Tree-guided group lasso for multi-response regression with structured sparsity, with an application to eQTL mapping
我们考虑的问题估计稀疏的多响应回归函数，与应用表达数量性状位点（eQTL）定位，其目标是发现影响基因表达水平的遗传变异。特别是，我们调查的收缩技术能够捕捉到一个给定的层次结构的响应，如层次聚类树与叶节点的响应和内部节点的集群相关的响应在多个粒度，我们试图利用这种结构来恢复协变量相关的每个层次定义的集群的响应。我们提出了一个树引导组套索，或树套索，估计多响应回归下，采用一种新的惩罚函数从树构造的结构稀疏。我们描述了一个系统的加权方案，重叠的组中的树罚，使每个回归系数被惩罚在一个平衡的方式，尽管不均匀的多重性的组成员的回归系数，由于组之间的重叠。为了有效的优化，我们采用了一个平滑的近端梯度方法，最初开发的一般类的结构稀疏诱导处罚。使用模拟和酵母数据集，我们证明了我们的方法在预测误差和恢复真实稀疏模式方面表现出优越的性能，与其他学习多变量响应回归的方法相比。
2012-09-28 q-bio.GN q-bio.QM stat.AP
Principal component-guided sparse regression
我们提出了一种新的监督学习方法，特别适合于特征数量远远大于观测数量的宽数据。该方法结合了套索（$\ell_1$）稀疏惩罚与二次惩罚，缩小系数向量的特征矩阵的领先的主成分。我们称所提出的方法为“主成分套索”（“pcLasso”）。如果特征被预先分配到组（例如细胞通路、测定或蛋白质相互作用网络），则该方法可以特别强大。在这种情况下，pcLasso会将解的每个分组分量缩小到该组的领先主分量。在此过程中，还进行了特征组的选择。我们提供了一些理论，这种方法，并说明它的一些模拟和真实数据的例子。
2018-10-24 stat.ME stat.ML
Flexible discrete space models of animal movement
运动推动了传染病的传播、基因流动和其他关键的生态过程。为了研究这些过程，我们需要运动模型来捕捉随着时间和空间的变化而变化的复杂行为，以响应生物和非生物因素。惩罚似然方法，如惩罚半参数样条展开和LASSO回归，允许在没有过拟合的情况下对复杂模型进行推断。连续时间马尔可夫链（CTMCs）是最近提出的一种灵活的离散空间模型，用于动物运动。使用CTMC建模涉及将动物的路径离散化到栅格网格的分辨率。由此产生的随机过程模型可以很容易地将环境和其他协变量，表示为光栅层，影响方向偏差和整体运动速率。我们引入了一种加权似然方法，允许使用CTMC建模运动，由于缺失数据建模的遥测位置之间的连续时间路径的路径不确定性。我们介绍的框架允许使用现有的软件拟合泊松回归模型，包括惩罚版本的泊松回归的CTMC运动模型的推理。其结果是一个灵活，强大，可访问的框架，用于建模广泛的动物运动行为。
2016-06-26 stat.AP
Feature selection guided by structural information
在具有大量特征的广义线性回归问题中，对回归系数施加$\ell^1$ -约束的拉索型正则化已成为一种广泛建立的技术。在某些情况下，套索的防御，特别是强相关设计，被揭露时，邹和Hastie [J.罗伊。中央集权主义者Soc.Ser.B67（2005）301- 320]介绍了弹性网。在本文中，我们提出了扩展的弹性网，承认一般非负二次约束作为第二种形式的正则化。广义脊型约束通常利用特征的已知关联结构，例如，通过使用时间或空间接近度。我们研究了“结构弹性网“回归估计过程的性质，包括基本渐近性和模型选择一致性问题。在这种情况下，我们提供了一个类似的所谓的“不可表示的条件”，其中持有的套索。此外，我们概述了算法解决方案的结构弹性网内的广义线性模型家庭。通过模拟和真实世界的数据，重点是信号回归说明了我们的方法的原理和性能。
2010-11-10 stat.AP
Hierarchical approaches for flexible and interpretable binary regression models
二元回归模型在几乎每个科学领域都是普遍存在的。通常，传统的广义线性模型无法捕捉概率表面的变化，从而产生的二进制观测和新的方法是必需的。这产生了大量的文献，包括各种应用程序的二元回归模型。我们描述了一种新的组织的推广传统的二元回归方法的基础上熟悉的三部分结构的广义线性模型（随机组件，系统组件，链接函数）。这种新的视角既有利于现有方法的比较，也有利于开发新颖、灵活的模型，这些模型具有可解释的参数，可以捕获特定于应用程序的数据生成机制。我们使用我们提出的组织结构来讨论一些问题与现有的模型的基础上，二进制数据的分位数回归。然后，我们使用该框架开发了几个新的二进制回归模型，专为欧洲红松鼠（松鼠）的占用数据。
2019-05-13 stat.AP stat.ME
