Multivariate one-sided testing in matched observational studies as an adversarial game
我们提出了一个多变量单侧敏感性分析匹配的观察性研究，适当的时候，研究人员已经指定，一个给定的因果机制应该表现在多个结果变量的影响在一个已知的方向。检验统计量可以被认为是对抗游戏的解决方案，研究人员确定检验统计量的最佳线性组合，以对抗自然界对隐藏偏见的最坏情况模式的呈现。相应的优化问题是凸的，即使是合理规模的观测研究，也可以有效地解决。检验统计量在零值下渐近收敛于卡方分布，这是顺序限制统计推断中的常见分布。该检验在一类相关检验统计量上获得了最大可能的设计灵敏度，并有助于对单个结局变量进行单侧敏感性分析，同时通过纳入封闭检验程序来保持全族误差控制。
2019-09-20 stat.ME
Testing error distribution by kernelized Stein discrepancy in multivariate time series models
知道误差分布在许多多变量时间序列应用中是重要的。为了减少错误分布的风险，需要测试方法来检测所选择的错误分布是否正确。然而，现有的大多数检验方法只针对某些特殊的多元时间序列模型进行了多元正态分布的检验，因而不能用于检验实际应用中常见的重尾和偏态误差分布。本文基于核化Stein差异，构造了一般多元时间序列模型的一种新的相容性检验。考虑到估计的不确定性和未观测到的初始值，提供了一种自举方法来计算临界值。我们的新测试是易于实现的大范围的多元误差分布，其重要性是由模拟和真实数据说明。
2020-08-03 econ.EM stat.ME
Testing Multivariate Conditional Independence Using Exchangeable Sampling and Sufficient Statistics
本文提出多元充分统计量条件随机化检验（MS-CRT），通过条件化P(X|Z)的充分统计量生成可交换副本，无需对Y建模即可检验多元条件独立性，并支持错误发现率控制的组选择，在正态和图模型情形下具有理论最优性和实证优越性。
2025-04-09 stat.ME
hyppo: A Multivariate Hypothesis Testing Python Package
针对现有多元假设检验R包接口不一致、Python中可用工具少的问题，研究团队推出了Python包hyppo，它整合了多种前沿多元检验方法，易用且易扩展，为相关研究提供统一工具。
2024-09-13 cs.MS stat.CO stat.ME
Bayesian Multivariate Quantile Regression with alternative Time-varying Volatility Specifications
本文提出一种贝叶斯多元分位数回归方法，通过引入随机波动率和GARCH过程刻画能源大宗商品的时变波动率，并结合分位数评分加权模型组合提升尾部预测性能。
2024-08-07 econ.EM stat.ME
Local False Sign Rate and the Role of Prior Covariance Rank in Multivariate Empirical Bayes Multiple Testing
本文研究了多元经验贝叶斯多重检验中先验协方差矩阵秩对局部错误符号率的影响，提出使用满秩协方差矩阵的调整方法以缓解低秩导致的错误符号率膨胀，从而提升高维环境下的稳健性。
2025-04-01 stat.AP stat.ME
Testing axial symmetry in multivariate location-scale linear regression
Charles University（查理大学）；The Czech Academy of Sciences, Institute of Information Theory and Automation（捷克科学院信息与自动化研究所）
提出基于积分秩得分的检验方法，用于多元线性异方差回归中条件轴向对称性的检验，推导渐近分布，并通过模拟和实际数据验证。
2026-06-11 math.ST stat.ME stat.TH
BONuS: Multiple multivariate testing with a data-adaptivetest statistic
我们提出了一个新的自适应经验贝叶斯框架，空袋统计（BONUS）程序，多重检验，每个假设检验问题本身是多变量或非参数。BONuS是一种自适应和交互式仿制品类型的方法，有助于提高测试能力，同时控制错误发现率（FDR），并与Weinstein等人（2017）分析的“计数仿制品”程序密切相关。相反的程序，开始与每个假设的$p$值，我们的方法分析整个数据集，以自适应地估计一个最佳的$p$值转换的基础上的经验贝叶斯模型。尽管额外的适应性，我们的方法控制FDR在有限的样本，即使经验贝叶斯模型是不正确的或估计是穷人。一个扩展，双BONUS程序，验证经验贝叶斯模型，以防止由于模型误指定的功率损失。
