An Extended Laplace Approximation Method for Bayesian Inference of Self-Exciting Spatial-Temporal Models of Count Data
自激模型是计数数据的统计模型，其中事件发生的概率受过程历史的影响。特别是，自激时空模型允许空间依赖性以及时间自激。然而，对于大的空间或时间区域，该模型导致一个棘手的可能性。处理大型时空模型的一种越来越常见的方法是使用拉普拉斯近似（LA）。该方法简单易行，实现速度快，使用方便.然而，正如我们将证明在这篇手稿中，当应用于自激泊松时空模型，拉普拉斯近似在估计一些参数的显着偏差的结果。由于这种偏见，我们建议使用高达六阶校正的LA拟合这些模型。我们将演示如何在自激励时空模型的贝叶斯设置中做到这一点。我们将进一步表明，有一个有限的参数空间的扩展LA方法仍然有偏见。在这些罕见的情况下，我们将展示如何使用Stan软件程序的计算密集型完全贝叶斯方法在这些罕见的情况下是可能的。的扩展LA方法的性能示出与模拟和真实世界的数据。
2017-09-28 stat.CO
A Bayesian Spatio-Temporal Top-Down Framework for Estimating Opioid Use Disorder Risk Under Data Sparsity
本文提出贝叶斯分层时空自顶向下框架，在县级数据缺失时利用州级OUD率和多级协变量估计美国3143个县的阿片类药物使用障碍风险并量化不确定性。
2025-06-02 stat.AP
Has EU accession boosted patents performance in the EU-13? -- A critical evaluation using causal impact analysis with Bayesian structural time-series models
创新是当今经济发展的主要决定因素之一。专利是衡量创新产出的一个关键指标，因为专利指标反映了国家、技术和公司的发明绩效。本文通过对欧盟新成员国（EU-13）专利绩效的调查，对欧盟扩大的因果效应提供了新的见解。根据从经合组织数据库收集的1985-2017年数据和使用贝叶斯结构时间序列模型（由谷歌提出）的因果影响的实证结果，得出的结论是，加入欧盟对罗马尼亚，爱沙尼亚，波兰，捷克共和国，克罗地亚和立陶宛的专利绩效产生了重大影响，尽管后两个国家的影响是负面的。对于欧盟13国的其他国家，对专利绩效没有显著影响。无论加入欧盟的效果是否显著，欧盟13国在专利绩效方面都远远落后于欧盟15国（2004年之前加入欧盟的国家）。大多数专利（98.66%）被分配给欧盟15国，只有1.34%的受让人属于欧盟13国。
2022-01-20 econ.GN q-fin.EC stat.AP
Bayesian causal inference for count potential outcomes
计数建模的文献提供了有用的工具，进行因果推断时，结果采取非负整数值。应用到潜在的结果框架，我们链接贝叶斯因果推断文献计数数据的统计模型。我们讨论了构建缺失潜在结果的预测后验的一般架构考虑。估计平均处理效应的特殊考虑进行了讨论，一些概括某些关系和一些尚未遇到的因果推断文献。
2020-08-07 stat.ME
Conjugate Bayesian Unit-level Modeling of Count Data Under Informative Sampling Designs
单位一级的调查数据模型与地区一级的模型相比有许多优点，例如有可能进行更精确的估计和具有自然的基准属性。然而，在这种情况下出现两个主要的挑战：会计信息调查设计和处理非高斯数据类型。伪似然方法是前者的一种解决方案，而共轭多元分布理论提供了后者的解决方案。通过结合这些方法，我们获得了一个单位级的计数数据模型，占信息抽样设计，并包括完全贝叶斯模型的不确定性传播。重要的是，共轭全条件分布在伪似然下成立，从而产生计算效率极高的方法。我们的方法说明了通过一个实证模拟研究，使用计数数据从美国社区调查公共使用的微观数据样本。
2019-10-15 stat.ME
Bayesian factor zero-inflated Poisson model for multiple grouped count data
针对多组计数数据，提出一种结合连接函数、数据增广、Pólya-Gamma增广与参数扩展的贝叶斯因子零膨胀泊松模型，并通过模拟和真实数据验证其效果。
2024-05-10 stat.ME
General Bayesian quantile regression for counts via generative modeling
本文提出一种面向计数数据的通用贝叶斯分位数回归框架，利用潜在连续变量与贝叶斯非参数核混合建模联合分布，并通过优化获得后验，显著提升估计精度与实际可解释性。
2025-07-25 stat.ME
Bayesian density regression for count data