Flexible Tweedie regression models for continuous data
Tweedie回归模型提供了一个灵活的分布族来处理非负的高度右偏数据以及对称和重尾数据，并且可以处理概率质量为零的连续数据。基于极大似然法的Tweedie回归模型的估计和推断受到概率函数中无穷和的存在以及幂参数空间上的非平凡限制的挑战。在本文中，我们提出了两种方法来拟合Tweedie回归模型，即准和伪似然。我们讨论了这两种方法的渐近性质，并进行模拟研究，比较我们的方法与极大似然方法。特别是，我们表明，拟似然方法提供了渐近有效的估计回归参数。替代方法的计算实现比传统的极大似然更快和更容易，依赖于一个简单的牛顿计分算法。模拟研究表明，准似然法和伪似然法的估计数、标准误和覆盖率与极大似然法相似。此外，所需的准和伪似然方法的二阶矩假设，使我们能够扩展的Tweedie回归模型类的准Tweedie回归模型的Wedderburn的风格。此外，它允许消除对幂参数空间的非平凡限制，从而提供了一个灵活的回归模型来处理连续数据。我们提供了\texttt{R}的实现，并说明了应用程序的Tweedie回归模型使用三个数据集。
2016-09-12 stat.AP stat.CO stat.ME
Flexible Expectile Regression in Reproducing Kernel Hilbert Space
期望值最早由Newey和Powell（1987）在计量经济学文献中提出，由于其具有一致性和可启发性等特性，近年来在金融机构的风险管理和资本配置中越来越受欢迎。目前的标准工具，期望回归分析是多元线性期望回归提出的纽维和鲍威尔在1987年。期望回归的日益广泛的应用促使我们在再生核Hilbert空间中发展一种更加灵活的非参数多元期望回归。由此产生的估计量被称为KERE，它通过在最终估计量中引入非线性、非可加性和复杂的相互作用，比经典的多元线性期望回归具有多个优点。建立了KERE的核学习理论。我们开发了一个有效的算法的启发优化最小化原则，解决整个解决方案的KERE路径。结果表明，该算法至少以线性速度收敛。大量的仿真结果表明，非常有竞争力的有限样本性能的KERE。我们进一步展示了应用KERE通过使用个人电脑的价格数据。
2015-08-27 stat.ME
Inspection-Guided Randomization: A Flexible and Transparent Restricted Randomization Framework for Better Experimental Design
本文提出检查引导的随机化（IGR）框架，通过事前检查并过滤不理想分配，提升受限随机化的灵活性和透明度，在群组形成及干扰实验中改进效应估计。
2025-08-26 stat.AP stat.ME
Flexible non-parametric regression models for compositional data
本文提出α-k-NN回归，一种基于α变换的非参数回归模型，用于成分数据，能处理零值，预测更准确且计算高效。
2023-09-06 stat.ME
Flexible Instrumental Variable Models With Bayesian Additive Regression Trees
利用工具变量的方法是在存在未测量混杂的情况下进行估计的基本统计方法，通常发生在经济学和公共卫生等领域常见的非随机观察数据中。然而，这些方法通常会限制线性和可加性假设，这些假设不适用于当今复杂的建模挑战。越来越多的观测数据被收集，将需要灵活的回归建模，同时也能够使用工具变量控制混杂。因此，本文提出了一个非线性工具变量回归模型的基础上贝叶斯回归树集成估计这种关系，包括相互作用，在存在混淆。这种方法的一个令人兴奋的应用是使用遗传变异作为工具，称为孟德尔随机化。体重指数是一个被假设与心血管危险因素（如血压）存在非线性关系的因素，同时与年龄相互作用。从强调个体化治疗的精准医学角度来看，患者特征（如年龄）的异质性可能在临床上很有趣。我们提出了我们灵活的贝叶斯工具变量回归树的方法，从英国生物银行的一个例子，身体质量指数与血压使用遗传变异的工具。
2022-10-04 stat.ME
A flexible empirical Bayes approach to multiple linear regression and connections with penalized regression
本文提出大规模多元线性回归的自适应收缩先验经验贝叶斯方法，利用变分推断实现与 Lasso 相当的速度和竞争力精度，并揭示其后验均值对应数据驱动的惩罚回归。
2024-06-12 stat.ME stat.ML
Physics-Guided Inverse Regression for Crop Quality Assessment
本文提出一种基于物理引导神经网络和逆回归的作物质量评估方法，通过融合菲克第二定律提升模型可解释性与准确性，在黄瓜和蘑菇上验证优于传统计算机视觉技术，为全球食品供应提供可扩展高效方案。
