On a family of stochastic SVIR influenza epidemic models and maximum likelihood estimation
本研究提出了一个封闭人群中流感动态的随机模型。我们考虑以接种疫苗的形式治疗疾病,并将疫苗的有效期和人群中个体的传染性结合起来。我们的模型是一个SVIR模型,具有三项转移概率,其中所有从疾病中恢复的个体获得对疾病菌株的永久天然免疫力。基于在任意时刻获得感染和接种疫苗的概率的结构,给出了家庭中特殊的SVIR模型。最大似然法和期望最大化的方法推导出的参数链。此外,一些流行病学评估参数,如基本再生数的估计计算。给出了模型的数值模拟实例。
2019-01-15 q-bio.PE stat.ME
Interval-valued circular time series: A toroidal score-driven approach with an application to wind direction
University of Pretoria(比勒陀利亚大学);Southern Illinois University(南伊利诺伊大学)
针对现有框架无法处理圆形、区间值且具时间依赖性数据的问题,本文提出环面得分驱动的区间值圆形时间序列模型,经模拟验证估计性能,应用于区间值风向数据体现了该框架的实用价值。
2026-10-12 stat.CO stat.ME
Exponential-Family Models of Random Graphs: Inference in Finite-, Super-, and Infinite Population Scenarios
指数族随机图模型(ERGMs)构成了一个大型的统计框架,用于建模稀疏和密集的随机图,短尾和长尾度分布,协变量和广泛的复杂依赖关系。ERGM的特殊情况是广义线性模型(GLM)、伯努利随机图、$β$ -模型、$p_1$ -模型以及与空间统计学和其他统计领域中的马尔可夫随机场相关的模型。虽然在实践中被广泛使用,但对ERGMs的理论特性提出了质疑。这些问题包括一些ERGM是近简并的,许多ERGM是非投射的。为了解决这些问题,必须仔细注意模型规格及其基本假设,并在其中采用推理设置模型。正如我们所讨论的,近简并可以影响缺乏结构的简单ERGM,但具有额外结构的适定性ERGM可以表现良好。同样,缺乏投射性会影响非似然推理,但基于似然的推理不需要投射性。在这里,我们回顾了适定性ERGM以及基于似然性的推理。我们首先澄清了ERGM框架中“样本”和“人口”的核心统计概念,并将生成人口图的过程与观察过程分开。然后,我们审查有限,超级和无限人口的情况下基于似然性的推理。我们得出一致性结果,并应用于人脑网络
2019-09-12 stat.ME
Likelihood Based Inference in Fully and Partially Observed Exponential Family Graphical Models with Intractable Normalizing Constants
Purdue University(普渡大学)
本文提出一种在对数稀疏设置下对完全和部分观测指数族图模型进行高效完全似然推断的方法,利用可处理独立模型估计难处理的归一化常数及其梯度,并通过数值结果和理论验证其有效性。
2026-09-23 stat.CO stat.ME stat.ML
A Constant-per-Iteration Likelihood Ratio Test for Online Changepoint Detection for Exponential Family Models
基于似然比检验的在线变点检测算法已被证明具有优良的统计特性。然而,简单的在线实现在计算上是不可行的,因为在时间$T$,它涉及考虑用于改变的$O(T)$可能位置。最近,已经引入了FOCuS算法来检测高斯数据中的均值变化,该算法将每次迭代的成本降低到$O(\log T)$。这通过使用修剪思想是可能的,修剪思想将需要在时间$T$处考虑的变点位置的集合减少到大约$\log T$。我们表明,如果一个人希望执行一个不同的单参数指数族模型的似然比检验,那么完全相同的修剪规则可以使用,并再次只需要考虑大约$\log T$位置在迭代$T$。此外,我们展示了如何自适应地执行算法的最大化步骤,这样我们只需要在这些可能的位置的一个小子集上最大化检验统计量。实证结果表明,所产生的在线算法,它可以检测到各种模型下的变化,具有恒定的每次迭代的平均成本。
2023-02-09 stat.CO stat.ME stat.ML
Likelihood estimators for multivariate extremes
推断多变量极值的主要方法是用极值事件极限中的一个参数族来近似观测值的联合上尾。后者可以表示为分量极大值、高阈值方差或点过程,得到不同但相关的渐近特征和估计。本文阐明了主要的似然估计之间的联系,并评估其实际性能。我们调查他们的能力,估计极值依赖结构和预测未来的极端,使用精确的计算和模拟,在逻辑模型的情况下。