尽管连续响应的分位数回归模型越来越受欢迎，但计数数据的模型迄今为止很少受到关注。用于计数数据的主要分位数回归技术涉及添加均匀随机噪声或“抖动”，从而克服条件分位数函数不是感兴趣的参数的连续函数的问题。虽然抖动允许估计条件分位数，但其缺点是，对于响应变量$Y,$的小值，添加的噪声可能对估计的分位数具有较大的影响。此外，分位数回归可导致“交叉”分位数。提出了一种基于贝叶斯Dirichlet过程（DP）的计数数据分位数回归方法.该方法基于COM-Poisson回归模型的自适应DP混合（DPM），并通过估计数据密度来确定分位数，从而消除了所有上述问题。利用交换算法，建议MCMC算法可以应用于分布上的可能性只能计算到一个归一化常数。
2014-06-07 stat.ME
Hierarchical Bayesian Claim Count modeling with Overdispersed Outcome and Mismeasured Covariates in Actuarial Practice
针对保险索赔计数中的过度离散与协变量测量误差问题，提出结合层次贝叶斯GLMM与SIMEX的新框架，在工作场所缺勤数据上验证其拟合优度优于朴素方法。
2023-10-11 stat.ME
Robust Bayesian Modeling of Counts with Zero inflation and Outliers: Theoretical Robustness and Efficient Computation
针对零膨胀与大型异常值导致标准计数模型后验失真的问题，提出基于重标度 beta 分布的稳健贝叶斯框架，配合定制 Gibbs 采样实现高效计算与理论后验稳健性。
2024-05-08 stat.ME
Joint Point and Variance Estimation under a Hierarchical Bayesian model for Survey Count Data
我们提出了一个新的贝叶斯框架的联合建模的调查点和方差估计计数数据。该方法结合了诱导的先验分布的建模的真实方差，设置它等于点估计值的生成方差，一个关键属性更容易实现连续数据响应型模型。我们的计数数据模型公式化允许以多个分辨率输入域（例如，州、地区、国家）并且同时以更高分辨率对模型化估计进行基准（例如，状态）到较低分辨率的那些（例如，区域），以一种方式，借用更多的力量，以提高我们的域估计在更高的分辨率。我们进行了一项模拟研究，在域中生成一个单元群体，以生成地面实况统计数据，并与对从群体中提取的样本进行的直接和建模估计进行比较，在这些样本中，我们显示出跨域误差的减少。该模型适用于美国劳工统计局管理的职位空缺和劳动力流动调查中发布的职位空缺变量和其他数据项。
2022-10-25 stat.ME
A Bayesian Joint Modelling of Current Status and Current Count Data
本文提出一种基于共享脆弱性的半参数回归贝叶斯联合建模方法，利用自适应Metropolis-Hastings算法估计重复与非重复事件的依赖程度及风险因素，并通过模拟和骨折-骨质疏松数据验证了有效性。
2024-10-13 stat.ME
Log-Linear Bayesian Additive Regression Trees for Multinomial Logistic and Count Regression Models
本文介绍了对数线性模型的贝叶斯加性回归树（BART），包括多项逻辑斯谛回归和计数回归，其中包含零膨胀和过度离差。BART已被应用于非参数均值回归和二进制分类问题在一系列的设置。然而，现有的应用程序的BART已被限制为高斯“数据”，无论是观察到的或潜在的模型。这主要是因为有效的MCMC算法可用于高斯似然。但是，虽然许多有用的模型是自然铸造的潜在高斯变量，许多其他人不是-包括本文考虑的模型。我们开发了新的数据增强策略，并仔细指定这些新模型的先验分布。像原来的BART先验一样，新的先验分布经过精心构造和校准，在防止过拟合的同时具有灵活性。新的先验和数据增强方案使我们能够在高斯模型的背景之外实现一个有效的MCMC采样器。这些新方法的效用说明了与以前公布的数据集的例子和应用程序。
2019-08-26 stat.ME
A new Bayesian regression model for counts in medicine
离散数据在许多应用领域中被收集，并且通常以高度偏斜和幂律分布为特征。这方面的一个例子，这是考虑在本文中，是访问专家的数量，往往被视为在医疗保健需求的措施。离散Weibull回归模型最近被提出用于具有离散响应的回归问题，它被证明具有两个重要的特征：能够同时捕获过度分散和欠分散的能力以及条件分布的分位数的封闭形式的解析表达式。在本文中，我们提出了第一个离散Weibull回归模型的贝叶斯实现。该实现考虑了一种新的参数化，其中离散韦布尔分布的两个参数可以依赖于预测。此外，可以施加先验分布，以鼓励参数收缩并导致变量选择。与贝叶斯过程一样，返回参数的完整后验分布，从中可以很容易地计算出可信区间。模拟研究和分析的四个真实的病历数据集显示的承诺，这种方法的广泛适用性的计数数据的分析。该方法在R包BDWreg中实现。
2016-01-12 stat.ME
Bayesian nonparametric models for zero-inflated count-compositional data using ensembles of regression trees
