的实验与模拟和真实的一维数据集表明，估计精度接近马尔可夫链蒙特卡罗近似和国家的最先进的分层无限高斯混合模型。我们还构建了一个降秩近似，以加快密集的二维网格的计算，并证明密度回归与建议的拉普拉斯方法。
2013-10-07 stat.CO stat.ME stat.ML
Inference in high-dimensional logistic regression under tensor network dependence
University of Florida（佛罗里达大学）
本文研究了在个体间依赖由马尔可夫随机场诱导的情况下，高维协变量逻辑回归的统计推断问题，提出了一种能处理更高阶依赖的张量结构框架，并开发了两步方法以获得渐近正态的估计量，用于构建置信区间和假设检验。
2026-03-20 math.ST stat.ME stat.TH
Fully Bayesian Logistic Regression with Hyper-Lasso Priors for High-dimensional Feature Selection
高维特征选择出现在现代科学的许多领域。例如，在基因组研究中，我们希望找到可以用于将不同类别的组织（例如癌症和正常组织）与在某些组织细胞中活跃（表达）的数万个基因分开的基因。为此，我们希望用大量的特征（也称为变量，预测因子）来拟合回归和分类模型。在过去的十年中，惩罚似然方法拟合回归模型的基础上hyper-LASSO惩罚受到越来越多的关注，在文献中。然而，使用马尔可夫链蒙特卡罗（MCMC）的完全贝叶斯方法在文献中仍然缺乏发展。本文介绍了一种基于超LASSO先验（非凸罚）的逻辑斯谛回归模型严重多模态后验的MCMC（fully Bayesian）学习方法。我们的MCMC算法使用哈密顿蒙特卡罗在一个限制性吉布斯抽样框架，我们称我们的方法贝叶斯逻辑斯谛回归与超LASSO（BLRHL）先验。我们已经使用模拟研究和真实数据分析，以证明超LASSO先验的优越性能，并探讨了超LASSO先验的选择沉重和规模的问题。
2018-05-12 stat.CO stat.ME stat.ML
AdaptSPEC-X: Covariate Dependent Spectral Modeling of Multiple Nonstationary Time Series
我们提出了一种联合分析一组可能非平稳的时间序列的方法。该方法是贝叶斯的，并使用协变量依赖的无限混合模型，将多个时间序列，与混合成分参数化的随时间变化的平均值和对数谱。混合物成分是基于AdaptSPEC，自适应划分的时间序列成一个未知数量的段和估计的局部对数谱平滑样条的非参数模型。我们扩展AdaptSPEC处理缺失值，时间序列的一个共同特点，这可能会导致非参数谱方法的困难。第二个扩展是允许时变均值。假设协变量与时间无关，使用logistic棒断裂过程通过混合物权重并入。该模型可以估计观察到的和未观察到的协变量值的时变平均值和光谱，从而允许预测性推断。估计是由马尔可夫链蒙特卡罗（MCMC）方法，结合数据增强，可逆跳跃，黎曼流形哈密顿蒙特卡罗技术。我们评估的方法，使用模拟数据，并描述应用澳大利亚降雨量数据和麻疹发病率在美国。实现本文提出的方法的软件可以在R包BayesSpec中获得。
2020-06-04 stat.ME
Chain graph models of multivariate regression type for categorical data
本文讨论一类由多元回归链图马尔可夫性定义的分类变量链图模型。首先，这些模型的局部独立集被证明是马尔可夫等价于最近在文献中定义的链图模型。接下来，我们提供了一个参数化的基础上的序列的广义线性模型与多元逻辑链接函数，捕捉所有的独立约束，在任何这种链图模型。
2011-07-13 math.ST stat.ME stat.TH
Bayesian Inference for Left-Truncated Log-Logistic Distributions for Time-to-event Data Analysis
NCIAS, Arizona State University（国家癌症研究所亚利桑那州立大学分校）；Center for Biostatistics, Department of Biomedical Informatics, The Ohio State University（生物统计中心，生物医学信息学系，俄亥俄州立大学）；Department of Electrical and Computer Engineering, The University of Texas at Austin（电气与计算机工程系，德克萨斯大学奥斯汀分校）；Department of Mathematics, The University of Hawaii at Mānoa（数学系，夏威夷大学毛伊分校）
本文提出一种针对左截断对数逻辑分布的贝叶斯参数估计方法，采用Metropolis-Hastings采样，在截断样本下提供更稳定可靠的参数估计与不确定性量化。
2025-06-21 cs.LG stat.AP stat.CO
