Bayesian Inference of Mixing and Transmission Heterogeneity in Stratified Disease Surveillance Models
Oregon State University(俄勒冈州立大学)
提出一种贝叶斯潜变量扩展的内生-流行病模型,用于从分层疾病监测数据中推断未观测的个体传播性、疾病发生率与流行率的分离以及人口组间混合结构。
2026-05-27 stat.ME
Cox model inference for relative hazard and pure risk from stratified weight-calibrated case-cohort data
针对病例队列设计在医学文献中应用不足的问题,提出统一方法和R软件CaseCohortCoxSurvival,利用影响函数和考虑两阶段抽样的方差计算,支持分层、权重校准及多种抽样方式,实现对Cox模型对数相对风险、累积基线风险和纯风险的推断。
2023-04-06 stat.ME
Stratified stochastic variational inference for high-dimensional network factor model
最近有相当大的兴趣在贝叶斯建模的高维网络通过潜在空间的方法。当节点数量增加时,基于马尔可夫链蒙特卡罗的估计可能非常慢,并且显示出较差的混合,从而激励对在高维设置中扩展良好的替代算法的研究。在这篇文章中,我们专注于潜在因素模型,一个广泛使用的网络数据的潜在空间建模方法。我们开发了可扩展的算法进行近似贝叶斯推断通过随机最优化。利用网络数据的稀疏表示,所提出的算法显示出巨大的计算和存储优势,并允许在具有数千个节点的设置中进行推理。
2022-05-27 stat.CO stat.ME
Causal Inference with MNAR Self-Masking Confounders: A Stratified Delta-Imputed Propensity Estimation Method
The University of Texas at El Paso(德克萨斯大学埃尔帕索分校);icddr,b(孟加拉国国际腹泻病研究中心)
SDIPE是一种针对自掩MNAR混杂因素的因果推断方法,通过分层delta插补和稳定逆概率权重估计平均治疗效应,实现低偏倚和高覆盖率。
2026-02-27 stat.ME
Robust Design-Based Estimation and Inference for Stratified Randomized Trials with Varying Cluster Sizes
Department of Statistics, University of Michigan(密歇根大学统计系)
针对聚类大小异质的分层随机试验,揭示分层平均估计量不一致性问题,提出Hájek比率估计量作为稳健替代,并开发基于设计的方差估计量。
2026-06-09 stat.ME
Randomization-based joint central limit theorem and efficient covariate adjustment in stratified $2^K$ factorial experiments
随机区组析因实验广泛应用于工业工程、临床试验和社会科学中。研究人员经常使用线性模型和协方差分析来分析实验结果;然而,有限的研究已经解决了由此产生的推论的有效性和稳健性,因为线性模型的假设可能无法通过随机区组析因实验中的随机化来证明。本文建立了随机区组$2^K$析因试验中常用(未调整)析因效应估计的一个新的有限总体联合中心极限定理.我们的定理是在一个基于随机化的推理框架下得到的,利用了向量形式的Wald-Wolfowitz-Hoeffding定理的一个线性秩统计量的扩展。它对模型误设、区组数量、区组大小和区组间的倾向得分具有稳健性。为了提高估计和推理效率,我们提出了四种协变量调整方法。我们表明,在温和的条件下,协变量调整的阶乘效应估计是一致的,联合渐近正态的,一般比未调整的估计更有效。此外,我们提出了Neyman型保守估计的渐近协方差,以方便有效的推断。模拟研究和临床试验数据分析证明了协变量调整方法的益处。
2022-08-03 stat.ME
Stratification and Optimal Resampling for Sequential Monte Carlo
