Bayesian nonparametric modeling of multivariate count data with an unknown number of traits
University of Milano–Bicocca(米兰比可卡大学);UCLA Fielding School of Public Health(加州大学洛杉矶分校菲尔丁公共卫生学院)
本文提出一类基于完全随机向量的贝叶斯非参数先验,用于特质数量未知的部分可交换特质分配模型,并开发可推断群体划分的混合模型,在犯罪网络数据上验证了其有效性。
2025-11-07 stat.ME
Accelerating Bayesian inference of dependency between complex biological traits
推断复杂的生物性状之间的依赖关系,同时占标本之间的进化关系是巨大的科学兴趣,但仍然是不可行的性状和标本数量增长大。国家的最先进的方法使用系统发育的多变量概率模型,以适应二进制和连续性状通过一个潜在的变量框架,并利用一个有效的弹性粒子采样器(BPS),以解决计算瓶颈-集成许多潜在的变量从一个高维截断正态分布。这种方法随着样本数量的增长而崩溃,并且无法可靠地表征性状之间的条件依赖性。在这里,我们提出了一个推理管道系统发育概率模型,大大优于BPS。新颖之处在于:1)最近的Zigzag哈密顿蒙特卡罗(Zigzag-HMC)与线性时间梯度评估的组合,以及2)高度相关的潜变量和相关矩阵元素的联合采样方案。在一个从535种病毒探索HIV-1进化的应用程序中,推断需要从11,235维截断正态和24维协方差阵中联合采样。与BPS相比,我们的方法产生了5倍的加速,并且可以学习候选病毒突变和毒力之间的部分相关性。现在,计算速度的提高使我们能够解决更大的问题:我们研究了大约900种病毒上H1N1流感糖基化的进化。为了更广泛的适用性,我们扩展了系统发育概率模型,将分类性状,并证明其用于研究Aquilegia花和传粉者的共同进化。
2022-09-07 q-bio.PE stat.CO stat.ME
Normalized Latent Measure Factor Models
我们提出了一种方法来建模和比较概率分布内的贝叶斯非参数框架。建立在相关的归一化随机措施,我们认为一个先验分布的离散随机措施,其中每个措施是一组潜在的措施,解释为特征性状共享不同的分布,正随机权重的线性组合。该模型是不可识别的,并开发了一种用于后处理后验样本以实现识别推理的方法。这使用黎曼优化来解决李群矩阵上的非平凡优化问题。我们的方法的有效性进行了验证模拟数据和两个应用程序的两个现实世界的数据集:学校学生的考试成绩和个人收入在加利福尼亚州。我们的方法导致有趣的见解人口和易于解释的后验推理
2022-05-31 stat.ME
Deep Computerized Adaptive Testing
University of Chicago(芝加哥大学)
本文提出一种基于多变量潜在特质的深度自适应测验系统,利用贝叶斯稀疏多变量IRT方法,通过直接采样提升信息论项目选择效率,并采用双重深度Q学习算法优化项目选择策略。
2026-03-14 stat.ME
What is an Ordinal Latent Trait Model?
虽然各种多分类项目反应模型被认为是有序模型,但似乎没有可用的有序模型的一般定义。序数模型的替代概念进行了讨论,它表明,它们符合经典的一维模型。对于多维模型,有序模型的定义是指多维特征空间中的特定特征。目的是为有序模型提供一个理论框架。关于潜在特征和范畴顺序之间联系的强度的实际考虑被简要地考虑。
2019-02-17 stat.ME
Predicting milk traits from spectral data using Bayesian probabilistic partial least squares regression
本文提出贝叶斯偏最小二乘(BPLS)回归框架,通过非参数收缩先验避免手动选择潜空间维度,并支持稀疏性与多变量响应预测,在牛奶光谱性状预测中性能至少与PLS相当,且能提供校准良好的预测区间。
2024-08-07 stat.AP stat.ME
Bayesian Estimation of Kendall's tau Using a Latent Normal Approach
两个变量之间基于秩的关联可以通过向有序数据引入潜在正态水平来建模。我们演示了这种方法如何产生贝叶斯推断肯德尔的秩相关系数,改善最近的贝叶斯解的渐近性质的检验统计量。
2018-05-24 stat.ME
Bayesian analysis of nonlinear structured latent factor models using a Gaussian Process Prior
针对显变量与潜因子间的非线性关系,提出带 Gaussian process prior 的贝叶斯结构化潜因子模型,证明可识别性与估计一致性,并通过模拟和油流数据验证其有效性。
2025-01-06 stat.ME