Maynooth University（梅努斯大学）；University College Dublin（都柏林大学学院）
本文提出两种新的贝叶斯模型，利用回归树集成处理计数组成数据中的过分散、零膨胀、异质性和复杂协变量效应，通过非参数贝叶斯加法回归树先验灵活捕捉协变量效应，并引入潜在随机效应以捕捉过分散和类别间依赖。
2026-04-09 stat.ME
Differentially Private Bayesian Inference for Gaussian Copula Correlations
Washington University in Saint Louis（华盛顿大学圣路易斯分校）；Duke University（杜克大学）
本文提出基于差分隐私的高斯Copula相关性贝叶斯推断方法，通过噪声添加和复合似然估计实现隐私保护下的相关性估计。
2026-07-28 stat.ME
Bayesian Structural Learning with Parametric Marginals for Count Data: An Application to Microbiota Systems
本文针对高维异质计数数据，开发了一种结合参数化边缘回归与计算高效搜索算法的高斯连接图形模型，实现了对边缘效应和依赖结构的同步贝叶斯结构学习，并成功应用于微生物组网络推断。
2024-01-11 stat.ME
A Bayesian factor analysis model for high-dimensional microbiome count data
提出一种适用于高维微生物组计数数据的零膨胀概率PCA贝叶斯因子分析模型，利用平均场型变分族和分类变分近似算法拟合，有效处理零值稀疏问题并在预测中优于竞争方法。
2024-04-24 stat.ME
Bayesian Covariate-Varying Interaction Analysis for Multivariate Count Data: Application to Microbiome Studies
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of California Santa Cruz（加州大学圣克鲁兹分校）
本文提出了一种贝叶斯协变量变化因子模型，用于分析微生物组数据中的多元计数数据，通过非参数贝叶斯框架解决高维和离散性等挑战。
2026-03-12 stat.ME
Scalable Bayesian modeling, monitoring and analysis of dynamic network flow data
网络中的流量计数数据出现在许多应用中，例如汽车或航空运输，某些定向社交网络上下文和互联网研究。使用的互联网浏览器流量通过一个国际新闻网站的网站部分的例子，我们提出了贝叶斯分析的两个链接类的模型，在串联，允许快速，可扩展和可解释的贝叶斯推断。我们首先为流式计数数据开发了灵活的状态空间模型，能够实时有效地自适应地表征和量化网络动态。然后，我们使用这些模型作为仿真器的更结构化的，随时间变化的重力模型，允许正式解剖网络动态。这会产生可解释的交通流特性的推断，并在网络节点之间的相互作用的动态。贝叶斯监测理论定义了一种策略，当网络流量数据偏离基于模型的预测时，进行顺序模型评估和自适应。探索性和连续的监测分析不断变化的流量在网络上的网站段在电子商务演示了这种耦合的贝叶斯仿真方法来分析流网络计数数据的效用。
2016-07-09 stat.ME
Bayesian Nonparameteric Multiresolution Estimation for the American Community Survey
贝叶斯分层方法实现小面积估计的重点是减少噪声变化，在政府公布的官方统计数据之间的依赖响应值借用信息。即使是最灵活的模型，也会将最精细尺度下定义的参数限制在一对一结构中与每个数据观测相关联。我们提出了一个贝叶斯多分辨率公式，利用在空间和时间的各种粗尺度的观测集合，添加嵌套的参数，我们定义在一个更细的尺度，作为我们的重点估计。我们的建设是出于和应用于估计$1-$年期间的就业水平，按县索引，从公布的统计数据，在粗糙的区域域和多年的间隔在美国社区调查（ACS）。我们构建了一个非参数混合高斯过程作为一组回归系数的县索引的潜在功能在多个调查年的先验。我们评估了一个修改后的狄利克雷过程之前，将县一年的预测作为混合措施。潜在函数的每个县年参数是从它所链接的空间和时间中的多个粗尺度观测估计的。多分辨率配方的合成数据进行评估，并施加到ACS。
2015-08-03 stat.ME
Computationally Efficient Distribution Theory for Bayesian Inference of High-Dimensional Dependent Count-Valued Data