2021-07-01 math.ST stat.ME stat.TH
Testing normality in any dimension by Fourier methods in a multivariate Stein equation
研究了一类新的多元正态性仿射不变和相合检验。该测试是基于一个表征的标准$d$变量正态分布的唯一的解决方案的初值问题连接到一个偏微分方程，这是由一个多元斯坦方程的动机。检验标准是适当加权的$L^2$ -统计量。我们推导出极限分布的检验统计量下的原假设，以及在连续和固定的替代品的正态性。在固定方案下，得到了极限方差的一致估计，并给出了潜在方案与多元正态分布的距离的渐近置信区间.在模拟研究中，我们表明，测试是强大的，与突出的竞争对手相比，经验覆盖率的渐近置信区间收敛到标称水平。我们提出了一个真实的数据例子，我们概述了进一步研究的主题。
2020-07-06 math.ST stat.ME stat.TH
Improved hypothesis testing in a general multivariate elliptical model
本文研究了一般多元椭圆回归模型下的改进检验推理。该模型在均值向量和色散矩阵的指定以及误差分布的选择方面是非常灵活的。允许误差项遵循椭圆分布类中的多元分布，该椭圆分布类具有多元正态分布和Student- t分布作为特例。我们得到了Skovgaard的调整后的似然比统计量和Barndorff-Nielsen的调整后的符号似然比统计量，我们进行了模拟研究。模拟表明，所提出的测试显示优越的有限样本行为相比，标准测试。两个应用程序，以说明该方法。
2016-10-31 math.ST stat.TH
Sharp Local Minimax Rates for Goodness-of-Fit Testing in multivariate Binomial and Poisson families and in multinomials
我们考虑多元二项分布族、多元Poisson分布族和多元多项分布族中的同一性检验问题或称拟合优度检验问题。给定一个已知的分布$p$和$n$ iid样本从一个未知的分布$q$，我们调查多大$ρ>0$应该区分，具有高概率，情况$p=q$从情况$d(p,q) \geq ρ$，其中$d$表示一个特定的距离概率分布。我们回答这个问题的情况下，一个家庭的不同的距离：$d(p,q) = \|p-q\|_t$为$t \in [1,2]$其中$\|\cdot\|_t$是entrywise $\ell_t$规范。除了局部最小最大最优-即表征依赖于已知矩阵$p$的检测阈值-我们的测试具有简单的表达式，并且易于实现。
2022-04-23 math.ST stat.TH
Generalized Multivariate Signs for Nonparametric Hypothesis Testing in High Dimensions
Data Science and AI Research（数据科学与人工智能研究院）；AT&T Chief Data Office（美国电话电报公司首席数据办公室）；University of Minnesota Twin Cities（明尼苏达大学双城分校）
高维数据，其中特征空间的维度远大于样本量，出现在许多统计应用中。在这种情况下，我们构造了广义多元符号变换，定义为一个向量除以其范数。对于范数函数的不同选择，所得到的变换向量适应于数据分布的某些几何特征。在此基础上，利用这些广义符号向量，得到了高维数据均值向量的单样本和双样本检验方法。这些测试是基于U-统计使用内核内积，不需要禁止的假设，并服从于一个快速的随机化为基础的实现。通过实验，在一些数据设置，我们表明，使用广义符号的测试显示更高的功率比现有的测试，同时保持标称第一类错误率。最后，我们提供了MNIST和明尼苏达双胞胎研究基因组数据的示例应用程序。
2021-07-02 cs.LG stat.ME stat.ML
Testing multivariate uniformity based on random geometric graphs
我们提出了新的家庭的拟合优度测试的均匀性全维集$W\subset\R^d$的基础上的随机几何图的边长度的统计。在原假设和固定替代下证明了这些统计量的渐近正态性。衍生的测试是一致的，他们的行为，一些连续的替代品可以控制。一项模拟研究表明，该程序可以竞争或优于既定的拟合优度测试。我们用一个真实的数据例子表明，新的测试可以检测到小样本数据集的非均匀性，其中大多数竞争对手失败。
2020-07-17 math.PR math.ST stat.ME
Predictive Independence Testing, Predictive Conditional Independence Testing, and Predictive Graphical Modelling