On estimating the size of overcoverage with the latent class model. A critique of the paper "Population Size Estimation Using Multiple Incomplete Lists with Overcoverage" by di Cecco, di Zio, Filipponi and Rocchetti (2018, JOS 34 557-572)
我们感兴趣地阅读了di Cecco等人的文章。(2018),但对潜在类模型专门用于估计过度覆盖的有用性持保留态度。特别是,我们质疑的解释的参数的拟合潜在类模型。
2020-05-11 stat.ME
Transform-scaled process priors for trait allocations in Bayesian nonparametrics
本文提出变换缩放过程(T-SP)先验,通过使新数据点的“新”特征预测分布依赖于抽样信息(如不同特征数和样本大小),克服了完全随机测度先验中预测分布独立于抽样信息的缺陷,同时保持了分析可处理性,并扩展至多组数据场景。
2023-03-31 stat.ME
Further Exploration of the Effects of Time-varying Covariate in Growth Mixture Models with Nonlinear Trajectories
Virginia Commonwealth University(弗吉尼亚联邦大学)
本研究探讨了时间变化协变量对生长混合模型中非线性轨迹异质性的影响,提出分解协变量为特质和状态特征的方法,并通过模拟和实际数据验证了模型的有效性。
2025-11-30 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
GPIRT: A Gaussian Process Model for Item Response Theory
Washington University in St. Louis(圣路易斯华盛顿大学)
项目反应理论(IRT)模型的目标是从二元观测指标中估计潜在特质,同时学习从潜在特质映射到观测反应的项目反应函数(IRFs)。然而,在许多情况下,观察到的行为可以偏离传统的IRT模型的参数假设显着。非参数IRT模型通过放松对IRFs形式的假设来克服这些挑战,但标准工具无法同时估计灵活的IRFs和对受访者的恢复能力估计。我们提出了一个贝叶斯非参数模型,解决了这个问题,通过放置高斯过程先验的潜在功能定义的IRF。这使我们能够同时放松对IRF形状的假设,同时保持估计潜在特质的能力。这反过来又使我们能够轻松地将模型扩展到进一步的任务,例如主动学习。因此,GPIRT为IRT文献中的几个长期存在的问题提供了一个简单而直观的解决方案。
2020-06-17 cs.LG stat.ML
A mixture model approach for clustering bipartite networks
本章通过基于模型的聚类方法研究了二分网络的潜在结构,该方法能够捕获发送节点的潜在组和发送节点与每个组内的接收节点创建链接的倾向的潜在变化。这种建模方法是非常灵活的,可以通过使用快速推理的方法,如变分推断估计。我们应用这个模型来分析恐怖分子网络,以确定主要的潜在群体的恐怖分子和他们的潜在特质分数的基础上,他们出席一些事件。
2019-07-18 stat.AP stat.ME
Application of Bayesian Networks for Estimation of Individual Psychological Characteristics
对人的潜力进行准确的定性和全面的评估是任何公司或集体最重要的挑战之一。我们应用贝叶斯网络来开发更准确的个人心理特征的总体估计,基于心理测试结果,确定个人拥有某种特质的程度。特征的例子可以是抗压能力、愿意冒险、专注于某些复杂工作的能力。研究每个人的心理特征最常见的方法是测试。此外,总体估计通常基于个人经验和心理学家或一组心理学家对所调查的心理人格特质的主观感知。
2017-10-06 stat.OT
Latent Trait Item Response Models for Continuous Responses
给出了连续反应条件下潜在特质项目反应模型的一般框架。与传统上区分真实分数和错误分数的经典测试理论模型相反,这些反应显然与潜在特征有关。结果表明,经典的测试理论模型可以作为特例导出,但模型类要宽得多。特别是,它提供了以某种方式受到限制的反应的适当建模,例如,如果反应是积极的或被限制在一个区间内。这类限制很容易合并到建模框架中。对区间的限制通常在产生不适当模型的常见模型中被忽略,例如,在对Likert类型数据建模时。该模型还扩展了常见的响应时间模型,这些模型可以被视为特殊情况。属性的模型类派生和总得分的作用进行了调查,这导致修改后的总得分。几个应用程序说明了模型的使用,包括一个例子,其中考虑到可能修改响应的协变量。
2022-04-08 stat.ME
