smoothbp: Fast Bayesian Hierarchical Piecewise Regression with Smoothed Transitions and Spike-and-Slab Model Selection
Wicking Dementia Research & Education Centre, College of Health & Medicine, University of Tasmania(塔斯马尼亚大学健康与医学院温金痴呆症研究与教育中心)
提出R包smoothbp,利用Rust实现的Metropolis-within-Gibbs采样器和HMC,实现具有逻辑平滑转换的贝叶斯分层分段回归,支持多断点、随机效应和自动断点选择。
2026-06-18 stat.AP stat.CO stat.ME
Bayesian Smoothed Quantile Regression
Zhejiang University(浙江大学)
贝叶斯平滑分位数回归通过核平滑和可微似然框架,解决传统BQR的偏差和计算问题,提升预测精度和采样效率,适用于金融领域中的系统性风险分析。
2026-01-13 econ.EM stat.ME
Mixing efficiency of trans-model Markov chain Monte Carlo algorithms with applications in Bayesian phylogenetics
China Southern University of Science and Technology(南方科技大学);University College London(伦敦大学学院)
研究跨模型马尔可夫链蒙特卡罗算法的混合效率,通过数学分析和模拟,明确优先提议高后验概率模型及从后验提议参数值的原则,为构建高效算法提供指导并应用于系统发育重建。
2026-07-09 stat.CO
A smoothed-Bayesian approach to frequency recovery from sketched data
本文提出一种平滑贝叶斯方法,在频率学派框架下从随机哈希草图中恢复符号频率,克服了贝叶斯非参数方法的计算瓶颈,并通过多视图学习扩展至多哈希函数场景,在合成与真实数据上验证了其无偏性、最优性及计算效率。
2025-04-10 cs.DS cs.IR math.ST
Constructing Bayesian Optimal Designs for Discrete Choice Experiments by Simulated Annealing
本文首次将模拟退火算法应用于离散选择实验的贝叶斯最优设计,通过接受优劣解避免过早收敛,在统计效率上优于坐标交换算法,尤其适用于先验信息高度不确定的场景。
2025-03-31 stat.CO stat.ME
A Hierarchical Bayesian Framework for Constructing Sparsity-inducing Priors
由于越来越多的回归和分类应用涉及高维数据,我们希望一些预测是不重要的,变量选择技术已成为统计学家之间越来越流行。在这种情况下,贝叶斯变量选择技术,涉及马尔可夫链蒙特卡罗探索的后验分布的模型可以是令人望而却步的计算昂贵的,所以已经注意到准贝叶斯方法,如最大后验概率(MAP)估计使用先验,诱导稀疏性,在这样的估计。我们专注于后一种方法,扩展到目前为止提出的层次结构,以提供贝叶斯解释和概括的最先进的惩罚优化方法,并同时提供一种自然的方式,包括在此框架内的参数先验信息。我们给出了如何使用这个层次结构来计算线性和逻辑斯谛回归的MAP估计以及高斯图形模型中的稀疏精度矩阵估计的例子。此外,一个自适应群套索方法推导出使用的框架。
2010-09-16 stat.CO stat.ME
Smoothed instrumental variables quantile regression
本文介绍sivqr命令,用于估计工具变量分位数回归模型,采用平滑估计量提高计算效率和统计精度,并支持多种标准误计算方法。
2023-10-13 econ.EM stat.CO stat.ME
Constructing Genetic Risk Scores: Robust Bayesian Approach through Projected Summary Statistics and Flexible Shrinkage