序贯蒙特卡罗(SMC),也称为粒子滤波器,已被广泛接受为一个强大的计算工具,使动力系统的推理。SMC中的一个关键步骤是重新定位,它起着引导算法走向未来动态的作用。已经提出并在实践中使用了几种策略,包括多项式恢复、残差恢复(Liu和Chen 1998)、最佳恢复(Fearnhead和Clifford 2003)、分层恢复(Kitagawa 1996)和最佳运输恢复(Reich 2013)。我们证明了在一维情形下,最优输运重采样等价于分选粒子上的分层重采样,并且它们都使重采样方差以及原始经验分布与重采样经验分布之间的期望平方能量距离最小;在多维情况下,希尔伯特曲线分选后分层回波的方差(Gerber等人,2019)在$\mathbb{R}^d$中的结果是$O(m^{-(1+2/d)})$,与原始$O(m^{-(1+1/d)})$相比,其速率有所提高,其中$m$是重新采样的粒子数。这一改善率是有序分层恢复方案的最低值,如Gerber et al.(2019)所述。我们还提出了一个几乎肯定的约束之间的原始和希尔伯特曲线重新采样的经验分布的瓦瑟斯坦距离。根据这些理论结果,我们提出了分层多后代增长(SMG)算法,它使我们能够更有效地探索样本空间相比,标准的i.i.d. Wasserstein度量测量的多后代抽样-再抽样方法。数值实验证明了该方法的有效性。
2020-12-07 math.ST stat.CO stat.ME
Bayesian Inference for Sequential Treatments under Latent Sequential Ignorability
我们专注于纵向治疗的因果推断,其中单位被分配给多个时间点的治疗,旨在评估不同治疗序列对最终点观察到的结果的影响。类似研究中的一个常见假设是序贯可忽略性(SI):假设每个时间点的治疗分配独立于过去观察到的结局和协变量的未来潜在结局。当治疗参与取决于个人选择,治疗分配可能取决于与未来结局相关的不可观察的数量时,SI是值得怀疑的。我们依赖于主分层来制定SI的宽松版本:潜在的顺序忽略性(LSI)假设治疗分配有条件地独立于过去治疗的未来潜在结果,协变量和主分层成员,由观察到的联合值定义的潜在变量和缺失的中间结果。我们评估SI和LSI,使用理论参数和模拟研究,以调查两个假设的性能时,一个持有和推理下进行。仿真结果表明,当SI不成立时,在SI下进行的推理会导致误导性的结论。相反,LSI通常会导致正确的后验分布,无论哪个假设成立。
2019-05-12 stat.ME
Adjusted inference for multiple testing procedure in group sequential designs
针对成组序贯设计中同时调整多重假设检验与多次分析的研究空白,提出调整序贯p值及交集假设序贯p值,通过加权Bonferroni和加权参数检验控制族系I类错误率进行推断。
2023-11-27 stat.ME
Sequential Selection for Accelerated Life Testing via Approximate Bayesian Inference
加速寿命试验(ALT)通常用于评估材料在所需应力水平下的寿命可靠性。材料工程的最新进展使各种材料替代品变得容易获得。为了确定最可靠的材料设置与有效的试验设计,一个连续的测试计划策略是首选。为了保证一个易于处理的统计机制的信息收集和更新,我们开发了明确的模型参数更新公式,通过近似贝叶斯推断。理论表明,我们的显式更新公式给出了一致的参数估计。仿真研究和算例分析表明,与其他设计方法相比,所提出的序贯选择方法可以显著提高确定最佳可靠性性能材料方案的概率。
2020-01-16 stat.ME
Bayesian Causal Inference in Sequentially Randomized Experiments with Noncompliance
科学研究人员利用随机实验来得出随意的陈述。大多数早期的研究以及目前的工作与序贯干预决策的实验一直专注于估计序贯治疗之间的因果关系,忽略了不遵守的问题,实验单位可能不遵守的治疗分配,他们最初分配。针对定时治疗的随机实验中的不依从问题,已经发展了一系列的方法。然而,据我们所知,很少有文献研究的非依从性问题的序贯实验设置。在本文中,我们超越了传统的方法,使用每协议,作为治疗,或意向治疗分析,并提出了一个潜在的混合贝叶斯框架来估计样本平均处理效应序贯实验有不遵守的关注。
2022-07-26 stat.ME
Sequential Bayesian Inference for Factor Analysis
我们开发了一个有效的贝叶斯序贯推理框架,通过各种数据类型,如连续,二进制和有序数据的因素分析模型观察。在连续数据的情况下,它是可能的边缘化的潜在因素,建议的方法量身定制的迭代批量重要性抽样(IBIS)的肖邦(2002年)来处理这样的模型,我们将汉密尔顿马尔可夫链蒙特卡罗。对于二进制和有序数据,我们开发了一个有效的IBIS计划来处理参数和潜在的因素,结合拉普拉斯或变分贝叶斯近似。该方法可用于通过贝叶斯因子进行序贯假设检验的背景下,已知贝叶斯因子比传统的原假设检验具有优势。此外,开发的顺序框架提供了多种好处,即使在非顺序的情况下,通过提供后验分布,模型证据和评分规则(在先决框架下),并通过提供一个更强大的替代计算方案,马尔可夫链蒙特卡罗,可以在有问题的目标分布是有用的。
