High Dimensional Semiparametric Scale-Invariant Principal Component Analysis
本文提出了一种新的高维半参数主成分分析(PCA)方法-Copula成分分析(COCA)。半参数模型假设在未指定的边缘单调变换后,分布为多元高斯分布。COCA在三个方面改进了PCA和稀疏PCA:(i)它对建模假设具有鲁棒性;(ii)它对离群值和数据污染具有鲁棒性;(iii)它是尺度不变的,并且产生更多可解释的结果。我们证明了COCA估计获得快速的估计率和特征选择一致的维数是近指数大相对于样本量。仔细的实验证实,COCA优于稀疏PCA在合成和真实世界的数据集。
2014-02-18 stat.ML
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
Orthogonalized Design Matrices Speed-ups of Bayesian Semiparametric Regression
University of Technology Sydney(悉尼科技大学)
研究如何用正交设计矩阵加速贝叶斯半参数回归,通过预循环重新表述模型,在列维度上使计算量大幅减少,实现约5到60倍加速。
2026-07-13 stat.ME
Variational inference for count response semiparametric regression
当响应变量为计数(即非负整数)时,提出了贝叶斯半参数回归的快速变分近似算法。我们将Poisson和Negative Binomial族视为响应变量的模型。我们的方法利用最近开发的方法称为非共轭变分消息传递。具体来说,我们专注于广义加性混合模型,虽然我们的变分近似方法扩展到广泛的一类半参数回归模型,如那些包含相互作用和复杂的随机效应结构。
2013-09-17 stat.ME
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
Real-time semiparametric regression for distributed data sets
本文提出了一种大规模多主机数据半参数回归分析的方法。这使得非线性关系的建模和批处理方法(在收集所有数据后开始分析)和实时设置都得到解决。该方法被扩展到在不断变化的环境中运行,在这种环境中,不能再假设模型参数随时间保持不变。该方法的两个应用领域:当有多个数据所有者和回归建模MapReduce框架内的回归建模。一个网站realtime-semiparametric-regression.net说明了如何将拟议方法用于美国国内航空公司的实时数据。
2013-06-18 stat.ME
Semiparametric Mixtures of Regressions with Single-index for Model Based Clustering
在这篇文章中,我们提出了两类半参数单指标混合回归模型的基于模型的聚类。与许多只能应用于低维预测因子的半参数/非参数混合回归模型不同,新的半参数模型可以很容易地将高维预测因子纳入非参数分量。所提出的模型是非常一般的,许多最近提出的半参数/非参数混合回归模型确实是新模型的特殊情况。为了获得参数和非参数部分的最优收敛速度,提出了反拟合估计和相应的修正期望最大化算法。我们建立了所提出的两个模型的可辨识性结果,并研究了所提出的估计程序的渐近性质。仿真研究表明,所提出的模型的有限样本性能。通过新模型对NBA数据的应用,揭示了一些新的发现。
2017-08-11 stat.ME
Online Semiparametric Regression via Sequential Monte Carlo
本文开发了基于序贯蒙特卡洛的在线半参数回归算法,以规避变分方法的固有误差,为不同数据率场景提供了新的准确性与速度权衡方案。
2024-08-27 stat.ME
Nearly Semiparametric Efficient Estimation of Quantile Regression
分位数回归作为最小二乘回归的一种有竞争力的替代方法,在分析异质数据时得到了广泛的应用。对于单分位数水平$τ$的分位数回归模型,半参数有效估计的主要困难是参数有效值的不可得性和条件密度估计。本文利用最不利子模型技术,分别推导了线性分位数回归模型在$(0,1)$中的单分位数水平、多分位数水平和所有分位数水平下的半参数有效得分.我们的主要发现是对多个分位数水平下的分位数回归模型的回归系数的一步(近似)半参数有效估计,它具有以下优点:它可以被看作是一种在多个/其他分位数上汇集信息以提高效率的最佳方法;由于所研究的分位数回归模型的性质,通过插入初始估计量,条件密度估计是直接的。在正则条件下,证明了所得到的估计达到了相应的半参数有效性下界。包括模拟和一个例子的儿童出生体重的数值研究证实,所提出的估计导致更高的效率相比,Koenker-Bassett分位数回归估计的所有分位数的利益。