我们介绍了一种贝叶斯方法，用于高维计数值数据的多变量时空预测。我们的主要兴趣是当可能有数百万个数据点在不同的变量、地理区域和时间被引用时。这个问题需要广泛的方法进步，因为联合建模这种大小的相关数据会导致所谓的“大n问题”。“在这种情况下，预测的计算复杂性进一步加剧，因为承认计数值数据自然是非高斯的。因此，我们开发了一个新的计算效率的分布理论，这种设置。特别是，我们引入了一个多变量的对数-Γ分布，并提供了大量的理论发展，包括：结果条件分布，边缘分布，与多元正态分布的渐近关系，并充分条件分布的吉布斯采样器。为了将变量，区域和时间点之间的依赖关系，使用多变量时空混合效应模型（MSTM）。这篇手稿中的结果非常普遍，并且可以用于表现出比我们认为的依赖性来源更少的数据（例如，多变量、仅空间或仅时空数据）。因此，我们的建模框架的影响可能会有很大的影响，共同建模相关的计数值数据的一般问题。我们通过模拟研究表明我们的方法的有效性。此外，我们证明了我们提出的方法与一个重要的应用程序分析从纵向雇主家庭动态（LEHD）计划，这是由美国人口普查局管理的数据。
2015-12-22 stat.ME
Bayesian nonparametric modeling of multivariate count data with an unknown number of traits
本文提出一类基于完全随机向量的贝叶斯非参数先验，用于特质数量未知的部分可交换特质分配模型，并开发可推断群体划分的混合模型，在犯罪网络数据上验证了其有效性。
2025-11-07 stat.ME
Sparse Bayesian Partially Identified Models for Sequence Count Data
本文提出稀疏贝叶斯部分识别模型，用于处理序列计数数据中的稀疏性假设不确定性，从而减少差分分析中的I型和II型错误率。
2025-12-12 stat.ME
A Bayesian hierarchical small-area population model accounting for data source specific methodologies from American Community Survey, Population Estimates Program, and Decennial Census data
许多流行病学研究都需要小面积的人口估计，但其质量和准确性往往没有得到评估。在美国，美国人口普查局（USCB）以十年一次的人口普查（Decennial Census Counts）、两次人口普查之间的人口预测（Intercensal Population Projections，PEP）和美国社区调查（American Community Survey，ACS）的形式公布小区域的人口估计。虽然这些数据来源之间存在着重要的关系，但在数据收集和处理方法上存在着重要的对比，因此，每一套估计数可能会受到不同来源和误差幅度的影响。此外，由于每个数据源的调查后调整，这些数据源没有报告相同的小地区人口计数。由此产生的小地区疾病/死亡率可能会有所不同，具体取决于用于人口计数的数据源（分母数据）。为了准确地捕捉年度小面积人口计数和相关的不确定性，我们提出了一个贝叶斯人口模型（B-Pop），该模型融合了来自所有三个USCB来源的信息，考虑了数据源特定的方法和相关的误差。我们的框架的主要特点是：1）一个单一的模型集成多个数据源，2）占数据源特定的数据生成机制，并特别占数据源特定的错误，和3）预测的估计数年没有USCB报告的数据。我们的研究集中在佐治亚州的159个县，并产生2005-2021年的估计。
2021-12-18 stat.ME
Bayesian generalized linear model for over and under dispersed counts
贝叶斯模型，可以处理下分散和分散计数是罕见的，在文献中，也许是因为完整的概率分布分散计数是相当困难的建设。本文首先介绍了贝叶斯康威-麦克斯韦-泊松广义线性模型，它可以处理上下分散，但保留了经典计数回归模型的简约性和可解释性。重点是通过梅特罗波利斯-黑斯廷斯算法提供离散计数的贝叶斯回归推理的明确演示。我们说明了两个数据分析的例子，并通过模拟研究证明了一些有利的频率属性的方法。
2019-10-25 stat.CO stat.ME
A Bayesian multilevel hidden Markov model with Poisson-lognormal emissions for intense longitudinal count data
本文提出一种贝叶斯多层隐马尔可夫模型，通过对数正态个体随机效应处理个体异质性，提升密集纵向计数数据的解码与参数估计性能，并公开R包mHMMbayes。
2024-03-19 stat.ME
Bayesian Multinomial Logistic Normal Models through Marginally Latent Matrix-T Processes
贝叶斯多项逻辑正态（MLN）模型对于序列计数数据的分析是流行的（例如，微生物组或基因表达数据），这是由于它们能够对具有复杂协方差结构的多变量计数数据进行建模。然而，MLN模型的现有实现限于处理小数据集，由于多项式和逻辑正态分布的非共轭性。我们介绍MLN模型，可以写为边际潜在矩阵-t过程（LTP）模型。边际LTP模型描述了一类灵活的广义线性回归、非线性回归和时间序列模型。我们开发的推理方案边际LTP模型，并通过应用到MLN模型，表明我们的推理方案是高度准确的，往往比MCMC快4-5个数量级。
2019-04-01 stat.ME
Assessing variable activity for Bayesian regression trees