2015-06-16 stat.ME
Hypothesis Testing for Parsimonious Gaussian Mixture Models
具有特征分解协方差结构的高斯混合模型构成了用于聚类和分类的最流行的混合模型族,即,高斯简约聚类模型(GPCM)。虽然GPCM家族已经使用了近20年,但在特定情况下选择家族中的最佳成员仍然是一个棘手的问题。似然比检验就是为解决这一问题而发展起来的。这些似然比检验使用异方差模型下的备择假设,但提供了更多的灵活性和现实世界的适用性比以前的方法,比较同方差高斯混合与异方差之一。一路上,一个新的极大似然估计程序开发的两个成员的GPCM家庭。模拟表明,只有当样本量相当大并且混合组分分离良好时,$χ^2$参考分布才能合理地近似LR统计量;因此,遵循Lo(2008),采用参数自助法。此外,通过将Greselin和Punzo(2013)的思想推广到聚类环境,引入了一个封闭的测试过程,定义了似然比检验作为局部测试,以评估一般家庭中的唯一模型。这种似然比测试程序的优点是通过应用程序的著名的虹膜数据集。
2014-05-02 stat.CO stat.ME
Estimation of a Likelihood Ratio Ordered Family of Distributions
本文研究在似然比序假设下估计未知条件分布族的问题,开发了一种基于经验似然的估计算法,并在模拟和真实数据上验证了似然比序正则化相对于随机序的优势。
2023-09-05 math.ST stat.CO stat.ME
Regularized Exponentially Tilted Empirical Likelihood for Bayesian Inference
The Ohio State University(俄亥俄州立大学)
本文提出正则化指数倾斜经验似然方法,通过引入连续指数族分布和正则化技术,解决后验域为原参数空间子集的问题,提升有限样本性能。
2026-10-05 stat.ME
Multimodal Distributions for Circular Axial Data
ITAM(墨西哥美洲理工学院)
本文通过确定原始NNTS分布族适用于无向向量建模的条件,将其扩展到轴向数据,开发似然比检验并应用于岩石、动物和植物方向的真实数据集,为轴向数据建模提供新方法。
2025-11-17 stat.ME
Learning Exponential Family Graphical Models with Latent Variables using Regularized Conditional Likelihood
ETH Zürich(苏黎世联邦理工学院);University of Wisconsin, Madison(威斯康星大学麦迪逊分校);Caltech(加州理工学院)
如果观测变量受潜在变量的影响,那么将图形模型拟合到给定样本观测的随机变量的集合是一项具有挑战性的任务,潜在变量可能会在观测变量之间引起显著的混淆统计依赖性。提出了一种新的基于正则化条件似然的凸松弛隐变量图模型框架,其中隐变量上观测变量的条件分布由指数族图模型给出.与以前提出的通过表征观测变量的边缘分布进行的易处理的方法相比,我们的方法适用于更广泛的设置,因为它不需要关于潜变量的特定形式的分布的知识,并且可以专门用于产生易处理的方法来解决观测数据没有很好地建模为高斯的问题。我们证明了我们的框架的实用性和灵活性,通过一系列的数值实验合成以及真实的数据。
2020-10-19 cs.LG math.OC stat.ME
Exponentially weighted estimands and the exponential family: Filtering, prediction and smoothing
Harvard University(哈佛大学);Erasmus University Rotterdam(鹿特丹伊拉斯姆斯大学);Tinbergen Institute(蒂尔堡研究所)
本文提出利用折扣后的对数似然与对应期望对数似然的凸组合,以生成时间序列的滤波、预测和平滑方法,并在指数族情况下推导出具有线性递推关系的精确模型。
2026-04-28 econ.EM stat.ME
Variational inference for max-stable processes
最大稳定的过程提供了自然的模型,在一组空间站点观察到的空间极值建模。然而,最大稳定数据的全似然推断是复杂的似然函数的形式,因为它包含了一个网站的所有分区的总和。因此,要求和的项的数量随着站点的数量而快速增长,并且很快变得难以计算。我们提出了一个变分推断的方法来规避有问题的总和全似然推理。为了实现这一点,我们首先建立一个参数族的分区分布,分区可以从中采样。其次,我们结合最大稳定模型来优化该家族的参数,以找到最受数据支持的分区分布,并估计最大稳定模型参数。在模拟研究中,我们表明,我们的方法使全似然推理在更高的维度比以前的方法,并很容易适用于大量的观测数据集。此外,我们的方法可以很容易地扩展到贝叶斯设置。代码可在https://github.com/LPAndersson/MaxStableVI.jl上获得。