University College London（伦敦大学学院）
检验多变量随机变量的（条件）独立性是统计推断和一般建模的核心任务-尽管不幸的是，迄今为止还不存在可行的工作流程。最先进的工作流程需要启发式或主观的手动选择、高计算复杂性或强参数假设。我们通过建立多元/条件独立性检验和多元预测建模（又称监督学习任务）中的模型比较之间的理论联系来解决这些问题。这个链接允许在广泛研究的监督学习工作流程中的进步直接转移到独立性测试工作流程中-包括自动调整机器学习类型，其解决了启发式选择的需求，定量权衡计算需求与准确性的能力，以及用于检查和接口的现代黑箱哲学。作为两个工作流之间这种联系的实际实现，我们提出了一个python包“pcit”，它实现了我们新颖的多变量和条件独立性测试，与scikit-learn包的监督学习API接口。理论和包还允许基于图形模型结构的学习的直接独立性测试。我们的经验表明，我们提出的预测独立性测试优于或等同于目前的做法，和派生的图形模型结构学习算法渐近恢复的“真”图。这篇文章，以及它附带的“pcit”包，为多元和条件独立性测试以及图形模型结构学习提供了强大的，可扩展的，可推广的和易于使用的方法。
2018-04-28 cs.LG math.ST stat.ME
An effective estimation of multivariate density functions using extended-beta kernels with Bayesian adaptive bandwidths
针对多元密度函数估计问题，提出带贝叶斯自适应带宽的多重扩展β核（MEBK）估计器，建立其渐近性质并提供带宽选择方法，经模拟与真实数据验证，在灵活性和通用性上优于高斯、伽马核估计器。
2025-02-07 math.ST stat.TH
Multivariate Hadamard self-similarity: testing fractal connectivity
虽然在真实世界多变量信号的每个分量中通常观察到尺度不变性，但是分量间相关性结构也经常不是分形连接的，即，它的缩放行为不是由各个组件的缩放行为决定的。为了模拟这种情况下，在一个通用的方式，我们引入了一类多变量高斯随机过程称为阿达玛分数布朗运动（HfBm）。它的理论研究揭示了所提出的问题的联合要求的入口明智的缩放和偏离分形连接。本文提出了一种渐近正态的基于小波变换的尺度参数Hurst矩阵估计及其渐近有效的置信区间。后者是伴随着原来的有限样本程序计算置信区间和测试分形连接从一个单一的和有限大小的观察。蒙特卡罗模拟研究被用来评估作为（有限）样本量的函数的估计性能，并量化省略小波互相关项的影响。模拟研究表明，验证使用近似的置信区间，连同显着性水平和功率的分形连通性检验。进一步研究了HfBm参数对测试性能和性能的影响。
2017-01-16 math.ST stat.TH
A Bayesian Framework for Regularized Estimation in Multivariate Models Integrating Approximate Computing Concepts
本文在贝叶斯框架下统一了多变量模型的正则化估计，连接贝叶斯推断与近似计算，提出均值收缩和正则化LDA的新算法，并通过数值实验验证。
2025-09-12 stat.ME
Testing Multivariate Scatter Parameter in Elliptical Model based on Forward Search Method
本文建立了椭圆模型中多元散射参数的一个检验方法，其中位置参数已知，散射参数用多元前向搜索法估计。本文还研究了检验的一致性性质。除其他外，我们调查的各种模拟数据的测试的性能，并将它们与经典的。
2018-11-26 stat.ME
A general Monte Carlo method for multivariate goodness-of-fit testing applied to elliptical families
本文介绍了一种构造多元拟合优度检验的一般且相对简单的方法。所提出的检验适用于椭圆分布。该方法是基于概率分布通过其特征函数的表征。研究了新的检验统计量的相合性及其它极限性质。此外，在模拟研究中，建议的测试进行了比较，与早期以及最近的竞争对手。
2022-06-18 stat.ME
An Approach of Bayesian Variable Selection for Ultrahigh Dimensional Multivariate Regression