Mixture of Latent Trait Analyzers for Model-Based Clustering of Categorical Data
连续数据的基于模型的聚类方法已经得到了很好的建立,并且在广泛的应用中得到了广泛的应用。然而,分类数据的基于模型的聚类方法不太标准。潜在类分析是一种常用的基于模型的二进制数据和/或分类数据的聚类方法,但由于假设的局部独立结构,估计的潜在类和感兴趣的群体中的组之间可能没有对应关系。潜在特质分析器模型的混合扩展潜在类分析,假设一个模型的分类响应变量,取决于一个分类的潜在类和一个连续的潜在特质变量;离散的潜在类容纳组结构和连续的潜在特质容纳这些组内的依赖。拟合潜在特质分析者的混合模型潜在地是困难的,因为似然函数涉及不能被分析地评估的积分。我们开发了一个变分的方法来拟合潜在特质模型的混合物,这提供了一个有效的模型拟合策略。潜在特质分析者的混合模型的分析数据来自国家长期护理调查(NLTCS)和美国国会的投票。该模型产生直观的聚类结果,它给出了一个更好的适合无论是潜在的类分析或潜在性状分析。
2013-02-19 stat.CO stat.ME
Phylogenetic Factor Analysis
系统发育比较方法探索数量性状之间的关系,调整共享的进化历史。这种调整通常是通过沿遗传分支的布朗扩散过程发生的,该过程产生模型残差或性状本身。对于高维性状,在多变量扩散中推断所有成对相关性是有限的。为了解决这个问题,我们提出了系统发育因子分析(PFA),假设一个小的未知数量的独立的进化因素出现沿基因组和这些因素产生集群的依赖性状。在贝叶斯框架中,PFA提供了对因子数和分组的不确定性的测量,结合了连续和离散性状,整合了缺失的测量,并在分子序列的帮助下结合了系统发育的不确定性。我们开发吉布斯采样器的基础上动态规划估计的PFA后验分布,超过三倍的速度比多变量扩散和进一步的数量级更有效地在潜在性状的存在。我们进一步提出了一种新的边际似然估计先前不切实际的模型与离散数据,并发现PFA也提供了一个更好的拟合比多变量扩散在进化问题中的鸽花发育,胎盘繁殖过渡和鱼鳍形态。
2017-01-25 stat.AP stat.CO stat.ME
Biclustering bipartite networks via extended Mixture of Latent Trait Analyzers
本研究扩展潜在特质分析器混合模型(MLTA)实现二部网络双聚类,支持伴随变量引入,采用基于高斯-埃尔米特近似的EM类算法估计参数,经模拟验证性能后应用于儿科阑尾炎患者二部网络以识别相似患者群体。
2024-04-15 stat.ME
Adapting cluster graphs for inference of continuous trait evolution on phylogenetic networks
Departments of Statistics and Botany, University of Wisconsin-Madison(威斯康星大学麦迪逊分校统计学与植物学系)
本文提出利用非树状聚类图优化高斯性状进化模型的因子化能量近似,探讨最大聚类大小对估计精度与运行时间的权衡影响,并证明同质布朗运动模型的参数估计等价性。
2025-12-19 q-bio.PE stat.CO
On the Identifiability of Latent Class Models for Multiple-Systems Estimation
潜在类模型最近在人权应用中的多系统估计中变得流行。然而,目前还不知道在这种情况下,一个给定的家庭的潜在类模型是可识别的。我们提供了充要条件和充分条件的数量所需的一个家庭的潜在类模型是可识别的潜在类。一路上,我们提供了一种机制,用于验证一类多系统估计模型,允许个人异质性的可识别性。
2020-08-22 math.ST stat.ME stat.TH
A mirror descent approach to maximum likelihood estimation in latent variable models
University of Turin(都灵大学);Collegio Carlo Alberto(卡罗阿尔贝托学院)
本文提出一种结合镜像下降与序列蒙特卡洛的潜变量模型参数推断与后验估计方法,适用于离散潜变量,并在实验中优于标准期望最大化算法。
2025-11-06 stat.CO stat.ME
Estimating the variance-covariance matrix of two-step estimates of latent variable models: A general simulation-based approach
本文提出一种基于模拟的通用方法,用于估计潜变量模型两步估计的方差-协方差矩阵,避免计算交叉导数矩阵,并在潜类别模型和潜特质模型上验证了其有效性。
2025-07-22 stat.CO stat.ME