2017-05-26 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
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
Semiparametric Mixture Regression with Unspecified Error Distributions
在混合线性回归模型的拟合中,传统的方法是采用正态假设来建立误差模型,然后用极大似然估计来估计回归参数。如果违反了正常假设,则此程序无效。为了放松误差分布的正态假设,从而降低建模偏差,我们提出了具有未知误差分布的半参数混合线性回归模型。在比已有结果更弱的条件下,我们建立了一个更一般的可辨识性结果,构造了一类新的估计量,并建立了它们的渐近性质。这些渐近结果也适用于许多现有的半参数混合回归估计的渐近性质仍然未知,由于在获得它们的固有困难。利用模拟研究,我们证明了所提出的估计的优越性超过极大似然估计时,违反了正常的错误假设和可比性时,错误是正常的。对2017年新收集的马传染性贫血病毒数据进行分析,以说明新估计量的有效性。
2018-11-02 stat.ME
Regression for Left-Truncated and Right-Censored Data: A Semiparametric Sieve Likelihood Approach
针对同时存在左截断和右删失的事件时间数据,提出半参数筛似然线性回归方法,证明估计量相合、渐近正态且半参数有效,并通过模拟和 The 90+ Study 数据验证其效果。
2025-04-10 stat.ME
Measurement Errors in Semiparametric Generalized Regression Models
忽略预测因子中的测量误差的回归模型可能会产生高度偏倚的估计,从而导致错误的推断。众所周知,在高斯非参数回归中,考虑测量误差是极其困难的。这个问题变得非常困难时,考虑其他家庭,如逻辑斯谛回归,泊松和负二项。第一次,我们提出了一种方法,旨在纠正测量误差时,估计回归函数灵活地覆盖几乎所有的分布和链接函数经常考虑在广义线性模型。这种方法依赖于在半参数广义线性模型中整合出真实的未观察到的预测因子后近似响应的一阶和二阶矩。与以前的方法不同,该方法不限于截断样条,可以利用各种基函数。通过广泛的模拟研究,我们研究了我们的方法在许多情况下的性能。
2023-01-31 stat.ME
Semiparametric Regression Models for Explanatory Variables with Missing Data due to Detection Limit
针对检测限导致解释变量左删失的问题,提出半参数广义线性模型新方法,结合样本拆分与交叉拟合,比自助法计算效率提高450倍,提供更稳健高效的推断。
2025-07-13 stat.ME
Wilks' theorem for semiparametric regressions with weakly dependent data
将经验似然推断推广到平稳弱相依序列的一类半参数模型。部分线性单指标回归用于给定其过去的序列的条件平均值,以及协变量向量的当前值和过去值。添加序列的条件方差的参数模型以捕获进一步的非线性效应。我们提出了一个固定数量的合适的矩方程的均值和方差模型的特点。我们推导出一个经验对数-似然比,其中包括几个功能的非参数估计,我们表明,这个比率具有相同的限制,在这些功能是已知的情况下。
2021-05-17 stat.ME
Semiparametric Copula Quantile Regression for Complete or Censored Data
当面对多元协变量时,一般的半参数回归技术可以提出灵活的模型,这些模型不受维数灾难的影响。在这项工作中,半参数Copula为基础的估计条件分位数完全或右删失数据进行了研究。在精神上,该方法扩展了Noh et al.(2013)和Noh et al.(2015)的近期工作,因为主要思想在于根据多变量copula和边缘分布适当定义分位数回归。事先估计后者和简单的插件导致一个容易实现的估计表示,无论上下文中有或没有审查,作为一个加权分位数的观察到的响应变量。此外,与文献中的初始建议相反,研究了多变量Copula密度的半参数估计方案,其动机是纯参数方法的可能缺点,并由回归上下文驱动。由此得到的分位数回归估计具有在分位数水平上自动单调的有价值的性质,并且在经典的正则条件下得到了完全数据和删失数据的渐近正态性。最后,数值例子以及实际数据的应用,以说明所提出的方法的有效性和有限样本性能。
2016-03-24 stat.ME
Variational Inference for Count Response Semiparametric Regression: A Convex Solution