Johns Hopkins University(约翰斯·霍普金斯大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出了一种基于投影汇总统计量和灵活收缩的贝叶斯方法,用于构建更稳健的遗传风险评分,通过广泛实验验证其在不同场景下的优越性能。
2026-03-09 stat.ME
Practical Bayesian model evaluation using leave-one-out cross-validation and WAIC
留一法交叉验证(LOO)和广泛适用的信息准则(WAIC)是使用在参数值的后验模拟中评估的对数似然估计拟合贝叶斯模型的逐点样本外预测准确度的方法。LOO和WAIC相对于AIC和DIC等简单的预测误差估计具有各种优势,但在实践中使用较少,因为它们涉及额外的计算步骤。在这里,我们为LOO和WAIC提供了快速稳定的计算,可以使用现有的模拟绘制来执行。我们引入了一个有效的计算LOO使用帕累托平滑重要性抽样(PSIS),一个新的程序,正则化的重要性权重。虽然WAIC是渐近等于LOO,我们证明了PSIS-LOO是更强大的有限的情况下,弱先验或有影响力的意见。作为我们计算的副产品,我们还获得了近似的标准误估计的预测误差和两个模型之间的预测误差的比较。我们实现了一个R包中的计算称为“厕所”,并证明使用模型适合与贝叶斯推断包斯坦。
2016-09-12 stat.CO stat.ME
Flexible Bayesian Modeling of Counts: Constructing Penalized Complexity Priors
许多数据,特别是在医学和疾病绘图方面的数据都是有价值的。事实上,在计数数据的过度或过度分散的问题不信任的经典泊松模型的性能。针对这一问题,本文提出了一种新的贝叶斯结构可加回归模型,称为gamma计数,在离散建模方面具有足够的灵活性。在模型参数上设置方便的先验分布是贝叶斯统计中的一个重要问题,它表征了我们的不确定性参数的性质。依赖于最近提出的一类惩罚复杂性先验,从一组一般的建设原则的动机,我们推导出先验结构。该模型可以表示为一个隐高斯模型,因此,我们可以使用集成嵌套拉普拉斯近似方法进行快速计算。我们调查所提出的方法模拟研究。对不同的征用先验分布进行了检验,以提供合理的敏感性分析。为了解释所提出的模型的适用性,我们分析了两个真实世界的数据集相关的喉癌死亡率在德国和手球冠军联赛。
2021-05-18 stat.AP stat.ME
MiNCE: Nonparametric, Strongly Consistent Confidence Envelopes for Band-Limited Functions and their Smoothed Spectra
本文提出最小范数置信包络(MiNCE)框架,证明其强一致一致性,并扩展至频域平滑谱,实验验证了置信带的收缩性。
2026-09-10 cs.LG eess.SP math.ST
A strategy to avoid particle depletion in recursive Bayesian inference
针对递归贝叶斯推理中滤波方法的粒子耗尽问题,提出基于前序样本经验分布平滑版生成提议的方法,保留计算优势且无粒子耗尽,经仿真和两类模型模拟数据验证有效。
2025-08-03 stat.CO stat.ME
Constructing confidence intervals for constrained parameters via valid prior-free inferential models
School of Economics and Statistics(经济与统计学院);Lingnan Research Academy of Statistical Science(岭南统计科学研究院);Guangzhou University(广州大学)
本文提出先验无关推断模型方法,用于构建正态和泊松分布中受限参数的置信区间,解决传统方法在处理未知干扰参数时覆盖概率不准确的问题,通过随机加权技术提升性能,验证了其在高能物理实验数据中的有效性。
2026-04-10 stat.ME
Penalizing complexity priors for Bayesian inference of circular models
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);University of Pretoria(比勒陀利亚大学)
本文提出了一种在圆模型中选择超先验的框架,通过模拟研究和实际案例比较,引入了经过验证的惩罚复杂性先验,以解决圆分布参数先验选择中的挑战。
2026-04-06 stat.ME