2022-01-26 stat.ME
Treatment Effect Quantiles in Stratified Randomized Experiments and Matched Observational Studies
针对个体效应重尾或异常值情形,提出基于随机化的个体效应分位数推断方法,涵盖分层随机实验与匹配观察性研究,并引入高效贪心算法与敏感性分析。
2023-05-09 stat.AP stat.ME
Partial Identification under Stratified Randomization
São Paulo School of Economics - FGV(圣保罗经济学校 - 弗格森基金会)
本文提出了一种统一框架,用于在存在流失的分层实验中进行部分识别和推断,通过逆概率加权和全局修剪方法,改进了置信区间和估计量的准确性。
2026-01-18 econ.EM math.ST stat.ME
Inference for a Class of Partially Observed Point Process Models
本文提出了一个基于模拟的框架,从部分和离散观察点过程(PP)模型的静态参数的顺序推断。以贝叶斯的角度来看,静态参数,我们建立在序贯蒙特卡罗(SMC)方法,调查的问题,执行顺序滤波和平滑复杂的例子,目前的方法往往失败。我们考虑各种方法近似后验分布使用SMC。我们的方法,与一些理论上的讨论,说明了一个双随机点过程的背景下,金融。
2012-01-22 stat.ME
Identification, Estimation, and Inference for Sequential Causally Ordered Mediation Pathways
University of Michigan(密歇根大学)
本文建立了一个针对顺序中介变量的通用框架,实现了总效应的路径特定分解,并提出了基于学生化统计量和数据分割的推断方法,在复合零假设下有效控制第一类错误。
2026-06-01 stat.ME
Exact Post-Selection Inference for Sequential Regression Procedures
我们提出了新的推理工具,向前逐步回归,最小角度回归,和套索。假设一个高斯模型的观察向量y,我们首先描述了一个一般的计划,以执行有效的推理后,任何选择事件,可以被描述为y落入一个多面体集。这个框架允许我们在前向逐步回归或最小角度回归的任何一步,或者沿着套索正则化路径的任何一步推导出条件(后选择)假设检验,因为事实证明,这些过程的选择事件可以表示为y上的多面体约束。在有限样本中,与这些检验相关的p值在零分布下完全均匀,得到精确的第一类错误控制。检验也可以反向以产生适当的潜在回归参数的置信区间。R包“selectiveInference”在CRAN库中免费提供,实现了本文中描述的新推理工具。
2015-10-11 stat.ME
Covariate Balance in Simple, Stratified and Clustered Comparative Studies
在随机实验中,治疗组和对照组在治疗前变量的分布上应该大致相同-平衡。但有多接近呢?描述性比较是否可以与显著性检验配对?如果是这样,是否应该有几个这样的测试,每个预处理变量一个,还是应该有一个单一的,综合性的测试?这样的测试是否可以被设计为给出容易计算的$p$值,该值在中等大小的样品中是可靠的,或者是否需要模拟来进行可靠的校准?集群的随机分配引入了什么新的问题?哪些平衡测试是最佳的?为了解决这些问题,费舍尔的随机化推理适用于平衡的问题。它的应用表明,关于两项研究的已发表结论发生了逆转,一项是临床研究,另一项是政治参与的实地实验。
2008-08-28 stat.ME
Hypothesis Testing of Blip Effects in Sequential Causal Inference
在这篇文章中,我们研究了治疗序列中治疗的瞬时/净效应的假设检验。说明了在原假设下,似然比检验和score检验可能存在维数灾难、零悖论和标准参数的高维约束.另一方面,我们在单点因果推断中通过少量的处理点效应构造Wald检验。我们表明,Wald测试可以避免这些问题,在相同的假设下,作为Wald测试测试点效应的治疗。仿真研究表明,Wald测试实现了标称水平的第一类错误和低水平的第二类错误。一个真实的医学例子说明了如何在实践中进行沃尔德测试。
2020-02-01 stat.ME