贝叶斯加性回归树（Bayesian Additive Regression Trees，BART）是一种非参数模型，可以捕捉复杂的外生变量效应。在任何回归问题中，了解哪些变量是最活跃的往往是有趣的。BART中的变量活动通常通过计算树为每个变量分裂的次数来衡量。这种单向计数具有快速计算的优点。尽管它们很方便，但单向计数有几个问题。它们在统计上是不合理的，不能区分主效应和交互作用效应，并且在测量交互作用效应时会被夸大。另一种方法是Sobol指数，一种基于方差的全局敏感性分析技术。然而，这些指数通常需要蒙特卡罗积分，这可能是计算昂贵的。本文给出了BART后验样本Sobol指数的解析表达式。这些表达式易于解释，并且在计算上是可行的。此外，我们将展示一阶（主效应）Sobol指数和单向计数之间的迷人联系。我们还介绍了一种新的排名方法，并使用它来证明，建议的指数保持Sobol '为基础的排序顺序的变量的重要性。最后，我们使用分析测试功能和En-ROADS气候影响模拟器比较这些方法。
2020-09-15 stat.ME
Sequential Sampling for Optimal Bayesian Classification of Sequencing Count Data
高通量技术已成为生物医学应用中比较研究的首选实践。由于测序成本或获得感兴趣的生物体而导致的有限数量的样本点需要开发有效的样品收集以最大化下游统计分析的功效。本文提出了一种在最优贝叶斯分类框架下顺序选择训练样本的方法。针对RNA测序计数数据，所提出的方法利用了具有封闭形式更新的高效吉布斯抽样过程。我们的研究结果表明，增强的分类精度，相比随机抽样。
2018-07-12 eess.SP stat.ME
Bayesian Nonparametric Inference for Panel Count Data with an Informative Observation Process
本文考虑了重复事件的面板计数数据分析。这种分析对于在临床试验和观察性研究中研究肿瘤或感染复发是有用的。提出了一个双变量高斯Cox过程模型，用于联合建模观测过程和复发事件过程。贝叶斯非参数推断提出了同时估计回归参数，二元脆弱性效应和基线强度函数。推理是通过马尔可夫链蒙特卡罗，充分发展的计算技术。预测推理下的贝叶斯设置也进行了讨论。通过仿真研究表明，该方法是有效的。皮肤癌患者的临床试验数据集进行了分析，以说明所提出的方法。
2017-12-11 stat.AP stat.ME
Bayesian Sparse Covariance Structure Analysis for Correlated Count Data
The University of Electro-Communications（电气通信大学）；National Police Agency Info-Communications Bureau（警察厅信息通信局）
在本文中，我们提出了一个贝叶斯图LASSO相关的可数数据，并将其应用于空间犯罪数据。在所提出的模型中，我们假设一个高斯图形模型的潜变量，占主导地位的潜在犯罪风险。为了评估所提出的模型，我们确定了更好地代表样本的最佳超参数。我们应用所提出的模型估计的稀疏逆协方差的潜在变量和评估的部分相关系数。最后，我们说明了犯罪现场数据的结果，并考虑估计的潜在变量和部分相关系数的稀疏逆协方差。
2020-06-05 cs.LG 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
Marginal Data Augmentation for Efficient Bayesian Modeling of Counts and Rates with a Demographic Application
International Institute for Applied Systems Analysis（国际应用系统分析研究所）；Institute for Statistics and Mathematics, WU Vienna University of Economics and Business（维也纳经济与商业大学统计与数学研究所）
针对计数数据模型贝叶斯数据增强算法的效率问题，提出边际数据增强方法，通过重新缩放零计数观测的潜在结果减轻后验依赖性，经合成数据、模拟研究及人口统计应用验证了该方法能提高采样效率及具有广泛适用性。
2026-07-28 stat.CO stat.ME
Bayesian Spatial Analysis of Hardwood Tree Counts in Forests via MCMC
在本文中，我们执行贝叶斯推断分析空间树木计数数据从Timiskaming和Abitibi河森林在加拿大安大略省。我们考虑了一个贝叶斯广义线性地质统计模型，并实现了一个马尔可夫链蒙特卡罗算法来从它的后验分布中采样。如何在森林中的新网站的空间预测的变化作为训练数据的量减少进行了研究，并与没有空间效应的逻辑斯谛回归模型进行了比较。最后，我们讨论了一个分层抽样的方法来选择子集的数据，允许潜在的更好的预测。
2018-07-03 stat.AP stat.CO stat.ME