Classification Accuracy and Parameter Estimation in Multilevel Contexts: A Study of Conditional Nonparametric Multilevel Latent Class Analysis
目前的研究有两个目的。首先,使用一个经验数据集来演示多站点项目评估的效用条件非参数多级潜在类分析(NP-MLCA)。其次,研究了潜在类别指标的质量、潜在类别指标的数量、水平1协变量效应、水平间协变量效应、水平2单位的数量和水平2单位的大小等六个研究因素对条件NP-MLCA分类精度和参数估计的影响。使用模拟研究检查了总共96个条件。分类准确率、跨水平协变量效应和背景效应的功效和第一类错误表明非参数多水平潜在类别模型可以广泛应用于多水平背景。
2020-10-30 stat.AP stat.ME
Latent class multivariate probit and latent trait models for evaluating test accuracy without a gold standard: A simulation study
University of Leicester(莱斯特大学);Omnicom Media Group(奥美媒体集团);Bristol Medical School, University of Bristol(布里斯托大学布里斯托医学院)
本文通过模拟研究比较无金标准下评估测试准确性的LC-MVP与潜在特质模型,发现LC-MVP整体性能更优且更稳健,并推荐结合自定义相关约束和先验使用LC-MVP。
2025-09-23 stat.AP stat.ME
On the Structure of Ordered Latent Trait Models
目前常用的有序项目反应模型可分为三类,即累积型、序贯型和相邻类模型。模型的推导和动机通常基于潜在特征或底层过程模型的假设存在。在建设经常二进制模型发挥了重要作用。本文的目的是给动机的模型,并澄清的作用,二进制模型的各种类型的有序模型。研究了哪些二进制模型包括在有序模型中,以及如何从一系列二进制模型构建模型。在所有的模型中,人们发现一个古特曼空间结构,这是以前特别是部分信贷模型的研究。二元模型的考虑增加了对模型参数的解释,这是有帮助的,特别是在部分信用模型的情况下,对于该模型的解释不如其他模型直接。一个具体的主题是解决的顺序的阈值在部分信用模型,因为一些研究人员反向排序是一种异常,其他人不同意。有人认为,阈值的顺序不是部分信贷模式的构成要素。
2019-06-10 stat.ME
Partial Identifiability of Restricted Latent Class Models
隐类模型在社会科学和生物科学中有着广泛的应用。在许多应用中,通过设计矩阵对潜在类别模型的参数空间施加预先指定的限制,以反映从业者关于观察到的反应如何取决于受试者的潜在特质的假设。尽管这种受限潜在类模型在各个领域得到了广泛的应用,但由于其离散性和复结构的复杂性,其存在不可识别性。这项工作解决了基本的可识别性问题的限制潜在类模型的模型参数的严格和部分可识别性开发一个通用框架。在正确的模型规格下,所开发的可辨识性条件仅依赖于设计矩阵,并且易于检验,这为设计统计上有效的诊断测试提供了有用的实用指南。此外,新的理论框架被应用于建立,第一次,从认知诊断应用程序的几个设计的可识别性。
2019-05-31 math.ST stat.AP stat.TH
Modeling Psychological Profiles in Volleyball via Mixed-Type Bayesian Networks
本文提出潜在 MMHC 混合结构学习器,结合潜在高斯 copula 与约束及评分方法,在 164 名意大利女排运动员数据上学习混合类型贝叶斯网络,揭示心理技能、情绪唤醒与大五人格之间的有向关系,并量化技能改进的传播效应,为运动心理画像与决策支持提供可解释框架。
2025-09-26 cs.LG stat.AP
Longitudinal modeling of age-dependent latent traits with generalized additive latent and mixed models
我们提出了广义加性潜伏和混合模型(GALASTIC)的聚类数据的响应和潜变量依赖于观测变量顺利分析。提出了一种可扩展的极大似然估计算法,利用拉普拉斯近似,稀疏矩阵计算,自动微分。混合响应类型、异方差性和交叉随机效应自然被纳入框架。开发的模型的动机是在认知神经科学中的应用,并提出了两个案例研究。首先,我们展示了GALASTIC如何共同模拟情节记忆,工作记忆和速度/执行功能的复杂寿命轨迹,分别由加利福尼亚语言学习测试(CVLT),数字广度测试和Stroop测试测量。接下来,我们研究了社会经济地位对大脑结构的影响,使用教育和收入数据以及通过磁共振成像估计的海马体积。通过将半参数估计与潜在变量建模相结合,GALASTIC可以更真实地表示大脑和认知在整个生命周期中的变化,同时从测量项目中估计潜在特征。模拟实验表明,即使在中等样本量的情况下,模型估计值也是准确的。