Parametric Sequential Causal Inference in Point Parametrization
假设分配一系列治疗以影响最后一次治疗后发生的感兴趣的结果。治疗之间存在时间依赖性协变量,可能是早期治疗的治疗后变量和后续治疗的混杂因素。在这篇文章中,我们开发了一个参数的方法来推断的因果效应的治疗顺序的结果称为顺序的因果效应。我们构造了一个点参数化的条件分布的结果,所有的治疗和时间依赖的协变量,其中的点参数的点效应的治疗被视为单点治疗。我们(1)通过处理的点效应识别处理的净效应,(2)通过对处理的点效应的约束来表达处理的净效应模式,(3)表明所有顺序因果效应都由处理的净效应决定。据此,我们(1)通过处理的点效应用极大似然估计处理的净效应,(2)通过对处理的点效应和处理的分配条件的约束来改进估计,(3)利用处理的净效应的估计来获得序贯因果效应的估计。其结果是,我们得到无偏一致的最大似然估计的顺序因果效应,即使是长的治疗序列。为了说明我们的方法,我们研究的因果关系的影响,各种序列的娱乐性药物的CD4细胞计数的HIV患者。
2015-05-27 stat.ME
Unveiling Bias in Sequential Decision Making: A Causal Inference Approach for Stochastic Service Systems
针对随机服务系统中决策受历史影响而产生的序贯偏差,本文结合动态治疗方案与标记点过程定义并识别因果效应,提出具有双重稳健性和半参数效率的估计量,并在急诊数据中验证其影响。
2023-07-15 stat.ME
Exact and Conservative Inference for the Average Treatment Effect in Stratified Experiments with Binary Outcomes
本文针对分层二值结果随机实验,提出三种平均处理效应的有限样本推断方法,其中基于整体置换检验反演的方法统计效率最高,但计算负担较大,可通过平衡层设计优化。
2025-08-05 stat.AP stat.ME
Industrializing Prediction-Powered Inference: The GLIDE Library for Reliable GenAI and Agentic Systems Evaluation
University of California, Berkeley(加州大学伯克利分校);Google Research(谷歌研究院)
提出GLIDE开源库,统一多种预测驱动推断方法,提供无偏估计与有效置信区间,显著降低人工标注成本。
2026-06-04 cs.AI cs.LG stat.ME
Causal Inference on Sequential Treatments via Tensor Completion
North Carolina State University(北卡罗来纳州立大学);Duke University(杜克大学)
本文提出一种基于张量补全的边际结构模型,用于处理纵向研究中序列治疗的因果推断问题,通过利用潜在结果的低秩结构和预治疗协变量信息,提高模型灵活性和准确性。
2025-11-19 stat.ME
Recovery and inference of causal effects with sequential adjustment for confounding and attrition
University of Oslo(奥斯陆大学);Norwegian Institute of Public Health(挪威公共卫生研究所)
本文提出SAC方法,通过序列回归调整混杂和流失因素,利用TMLE估计ATE,验证了其在不同图结构和模型设定下的有效性,应用实例显示药物治疗对ADHD患者学业成绩有小幅积极影响。
2025-03-24 stat.ME
Stratified Bootstrap Test Package
分层抽样检验测试包通过非参数重采样方法评估多变量数据中群体排序的稳定性,并用于统计推断和公平性审计。
2025-12-17 stat.CO stat.ME
A Rank-Based Sequential Test of Independence
针对两个单变量随机变量的序贯独立性检验问题,提出一种基于秩、具备时间一致第一类错误控制的分布无关检验,并给出有限样本界与截断构造。
2024-01-25 stat.ME
Bayesian inference as iterated random functions with applications to sequential inference in graphical models