在许多实践中，科学家特别感兴趣的是检测哪些预测因子与多变量响应真正相关。将多个响应建模为一个向量比逐个分离每个分量更准确。这对于具有多个相关成分的复杂性状尤其如此。提出了一种贝叶斯多变量选择（BMVS）方法，用于从一个多维候选库中选择影响多变量响应的重要预测因子。通过应用样本大小相关的spike和slab先验，BMVS方法在一定条件下满足强选择一致性性质，这代表了BMVS优于其他现有的基于贝叶斯多元回归的方法。该方法考虑了多个响应的协方差结构而不假设独立性，并通过快速更新MCMC过程将协方差相关参数的估计与所有回归参数集成到一个框架中。通过仿真表明，BMVS方法优于其他一些相关的频率论和贝叶斯方法。所提出的BMVS方法具有广泛应用的灵活性，包括具有多种相关表型和大规模遗传变异和/或环境变量的全基因组关联研究，如真实数据分析部分所示。所提出的方法的计算机代码和测试数据作为一个R包。
2021-11-15 stat.ME
Default Bayesian Model Selection of Constrained Multivariate Normal Linear Models
多元正态线性模型是应用研究中最广泛的统计推断模型之一。特殊情况包括（多变量）t检验、（M）AN（C）OVA、（多变量）多元回归和重复测量分析。然而，用于模型选择的统计程序是有限的，其中模型可能对感兴趣的模型参数具有等式和顺序约束。本文提出了一个默认的贝叶斯因子的模型选择问题。默认贝叶斯因子基于广义分数贝叶斯方法，其中不同的分数用于不同的观测，并且默认先验以所研究的约束空间的边界为中心。首先，该方法是全自动的，因此可以在先验信息较弱或完全不可用时应用。第二，使用组特定分数，使用来自每个组的相同量的信息，导致具有矩阵柯西分布的最小信息默认先验，导致一致的默认贝叶斯因子。第三，数值计算可以使用并行化来完成，这使得它在计算上很便宜。第四，在观察新数据时，可以以相对简单的方式更新证据。第五，在存在随机缺失的缺失数据的情况下，可以相对直接地应用选择标准。社会科学和行为科学的应用程序用于说明。
2021-03-12 stat.ME
Testing the equality of multivariate means when $p>n$ by combining the Hoteling and Simes tests
我们提出了一种方法来测试两个多变量高斯随机变量的均值向量之间的移动在一个高维设置，将可能的依赖性，并允许$p > n$。该方法是两个著名测试的组合：霍特林测试和西梅斯测试。在每次迭代中，通过对多个维度进行采样，使用Hotelling检验对每个维度进行测试，并使用Simes检验将其结果组合在一起，从而集成了这些测试。我们证明了这个过程是渐近有效的。通过插入Hotelling检验的适当扩展，可以扩展此过程以处理不等的协方差阵。使用模拟研究，我们表明，所提出的测试是有利的，在许多情况下，最先进的测试和强大的违反高斯假设。
2019-12-22 stat.ME
Dimension reduction of multivariate densities in Bayes spaces
Univerzita Palackého v Olomouci（帕尔默大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
提出在贝叶斯空间中对多元概率密度函数进行正交分解，实现独立与交互成分的分离，并证明该分解在PCA意义下最优，应用于房屋和地质数据展示可解释性。
2026-06-18 stat.ME
Bayesian Circular Lattice Filters for Computationally Efficient Estimation of Multivariate Time-Varying Autoregressive Models
非平稳时间序列数据存在于各种科学学科中，包括环境科学、生物学、信号处理、计量经济学等。许多贝叶斯模型已被开发来处理非平稳时间序列。时变向量自回归（TV-VAR）模型是一种适用于多变量非平稳时间序列的模型。然而，在大多数情况下，模型所呈现的大量参数导致高计算负担，最终限制了其使用。本文提出了一种计算效率高的多变量贝叶斯圆格滤波器的TV-VAR模型的使用扩展到更广泛的一类高维问题。我们的完全贝叶斯框架允许自回归（AR）系数和创新协方差随时间变化。我们的估计方法是基于贝叶斯格型滤波器（BLF），这是非常计算效率和稳定的单变量情况下。为了说明我们方法的有效性，我们通过仿真研究与其他竞争方法进行了全面比较，发现在大多数情况下，我们的方法在估计的时变谱密度与真实时变谱密度之间的平均平方误差方面表现出色。最后，我们通过应用季度国内生产总值（GDP）数据和北加州风能数据来展示我们的方法。
2022-06-24 stat.ME
Multivariate Bayesian Predictive Synthesis in Macroeconomic Forecasting
我们发展的方法和详细的案例研究中使用的一类贝叶斯预测合成（BPS）模型的多变量时间序列预测。这将最近引入的BPS基础框架扩展到多变量环境，并在货币政策环境中的多步骤宏观经济预测的主题和挑战性背景下详细应用。BPS评估-顺序和自适应地随着时间的推移-不同的预测偏差和方面的个别预测密度的误校准，和-关键-随时间变化的相互依赖关系，他们之间在多个系列。我们开发了新的BPS方法的一个特定的子类的动态多变量潜在因素模型隐含的BPS理论。结构化动态潜在因子BPS在此的动机是应用背景--对多个美国宏观经济时间序列进行连续预测，预测结果来自几个传统的计量经济学时间序列模型。案例研究突出了BPS在多个预测范围内改善多个系列预测的潜力，以及它在学习预测模型或代理之间的动态关系中的用途。