University of Technology Sydney(悉尼科技大学)
本文提出了一种基于Polya-Gamma增强和结构化均场变分贝叶斯方法的变分推断框架,用于解决计数响应半参数回归问题,实现了数值稳定且高效的模型拟合。
2026-02-24 stat.ME
Semiparametric rank-based regression models as robust alternatives to parametric mean-based counterparts for censored responses under detection-limit
UCSD Herbert Wertheim School of Public Health and Human Longevity Science(加州大学圣地亚哥分校赫伯特·韦特海姆公共卫生与人类长寿科学学院)
本文提出半参数秩回归模型作为检测限下受挫响应的稳健替代方案,通过比较不同模型在偏倚、变异性及效率方面的表现,验证其在分布假设不确定时的稳定性。
2025-12-11 stat.ME
Semiparametric Approach for Regression with Covariate Subject to Limit of Detection
我们考虑广义线性回归分析与左删失协变量由于检测下限。通过消除低于检测限的观测值进行完整的案例分析,可以获得回归系数的有效估计值,但会失去效率;替代方法存在偏倚;极大似然法依赖于参数模型来确定此类协变量的不可观察尾部概率分布,因此可能会出现模型错误指定。为了获得更强大和更有效的结果,我们提出了一个半参数似然为基础的方法,使用加速失效时间模型的协变量受检测限的回归参数的估计。一个两阶段的估计过程被认为是,在似然函数最大化之前估计的协变量的条件分布与其他变量的检测限。该方法优于完全案例分析和替代方法,以及在仿真研究。提供了所需的渐近性质的技术条件。
2014-12-05 stat.ME
Discussion of "Fast Approximate Inference for Arbitrarily Large Semiparametric Regression Models via Message Passing"
Wand的“通过消息传递快速近似推断超大型半参数回归模型”的讨论论文[arXiv:1602.07412]。
2016-09-19 stat.CO stat.ME
Semiparametric model averaging for high-dimensional quantile regression with nonignorable nonresponse
针对不可忽略缺失下的高维分位数回归,提出半参数模型平均方法,通过缺失机制估计与候选模型加权实现渐近最优。
2025-08-30 stat.ME
Semiparametric Efficient Dimension Reduction in multivariate regression with an Inner Envelope
最近,Su和Cook提出了一种称为内包络的降维技术,该技术可以比原始包络或现有的多元回归降维技术更有效。然而,他们的技术依赖于具有正态分布误差的线性模型,这在实践中可能被违反。在这项工作中,我们提出了一个半参数变量的内包络,不依赖于线性模型,也不正常的假设。我们表明,我们的建议导致全球和局部有效的估计的内包络空间。我们还提出了一个计算上易于处理的算法来估计内包络。我们的模拟和真实数据分析表明,我们的方法是强大的和有效的相比,现有的降维方法在不同的设置。
2022-05-23 stat.ME
Semiparametric Sparse Discriminant Analysis
近年来,大量的工作致力于推广线性判别分析,以克服其在高维分类方面的不足(Witten & Tibshirani 2011,Cai & Liu 2011,Mai et al. 2012,Fan et al. 2012)。在本文中,我们开发了高维半参数稀疏判别分析(HD-SeSDA),一般正常理论判别分析在两个方面:它放松了高斯假设,可以处理非多项式(NP)维分类问题。如果底层贝叶斯规则是稀疏的,HD-SeSDA可以估计贝叶斯规则和选择的真实特征,同时以压倒性的概率,只要对数的维数增长慢于样本量的立方根。仿真和实际例子被用来证明有限样本性能的HD-SeSDA。在理论的核心是一个新的指数浓度界的半参数高斯copula,这是独立的兴趣。
2015-01-14 stat.ME
Semiparametric copula-based quantile regression for semicontinuous outcomes with application to healthcare data
Department of Mathematics and Statistics, University of Windsor(温莎大学数学与统计系)