本文提出了具有半群性质的迭代随机函数的一般形式,在此形式下,精确和近似的贝叶斯后验更新可以看作是具体的例子。给出了迭代随机函数的一个收敛定理。作为一般理论的应用,我们分析的收敛行为的精确和近似的消息传递算法中出现的顺序变点检测问题,制定通过一个潜在的变量有向图模型。通过仿真实例说明了顺序推理算法及其支持理论。
2013-11-01 math.ST stat.ME stat.ML
Ensemble Kalman filter based Sequential Monte Carlo Sampler for sequential Bayesian inference
许多现实世界的问题需要一个估计参数的兴趣,在贝叶斯框架,从数据收集顺序的时间。从后验分布采样的传统方法,如{马尔可夫链蒙特卡罗}不能有效地解决这些问题,因为它们没有利用数据的顺序结构。为此,序列的方法,寻求更新的后验分布,每当一个新的收集的数据变得可用,经常被用来解决这些类型的问题。序贯方法的两种流行选择是Envelope卡尔曼滤波器(EnKF)和序贯蒙特卡罗采样器(SMCS)。虽然EnKF仅计算后验分布的高斯近似,但SMCS可以直接从后验中提取样本。然而,它的性能关键取决于所使用的内核。在这项工作中,我们提出了一种方法,构建SMCS的内核使用EnKF制定,我们证明了该方法的性能与数值例子。
2022-01-23 stat.CO stat.ME
A computationally efficient procedure for combining ecological datasets by means of sequential consensus inference
针对整合生态数据模型计算成本高的问题,提出序贯共识贝叶斯推断流程及两种算法,通过边际后验更新和随机效应共识降低计算负担,并用模拟与真实数据验证。
2024-06-12 stat.CO stat.ME
Robust Inference of Dynamic Covariance Using Wishart Processes and Sequential Monte Carlo
本文针对Wishart过程推断困难的问题,提出序贯蒙特卡洛采样器,通过模拟和临床抑郁症数据证明其在动态协方差估计与样本外预测上比MCMC和变分推断更鲁棒。
2024-06-07 stat.ME stat.ML
Rerandomization in stratified randomized experiments
分层和重新随机化是随机化实验中用于平衡基线协变量的两种众所周知的方法。试验设计领域的著名学者建议将这两种方法结合起来;然而,有限的研究已经解决了这种组合的统计特性。本文提出了两种用于分层随机化实验的重新随机化方法,基于整体和层特异马氏距离。第一种方法适用于几乎任意数量的地层、地层尺寸和处理单元的特定地层比例。第二种方法通常比第一种方法更有效,适用于地层数量固定且其大小趋于无穷大的情况。在随机化推理框架下,我们得到了这些方法中所用估计量的渐近分布以及与分层随机化相比的方差缩减公式。我们的分析不需要对潜在结果进行任何建模假设。此外,我们提供了渐近保守的方差估计和置信区间的平均处理效应。所提出的方法的优点是通过广泛的仿真研究和实际数据的例子。
2021-10-26 math.ST stat.ME stat.TH
Re-evaluating the impact of hormone replacement therapy on heart disease using match-adaptive randomization inference
针对观察性研究中匹配对随治疗分配变化导致的$Z$-依赖性问题,提出匹配自适应随机化推断算法,校正HRT与冠心病研究的反保守结论并验证年龄异质性效应。
2024-03-02 stat.AP stat.ME
Sequential Bayesian inference for implicit hidden Markov models and current limitations
隐马尔可夫模型通过将数据视为任意复杂马尔可夫过程的噪声测量,可以描述出现在各个科学领域中的时间序列。序贯蒙特卡罗(SMC)方法已经成为估计给定观测值和固定参数值的隐马尔可夫过程的标准工具。我们回顾了最近的一些发展,允许列入参数的不确定性以及模型的不确定性。从算法复杂性的角度强调了目前可用的方法的缺点。时间序列分析中感兴趣的统计对象是在一个玩具“Lotka-Volterra”模型用于人口生态学。一些开放的挑战进行了讨论,审查的方法,更长的时间序列,高维状态空间和更灵活的模型的可扩展性。
2015-05-16 stat.CO stat.ME
Admissible anytime-valid sequential inference must rely on nonnegative martingales