2024-03-13 stat.ME
Principal component-guided sparse reduced-rank regression
Doshisha University（立教大学）；Institute of Science Tokyo（东京科学大学）
本文提出一种结合pcLasso的降维回归方法，通过主成分方向偏置提升预测准确性和模型可解释性，有效处理响应变量相关性和解释变量群结构问题。
2026-01-13 stat.ME
Bayesian linear regression models with flexible error distributions
本文提出了一种新的基于有限混合t分布的方法来模拟线性回归模型中的误差分布。新颖性在于一个特定的层次结构的混合物分布，其中第一级模型的模式的数量，负责容纳多模态和偏态特征，和第二级模型尾部行为。此外，后者的方式，没有自由度参数的估计，因此，已知的统计困难时，处理这些参数得到缓解，但模型的灵活性不受影响。通过马尔可夫链蒙特卡罗和仿真研究进行推理，以评估所提出的方法的性能。两个实际数据集的分析也被提出。
2017-11-12 stat.ME
A flexible sequential Monte Carlo algorithm for parametric constrained regression
提出了一种算法，使回归曲线的形状约束的实施，而不需要的约束被写为封闭形式的表达式，也不假设的损失函数的函数形式。该算法基于序贯蒙特卡罗-模拟退火，仅依赖于评估约束是否得到满足的指示函数，从而允许通过指定适当的指示函数来强制执行各种复杂的约束，而无需改变算法的其他部分。通过有理函数和单调约束下的B-样条回归模型的拟合，说明了该算法的有效性。使用R的算法实现可以在GitHub上免费获得。
2019-04-01 stat.CO stat.ME
A Flexible Partially Linear Single Index Proportional Hazards Regression Model for Multivariate Survival Data
本文提出一种扩展比例风险模型的灵活部分线性单指标模型，用于多元生存数据，通过分段常数基线、copula关联和样条单指标处理非线性效应，并采用全似然推断，模拟和实际数据验证其有效性。
2025-10-15 stat.ME
Parmsurv: a SAS Macro for Flexible Parametric Survival Analysis with Long-Term Predictions
卫生经济学评价通常需要预测随访期后的生存率。参数生存模型比Cox模型更便于经济建模。广义伽玛（GG）和广义F（GF）分布是一个广泛的分布族，包含了几乎所有常用的分布，具有各种危险形状和任意复杂性。在这项研究中，我们提出了一个新的SAS宏实现各种灵活的参数模型，包括GG和GF分布及其特殊情况下，以及Gompertz分布。还支持适当的自定义分发。与现有的SAS程序不同，该宏不仅支持对位置参数的回归，还支持对辅助参数的回归，这大大增加了模型的灵活性。此外，SAS宏支持加权回归、分层回归和稳健推断。本研究通过几个示例演示了SAS宏如何用于灵活的生存建模和外推。
2022-07-12 stat.AP stat.CO stat.ME
Flexible modeling of nonnegative continuous data: Box-Cox symmetric regression and its zero-adjusted extension
Federal University of Rio Grande do Norte（北里奥格兰德联邦大学）；University of São Paulo（圣保罗大学）
本文提出Box-Cox对称回归模型及其零调整扩展，用于建模具有显著零比例的非负连续数据，通过最大似然估计和诊断工具分析其在零膨胀和偏斜数据中的应用效果。
2026-01-15 stat.ME
Flexible domain prediction using mixed effects random forests
针对小区域样本量不足下的空间指标估计问题，提出基于混合效应随机森林的小区域均值估计框架及非参数bootstrap不确定性估计方法，经数据验证和仿真对比，效果优于传统回归方法。
2022-06-03 stat.AP stat.ME
Nonparametric Regression via Tree-Guided Feature Aggregation
Cornell University（康奈尔大学）
针对协变量具有层次树结构的回归问题，提出一种基于惩罚的Nadaraya-Watson型估计器KR-TEXAS，通过自适应惩罚权重同时实现模型选择和特征聚合，并证明了模型选择一致性。
2026-05-28 stat.ME
Modeling Insurance Claims using Bayesian Nonparametric Regression