本文提出了一种半参数化copula基础的两阶段分位数回归框架,用于分析具有零点质量和连续正部分的半连续结果,通过copula条件分布链接发生和幅度过程,展示非线性依赖和协变量效应的灵活性,且在非线性依赖和显著零膨胀情况下优于logistic/线性回归。
2026-03-14 stat.ME
Semiparametric multi-parameter regression survival modelling
我们考虑生存数据的对数线性模型,其中位置和尺度参数都依赖于协变量,基线风险函数是完全未指定的。该模型提供了以相对较低的模型复杂性成本捕获生存数据的许多有趣特征所需的灵活性。估计程序的开发和渐近性质的估计使用经验过程理论。最后,给出了估计量的极限方差的一种估计方法。有限样本性质的估计进行了研究,通过模拟研究,并在肺癌数据的实际应用中示出。
2019-01-15 stat.ME
Semiparametric logistic regression for inference on relative vaccine efficacy in case-only studies with informative missingness
本文提出半参数逻辑回归方法,在仅病例研究中处理病毒株类型信息性缺失,利用目标最大似然估计和机器学习推断亚组特异性相对疫苗效力,并应用于ENSEMBLE COVID-19试验。
2025-03-11 stat.ME
Semiparametric regression and risk prediction with competing risks data under missing cause of failure
队列研究中涉及竞争风险的失败原因经常观察不完全。为了解决这一问题,在随机缺失假设下,已经提出了几种半参数比例原因特异性风险模型的方法。然而,这些建议仅提供了对回归系数的推断,而没有考虑无穷维参数,如协变量特定的累积发生率函数。然而,后者的数量是必不可少的风险预测在现代医学。在本文中,我们提出了一个统一的框架推断的回归系数的比例原因特定的风险模型和协变量特定的累积发生率函数下的随机缺失的故障原因。我们的方法是基于一种新的计算效率的最大伪偏似然估计方法的半参数比例原因特定的风险模型。利用现代经验过程理论,我们推导出所提出的估计的渐近性质的回归系数和协变量特定的累积发生率函数,并提供了方法,为后者同时构建置信带。模拟研究表明,我们的估计表现良好,即使在存在一个大部分的缺失故障原因,回归系数估计可以大大提高效率相比,以前提出的增广逆概率加权估计。该方法使用来自HIV队列研究和膀胱癌临床试验的数据应用。
2020-02-20 stat.ME
Scalable Semiparametric Spatio-temporal Regression for Large Data Analysis
随着数据采集技术的飞速发展,时空数据在各个学科领域中变得越来越丰富。在这里,我们开发的时空回归方法,分析大量的空间参考数据收集的时间,利用遥感卫星数据的环境研究的动机。特别是,我们指定了一个半参数自回归模型,没有通常的高斯假设,并设计了一个计算可扩展的程序,使大型数据集的回归分析。我们用拟极大似然估计模型参数,并证明了计算复杂度可以从样本量的三次方降到线性。在适当的正则条件下的渐近性质进一步建立,通知计算过程是有效的和可扩展的。通过仿真研究评估了参数估计和统计推断的有限样本性质。我们通过一个数据集来说明我们的方法,该数据集具有超过296万的年地表温度观测值,与现有的最先进方法的比较突出了我们方法的优势。
2021-11-30 stat.ME
Semiparametric Regression Analysis of Interval-Censored Competing Risks Data
当每例研究受试者可能经历由多种原因之一引起的事件或失败,并且失败时间未被精确观察到,但已知位于两次连续检查之间的时间间隔内时,就会出现区间删失竞争风险数据。我们用公式表示可能随时间变化的协变量对累积发生率或子分布函数(即,特定原因导致的边际失效概率),通过广泛的一类半参数回归模型,捕获子分布的比例和非比例风险结构。我们允许每个受试者进行任意数量的检查,并容纳关于失败原因的缺失信息。我们考虑非参数极大似然估计,并设计了一个快速和稳定的EM型算法的计算。然后,我们建立的一致性,渐近正态性,半参数估计的有效性,呼吁现代经验过程理论。此外,我们通过广泛的模拟研究表明,所提出的方法在现实情况下表现良好。最后,我们提供了一个应用程序,对不同病毒亚型的HIV-1感染的研究。
2016-03-01 stat.ME
Sparse semiparametric discriminant analysis for high-dimensional zero-inflated data