2018-08-13 stat.ME
Multivariate Distribution-Free Nonparametric Testing: Generalizing Wilcoxon's Tests via Optimal Transport
该综述利用最优输运定义多元秩与符号，将 Wilcoxon 检验推广为保持无分布性、稳健性和高效率的非参数检验，并结合核方法构造多元对称性检验。
2025-03-15 stat.ME
Testing the constancy of Spearman's rho in multivariate time series
提出了一类对多变量时间序列的横截面秩相关变化特别敏感的变点检测检验。派生的程序是基于斯皮尔曼的ρ的几个多元扩展。研究了两种检验方法：第一种是基于回归的检验，第二种是估计渐近零分布。证明了这两种方法在零点下对强混合观测的渐近有效性。提出了一种用于估计这两种方法中涉及的关键带宽参数的程序，使得导出的测试无参数。通过蒙特卡罗实验研究了它们的有限样本行为。最后给出了三变量财务数据的实例。
2015-02-26 stat.ME
Bayesian Models for Multivariate Difference Boundary Detection in Areal Data
在划定的行政单位范围内的卫生成果的区域总量（例如，州、县、邮政编码）或区域单位被流行病学家广泛用于绘制死亡率或发病率图并捕获地理变异。为了捕捉地区之间的健康差异，我们寻求“差异边界”，将相邻地区与显着不同的空间效应分开。问题更具挑战性，因为每个单位都有多个结果，我们要捕捉疾病之间以及区域单位之间的依赖性。在这里，我们解决相关疾病的多元差分边界检测。我们制定的贝叶斯成对多重比较的问题，并寻求相邻的空间效应不同的后验概率。为了实现这一点，我们赋予空间随机效应的离散概率法使用一类多变量区域参考狄利克雷过程（MARDP）模型，适应空间和疾病间的依赖性。我们通过模拟研究评估我们的方法，并使用美国国家癌症研究所监测，流行病学和最终结果（SEER）计划的数据检测多种癌症的差异边界。
2022-04-30 stat.ME
Network-based multivariate gene-set testing
在生物信息学中，鉴定在两种条件下差异表达的预定义基因组（“基因组”）（“基因组分析”或GSA）是非常流行的分析。GSA通过聚集被认为功能相关的基因来整合生物学知识。这可以提高统计功效，超过一次只考虑一个基因的分析。然而，目前可用的GSA方法都是基于单变量双样本比较的单基因。这意味着它们无法检验两个条件之间协方差结构的差异。然而，基因之间的相互作用是生物学研究的一个核心方面，而且这种相互作用可能因条件而异。本文提出了一种新的基因集分析方法，允许真正的多变量假设，特别是在基因-基因网络条件之间的差异。由于潜在的估计问题的性质，测试有关网络的假设是具有挑战性的。我们的出发点是一个最近的，一般的高维两样本测试方法。我们改进的方法，并显示它如何可以用来执行多变量，基于网络的基因集测试。我们在模拟的例子中验证了这种方法，并使用来自癌症生物学研究的高通量数据显示了结果。
2013-08-13 stat.ME
Bayesian Multivariate Probability of Success Using Historical Data with Strict Control of Family-wise Error Rate
考虑到III期和IV期临床试验的成本和持续时间，开发用于进行/不进行决策的统计方法至关重要。在本文中，我们介绍了贝叶斯方法来计算成功的概率的基础上，目前的数据的治疗方案的多变量线性模型。我们的方法利用贝叶斯看似无关的回归模型，它允许多个端点联合建模，即使端点之间的协变量是不同的。端点之间的相关性被明确建模。这种贝叶斯联合建模方法将单个和多重检验过程统一在一个框架下。我们开发了一种多重检验的方法，渐近保证严格的家庭明智的错误率控制，是更强大的比频率论方法的多样性。该方法有效地将Ibrahim等人和Chuang-Stein的方法作为特殊情况，并且据我们所知，是唯一一种允许针对多个终点和/或假设进行稳健样本量确定的方法，也是唯一一种在存在多重性的情况下提供严格的全家族第一类错误控制的方法。
2020-10-26 stat.ME
Testing multivariate normality by testing independence
Vytautas Magnus University, Research Institute of Natural and Technological Sciences（维陶塔斯·马格努斯大学自然与技术科学研究所）