A flexible Bayesian non-confounding spatial model for analysis of dispersed count data in clinical studies
在使用空间回归模型进行计数时，我们通常会遇到两个问题。首先，忽略协变量和空间效应之间的固有共线性将导致因果推断。第二，真实计数数据通常揭示了经典泊松模型不适合使用的过度或欠分散。我们提出了一个灵活的贝叶斯分层建模方法，加入非混淆的空间方法和一个新的重新考虑的离散计数模型从更新理论来控制的问题。具体来说，我们扩展的方法来分析空间计数数据的基础上的Γ分布假设的等待时间。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。我们还研究了不同的流行的方法来处理空间混淆，并比较它们的性能在分散的存在。我们使用所提出的方法来分析斯洛文尼亚胃癌发病率相关的临床数据集，并进行模拟研究，以更好地了解所提出的方法的优点。
2021-05-20 stat.AP stat.ME
Sequential Bayesian Analysis of Multivariate Count Data
我们开发了一类新的动态多变量泊松计数模型，允许快速在线更新，我们将这些模型称为多变量泊松尺度β（MPSB）。MPSB模型允许计数中的序列依赖性以及在随机公共环境下跨多个序列的依赖性。其他显着的功能包括状态传播和预测似然密度的分析形式。通过更新静态模型参数的充分统计量来进行顺序更新，从而产生完全适应的粒子学习算法和一类新的预测似然和边缘分布，我们将其称为（动态）多变量融合超几何负二项分布（MCHG-NB）和动态多变量负二项分布（DMNB）。为了说明我们的方法，我们使用了各种模拟研究，并计算了每周非耐用品消费者需求的数据。
2016-09-15 stat.CO stat.ME
Bayesian nonparametric estimation of coverage probabilities and distinct counts from sketched data
覆盖概率的估计，特别是缺失质量的估计，是一个经典的统计问题，在许多科学领域都有应用。在本文中，我们研究这个问题的随机数据压缩，或素描。这是一个新颖但实际相关的观点，它指的是必须基于真实数据的压缩和不完美的摘要或草图来估计覆盖概率的情况，因为完整的数据和不同符号的经验频率都不能直接观察到。我们的贡献是一个贝叶斯非参数方法来估计覆盖概率的数据勾勒通过随机散列，这也解决了具有挑战性的问题，恢复不同的计数在真实的数据和不同的计数与指定的经验频率的兴趣。所提出的贝叶斯估计是很容易适用于大规模的分析结合狄利克雷过程之前，虽然他们涉及一些开放的计算挑战下，更一般的Pitman-Yor过程之前。我们的方法的经验有效性通过数值实验和应用于Covid DNA序列，经典英语文献和IP地址的真实数据集得到证明。
2022-09-05 stat.ME stat.ML
Bayesian Adaptive Tensor Smoothing for Multiway Demographic Counts
International Institute for Applied Systems Analysis (IIASA)（国际应用系统分析研究所）
本文提出了一种贝叶斯矩阵分解模型，用于跨年龄和时间的人口分析，通过低维因素分解实现对复杂人口过程的准确建模与预测。
2026-10-16 stat.AP stat.ME
Bayesian Quantile Regression for Longitudinal Count Data
本研究针对纵向计数数据分析需求，提出采用人工平滑与非对称拉普拉斯分布正态-指数混合表示的贝叶斯分位数回归框架，推导了高效Gibbs采样算法，经模拟和神经学应用验证了其实用性。
2022-04-05 stat.AP stat.CO stat.ME
Bayesian Variable Selection in Distributed Lag Models: A Focus on Binary Quantile and Count Data Regressions
本文利用潜变量扩展了分布式滞后模型的贝叶斯推断效用，提出了处理不平衡数据的二元回归、负二项回归及预测变量包含概率估计方法，并通过全自动Gibbs抽样实现参数推断。
2025-01-29 stat.AP stat.ME
Approximate Gibbs Sampler for Efficient Inference of Hierarchical Bayesian Models for Grouped Count Data
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Vanderbilt University（范德堡大学）
本文针对层次贝叶斯 Poisson 回归在大规模计数数据上 MCMC 推断耗时的问题，提出用 Gaussian 近似似然获得系数条件后验收闭式解的 AGS，并在真实与合成数据上验证其高效准确。
2024-07-01 cs.LG stat.ME
BNP-Seq: Bayesian Nonparametric Differential Expression Analysis of Sequencing Count Data