2023-02-02 stat.AP stat.ME
A class of Multidimensional Latent Class IRT models for ordinal polytomous item responses
我们提出了一类项目反应理论模型的项目有序多项反应,扩展了现有的一类多维模型的二分法评分项目测量一个以上的潜在特质。在该方法中,用于表示潜在性状的随机向量被假定为具有离散分布,其支持点对应于群体中的不同潜在类别。我们还允许不同的参数化的条件分布的响应变量的潜在特质-如采用分级响应模型,在部分信用模型,并在评级量表模型-这取决于类型的链接函数和项目参数上施加的约束。对于所提出的模型,我们概述了如何执行极大似然估计通过期望最大化算法。此外,我们提出了一种策略,模型选择,这是基于一系列的步骤,包括选择特定的功能,如潜在的维度的数量,潜在的类的数量,和特定的参数化。为了说明所提出的方法,我们分析来自一项研究的焦虑和抑郁的肿瘤患者所感知的数据。
2012-01-23 stat.ME
Hidden Markov Models for Longitudinal Rating Data with Dynamic Response Styles
这项工作涉及纵向有序反应的分析。所提出的方法的新颖之处是同时建模的时间动态的一个潜在的特征的兴趣,通过观察到的顺序反应,并回答行为的反应风格的影响,通过隐马尔可夫模型(HALGORY)与两个潜在的组件。这种方法能够建模(i)实质性的潜在特质,控制响应风格;(ii)随着时间的推移,潜在特质和回答行为的变化,也允许依赖于个人特征。对于所提出的障碍,估计程序,标准误计算方法,拟合优度和分类的措施,和全条件残差进行了讨论。建议的模型拟合有序的纵向数据从家庭收入和财富调查(意大利银行),以了解意大利家庭的财务能力的演变。
2021-11-26 stat.ME
The Label Defines the Timescale: Trait-State Limits of Temporal-Aggregate Learning
该研究针对机器学习基准中长时聚合标签与短窗口输入配对的性能上限问题,通过特质-状态高斯过程框架推导贝叶斯风险恒等式,分解标签方差、推导有效时间跨度,揭示标签定义学习的相关时间尺度,区分了协议与架构限制。
2026-08-04 cs.AI cs.LG stat.ML
Multilevel mixtures of latent trait analyzers for clustering multi-layer bipartite networks
该研究扩展潜在特质分析器混合模型至多层二部网络,结合多水平方法实现发送节点聚类,并通过模拟和欧洲社会调查数据验证了模型在参数与聚类恢复上的有效性。
2024-03-18 stat.ME
Accuracy of Latent-Variable Estimation in Bayesian Semi-Supervised Learning
分层概率模型,如高斯混合模型,被广泛用于无监督学习任务。这些模型由可观察变量和潜在变量组成,分别代表可观察数据和基础数据生成过程。无监督学习任务,如聚类分析,被认为是基于可观察的潜在变量的估计。在半监督学习中,观察到一些标签,潜在变量的估计将比无监督学习更精确,其中一个关注点是澄清标记数据的影响。然而,还没有足够的理论分析的精度估计的潜变量。在以前的研究中,制定了基于分布的误差函数,并计算了其渐近形式,用于生成模型的无监督学习。结果表明,对于潜变量的估计,贝叶斯方法比最大似然方法更准确。本文揭示了贝叶斯半监督学习中判别式和生成式模型误差函数的渐近形式。结果表明,生成模型,它使用所有给定的数据,表现得更好时,模型是很好的指定。
2015-03-25 stat.ML
Asymptotic Accuracy of Bayesian Estimation for a Single Latent Variable
Tokyo Institute of Technology(东京工业大学)
在数据科学和机器学习中,经常使用分层参数模型,例如混合模型。它们包含两种变量:可观察变量,代表可以直接测量的数据部分,以及潜变量,代表生成数据的底层过程。虽然对可观测变量估计精度的研究有所增加,但对潜变量估计的理论分析尚未得到深入研究。在以前的研究中,我们确定了数据集中潜变量的联合概率的贝叶斯估计的准确性,并且我们证明了贝叶斯方法比最大似然方法渐近更准确。然而,单个潜在变量的贝叶斯估计的准确性仍然是未知的。本文在满足统计规律性的条件下,给出了两类单变量估计的误差函数的渐近展开式,该误差函数由库尔贝克-莱布勒散度定义.我们的研究结果表明,贝叶斯和最大似然方法的精度是渐近等价的,并澄清贝叶斯方法只有利于多变量估计。
2015-04-17 cs.LG stat.ML
Asymptotic Accuracy of Bayes Estimation for Latent Variables with Redundancy