提出基于Kac-Bernstein特征的多元正态性检验，利用现有独立性检验，实证显示高维下更高效。
2023-12-23 cs.LG stat.ME
Exact Bayesian Inference for Multivariate Spatial Data of Any Size with Application to Air Pollution Monitoring
针对大规模多元空间数据难以进行贝叶斯推断的问题，提出SM-EPR方法，结合数据子集与精确后验回归，无需MCMC即可实现任意样本规模的精确推断，并应用于空气污染监测。
2025-03-03 stat.ME
Bayesian density regression for discrete outcomes
我们开发贝叶斯模型的密度回归，重点是离散的结果。讨论了混合尺度变量的多元密度估计方法，并从多元密度估计中得到条件密度。我们描述的多元混合尺度结果密度估计方法将离散变量（响应或协变量）表示为连续潜变量的离散化版本。我们提出并比较了几种模型，以获得这些阈值在具有挑战性的背景下的计数数据分析的响应可能是过度和/或分散在一些地区的协变量空间。我们利用多变量高斯的非参数混合模型的直接观察和潜在的连续变量。本文给出了后验抽样的一种马尔可夫链蒙特卡罗算法，弱相合性的充分条件，并利用模拟数据和实际数据对密度、均值和分位数回归进行了举例说明。
2019-08-13 stat.ME
Bayesian multivariate logistic regression for superiority and inferiority decision-making under observable treatment heterogeneity
本文提出一种基于Pólya-Gamma展开的贝叶斯多元逻辑回归方法，用于在异质性治疗效应的随机对照试验中进行优越性决策，包含系数转换与决策程序，有效揭示亚组治疗差异。
2024-03-26 stat.ME
Efficient Bayesian estimation for flexible panel models for multivariate outcomes: Impact of life events on mental health and excessive alcohol consumption
我们考虑的问题考虑估计一个多变量纵向面板数据模型，其结果可以是离散和连续变量的组合。这个问题是具有挑战性的，因为可能性通常是难以分析的。我们的文章既在方法上做出了贡献，也对应用程序做出了实质性的贡献。方法上的贡献是在面板数据文献中引入粒子Metropolis within Gibbs方法来进行贝叶斯推断，使用哈密顿蒙特卡罗（Neal 2011}建议对未知参数的向量进行采样。我们注意到，在面板数据模型中，我们的第二个贡献是应用我们的方法对严重的生活事件对心理健康和过度饮酒的影响进行认真的分析。这两个结果之间的依赖性可能会更加明显，当饮酒过量和心理健康状况差，这反过来又影响了生活事件如何影响结果的联合分布。
2017-09-23 stat.ME
Multivariate Bayesian variable selection with application to multi-trait genetic fine mapping
针对多个相关且异质响应的变量选择问题，提出一种结合分组结构、多层次选择和先验生物知识的多元贝叶斯方法，并用于多性状遗传精细定位。
2024-03-01 stat.ME
Bayesian Nonparametric Modeling for Multivariate Conditional Copula Regression with Varying Coefficients
Yonsei University（延世大学）
本文提出一种贝叶斯非参数框架，用于具有变系数的多元条件Copula回归，结合自适应样条边际回归与无限混合高斯Copula，通过Probit stick-breaking过程使权重随协变量变化，提供灵活的协变量依赖建模，避免显式全局约束。
2026-04-14 stat.ME
Bayesian Inference for Multivariate Spatial Models with R-INLA
用于空间数据分析的贝叶斯方法和软件现在在科学界已普遍成熟。尽管空间模型应用广泛，但在现有文献中，使用R-INLA分析多变量空间数据并没有被广泛描述。因此，本文的主要目的是证明R-INLA是一个方便的工具箱，分析不同类型的多元空间数据集。此外，这将通过分析三个公开的数据集来说明。此外，这些分析的细节和R代码提供给说明如何调整多变量空间数据集与R-INLA。
2022-12-21 stat.CO stat.ME
Score-based calibration testing for multivariate forecast distributions