基于测序的技术提供了大量的高维生物数据集,具有偏斜和零膨胀的测量。由于违反了高斯分布假设,使用线性判别分析对此类数据进行分类会导致性能不佳。为了解决这个问题,我们提出了一个新的半参数判别分析框架的基础上截断的潜在高斯copula模型,同时容纳偏度和零通货膨胀。通过应用稀疏正则化,我们证明了所提出的方法导致一致的估计分类方向在高维设置。在模拟数据上,该方法显示出优于现有方法的性能。我们应用该方法基于微生物组数据区分健康对照与克罗恩病患者,并确定对分类规则影响最大的属。
2022-08-07 stat.ME
Sparse semiparametric canonical correlation analysis for data of mixed types
典型相关分析研究两组变量之间的线性关系,但由于高维和混合数据类型(如连续,二进制和零膨胀),通常在现代数据集上效果不佳。为了克服这些挑战,我们提出了一种基于高斯copula的稀疏典型相关分析的半参数方法。我们的主要贡献是一个截断的潜在高斯copula模型的数据与多余的零,这使我们能够得到一个基于秩的估计的潜在相关矩阵的混合变量类型,而无需估计的边际变换函数。由此产生的典型相关分析方法在高维环境中工作良好,通过数值研究证明,以及在乳腺癌患者的基因表达和microRNA数据之间的关联分析的应用。
2019-10-10 stat.ME
Calibrated Estimation and Inference for Semiparametric Regression Models
Harvard University(哈佛大学);Pennsylvania State University(宾夕法尼亚州立大学);Washington University in St. Louis(圣路易斯华盛顿大学);University of Geneva(日内瓦大学)
本文提出SABRE框架,针对半参数回归模型中参数β和散度参数ϕ的有限样本偏差问题,通过模拟方法校正偏差,提升推断准确性。
2026-08-04 stat.ME
A Bayesian semiparametric model for semicontinuous data
当目标变量表现出非连续行为(即单一值中的点质量和其他地方的连续分布)时,参数“两部分回归模型”得到了广泛的使用和研究。本文提出了一个处理这类变量的半参数贝叶斯两部分回归模型。该模型允许使用Dirichlet过程的模型的两个部分的半参数表达式。一个激励的例子(在“小面积估计”框架)的基础上,在托斯卡纳葡萄酒生产的伪真实数据,用于评估模型的能力。结果表明,当参数假设(分布和/或关系)不合理时,所建议的方法对连续数据进行建模和预测具有令人满意的性能。
2014-08-13 stat.ME
Copula-based Semiparametric Regression Method for Bivariate Data under General Interval Censoring
这项研究的动机是发现和支持双侧眼病进展的遗传原因,黄斑相关性黄斑变性(AMD),其主要结局(进展至晚期AMD的时间)是双变量的,并且由于间歇性评估时间而间隔删失。本文提出了一类新的基于Copula函数的一般区间删失双变量数据的半参数变换模型,包括区间删失情形1(当前状态数据)和区间删失情形2.具体地说,联合似然建模通过两个参数阿基米德copula,它可以灵活地表征在两个尾部的两个边缘之间的依赖性。边缘分布是通过半参数转换模型使用筛子,与比例风险或赔率模型是一个特殊的情况。我们开发了一个计算效率高的筛极大似然估计程序的未知参数,以及一个广义得分测试的回归参数(S)。对于有限维参数的筛估计,我们建立了它们的渐近正态性和有效性。进行了大量的模拟,以评估所提出的方法在有限样本的性能。最后,我们将我们的方法应用于使用AMD相关眼病研究(AREDS)数据的AMD进展的全基因组分析,以成功识别与疾病进展相关的新风险变体。我们还为具有不同遗传特征的患者预测了联合和条件性无进展概率。
2019-08-20 stat.ME
Mixture of Regression Models with Single-Index
本文提出了一类单指标半参数混合回归模型。我们认为,许多最近提出的半参数/非参数混合回归模型可以被认为是所提出的模型的特殊情况。然而,与现有的半参数混合回归模型不同,新提出的模型可以轻松地将多元预测变量纳入非参数分量中。为了获得参数函数和非参数函数的最优收敛速度,提出了相应的回拟估计和算法。我们证明了非参数函数的参数估计与参数已知时具有相同的渐近精度,指数参数的估计可以用传统的参数根n收敛速度来估计.模拟研究和NBA数据的应用已经进行了证明所提出的模型的有限样本性能。
2016-02-22 stat.ME
Appropriate use of parametric and nonparametric methods in estimating regression models with various shapes of errors