由可观测变量和潜变量组成的分层参数模型被广泛用于无监督学习任务。例如,混合模型是用于聚类的代表性分层模型。从统计的角度来看,由于数据的分布,模型可以是规则的或奇异的。在常规情况下,模型具有可辨识性,模型表达式的概率密度函数与参数之间存在一一对应的关系。费舍尔信息矩阵是正定的,并研究了可观测变量和潜变量的估计精度。另一方面,在奇异情况下,模型是不可识别的,Fisher矩阵不是正定的。基于逆Fisher矩阵的传统统计分析不适用。最近,一个代数几何分析已被开发出来,并用于阐明可观测变量的贝叶斯估计。本文将这种分析应用于潜变量估计,并确定其理论性能。我们的结果阐明了后验分布的收敛性。研究发现,可观测变量估计的后验和潜变量估计的后验可以不同。基于参数和潜变量的马尔可夫链蒙特卡罗方法由于两者的差异,无法构造出期望的后验分布。
2014-01-23 stat.ML
A Bayesian estimation approach to analyze non-Gaussian data-generating processes with latent classes
近年来,在各个领域积累了大量的观测数据,并且越来越需要估计这些数据的生成过程。基于外部影响的非高斯性,提出了一种线性非高斯非循环模型(LiNGAM)来估计变量的数据生成过程。然而,如果存在潜在类,则估计的结果可能有偏差。在本文中,我们首先回顾LiNGAM,其扩展模型,以及LiNGAM的贝叶斯框架中的估计过程。然后,我们提出了一个新的贝叶斯估计过程,解决了这个问题。
2014-08-02 stat.ML
Efficient methods for the estimation of the multinomial parameter for the two-trait group testing model
使用混合抽样估计单个伯努利参数是组检验文献中最古老的问题之一。为了进行这样的估计,已经引入了一系列有效的估计,涵盖了广泛的情况下,经常遇到的应用程序。最近,人们越来越感兴趣的是使用组测试来同时估计两个相关性状的联合概率,使用多项模型。不幸的是,基本的估计结果,如极大似然估计(MLE),还没有得到充分的解决,在这种情况下的文献。在本文中,我们发现这个问题的极大似然估计是等价于最大化多项式似然与一个限制参数空间。提出了一种使用期望最大化算法的解决方案,即使在参数空间的边界上,也能保证收敛到全局最大值。两个额外的封闭形式估计的目标是最小化的偏差和/或均方误差。该方法说明了考虑的应用程序的联合估计传播流行率的两个菌株的马铃薯Y病毒的蚜虫桃蚜。
2019-05-20 stat.ME
Efficient preconditioned stochastic gradient descent for estimation in latent variable models
本文提出一种基于正定Fisher信息矩阵估计的预条件随机梯度算法,用于潜变量模型的参数估计,在温和假设下证明收敛性,并通过模拟验证其在非线性混合效应模型和随机块模型中的性能。
2023-06-22 math.ST stat.TH
Nonparametric Estimation of Multi-View Latent Variable Models
Georgia Institute of Technology(佐治亚理工学院);University of California Irvine(加州大学欧文分校)
谱方法极大地推进了潜变量模型的估计,产生了一系列具有强有力理论保证的新颖而有效的算法。然而,目前的谱算法主要限于离散或高斯分布的混合物。在本文中,我们提出了一种核方法学习多视图潜变量模型,允许每个混合成分是非参数的。该方法的核心思想是将多视点隐变量的联合分布嵌入到再生核Hilbert空间中,然后利用鲁棒的张量幂方法恢复隐变量参数。我们建立了所提出的方法的样本复杂性是二次的潜在组件的数量和其他相关参数是一个低阶多项式。因此,我们的非参数张量学习潜变量模型的方法具有良好的样本和计算效率。此外,在我们的实验中,非参数张量幂方法优于EM算法和其他现有的谱算法。
2013-12-08 cs.LG stat.ML
Bayesian estimation of possible causal direction in the presence of latent confounders using a linear non-Gaussian acyclic structural equation model with individual-specific effects
我们考虑在潜在混杂变量的存在下学习两个观测变量的可能因果方向。几种现有的方法已被证明是一致的估计因果方向假设线性或某种类型的非线性关系,没有潜在的混杂因素。然而,如果实际上违反任何一个假设,估计结果可能会失真。在本文中,我们首先提出了一个新的线性非高斯非循环结构方程模型与个人的具体影响,允许潜在的混杂因素被考虑。然后,我们提出了一个经验贝叶斯方法估计可能的因果方向,使用新的模型。我们使用人工和真实世界的数据证明了我们的方法的有效性。
2014-05-20 stat.ML
Simultaneous detection and estimation of trait associations with genomic phenotypes