本文针对多变量分布预测中PIT校准检验的困难，提出基于适当评分规则的两类新检验，并通过模拟和宏观金融数据应用验证其有效性。
2023-12-12 econ.EM stat.ME
Predictive densities for multivariate normal models based on extended models and shrinkage Bayes methods
研究了均值向量未知且协方差阵已知的多元正态模型的预测密度。基于收缩先验的贝叶斯预测密度通常具有复杂的表示，尽管它们在各种问题中是有效的。我们考虑以均值向量和协方差阵为参数的扩展正态模型，并采用属于包括原正态模型在内的扩展模型的预测密度。我们采用的预测密度是最佳的后验贝叶斯风险的扩展模型。基于超调和收缩先验的预测密度在基于库尔贝克-莱布勒散度的损失函数下优于基于均匀先验的贝叶斯预测密度。我们的方法提供了一种替代经验贝叶斯方法，这是广泛用于构建易于处理的预测密度。
2022-12-07 math.ST stat.ME stat.TH
A Bayesian multivariate spatial approach for illness-death survival models
疾病-死亡模型是多状态框架下的一类随机模型。在这些模型中，个人被允许随着时间的推移在与疾病和死亡有关的不同状态之间移动。在研究非晚期疾病时，它们特别令人感兴趣，因为它们不仅考虑了死亡的竞争风险，而且还允许研究从疾病到死亡的进展。每个转变的强度可以建模，包括协变量的固定和随机效应。特别地，空间结构化的随机效应或其多变量版本可用于评估区域之间和过渡之间的空间差异。我们提出了一个贝叶斯方法框架的基础上的疾病死亡模型与多元Leroux先验的随机效应。我们将此模型应用于一项关于老年患者髋关节骨折后进展的队列研究。从这个空间疾病-死亡模型中，我们评估了与复发性髋部骨折和死亡相关的风险、累积发病率和转移概率的地理差异。贝叶斯推断是通过集成嵌套拉普拉斯近似（INLA）。
2022-10-13 stat.AP stat.ME
Multivariate stochastic volatility with Bayesian dynamic linear models
本文发展了一种贝叶斯方法来估计和预测多元时间序列的波动率。这项工作的基础是矩阵变量的动态线性模型，其中，我们采用了乘性随机演化，使用Wishart和奇异的多元贝塔分布。采用了一个贴现因子对角矩阵，以便逐个元素地对方差进行折扣，从而实现灵活实用的方差建模方法。诊断测试和序贯模型监测进行了详细讨论。建议的估计理论适用于一个四维时间序列，包括现货价格的铝，铜，铅和锌的伦敦金属交易所。实证结果表明，所提出的贝叶斯过程可以有效地应用于金融数据，克服了现有的波动率模型的许多缺点。
2008-02-01 q-fin.ST stat.AP stat.ME
Identification in Bayesian Estimation of the Skewness Matrix in a Multivariate Skew-Elliptical Distribution
Harvey et al.（2010）将Sahu et al.（2003）的贝叶斯估计方法扩展到具有一般偏度矩阵的多元偏椭圆分布，并将其应用于具有更高矩的贝叶斯投资组合优化。虽然他们的方法是划时代的，因为它可以处理资产收益之间的偏度依赖关系，并将更高的时刻到投资组合优化，它不能识别偏度矩阵中的所有元素，由于吉布斯采样器中的标签切换。为了处理这个识别问题，我们建议修改他们的采样算法，通过对多元斜椭圆分布的偏度矩阵施加正下三角约束和改进的可解释性。此外，我们提出了一个贝叶斯稀疏估计的偏度矩阵与马蹄之前，以进一步提高精度。在仿真研究中，我们证明了所提出的方法与识别约束可以成功地估计的真实结构的偏度依赖，而现有的方法遭受的识别问题。
2021-08-09 q-fin.PM stat.CO stat.ME
Gibbs sampler approach for objective Bayeisan inference in elliptical multivariate random effects model
本文针对椭圆多元随机效应模型，在参考先验和Jeffreys先验下提出基于混合Gibbs采样器的贝叶斯后验抽样算法，并通过模拟研究与两种Metropolis-Hastings算法比较，最后应用于十项高血压治疗研究。
2023-05-25 stat.CO stat.ME
Objective Bayesian meta-analysis based on generalized multivariate random effects model
目的推导推广到椭圆等高分布的多元随机效应模型参数的贝叶斯推断方法。通过分配两个无信息先验的模型参数，即Berger和Bernardo参考先验和Jeffreys先验，推导出总体平均向量和研究间协方差阵的后验，其解析表达式在弱分布假设下获得。结果表明，后验是适当的唯一条件是，样本量大于数据生成模型的尺寸，独立的椭圆轮廓分布的广义多变量随机效应模型的定义中使用的类。本文的理论研究结果被应用到实际数据组成的10项研究的有效性，高血压治疗降低血压的处理效应的收缩压和舒张压进行了调查。