置信序列、任意p值(本文称为p过程)和e过程都支持在任意停时对复合和非参数分布类进行顺序推断。检查文献,人们发现,在所有这些(相当不同的)方法的核心一直是非负(超)鞅的识别。因此,非正式地,非负(上)鞅是已知的足够的\emph{anytime-valid}顺序推理,即使在复合和非参数设置。我们的主要贡献是表明,非负鞅也是普遍的-适当定义后,\emph{admissibility},我们表明,所有允许的置信序列,p-过程,或e-过程的建设必须利用非负鞅。我们的证明利用了几个现代数学工具的复合测试和估计问题:最大鞅,斯内尔信封,超穷归纳法,和新的Doob-Lévy鞅出现在以前从未遇到过的方式。非正式地,如果一个人希望执行任何时间有效的顺序推理,那么任何现有的方法都可以使用非负鞅恢复或支配。我们提供了几个非平凡的例子,特别关注测试对称性,我们的新结构使过去的方法不可接受。我们还证明了次高斯上鞅是可容许的。
2022-11-05 math.ST stat.ME stat.TH
A sequential reduction method for inference in generalized linear mixed models
广义线性混合模型参数的似然性涉及一个可能具有很高维数的积分。由于这种棘手性,已经提出了许多近似的可能性,但当模型稀疏时,所有这些都可能失败,因为每个随机效应只有少量的信息可用。本文所述的序贯约简方法利用了随机效应的后验分布的相关性结构,从而大大降低了在具有稀疏结构的模型中找到精确近似似然的成本。
2014-08-29 stat.CO stat.ME stat.ML
Bayesian sequential parameter estimation with a Laplace type approximation
提出了一种基于迭代拉普拉斯近似的动态隐高斯模型固定参数的序贯推断方法。该方法提供了一个有用的计算性能和准确性之间的权衡近似真实的后验分布。近似校正,以提高模拟研究中的近似精度。基于人口的方法也被证明提供了一个更强大的推理方法。
2015-09-25 stat.CO stat.ME
Survival Analysis Using a 5-Step Stratified Testing and Amalgamation Routine in Randomized Clinical Trials
随机临床试验通常被设计来评估测试治疗相对于对照治疗是否延长生存期。患者异质性增加虽然有利于结果的普遍性,但可能会削弱常用统计方法检测治疗差异的能力,从而可能阻碍安全有效治疗的监管批准。针对这一问题提出了一种新的解决方案。在分析计划中预先规定了在任一治疗下可能预后生存的基线协变量列表。在分析阶段,使用所有观察到的生存时间,但对患者水平的治疗分配不知情,用弹性网Cox回归去除“噪声”协变量。条件推理树算法使用缩短的协变量列表将异质性试验人群分割为统计学上同质的患者亚群(风险分层)。患者水平治疗揭盲后,在每个形成的风险分层内进行治疗比较,并将分层水平结果合并用于总体统计推断。我们提出的5步分层测试和合并程序(5-STAR)的令人印象深刻的功率提升性能,相对于对数秩检验和其他不利用固有结构化患者异质性的常见方法,使用假设和两个真实数据集以及模拟结果进行说明。此外,强调了报告分层水平比较处理效应(加速失效时间模型拟合的时间比与模型平均值,以及根据需要,Cox比例风险模型拟合的风险比)的重要性,认为这是个性化用药的潜在推动因素。fiveSTAR R软件包可在https://github.com/rmarceauwest/fiveSTAR上获得。
2020-04-28 stat.AP stat.ME stat.ML
Sequential Bayesian Inference for Uncertain Nonlinear Dynamic Systems: A Tutorial
本文综述非线性非高斯动态系统的序贯贝叶斯方法,围绕粒子滤波构建统一框架,以稀疏测量解决状态、参数与驱动输入联合估计问题。
2022-01-20 cs.SY eess.SY stat.ME
Always Valid Inference: Bringing Sequential Analysis to A/B Testing
A/B检验通常通过频率论的p值和置信区间进行分析;但是如果用户通过 * 持续监控 * 他们的检验来内生地选择样本量,那么这些推断是完全不可靠的。我们定义了 * 始终有效 * 的p值和置信区间,让用户能够尽快利用数据,在做出决策时提供有效的统计推断。总是有效的推理可以被解释为一个自然的接口的顺序假设检验,它使用户能够实现一个修改后的测试为他们量身定制。特别是,我们在适当的意义上表明,我们开发的措施权衡样本量和功率效率,尽管缺乏用户的相对偏好这两个目标之间的先验知识。我们还使用始终有效的p值,以获得多个假设检验控制在顺序的上下文中。我们的方法已经在一个大规模的商业A/B测试平台上实现,分析了数十万个实验。