Wake Forest University（维克森林大学）；University of Nevada, Las Vegas（内华达大学拉斯维加斯分校）
本文提出利用贝叶斯非参数回归模型预测保险索赔频率和严重性，通过混合泊松回归和正态回归提高预测准确性。
2025-01-06 stat.AP stat.ME
BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees
针对空间统计预测中现有方法难以兼顾协变量非线性建模与可靠不确定性估计的问题，提出结合高斯过程与BART的BARTSIMP方法，通过MCMC与INLA结合降本，经模拟和肯尼亚人体测量数据验证有效。
2025-02-21 stat.ME stat.ML
A flexible functional-circular regression model for analyzing temperature curves
在局部范围内，温度模式的变化被个人视为全球变暖和气候变化的最直接指标。作为一个具体的例子，对于大西洋气候位置，春季和秋季应该分别呈现冬季和夏季以及夏季和冬季之间的温和过渡。通过观察随时间变化的每日温度曲线，每条曲线都与某个日历日相连，这些变量的回归模型（温度曲线作为协变量，日历日作为响应）将有助于对特定时期的关系进行建模。此外，从长远来看，可以通过预测和观测比较来评估温度变化。在这项工作中，这样的模型提出和研究，考虑非参数Nadaraya-Watson型估计函数协变量和循环响应。导出了该估计量的渐近偏差和方差以及它的渐近分布。它的有限样本的性能进行了评估，在模拟研究和建议被施加到调查一个真实的数据集有关的温度曲线。
2022-11-21 stat.ME
Generative Flexible Latent Structure Regression (GFLSR) model
本文提出生成式灵活潜结构回归（GFLSR）模型，统一线性连续潜变量方法，以生成式PLS为例，实现模型推断、参数收敛分析及不确定性估计。
2025-08-06 stat.AP stat.ME stat.ML
Envelope-Guided Regularization for Improved Prediction in High-Dimensional Multivariate Regression
本文提出包络引导正则化（EgReg）方法，利用包络信息沿主成分收缩以改进高维多元回归预测，理论证明其预测风险低于非收缩包络估计器，并在模拟和真实数据中验证了性能优势。
2025-01-20 stat.ME
Bayesian Univariate-Guided Sparse Regression for Ultra-High-Dimensional Data
Virginia Commonwealth University（弗吉尼亚联邦大学）
本文提出BUGS框架，通过连续调节收缩实现边际关联信息的直接整合，提升信号噪声分离。BUGS-Active在超高维下实现高效计算，应用于DNA甲基化研究，展现准确预测与可解释稀疏选择。
2026-10-05 stat.ME
A flexible bivariate location-scale finite mixture approach to economic growth
在有限混合框架下，我们引入了一个多元多维混合效应回归模型。我们放松了通常的一维假设的随机效应多元分布。因此，我们引入一个多维多变量离散分布的随机条款，在每个单变量配置文件中可能有不同数量的支持点，允许一个完整的关联结构。我们的方法是基于对经济增长的分析。因此，我们定义了一个扩展版本的增强索洛模型。事实上，我们允许所有的模型参数，而不仅仅是平均值，根据回归模型而变化。此外，我们认为，各国并不遵循相同的增长过程，基于混合的方法可以为检测类似的增长模式提供一个自然的框架。我们的实证研究结果提供了异质性行为的证据，并建议需要一个灵活的方法，以正确地反映数据的异质性。我们通过模拟研究进一步测试所提出的方法的行为，考虑几个因素，如观察到的单位，时间和数据的异质性水平的数量。
2014-10-17 stat.AP stat.ME
flexBART: Flexible Bayesian regression trees with categorical predictors
针对传统BART独热编码分类预测变量导致划分受限的问题，提出可将多水平分配到节点两分支的flexBART，并新增空间数据决策规则先验，提升了预测性能与大数据扩展性。
2024-08-12 stat.ME stat.ML
Hybrid Bernstein Normalizing Flows for Flexible Multivariate Density Regression with Interpretable Marginals