Approximate leave-future-out cross-validation for Bayesian time series models
时间序列分析的一个共同目标是利用观测到的序列为未来的观测提供预测信息。在没有任何实际的新数据进行预测的情况下,交叉验证可以用于估计模型的未来预测准确性,例如,用于模型比较或选择的目的。贝叶斯模型的精确交叉验证通常在计算上是昂贵的,但是近似交叉验证方法已经被开发出来,最值得注意的是留一交叉验证(LOO-CV)方法。如果实际的预测任务是在给定过去的情况下预测未来,则LOO-CV提供了过于乐观的估计,因为来自未来观测的信息可以影响对过去的预测。为了正确地解释时间序列结构,我们可以使用留后交叉验证(leave-future-out cross-validation,LFO-CV)。与精确LOO-CV一样,精确LFO-CV需要多次根据不同的数据子集重新调整模型。使用帕累托平滑的重要性抽样,我们提出了一种方法近似精确的LFO-CV,大大降低了计算成本,同时也提供了有关的近似质量的信息诊断。
2020-05-08 stat.ME
Model Based Bootstrap Methods for Interval Censored Data
我们研究了基于模型的bootstrap方法在区间删失数据下构建生存函数的逐点置信区间的性能。我们表明,从生存函数的非参数极大似然估计的自举是不一致的,目前的状态和情况2区间删失模型。提出了一种基于模型的平滑引导过程,并证明是一致的。此外,模拟研究进行说明(不)-一致的自助方法。我们在区间删失模型中的结论将更广泛地扩展到表现出非标准收敛率的回归模型中的估计。
2013-12-22 stat.ME
Bayesian Simultaneous Credible Bands for Polynomial Regression
The University of Manchester(曼彻斯特大学);University of Southampton(南安普顿大学)
提出一种在有限协变量区间上构建多项式回归曲线贝叶斯同时可信带的统一框架,开发了基于模拟的临界常数确定方法,并证明其渐近等价于频率学同时置信带,在剂量反应研究中用于确定最小有效剂量。
2026-06-29 stat.ME
Learning Summary Statistic for Approximate Bayesian Computation via Deep Neural Network
近似贝叶斯计算(ABC)方法用于近似具有未知或计算上难以处理的似然模型中的后验分布。ABC的准确性和计算效率都取决于汇总统计量的选择,但在已知最佳汇总统计量的特殊情况之外,尚不清楚可以使用哪些指导原则来构建有效的汇总统计量。在本文中,我们探索了通过训练深度神经网络来自动化构建汇总统计量的过程的可能性,以从人工生成的数据中预测参数:所得到的汇总统计量近似为参数的后验均值。通过最小的模型特定调整,我们的方法为伊辛模型和移动平均模型构建了汇总统计量,这些模型在所得后验的准确性方面匹配或超过了理论激励的汇总统计量。
2017-03-16 stat.CO stat.ME stat.ML
Finite sample inference for empirical Bayesian methods
近年来,经验贝叶斯(EB)推理已成为一个有吸引力的方法,估计参数模型中出现的各种现实生活中的问题,特别是在复杂和高维的科学应用。然而,相对丰富的可用的一般方法来计算点估计在EB框架中,建设的置信集和假设检验具有良好的理论性质仍然是困难的和具体的问题。受Wasserman等人(2020)的通用推理框架的启发,我们提出了一种通用的方法,基于保持似然比,并利用指定贝叶斯模型的层次结构来构建有限样本有效的置信集和假设检验。我们说明我们的方法,通过一系列的数值研究和实际数据的应用,这表明该方法是能够产生有用的和有意义的推理语句在相关的上下文中。
2023-02-28 stat.ME
Constructing and extending $n$ = 1 Bayesian confidence intervals for location parameters in location-scale families
Department of Mathematics and Statistics, American University(美国大学数学与统计系)
研究如何构建和扩展位置 - 尺度族中位置参数的 $n = 1$ 贝叶斯置信区间,通过两种贝叶斯推理方法实现,对 $n \geq 2$ 情况也有探讨,且在星际物体数据集上展示方法,显示在先验知识可用时的改进。