基因组表型,如DNA甲基化和染色质可及性,可用于表征细胞内DNA的转录和调节活性。最近的技术进步使得有可能非常密集地测量这些表型。这种密度往往导致空间结构,在这个意义上说,在附近的网站的测量是非常相似的。在本文中,我们考虑的任务是在实验条件下,细胞类型或疾病亚组之间比较基因组表型。我们提出了一种新的方法,联合自适应差分估计(JADE),它利用了基因组表型固有的空间结构。JADE同时估计平滑的潜在组平均基因组表型谱,并检测组间平均谱不同的区域。我们评估了JADE在几种生物学上合理的模拟环境中的性能。我们还考虑应用于检测成熟骨骼肌细胞,肌管和成肌细胞之间的差异甲基化区域。
2016-11-14 stat.ME
Assessing phenotypic correlation through the multivariate phylogenetic latent liability model
理解哪些表型性状在整个进化过程中始终相关是现代进化生物学中一个高度相关的问题。在这里,我们提出了一个多变量系统发育潜在责任模型,用于评估多种类型的数据之间的相关性,同时控制通过分子序列告知他们未知的共享进化历史。潜在的配方使我们能够考虑在一个单一的模型组合的连续性状,离散二进制性状和离散性状与多个有序和无序状态。以前的方法通常沿着固定的历史记录来处理单一的数据类型,排除了对性状之间的相关性的估计,并且忽略了历史记录中的不确定性。我们实现我们的模型在贝叶斯系统发育框架,并讨论假设检验的推理技术。最后,我们通过应用于Columbine花形态,沙门氏菌的抗生素耐药性和流感的表位进化来展示该方法。
2015-09-16 q-bio.PE stat.AP stat.ME
A Regression-based Approach to Robust Estimation and Inference for Genetic Covariance
本文提出统一的基于回归的遗传协方差稳健估计与推断框架,证明模型错误设定下的渐近稳健性,并通过模拟和远交小鼠GWAS分析验证其效果。
2023-10-04 stat.ME
Invariance of Comparisons: Separation of Item and Person Parameters beyond Rasch Models
Rasch模型是常用的潜在特质模型中最突出的成员。主要原因是,它可以被视为一种测量模型,允许分离的人和项目参数,一个功能,被称为比较或特定客观性的不变性。结果表明,该属性是不是一个独特的性状的Rasch型模型,但也发现在替代的潜在性状模型。区分理论测量模型中的可分性和经验可分性,经验可分性意味着可以在不参考其他参数组的情况下估计参数。一种新的类型的成对估计与此属性的建议,也可以用于替代模型。可分离性在二元模型和多元模型中都被考虑。
2023-01-08 stat.ME
Sparse precision matrix estimation in phenotypic trait evolution models
系统发育性状进化模型允许估计在相关生物样品中观察到的一组性状之间的进化相关性。通过沿着可估计的系统发育树直接对性状的进化进行建模,模型的结构有效地控制了共享的进化历史。在这些模型中,相关性通常通过其边缘分布的高后验密度区间来评估。然而,所选择的相关性本身可能无法提供关于特质关系的全貌。它们的关联结构,通过编码偏相关的图来表达,可以突出特征之间直接关联的稀疏模式。为了开发一个基于模型的方法来识别这种关联结构,我们探索使用高斯图形模型(GGM)的协方差选择。我们模型的精度矩阵与G-Wishart共轭先验,这导致稀疏精度估计。此外,该模型自然允许对性状之间的关联进行贝叶斯因子测试,而不需要额外的计算。我们评估我们的方法,通过蒙特卡罗模拟和应用程序,研究协会的结构和进化相关性的表型性状在达尔文雀和基因组和表型性状在原核生物。我们的方法提供了准确的图估计和较低的误差的精度和相关参数估计,特别是有条件的独立性状,这是目标稀疏GGM。
2022-11-22 stat.CO stat.ME
Measurement Induced Confounding
New York University(纽约大学)
针对观测研究中潜变量测量误差导致因果估计偏倚的问题,提出贝叶斯联合估计方法同时估计测量模型、处理分配模型和响应模型以消除偏倚。
2026-07-03 stat.ME
Within-Person Variability Score-Based Causal Inference: A Two-Step Estimation for Joint Effects of Time-Varying Treatments
本文提出两步因果推断法,先用SEM计算剔除稳定特质的个体内变异性得分,再用MSM或带G估计的SNMM估计时变连续处理的联合效应。
2022-01-04 stat.ME
Sequential reduction for discrete latent variables in ecological and evolutionary models using RTMB