Institute for Applied Research HTWG - University of Applied Sciences（应用研究研究所 HTWG - 高等专业学院）；Chair of Statistics and Campus Institute Data Science (CIDAS) University of Göttingen（统计学教授及校园数据科学研究所 (CIDAS) 雷姆森大学）；Department of Statistics LMU Munich（统计学系 慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
针对多元密度回归中模型灵活性与可解释性难以兼顾的问题，提出结合多元条件变换模型（MCTM）与自回归归一化流（NF）的混合方法，兼顾边缘分布可解释性与联合分布建模灵活性，经实验验证性能优于现有方法。
2025-06-12 cs.LG stat.AP stat.ME
Flexible Predictive Distributions from Varying-Thresholds Modelling
提出了一类通用的模型，该模型能够在给定解释变量$\xb$向量的情况下估计因变量$Y$的整个预测分布。这些模型利用解释变量的强度来区分因变量的低值和高值，这可能会在用于定义低值和高值的阈值上有所不同。模型的简单线性版本是经典线性回归模型的推广，也是广泛使用的有序回归模型的推广。它们允许以参数函数的形式可视化解释变量的效果。更一般的模型是基于有效的非参数方法，如随机森林，它更灵活，是强大的预测工具。给出了一个通用的估计方法，它可以使用所有的估计工具，已提出的二元回归，包括选择方法，如套索或弹性网。对于线性结构的模型，导出了最大似然估计。模拟和几个真实的数据集的模型的有用性说明。
2021-03-24 stat.ME
Flexible conditional density estimation for time series
New York University（纽约大学）；Universidade Federal de São Carlos（圣卡洛斯联邦大学）；Universidade de São Paulo（圣保罗大学）
介绍了一种新的时间序列条件密度估计器FlexCodeTS。FlexCodeTS是一个灵活的非参数条件密度估计器，可以基于任意回归方法。结果表明，FlexCodeTS继承了所选回归方法的收敛速度。因此，FlexCodeTS可以通过采用最适合数据结构的回归方法来适应其收敛性。从实证的角度来看，FlexCodeTS在模拟和真实数据中与NNKCDE和Gestival进行了比较。FlexCodeTS被示出为根据CDE损失或弹球损失在所选择的方法中通常获得最佳性能。
2023-01-23 cs.LG stat.ME stat.ML
Heteroscedastic BART Using Multiplicative Regression Trees
贝叶斯加性回归树（Bayesian Additive Regression Trees，BART）作为一种灵活的、可扩展的非参数回归方法，在解决现代应用统计学问题中得到了越来越广泛的应用。对于处理大型和复杂的非线性响应面的从业者来说，它的优点包括无矩阵公式和不需要预先指定限制回归基础。虽然在拟合均值方面灵活，但BART受到其对恒定方差误差模型的依赖的限制。这种同方差假设在许多应用中是不现实的。缓解这一限制，我们提出了HBART，一个非参数异方差的阐述BART。在BART，平均函数建模与树的总和，其中每一个确定一个添加剂的平均值的贡献。在HBART中，方差函数进一步用树的乘积建模，每个树确定对方差的乘法贡献。与均值模型一样，这种灵活的多维方差模型是完全非参数的，不需要预先指定限制基础。此外，通过这种增强，HBART可以深入了解预测因子与均值和方差的潜在关系。HBART的实际实施与揭示新的诊断图展示了二手车价格，渔获物生产和酒精消费的模拟和真实数据。
2018-07-09 stat.ME
Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning
Data Analytics Department, Mizuho-DL Financial Technology, Co., Ltd.（摩根大通数字技术财务科技部门）
本文指出，在去偏机器学习中，平衡函数应基于奈曼正交分数推导，而非仅作为协变量函数。协变量平衡在回归误差可由协变量表示时有效，但针对处理效应异质性下的ATE估计，分数误差通常包含处理特定成分，因此提倡通过里斯回归实现回归平衡。
2026-05-07 cs.LG econ.EM math.ST
Targeted Function Balancing: Flexible balancing weights that leverage strategic imbalance to estimate causal effects