2022-12-14 stat.ME
High-Dimensional Two-Sample Inference via Marginal Likelihood-Ratio Rank Statistics
CAS(中国科学院);Nankai University(南开大学)
本文提出基于边际似然比秩统计量的高维两样本检验框架,通过SUM、MAX及柯西组合统计量检测分布差异,在弱相依下建立渐近理论,并验证了其在模拟与真实数据中的有效性。
2026-09-23 stat.ME
Score Matched Neural Exponential Families for Likelihood-Free Inference
贝叶斯似然自由推断(LFI)方法允许通过依赖于模型模拟来获得具有难处理似然的随机模型的后验分布。在近似贝叶斯计算(ABC)中,一种流行的LFI方法,汇总统计量被用来减少数据的维度。ABC算法自适应地根据观察量调整模拟,以便从近似后验中采样,其形式取决于所选择的统计量。在这项工作中,我们引入了一种新的方法来学习ABC统计:我们首先从模型中独立地生成参数模拟对,然后,我们使用分数匹配来训练一个神经条件指数族来近似似然。指数族是具有固定大小充分统计量的最大类分布;因此,我们在ABC中使用它们,这在直观上很吸引人,并且具有最先进的性能。与此同时,我们将我们的似然近似插入MCMC中,用于双重棘手的分布以绘制后验样本。我们可以对任何数量的观测重复这一过程,而无需额外的模型模拟,其性能与相关方法相当。我们验证我们的方法与已知的可能性和一个大的多维时间序列模型的玩具模型。
2022-01-31 stat.ME stat.ML
A Stochastic Version of the EM Algorithm for Mixture Cure Rate Model with Exponentiated Weibull Family of Lifetimes
缺失值的处理在生存数据的分析中起着重要的作用,特别是以治愈分数为标志的数据。在本文中,我们讨论的性质和实施的随机逼近的期望最大化(EM)算法,以获得极大似然(ML)型估计的情况下,缺失数据自然出现,由于右删失和一部分的个人是免疫的事件感兴趣的。假设非免疫个体的寿命服从一个灵活的三参数指数威布尔(EW)分布族,该分布族同时包含单调(递增和递减)和非单调(单峰和浴盆)风险函数.为了评估SEM算法的性能,在各种参数设置下进行了广泛的仿真研究。使用似然比检验,我们还进行了EW分布族内的模型判别。此外,我们研究了SEM算法的鲁棒性相对于离群值和算法的起始值。随机EM(SEM)算法优于研究良好的期望最大化算法的几种情况下也在给定的上下文中进行了检查。为了进一步证明,一个真实的生存数据皮肤黑色素瘤进行了分析,使用建议的治愈率模型与EW寿命分布和建议的估计技术。通过这些数据,我们说明了适用性的似然比检验拒绝几个众所周知的寿命分布嵌套在更广泛的类EW分布。
2021-07-20 stat.CO stat.ME
Variational Bayes algorithm and posterior consistency of Ising model parameter estimation
伊辛模型起源于统计物理学,广泛应用于空间数据建模和计算机视觉问题。然而,该模型的统计推断仍然具有挑战性,由于棘手的性质的归一化常数的可能性。在这里,我们使用伪似然,而不是研究贝叶斯估计的两个参数,逆温度,磁化,伊辛模型与一个完全指定的耦合矩阵。我们开发了一个计算效率高的变分贝叶斯模型估计过程。在高斯平均场变分族下,我们得到了伪似然变分后验的后验收缩率。我们还讨论了伪似然方法的损失,由于变后验超过真正的后验。广泛的模拟研究验证了平均场高斯和双变量高斯家庭的伊辛模型参数的推断变分家庭的可能选择的功效。
2021-09-03 math.ST stat.ME stat.TH
Learning deep kernels for exponential family densities
University College London(伦敦大学学院)
核指数族是一类丰富的分布,可以通过得分匹配有效地拟合并具有统计保证。然而,需要选择先验的简单内核,如高斯,限制了它的实际适用性。我们提供了一种学习由深度网络参数化的内核的方案,该方案可以找到数据几何形状的复杂位置相关局部特征。这给出了一类非常丰富的密度模型,能够在中等维度的问题上拟合复杂的结构。与通过极大似然拟合的深度密度模型相比,我们的方法提供了一组互补的优势和权衡:在实证研究中,前者可以产生更高的似然,而后者可以更好地估计对数密度的梯度,即描述分布形状的分数。
2021-01-14 cs.LG stat.ME stat.ML