2026-07-29 math.ST stat.ME stat.TH
Optimal exact tests for composite alternative hypotheses on cross tabulated data
我们提出的方法来构建交叉表列数据的“困难”的复合替代假设,没有自然的检验统计量的确切显着性检验。我们构造了一个发现辛普森悖论的检验和一个发现两个有序变量之间正相关的一般检验。我们的检验是似然比检验的贝叶斯推广,它们对于先验分布是最优的,并且与贝叶斯因子和贝叶斯FDR控制检验过程密切相关。
2013-12-11 stat.ME
Direct-Assisted Bayesian Unit-level Modeling for Small Area Estimation of Rare Event Prevalence
University of Washington(华盛顿大学)
本文提出两种单元级贝叶斯模型,利用高层直接估计提高稀有事件患病率小区域估计的聚合一致性,并应用于赞比亚新生儿死亡率估计。
2025-10-09 stat.AP stat.ME
Implicit Copulas from Bayesian Regularized Regression Smoothers
我们展示了如何从带有高斯扰动的贝叶斯正则化回归平滑器中提取响应向量的隐式copula。Copula可以用来比较采用不同收缩先验和函数基的平滑器。我们说明了三个流行的选择收缩先验-成对先验,马蹄铁先验和g先验增强与一个点质量作为贝叶斯变量选择-和单变量和多变量函数的基础。隐式copula是高维的,具有灵活的依赖结构,远离高斯copula,并且在封闭形式中不可用。然而,我们展示了如何通过首先构建正则化参数的高斯Copula条件,然后在这些条件下进行积分来评估它们。结合非参数边界,正则化平滑器可用于以协变量为条件对非高斯单变量响应的分布进行建模。有效的马尔可夫链蒙特卡罗计划评估Copula的情况下。使用模拟和真实数据,我们展示了这样的Copula平滑模型如何提高所得函数估计和预测分布的质量。
2018-05-14 stat.ME
Stacking for Non-mixing Bayesian Computations: The Curse and Blessing of Multimodal Posteriors
当处理多模态贝叶斯后验分布时,马尔可夫链蒙特卡罗(MCMC)算法在模式之间移动有困难,并且默认的变分或基于模式的近似推断会低估后验不确定性。而且,即使可以找到最重要的模式,也很难在后验中评估它们的相对权重。在这里,我们提出了一种方法,使用并行运行的MCMC,变分,或基于模式的推理,尽可能多的模式或分离的区域,然后结合这些使用贝叶斯堆叠,一个可扩展的方法,用于构建一个加权平均分布。叠加的结果有效地从多峰后验分布中采样,最小化交叉验证预测误差,并且比变分推断更好地表示后验不确定性,但它不一定等同于完全贝叶斯推断,甚至是渐进的。我们提出了理论上的一致性与一个例子,堆叠推理近似的真实数据生成过程中的错误指定的模型和非混合采样器,从它的预测性能优于完全贝叶斯推断,因此,多模态可以被认为是一个祝福,而不是一个诅咒下的模型错误指定。我们展示了几个模型家族的实际实现:潜在狄利克雷分配,高斯过程回归,分层回归,马蹄形变量选择,和神经网络。
2021-11-18 stat.ME stat.ML
Achieving a Hyperlocal Housing Price Index: Overcoming Data Sparsity by Bayesian Dynamical Modeling of Multiple Data Streams
了解住房价值如何随着时间的推移而演变对政策制定者,消费者和房地产专业人士非常重要。构建住房指数的现有方法是在粗空间粒度上计算的,例如大都市地区,这可能会掩盖或扭曲当地市场中明显的价格动态,例如社区和人口普查区。例如,在人口普查区一级进行估计的一个挑战是时空定位的房屋销售观测的稀疏性。我们的工作旨在通过利用发现具有相关估值动态的多个人口普查区域的观察来应对这一挑战。我们提出的贝叶斯非参数方法建立在潜在因素模型的框架上,以实现一个灵活的,数据驱动的方法来推断相关的人口普查区域的聚类。我们探索的方法,可扩展性和并行计算,产生一个住房估价指数在人口普查区的水平,而不是邮政编码,并在每月的基础上,而不是季度。我们的分析是在一个大型西雅图大都市住房数据集上提供的。
2015-05-05 stat.AP stat.ME stat.ML