本文提出了一种实用的回归模型估计方法,它采用半参数有效得分函数,适用于具有各种形状误差的数据。首先,我推导出半参数有效的分数向量的同方差回归模型没有任何假设的错误。接下来,可以根据误差分布的形状假设误差的特定参数分布或者通过非参数地估计误差分布来修改半参数有效得分函数。误差的非参数方法可用于估计感兴趣的参数或找到适当的参数误差分布。在这方面,所提出的估计方法适当地利用参数和非参数方法的误差。通过数值研究,所提出的估计方法的性能进行了论证。
2023-01-20 stat.ME
Representation Transfer Learning for Semiparametric Regression
本研究提出一种半参数回归下的表示迁移学习方法,通过共享跨域可迁移潜在表示、引入域特定参数处理异质性,证明了目标参数估计的一致性与渐近正态性,经模拟和真实数据验证了方法有效性。
2024-06-19 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
Semiparametric regression in testicular germ cell data
从半参数的角度来看,可以用随机协变量进行回归分析,其中信息来自多个多变量来源。该方法假设一个半参数密度比模型,其中多变量分布是“回归”的参考分布。核密度估计可以结合半参数模型从许多数据源构造。该估计被证明是更有效的比传统的单样本核密度估计,其最佳带宽进行了详细讨论。每个多变量分布和相应的条件期望(回归)的利益是估计从合并数据使用所有来源。图形和定量诊断工具,建议评估模型的有效性。该方法用于量化身高和年龄对生殖细胞睾丸癌患者体重的影响。与多元回归、广义可加模型(GAM)和非参数核回归进行了比较。
2012-10-01 stat.AP 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
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
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 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
A semiparametric scale-mixture regression model and predictive recursion maximum likelihood
为了避免在回归模型中对误差分布的指定,我们提出了一个一般的非参数尺度混合模型的误差分布。对于拟合这样的混合物,预测递归方法是现有方法的一种简单且计算效率高的替代方法。我们定义了一个基于预测递归的边缘似然函数,通过最大化这个函数来估计回归参数。为此提出了一种混合预测递归算法--期望最大化算法。在仿真和实际数据分析中,该方法的性能与现有的方法进行了比较。
2015-09-01 stat.CO stat.ME
Semiparametric Marginal Regression for Clustered Competing Risks Data with Missing Cause of Failure
在多中心研究中,经常会遇到不可靠的竞争风险数据。这类数据的分析往往是复杂的,由于信息集群的大小,在这种情况下,所研究的结果与集群的大小。此外,在实际环境中,故障原因经常无法完全观察到。据我们所知,没有方法对聚类竞争风险数据进行群体平均分析,其中聚类大小为信息量,失效原因缺失。为了解决这个问题,我们考虑了半参数边际比例原因特定风险模型,并提出了一个最大的部分伪概率估计下的随机缺失的假设。为了使后一个假设在实践中更加合理,我们允许可能与失踪概率相关的辅助变量。所提出的方法不施加假设集群内的依赖性,并允许信息集群大小。所提出的估计的渐近性质的回归系数和无穷维参数,如边际累积发生率函数,严格建立。仿真结果表明,该方法性能良好,忽略类内依赖性和信息簇大小的方法会导致无效的推理。所提出的方法适用于竞争风险的数据,从一个大的多中心艾滋病毒研究在撒哈拉以南非洲的失败原因的一个重要部分是失踪。
2021-04-22 stat.ME
Focused Information Criteria for Semiparametric Linear Hazard Regression
Imperial College London(帝国理工学院);University of Oslo(奥斯陆大学)
本文提出聚焦信息准则用于半参数线性危险回归模型的选择,以提高生存概率估计的准确性。
2026-03-03 stat.ME
On Semiparametric Efficiency of an Emerging Class of Regression Models for Between-subject Attributes