2021-04-05 math.ST stat.ME stat.TH
Multivariate Rank-based Distribution-free Nonparametric Testing using Measure Transportation
在本文中，我们提出了一个一般的框架，分布自由的非参数检验在多维，基于一个概念的多变量秩定义的测量运输理论。与文献中其他现有的建议不同，这些多变量的行列与通常的一维行列共享一些有用的属性，最重要的是，这些行列是分布自由的。这一重要的观察使我们能够设计出在原假设下完全无分布的非参数检验。我们证明了这种方法的适用性，通过构建两个经典的非参数问题的精确分布测试：（i）测试随机向量之间的相互独立性，和（ii）测试多元分布的平等。特别地，我们提出了距离协方差的（多变量）秩版本（Székely等人，2007年）和能源统计（Székely和Rizzo，2013年）分别用于测试情景（i）和（ii）。在这两个问题中，我们得到了所提出的检验统计量的渐近零分布。我们进一步表明，我们的测试是一致的，对所有固定的替代品。此外，所提出的测试是无调谐的，计算上可行的，并且在对底层分布的最小假设下被良好定义（例如，他们不需要任何时刻假设）。我们还证明了这些程序的有效性，通过广泛的模拟。在分析我们的程序的理论性质的过程中，我们最终证明了一些新的结果，在测量运输理论和置换统计极限理论中使用Stein的方法可交换对，这可能是独立的利益。
2019-10-04 math.ST stat.ME stat.TH
Multivariate and Multiple Contrast Testing in General Covariate-adjusted Factorial Designs
针对协变量调整因子设计中评估多个结局的需求，提出半参数MANCOVA框架下的多元多重对比检验扩展，适用于非正态、异方差及奇异协方差数据，并在心理干预数据上验证。
2025-06-18 math.ST stat.ME stat.TH
Modeling Multivariate Degradation Data with Dynamic Covariates Under a Bayesian Framework
本文提出一个贝叶斯框架，结合混合效应非线性一般路径模型和形状约束P样条，对含动态协变量的多元退化数据进行建模，并通过模拟验证及有机涂层寿命预测展示其有效性。
2025-04-07 stat.AP stat.ME
To impute or not to? Testing multivariate normality on incomplete dataset: Revisiting the BHEP test
针对完全随机缺失数据下的多元正态性 BHEP 检验，本文比较完整案例分析与插补方法的渐近性质和功效，并提出 bootstrap 算法以恢复插补情形下的 p 值近似。
2024-04-10 math.ST stat.ME stat.TH
Efficient Bayesian Inference for Multivariate Factor Stochastic Volatility Models
通过因子随机波动模型讨论了多元时间序列中动态协方差阵的有效贝叶斯估计。特别地，我们提出了两种交织策略（Yu和Meng，Journal of Computational and Graphical Statistics，20（3），531-570，2011）以显著加速标准MCMC方法的收敛和混合。类似于边际数据增强技术，建议的加速程序利用非可识别性问题，经常出现在因素模型。我们的新交织策略很容易实现，几乎没有额外的计算成本，然而，它们可以提高估计效率的几个数量级，如在广泛的模拟研究中所示。最后，我们的算法应用到26维汇率数据集说明了优越的性能，新的方法对现实世界的数据。
2017-07-19 econ.EM stat.AP stat.CO
Factorial Multivariate Bayesian Causal Forests: heterogeneous main and interaction effects of multiple treatments on correlated outcomes
Royal College of Surgeons in Ireland (RCSI University of Medicine and Health Sciences)（爱尔兰皇家外科医学院（RCSI 医学与健康科学大学））
本文提出阶乘多元贝叶斯因果森林，统一估计多个二元处理对相关结果的异质主效应与交互效应，提供高效采样与可解释性工具，模拟验证稳健，并应用于多领域数据。
2026-09-28 stat.AP stat.CO stat.ME