2019-07-16 math.ST stat.AP stat.ME
Variational Sequential Monte Carlo
大规模概率推理的许多最新进展依赖于变分方法。变分方法的成功取决于(i)制定一个灵活的参数分布族,以及(ii)优化参数,以找到这个家族中最接近精确后验的成员。在本文中,我们提出了一个新的近似家庭的分布,变分序贯蒙特卡罗(VSMC)家庭,并显示如何优化它的变分推断。VSMC融合了变分推断(VI)和序贯蒙特卡罗(SMC),为从业者提供灵活,准确和强大的贝叶斯推断。VSMC族是一个变分族,可以任意地近似后验,同时仍然允许其参数的有效优化。我们展示了它在状态空间模型,金融数据的随机波动模型和大脑神经回路的深度马尔可夫模型上的实用性。
2018-02-21 stat.CO stat.ME stat.ML
Anchored Variational Inference for Personalized Sequential Latent-State Models
University of Connecticut(康涅狄格大学)
本文提出一种基于锚点的变分推断方法,用于高效估计具有个体特定随机效应的序列潜在变量模型。通过将局部潜在过程的全条件后验替换为在代表值处的评估,显著降低了计算成本,同时保持局部推断的可处理性。
2026-04-25 stat.CO stat.ME stat.ML
Graph model selection by edge probability sequential inference
图被广泛用于描述由许多相互作用的组件组成的系统,并用于理解它们相互作用的结构。存在各种统计模型,它们将这种结构描述为约束和随机性的组合的结果。%模型选择技术需要自动识别最佳模型,以及给定图形的最佳参数集。为了做到这一点,大多数作者依赖于最小描述长度范式,并通过考虑定义在图集成上的概率分布的熵将其应用于图。在本文中,我们介绍了边缘概率序贯推理,一种新的方法来执行模型选择,它依赖于边缘集成的概率分布。从理论的角度来看,我们表明,这种方法提供了一个更一致的理由统计推断与现有的技术,由于事实上,它依赖于多个实现的随机变量。它还提供了更好的保证,防止过度拟合,使之有可能降低模型的参数数量低于观察的数量。实验上,我们说明了这种方法在两种情况下的好处:推断随机块模型的分区,并确定最相关的模型之间的随机块模型和配置模型的给定图形。
2021-06-25 cs.SI stat.ME
Treatment Effect Learning Under Sequential Randomization
Meta Inc(Meta公司)
针对在线实验序贯治疗分配中的结转效应,提出将T-Learners嵌入G-公式的方法,模拟验证其可防止精度下降,实现准确识别与推断。
2025-10-22 stat.AP stat.ME
Sequentially valid inference for probabilistic inflation forecasts
University of St. Gallen(圣加仑大学);ETH Zürich, KOF Swiss Economic Institute(苏黎世联邦理工学院,KOF瑞士经济研究所);ETH Zürich, Seminar for Statistics(苏黎世联邦理工学院,统计学系)
本研究针对概率预测校准的序贯评估难题,提出基于e-value的序贯检验方法,将其应用于美、欧元区、瑞士的通胀预测,可捕捉静态检验遗漏的结构断裂期校准问题,为宏观经济预测校准评估提供实用方法。
2026-08-25 econ.EM stat.AP stat.ME
Sequential Predictive Conformal Inference for Time Series
Georgia Institute of Technology(佐治亚理工学院)
本文提出序贯预测共形推断(SPCI)算法,通过利用时间序列残差的时间依赖性自适应估计条件分位数,解决不可交换序列的共形预测问题,并在保证覆盖率的同时显著缩小预测区间宽度。
2023-05-30 cs.LG stat.ME stat.ML
Sequential Correct Screening and Post-Screening Inference
针对统计学中选择前m个最大总体参数变量的基础问题,本文提出序贯正确筛选(SCS)方法实现随时有效的变量筛选,并开发控制错误覆盖率的筛选后推断(PSI)程序,通过理论与实验验证其性能。