我们在贝叶斯非参数框架下对高通量测序计数数据进行差异表达分析，去除了现有算法中通常需要的复杂的特设预处理步骤。我们建议使用伽马（β）负二项过程，它考虑到不同的测序深度，使用样本特异性负二项概率（分散）参数，通过比较基因特异性负二项分散（概率）参数的后验分布来检测差异表达的基因。这些模型参数是通过借用基因和样本的统计强度来推断的。模拟和真实世界的RNA测序计数数据上的广泛实验表明，所提出的差异表达分析算法明显优于先前提出的接收器操作特性和精确度-召回曲线下的区域。
2017-05-02 q-bio.GN stat.AP stat.ME
Bayesian Discrete Conditional Transformation Models
我们提出了一种新的贝叶斯模型框架的离散序数和计数数据的基础上的条件转换的响应。条件变换函数是从数据中结合先验选择的参考分布来估计的。对于计数响应，由此产生的转换模型是新颖的，在这个意义上，它是一个贝叶斯完全参数但分布自由的方法，可以额外考虑额外的零与添加剂的转换功能规范。对于有序分类响应，我们的累积链接转换模型允许包含线性和非线性协变量效应，这些效应还可以是分类特异性的，从而产生（非）比例优势或风险模型等，具体取决于参考分布的选择。推理是由一个通用的模块化马尔可夫链蒙特卡罗算法，其中多元高斯先验执行特定的属性，如平滑的功能效果。为了说明贝叶斯离散条件转换模型的多功能性，应用程序的专利引用计数在存在多余的零和治疗森林健康类别的离散部分比例优势模型。
2022-05-17 stat.ME stat.ML
Nonparametric Bayesian Factor Analysis for Dynamic Count Matrices
提出了一种伽玛过程动态泊松因子分析模型，用于对动态计数矩阵进行因子分解，该矩阵的列是顺序观测的计数向量。该模型建立了一个新的马尔可夫链，发送潜在的伽马随机变量在时间$(t-1)$的形状参数的那些在时间$t$，这是链接到观察到的或潜在的计数下的泊松似然。推断伽马形状参数的重大挑战得到充分解决，使用独特的数据增强和边缘化技术的负二项分布。相同的非参数贝叶斯模型也适用于动态二进制矩阵的因式分解，通过Bernoulli-Poisson链接将二进制观测连接到潜在计数，具有潜在计数的封闭形式条件后验和稀疏观测的有效计算。我们将该模型应用于文本和音乐分析，并获得了最先进的结果。
2015-12-30 stat.AP stat.ME stat.ML
A Bayesian Hurdle Quantile Regression Model for Citation Analysis with Mass Points at Lower Values
分位数回归提供了对所有点的因变量的位置、尺度和形状的影响的完整图片，而不仅仅是平均值。我们重点讨论了利用分位数回归进行引文计数分析的两个挑战：不连续性和在较低计数下的大量点。King和Song（2019）提出了一种用于计数数据的贝叶斯障碍分位数回归模型，该模型的实质性质量点为零。它使用分位数回归对非零数据进行建模，使用逻辑斯谛回归对零与非零的概率进行建模。我们发现，大量的低引用数的质量点几乎肯定也会影响参数估计的分位数回归模型的一部分，类似于一个质量点为零。我们通过将障碍点移过主要质点来更新King和Song模型。该模型为中度到高度引用的文章提供了更准确的分位数回归，特别是在对应于刚好超过质量点的值的分位数处，并且能够估计因素影响文章被低引用的可能性的程度。为了说明这种方法的潜力，它被应用到模拟引用计数和Scopus的数据。
2021-07-10 cs.DL stat.ME
Bayesian ACCESS for Understanding Latent Epidemic Trajectories from Publicly Released Suppressed Data: Application to U.S. Opioid-related Overdose Mortality
The University of Texas Health Science Center at Houston（休斯顿德克萨斯大学健康科学中心）
本研究针对公开健康统计数据中因压制小单元格计数导致的推断难题，提出贝叶斯ACCESS框架，应用于美国阿片类药物过量死亡率数据，识别出特定亚组的流行病轨迹与结构性变化。
2026-10-26 stat.AP stat.ME
Bayesian Conway-Maxwell-Poisson model with spike-and slab priors for dispersed count data with application to football scores
University College Dublin（都柏林大学学院）；Insight Centre for Data Analytics, University College Dublin（都柏林大学学院洞察数据分析中心）
针对足球比分等离散计数数据，提出结合CMP似然与SAS先验的贝叶斯框架建模，通过定制抽样器进行后验推断，经模拟和英超数据验证，能捕捉非等离散，揭示球队离散异质性，提升模型拟合与预测性能。
2026-07-21 stat.AP stat.ME
Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文扩展主分层结合BART的框架，适配计数型中间变量场景，经模拟及非洲多国调查数据验证，其因果效应估计性能优于传统方法，可揭示被标准方法掩盖的异质性。
2026-08-12 stat.AP stat.ME
Profiling Television Watching Behaviour Using Bayesian Hierarchical Joint Models for Time-to-Event and Count Data
客户流失预测在许多行业中是一项有价值的任务。在电信领域，由于数据的高维性，以及识别潜在的挫折签名的难度，这带来了巨大的挑战，而挫折签名可能是未来流失行为的重要驱动因素。在这里，我们提出了一种新的贝叶斯分层联合模型，能够根据不同的电视观看旅程中发生了多少事件，以及事件之间需要多长时间来识别客户配置文件。该模型大大降低了数据的维度，从每个客户的数千个观察到11个客户级参数估计值和随机效应。我们使用来自40个BT客户（20个活跃客户和20个最终取消订阅的客户）的数据来测试我们的方法，这些客户的电视观看行为是在2019年10月至12月期间记录的，总计约50万次观察。采用不同的机器学习技术，使用贝叶斯分层模型的参数估计值和随机效应作为特征，预测流失的准确率高达92%，与100%的真阳性率和低至14%的假阳性率相关。我们提出的方法代表了一种有效的方法，减少数据的维数，同时保持高的描述性和预测能力。我们在https://github.com/rafamoral/profiling_tv_watching_behaviour上提供了实现贝叶斯模型的代码。
2022-09-06 stat.ME stat.ML
Bayesian Semi-Parametric Spatial Dispersed Count Model for Precipitation Analysis
针对空间计数数据的离散性不均、非线性关联及复杂空间依赖问题，提出结合非参数技术与更新理论离散计数模型的贝叶斯层次框架，经真实数据与模拟验证，在公共卫生等领域的空间计数分析中更具优势。
2025-03-24 stat.ME stat.ML
Modelling Animal-Vehicle Collision Counts across Large Networks Using a Bayesian Hierarchical Model with Time-Varying Parameters
动物-车辆碰撞（AVC）在世界各地都很常见，导致动物和人类生命的巨大损失，以及重大的财产损失和定期的保险索赔。了解其发生与各种促成因素的关系，并能够确定高风险地点，对于预防AVC，节省经济，社会和环境成本非常重要。然而，在AVC数据集的研究中存在许多挑战。这些包括动物活动的季节性，未知的暴露（即，动物穿越的数量），在广泛的道路网络的大多数部分非常低的AVC计数，以及使用大型数据集进行离散响应分析带来的计算负担。为了克服这些挑战，提出了一种贝叶斯分层模型，其中暴露量采用非参数Dirichlet过程建模，并且假设段级AVC的数量遵循二项分布。一个Pólya-Gamma增强吉布斯采样器推导出估计所提出的模型。通过使用美国德克萨斯州约10万条州控高速公路路段多年的AVC数据，结果表明，该模型可扩展到大型数据集，具有零的优势和明显的月度季节性计数，同时识别高风险位置（用于设计处理的应用，如带围栏的动物隔离交叉）和基于特定分段因素的关键解释因素（例如改变车速限制），为决策提供有用的数据。
2021-06-14 stat.AP stat.ME
Bayesian Bivariate Conway-Maxwell-Poisson Regression Model for Correlated Count Data in Sports
本文提出用于体育相关计数数据的贝叶斯二元 Conway-Maxwell-Poisson 回归模型，通过随机效应刻画主客场得分相关性，模拟与 COVID-19 前后棒球、足球数据分析表明其拟合与估计优于标准 Poisson 和 Negative Binomial 模型。
2024-09-25 stat.AP stat.ME
A Bayesian Zero-Inflated Dirichlet-Multinomial Regression Model for Multivariate Compositional Count Data
狄利克雷多项分布在现代统计方法学的发展和应用中起着基础性的作用。最近，DM分布及其变体已被广泛用于对组学研究中由高通量测序技术产生的多变量计数数据进行建模，这是由于其能够适应数据的组成结构以及过度分散。DM分布的一个主要限制是它无法处理通常在实践中发现的可能会导致推断偏差的多余零。为了填补这一空白，我们提出了一种新的贝叶斯零膨胀DM模型的多变量组成计数数据与多余的零。然后，我们将我们的方法扩展到回归设置，并嵌入稀疏诱导先验来执行高维协变量空间的变量选择。在整个过程中，建模决策是为了提高可伸缩性，而不牺牲可解释性或强加限制性假设。广泛的模拟和应用程序的人类肠道微生物组数据集的性能比较所提出的方法，现有的方法。我们提供了一个附带的R包，其中包含一个用户友好的小插曲，可以将我们的方法应用于其他数据集。
2023-02-23 stat.AP stat.CO stat.ME