Reed College（里德学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出目标函数平衡（TFB），一种灵活的协变量平衡权重方法，通过回归函数及其方差定义平衡，允许策略性保留不平衡以提高效率，并应用于估计高中数学课程对结果的影响。
2026-09-21 stat.ME
Nonparametric Envelopes for Flexible Response Reduction
本文提出核包络（KENV）估计器，在再生核希尔伯特空间中同时估计响应包络子空间和非参数条件均值，通过新惩罚项利用包络结构，证明其预测风险最优且优于核岭回归，并在模拟和真实数据中展现更优预测性能。
2025-09-08 stat.ME stat.ML
A general, flexible and harmonious framework to construct interpretable functions in regression analysis
本研究提出一种构建回归分析可解释函数的通用框架，基于用户期望构建函数骨架，用基于Mallows's $C_p$统计量的新度量做模型选择，在临床试验、假设检验、真实数据分析中验证了有效性与应用潜力。
2025-02-24 stat.ME
Concepts and a case study for a flexible class of graphical Markov models
利用图形马尔可夫模型，人们可以研究复杂的相关性，用图形总结统计分析的一些结果，并使用这些图形来理解拟合良好的模型的含义。这些模型有着丰富的历史，并形成了近年来得到深入研究和发展的一个领域。我们简要回顾了主要概念，并更详细地描述了一个灵活的子类模型，称为可追溯回归。这些是联合反应回归的序列，回归图允许人们追踪并从而理解依赖的途径。我们使用这些方法来重新分析和解释来自儿童发展前瞻性研究的数据，现在被称为曼海姆风险儿童研究。这两个相关的主要特征涉及儿童在4.5岁和8岁时的认知和运动发育。这些特征的缺陷形成了一系列联合反应。在婴儿出生时以及婴儿满3个月和2岁时，对几种可能的风险进行评估。
2013-03-06 stat.ME
A Flexible Empirical Bayes Approach to Generalized Linear Models, with Applications to Sparse Logistic Regression
Department of Statistics The University of Chicago（统计学系芝加哥大学）；Department of Statistics University of California, Irvine（统计学系加州大学伊文斯顿分校）；Department of Statistics and Department of Human Genetics The University of Chicago（统计学系和人类遗传学系芝加哥大学）
本文提出了一种灵活的经验贝叶斯方法，用于广义线性模型，适用于稀疏逻辑回归，通过优化后验均值和先验参数提升预测性能。
2026-08-28 cs.LG stat.CO stat.ME
A direct approach to tree-guided feature aggregation for high-dimensional regression
针对高维回归中等稀疏特征聚合问题，提出一种避免合成过参数化的树引导正则化方法，其近端算子可单次非迭代求解，理论收敛速率更优或相当，经模拟和微生物组数据应用验证有效。
2025-09-30 stat.ME
qgam: Bayesian non-parametric quantile regression modelling in R
广义可加模型（GAM）是一种灵活的非线性回归模型，可以使用mgcv R软件包提供的近似贝叶斯方法有效地拟合。虽然mgcv提供的GAM方法是基于响应分布是参数化建模的假设，但在这里，我们讨论更灵活的方法，不需要任何参数假设。特别地，本文介绍了qgam包，它是mgcv的扩展，提供了用于在R中拟合分位数GAM（QGAM）的快速校准贝叶斯方法。QGAM基于Koenker（2005）的弹球损失的平滑版本，而不是基于似然函数，因此，联合实现分位数点估计的令人满意的精度和相应可信区间的覆盖需要采用Fasiolo、Wood、Zaffran、Nedellec和Goude（2020 b）的专门贝叶斯拟合框架。在这里，我们详细介绍了这个框架是如何在qgam中实现的，我们提供了一些例子来说明如何在实践中使用这个包。
2020-07-07 stat.AP stat.CO stat.ME
bamlss: A Lego Toolbox for Flexible Bayesian Regression (and Beyond)
Universität Innsbruck（因斯布鲁克大学）
本文推出R语言包bamlss，以模块化乐高积木式设计整合分布、回归项、估计器等组件，支持灵活的贝叶斯加性模型构建与高效推断，填补了相关软件的功能空白。