2025-08-20 math.ST stat.ME stat.TH
Inference for Diffusion Processes via Controlled Sequential Monte Carlo and Splitting Schemes
本文针对半线性随机微分方程提出一种推断框架,将分裂格式产生的伪似然表示为Feynman--Kac流归一化常数,结合受控序贯蒙特卡洛与扩散桥实现高效准确的参数推断,在亚椭圆性和神经科学应用中表现良好。
2025-07-19 stat.CO stat.ME
Post-detection inference for sequential changepoint localization
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种通用框架,用于在序列变化点检测后构建置信集,不依赖特定假设,理论上有保证,且在实践中应用广泛。
2026-09-26 cs.AI cs.LG stat.ME
A transport approach to sequential simulation-based inference
Massachusetts Institute of Technology(麻省理工学院);Dartmouth College(达特茅斯学院)
该研究提出一种基于传输的序列贝叶斯推断新方法,通过估计块三角传输映射提取条件分布,构建似然及其梯度的显式代理模型,可在黑箱正演模型等场景下实现参数估计,并在冰厚度表征任务中完成了数值验证。
2023-08-26 cs.LG stat.ME stat.ML
Adaptive Low-Complexity Sequential Inference for Dirichlet Process Mixture Models
MIT Lincoln Laboratory(麻省理工学院林肯实验室)
我们开发了一个顺序的低复杂度的推理过程的Dirichlet过程混合高斯在线聚类和参数估计时,集群的数量是未知的先验。我们提出了一个易于计算的,封闭形式的参数表达式的条件似然,其中超参数递归更新的流数据假设共轭先验的函数。受大样本渐近性的启发,我们提出了一种新的自适应低复杂度的Dirichlet过程浓度参数的设计,并表明类的数量最多以对数速度增长。进一步证明了在大样本极限下,条件似然和数据预测分布都是渐近高斯分布。我们通过对合成和真实数据集的实验证明,我们的方法优于其他在线最先进的方法。
2015-09-11 cs.LG stat.ME stat.ML
Sequential Deconfounding for Causal Inference with Unobserved Confounders
ETH Zurich(苏黎世联邦理工学院)
当随机实验不可行或成本高昂时,使用观察数据来估计治疗效果是决策的有力工具。然而,观察性数据经常产生处理效应的偏倚估计,因为治疗分配可能受到未观察到的变量的混淆。一种补救措施是通过调整这些未观察到的混杂因素的去干扰方法。在本文中,我们开发了序贯去混淆,一种方法,使估计个体化的处理效应随着时间的推移,存在未观察到的混杂因素。这是第一种可以在一般顺序设置中使用的去干扰方法(即,在每个时间步分配一个或多个处理)。序贯去混淆器使用一种新的高斯过程潜变量模型来推断未观察到的混淆因素的替代品,然后将其与结果模型结合使用,以估计随时间推移的处理效应。我们证明,使用我们的方法产生无偏估计的个体化治疗反应随时间的推移。使用模拟和真实的医疗数据,我们证明了我们的方法的效力,随着时间的推移,在去干扰治疗反应的估计。
2022-02-28 cs.LG stat.ME stat.ML
Efficient sequential Bayesian inference for state-space epidemic models using ensemble data assimilation
Trinity College Dublin(都柏林三一学院)
本文提出了一种高效的序贯贝叶斯推断方法,用于状态空间流行病模型,通过使用集合数据同化替代传统粒子滤波,以提高计算效率并保持推断精度。
2026-05-18 stat.CO stat.ME
A primer on inference and prediction with epidemic renewal models and sequential Monte Carlo
University of Oxford(牛津大学);Imperial College London(帝国理工学院)
本文介绍如何使用序贯蒙特卡洛(粒子滤波)对流行病更新模型进行推断与预测,统一了瞬时再生数估计和预测方法,并提供实用指南与配套代码。
2025-06-10 q-bio.QM stat.AP stat.ME