Cahill Analytics;Technical University of Denmark(丹麦技术大学);Alaska Fisheries Science Center, National Marine Fisheries Service(阿拉斯加渔业科学中心,国家海洋渔业服务局)
本文提出RTMB包中的序贯约简方法,结合自动微分和拉普拉斯近似高效拟合含离散和连续潜变量的混合模型,并展示其在生态和系统发育应用中的速度与灵活性。
2026-09-15 q-bio.PE stat.ME
On genetic correlation estimation with summary statistics from genome-wide association studies
全基因组关联研究(Genome-wide association studies,GWAS)已被广泛用于研究单核苷酸多态性(single nucleotide polymorphisms,SNPs)与复杂性状之间的关联,其中样本量n和SNPs数量p都可能非常大。最近,基于GWAS汇总统计量(例如,SNP效应大小)。然而,经验证据显示了一种常见的偏差现象,即即使是高度显著的跨性状PRS也只能解释非常少量的遗传方差(R^2通常<1%)。本文的目的是发展一种新的和强大的方法来解决跨性状PRS的偏差现象。我们从理论上表明,估计的遗传相关性是渐近偏向于零时,复杂的性状是高度多基因/全基因。当所有p个SNPs都被用来构建PRS时,我们证明了PRS估计的渐近偏差与未知的因果SNPs数量m无关。我们提出了一个一致的PRS估计量来纠正这种渐进偏差。我们还开发了一种新的估计遗传相关性,这是完全基于两套GWAS汇总统计量。此外,我们研究了通过GWAS p值进行SNP筛选是否可以改善估计,并显示GWAS之间重叠样本的影响。我们的研究结果可能有助于揭开神秘面纱,并解决令人困惑的“丢失的遗传重叠”现象的交叉性状PRS解剖的遗传相似性密切相关的遗传性状。我们说明了我们的偏差校正PRS估计的有限样本性能,通过使用数值实验和英国生物银行的数据,我们在其中评估脑白质束和神经精神疾病之间的遗传相关性。
2019-03-04 q-bio.GN q-bio.NC stat.ME
Structured Latent Factor Analysis for Large-scale Data: Identifiability, Estimability, and Their Implications
潜在因素模型被广泛用于测量社会和行为科学中未观察到的潜在特质,包括心理学,教育和营销。当以验证的方式使用时,设计信息被纳入,产生结构化(验证性)潜在因素模型。受潜在因子模型在包含许多显性变量(如测试项目)和大样本量的大规模测量中的应用的启发,我们研究了显性变量和样本量都增长到无穷大的渐近设置下结构化潜在因子模型的性质.具体而言,在这样的渐近制度下,我们提供了一个定义的潜在因素的结构可识别性,并建立必要和充分条件的测量设计,确保结构可识别性下的一般家庭的结构化潜在因素模型。此外,我们提出了一个估计,可以在温和的条件下一致地恢复潜在的因素。该估计器可以通过并行计算来有效地计算。我们的研究结果揭示了大规模测量的设计,并对测量的有效性有重要的影响。通过仿真研究验证了所提出的估计的性质。
2019-06-13 stat.ME
On estimation and inference in latent structure random graphs
我们定义了一个潜在的结构模型(LSM)随机图作为一个随机点积图(RDPG),其中的潜在位置分布结合了概率和几何约束,划定了一个家庭的基础分布在一些固定的欧几里得空间,和结构支持子流形,从该图的潜在位置绘制。对于一个一维潜在的结构模型与已知的结构支持,我们展示了如何谱估计的潜在位置的RDPG可以用于有效的估计的参数的LSM。我们描述了如何估计或学习的结构支持的情况下,它是未知的,说明性的重点与潜在的位置沿Hardy-Weinberg曲线的图形。最后,我们使用潜在的结构模型制定测试双边同源果蝇连接体。
2020-04-17 stat.ME
Introducing Flexible Monotone Multiple Choice Item Response Theory Models and Bit Scales
Umeå University(于默奥大学)
提出用自动编码器拟合的单调多项选择IRT模型,并通过模拟与瑞典真实测验数据证明其拟合优于名义反应模型,同时引入可将潜在特质量表转为比率量表的比特量表。
2024-10-02 cs.LG stat.ME stat.ML
DIF Statistical Inference without Knowing Anchoring Items
针对DIF分析中锚题未知导致潜在特质分布难识别、现有方法难以保证有效推断的问题,提出基于MIMIC模型和最小L1范数条件的方法,实现无锚题先验下的DIF效应估计、不确定性量化与I类错误控制。
2023-01-11 stat.AP stat.ME