2019-09-25 cs.LG stat.CO stat.ME
Flexible Specification Testing in Quantile Regression Models
本文提出了三种新的分位数回归模型的一致性规格检验方法，从三个方面推广了以往的检验方法。首先，我们允许协变量效应是分位数依赖的和非线性的。其次，我们允许通过适当的基函数参数化条件分位数函数，而不是参数化。因此，我们能够测试超出线性的函数形式，同时保留线性效应作为特殊情况。在这两种情况下，诱导类的条件分布函数进行了测试与Cramér-von Mises型检验统计量，我们推导出的理论极限分布，并提出了一个自助法。第三，为了增加检验的功效，我们进一步提出了一种改进的检验统计量。我们强调我们的测试在详细的MC研究和两个真实数据的例子的优点。我们对德国条件收入分配的第一次应用表明，在以年龄和年份为条件时，不仅东西方之间仍然存在显著差异，而且条件收入分配的分位数之间也存在显著差异。从澳大利亚国家电力市场的数据的第二个应用程序揭示了使用交互作用的重要性，建模的高度倾斜和重尾分布的能源价格条件的一天，一天中的时间和需求。
2021-12-05 math.ST stat.ME stat.TH
exdqlm: An R Package for Estimation and Analysis of Flexible Dynamic Quantile Linear Models
University of California Santa Cruz（加州大学圣克鲁兹分校）
介绍R包exdqlm用于贝叶斯分位数回归，围绕exDQLMs构建，借助MCMC和LDVB实现后验模拟与快速推断，支持后验不确定性量化，同一接口还支持多种模型及诊断，为时间序列分析提供高效工具。
2026-07-29 stat.ME
Softplus Regressions and Convex Polytopes
为了构造灵活的非线性预测分布，本文介绍了一个家庭的softplus函数为基础的回归模型，卷积，堆叠，或结合这两种操作通过卷积可数无限堆叠Γ分布，其规模取决于协变量。广义逻辑斯谛回归使用单个超平面将协变量空间划分为两半，softplus回归使用多个超平面来构建一个有限空间，该有限空间与由多个半空间的交集或多个凸多面体的并集定义的单个凸多面体相关，以将一个类与另一个类分开。引入伽马过程以支持可数无限（堆叠）协变量依赖的Γ分布的卷积。对于贝叶斯推断，使用经由新颖的数据增强和边缘化技术导出的吉布斯抽样来对高度复杂的非线性预测分布进行去卷积和/或去混合。实例结果表明，softplus回归提供灵活的非线性决策边界，实现分类精度相媲美的内核支持向量机，同时需要显着减少计算的样本预测。
2016-08-23 stat.ME stat.ML
Gaussian Transforms Modeling and the Estimation of Distributional Regression Functions
本文提出高斯变换建模条件累积分布函数，给出凹似然估计准则，统一估计密度、分布和分位数函数，并在美国性别工资差距应用中验证。
2025-04-20 econ.EM stat.ME
Modelling and computation using NCoRM mixtures for density regression
归一化复合随机测度是相关分布的灵活非参数先验。本文考虑利用归一化复合随机测度混合模型建立一般的非参数回归模型。后验推断是使用一种新的伪边缘Metropolis-Hastings采样归一化复合随机测度混合模型。该算法利用一种新的一般方法来无偏估计拉普拉斯泛函的复合随机措施（其中包括完全随机措施作为一种特殊情况）。密度回归问题的方法进行了说明。
2017-08-31 stat.AP stat.CO stat.ME
Posterior Mode-Guided Dimension Reduction for Bayesian Model Averaging in Heavy-Tailed Linear Regression
Indian Institute of Management Bangalore（印度管理学院班加罗尔分校）；The University of Iowa（爱荷华大学）
针对重尾线性回归中贝叶斯模型平均的计算难题，提出结合MAP估计与MCMC的ECM引导算法，实现变量选择、尾重估计与不确定性量化，优于现有MAP方法。
2026-07-14 stat.CO stat.ME
Bayesian size-and-shape regression modelling
ETH Zurich（苏黎世联邦理工学院）；Università della Svizzera italiana（瑞士意大利语大学）；Polytechnic of Turin（都灵理工大学）；Sapienza University（罗马第一大学）
本研究基于已有成果，提出带高斯地标点的尺寸与形状响应变量回归模型的贝叶斯估计方法，该方法属于贝叶斯潜变量模型框架，具备高度灵活的建模能力。