半参数回归模型由于其相对于参数回归模型的稳健性而受到越来越多的关注。本文讨论了功能反应模型(FRM),半参数回归,作为一个及时的解决方案,涉及成对观察的研究问题的新兴类别的效率界。这种新的范例是特别有吸引力的,以减少天文数据的尺寸所产生的可穿戴设备和高通量技术,如微生物组β多样性,病毒遗传连锁,单细胞RNA测序等,尽管不断增长的应用程序,其估计的效率尚未仔细研究,由于极端困难,以解决对之间的内在相关性。利用基于希尔伯特空间的半参数有效性理论的经典内的主题属性,这份手稿扩展到更广泛的回归,涉及主题之间的属性和精确的最有效的估计,这导致了一个敏感的信号检测在实践中的渐近有效性。随着成对结果作为有效的降维摘要迅速发展,所建立的理论不仅将填补识别最有效的半参数估计量的关键空白,而且还将推动这种新范式在受试者之间属性的广泛实施。
2022-05-17 math.ST stat.ME stat.TH
Mixture cure semiparametric additive hazard models under partly interval censoring -- a penalized likelihood approach
本文提出一种基于原对偶内点法的惩罚似然方法,用于估计部分区间删失下考虑治愈比例的半参数可加风险模型,以避免忽视治愈组带来的偏差并准确衡量风险差。
2024-01-02 stat.ME
Semiparametric Weighted Spline Regression (SWSR) in Confirmatory Clinical Trials with Time-Varying Placebo Effects
针对确证性临床试验中时变安慰剂效应导致现有方法无法兼顾控制I类错误率和检验效能的问题,提出半参数加权样条回归(SWSR)方法,利用B样条非参数估计治疗效果,实现了I类错误控制、高检验效能和对未知时变效应的稳健性。
2025-06-01 stat.ME
Semiparametric Regression for Misclassified Competing Risks Data
Department of Biostatistics and Health Data Science, Fairbanks School of Public Health and School of Medicine, Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校费尔班克斯公共卫生学院和医学院生物统计学与健康数据科学系);Department of Epidemiology and Biostatistics, CUNY Graduate School of Public Health and Health Policy, City University of New York(纽约市立大学流行病学与生物统计系,CUNY公共健康与卫生政策研究生院)
本文提出一种半参数回归方法,用于处理无内部验证样本的竞争风险数据误分类问题,通过外部验证研究估计误分类概率,提升估计效率。
2026-05-15 stat.ME
A $k$NN procedure in semiparametric functional data analysis
针对含部分线性与单指标分量的半参数函数回归模型,提出快速灵活的$k$NN方法,给出一致收敛速率,通过模拟实验和真实数据分析验证了方法优势。
2024-01-26 stat.ME
Semiparametric transformation Model with measurement error in Covariates: An Instrumental variable approach
线性变换模型提供了一个分析具有协变量的删失生存数据的一般框架。比例风险和比例优势模型是线性变换模型的特殊情况。在生物医学研究中,生存数据中可能存在具有测量误差的协变量。在这篇工作中,我们提出了一种方法,以获得估计的回归系数的线性变换模型时,协变量受到测量误差。在所提出的方法中,我们假设工具变量是可用的。我们发展了基于计数过程的估计方程,用于寻找回归系数的估计量。利用回归估计量的鞅表示证明了估计量的大样本性质。通过广泛的蒙特卡罗模拟研究的估计的有限样本性能进行评估。最后,我们使用艾滋病临床试验(ACTG 175)数据说明了所提出的方法。
2022-05-09 stat.ME
Stochastic Search for Semiparametric Linear Regression Models
本文介绍和分析了Beran和Millar(1987)关于线性回归模型参数估计的随机搜索方法。其想法是生成参数空间的随机有限子集,该子集将自动包含非常接近未知真参数的点。该过程的动机来自Duembgen,Samworth和Schuhmacher(2011)关于对数凹误差分布回归模型的最新工作。
2011-10-10 math.ST stat.ME stat.TH