Generalized Likelihood Ratio Statistics and Uncertainty Adjustments in Efficient Adaptive Design of Clinical Trials
基于广义似然比统计量和最优序贯检验理论,提出了一种在一般多参数指数族背景下的临床试验适应性设计的新方法。这些设计易于实现,保持规定的第一类错误概率,并且是渐近有效的。在临床试验中涉及的实际问题,允许中途适应和关于这个问题的大量文献进行了讨论,并提出了建议和现有的设计之间的比较,在广泛的模拟研究,其有限样本的性能,测量预期的样本量和功率函数。
2011-05-24 math.ST stat.ME stat.TH
Empirical phi-divergence test statistics for testing simple and composite null hypotheses
本文的主要目的是首先介绍一个新的家庭的经验检验统计量测试一个简单的原假设时,通过一组特定的无偏估计函数定义的参数向量。该检验统计量族基于两个概率向量之间的距离,其中第一概率向量通过使参数向量上的经验似然最大化而获得,并且第二向量在简单的原假设下从参数的固定向量定义。为此目的所考虑的距离是φ-发散度量。然后推导出该族检验统计量的渐进分布。所提出的方法是说明通过著名的数据Newcomb的测量光的通过时间。模拟研究进行比较其性能与经验的似然比检验时,置信区间构造的基础上,小样本量。结果表明,“经验修正的似然比检验统计量”是经验似然比检验统计量的一种有竞争力的替代方法,并且在数据中存在污染的情况下比经验似然比检验统计量更稳健.最后,我们提出了经验的Φ发散检验统计量测试复合原假设,并提出了一些渐近以及模拟结果,这些测试程序的性能进行评估。
2014-08-17 math.ST stat.ME stat.TH
Family of mean-mixtures of multivariate normal distributions: properties, inference and assessment of multivariate skewness
本文构造了一个新的混合多元正态分布族,它是由多元正态分布和偏态分布混合而成的。导出了该族的特征函数、矩母函数和前四阶矩等性质。导出了模型的仿射变换分布和标准形。本文提出了一种EM型的模型参数极大似然估计算法。我们已经详细考虑了,家庭的一些特殊情况下,使用标准的伽玛和标准的指数混合分布,分别表示为MMNG和MMNE。对于建议的分布族,计算不同的偏度多变量措施。为了检验所提出的估计方法的性能,进行了一些模拟研究,以表明基于EM型算法的最大似然估计确实提供了良好的性能。对于MMNE分布参数的不同选择,计算和比较了几种多元偏度测度。由于偏度的一些措施是标量和一些是矢量,为了正确地评估它们,我们进行了模拟研究,以确定测试的力量,基于样本版本的偏度措施作为检验统计量来测试MMNE分布的拟合。最后,两个真实的数据集被用来说明所提出的家庭的分布和相关的推理方法的有用性。
2020-09-23 math.ST stat.ME stat.TH
Robust Generalised Bayesian Inference for Intractable Likelihoods
广义贝叶斯推断使用损失函数而不是似然更新先验信念,因此可以用于赋予针对可能的似然错误指定的鲁棒性。在这里,我们认为广义贝叶斯推断与斯坦差异作为一个损失函数,动机的应用程序中的可能性包含一个棘手的归一化常数。在这种情况下,斯坦差异规避评价的归一化常数,并产生广义后验,要么是封闭的形式或使用标准的马尔可夫链蒙特卡罗访问。在理论层面上,我们表现出一致性,渐近正态性和偏置鲁棒性的广义后验,突出这些属性是如何影响的选择斯坦差异。然后,我们提供了一系列的棘手的分布,包括应用基于核的指数族模型和非高斯图形模型的数值实验。
2022-01-11 math.ST stat.CO stat.ME
Model-Based Clustering of Time-Evolving Networks through Temporal Exponential-Family Random Graph Models
动态网络是描述时变复杂系统的通用语言,离散时间网络模型为各种应用提供了一种新兴的统计技术。在时变网络中检测社团结构是一个基础性的研究问题。然而,由于时间演化网络的社区建模的显着的计算挑战和困难,在目前的文献中,有效地发现社区的时间演化网络几乎没有进展。在这项工作中,我们提出了一种新的基于模型的聚类框架的时间演化网络的基础上离散时间指数族随机图模型。为了选择社区的数目,我们使用条件似然来构造一个有效的模型选择准则。此外,我们提出了一个有效的变分期望最大化(EM)算法,找到近似的最大似然估计的网络参数和混合比例。通过使用变分方法和最小化-最大化(MM)技术,我们的方法具有吸引力的大规模时间演化网络的可扩展性。我们的方法的力量是证明在模拟研究和实证应用国际贸易网络和合作网络的一个大型美国研究型大学。
2017-12-20 cs.SI stat.AP stat.CO