2024-06-10 stat.ME
Efficient and flexible causal mediation with time-varying mediators, treatments, and confounders
干预效应已被提出作为一种解决方案，自然（不）直接影响下的中介结果混杂影响的曝光。这种混杂因素是具有时变暴露和介质的研究的固有特征，但将干预效应框架推广到时变情况在文献中很少受到关注。我们提出了一个一般的纵向数据结构，允许灵活性的规范治疗结果，治疗中介，中介结果关系的干预效果的识别结果。在标准的无未测量混杂因素和阳性假设下实现识别。我们还提出了一个理论和计算研究的识别功能的有效影响函数（EIF）的基础上的属性。我们使用EIF提出了一个序贯回归估计算法，产生双重强大的，$\sqrt{n}$一致的，渐近高斯，和有效的估计下使用的回归算法收敛速度慢。这允许使用灵活的机器学习进行回归，同时允许通过置信区间和p值进行不确定性量化。GitHub上提供了一个实现我们提出的估计器的免费开源\texttt{R}包。我们将所提出的估计量应用于两种药物治疗阿片类药物使用障碍的比较有效性试验。在应用中，我们估计了两种治疗方法对阿片类药物使用后续风险的差异在多大程度上是由渴望症状介导的。
2022-03-28 stat.ME
Regression with Partially Observed Ranks on a Covariate: Distribution-Guided Scores for Ranks
这项工作的动机是从韩国最大的互联网门户网站之一手工收集的数据集。该数据集记录了其在线留言板上最常讨论的前30只股票。频率被认为是衡量投资者对个股的关注程度。数据分析的实证目标是调查这种关注对交易行为的影响。为此，我们回归（第二天）的回报和（部分）观察到的频率等级。在回归中，等级被转换成分数，为此目的，通常使用同一性或线性分数。在本文中，我们提出了一类新的分数（分数函数），这是基于预先确定的随机变量的顺序统计量的时刻。新的评分函数，表示为D-秩，被证明是渐近最优的响应和得分之间的相关性最大化时，预先决定的随机变量和真正的协变量是在同一个位置尺度的家庭。此外，使用D秩的最小二乘估计量一致地估计响应与协变量之间的真实相关性，并渐近接近正态分布。我们还提出了一个程序，用于诊断给定的评分函数（相当于预先决定的随机变量Z），并选择一个更适合的数据。我们数值上证明了使用一个正确指定的分数函数的优势，在估计的相关系数的身份分数（或其他错误指定的分数）。最后，我们应用我们的建议，以测试投资者的注意力对他们的回报的激励数据集。
2017-01-04 stat.ME
Bayesian Semiparametric Multivariate Density Regression with Coordinate-Wise Predictor Selection
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种灵活的贝叶斯方法，用于估计多变量结果在存在分类协变量时的联合密度。通过高斯Copula框架，方法有效捕捉多变量响应不同坐标的依赖结构，利用共享原子的灵活混合模型和新的Tucker张量分解结构，实现坐标特定的协变量子集识别。
2026-10-22 stat.ME
Convergence Rates of Oblique Regression Trees for Flexible Function Libraries
本文为斜回归树建立理论框架，证明其满足预言不等式并能适应岭函数线性组合的回归模型库，在适当条件下达到与神经网络相似的预测精度，并揭示其与贪婪算法的理论联系。
2023-08-30 math.ST stat.ME stat.TH
Bayesian Network--Response Regression
人们越来越有兴趣了解人类大脑网络如何作为连续特征的函数而变化，但实现这一目标的灵活和有效的程序是有限的。我们开发了一个贝叶斯半参数模型，它结合了低秩因子分解和灵活的高斯过程先验，以学习网络值随机变量在连续预测值中的条件期望的变化，同时包括受试者特定的随机效应。该公式推导出了一个通用框架，用于推断人类特征中大脑网络结构的变化，促进信息的借用并连贯地表征不确定性。我们提供了一个有效的吉布斯采样器的后验计算以及简单的推理，预测和拟合优度评估程序。该模型被应用于学习人类大脑网络如何在具有不同智力分数的个体之间变化。结果提供了关于智力和大脑连接之间关联的有趣见解，同时表现出良好的预测性能。
2017-02-01 stat.ME
Ordinal regression for meta-analysis of test accuracy: a flexible approach for utilising all threshold data
本文提出两种序数回归模型，用于更准确地分析测试准确性数据，即使在高类别数情况下也能提升估计精度。
2025-12-02 stat.ME
