Comment on: "Model uncertainty and missing data: An Objective Bayesian Perspective"
Stefan Franssen
本文对客观贝叶斯方法处理模型不确定性与缺失数据的论文进行评论，重点从频率学派视角讨论其方法。
我们对“模型不确定性与缺失数据：一种客观贝叶斯视角”一文作出受邀讨论，在其中探讨了针对所提出方法的频率学派观点。
We give a contributed discussion on "Model uncertainty and missing data: An Objective Bayesian Perspective", where we discuss frequentist perspectives on the proposed methodology.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Some comments about A Bayesian criterion for singular models by M. Drton and M. Plummer
这些是对M. Drton和M. Plummer，于2016年10月5日在皇家统计学会上宣读。这场讨论由朱迪思·卢梭发表。
Comment: Bayesian Checking of the Second Levels of Hierarchical Models
注释：分层模型第二水平的贝叶斯检验[arXiv：0802.0743]
Comment: Bayesian Checking of the Second Levels of Hierarchical Models
注释：分层模型第二水平的贝叶斯检验[arXiv：0802.0743]
Comment: Bayesian Checking of the Second Level of Hierarchical Models: Cross-Validated Posterior Predictive Checks Using Discrepancy Measures
注释：分层模型第二水平的贝叶斯检验[arXiv：0802.0743]
Comment: Bayesian Checking of the Second Levels of Hierarchical Models
我们讨论了Evans和Moshonov [Bayesian Analysis 1（2006）893- 914，Bayesian Statistics and Its Applications（2007）145- 159]关于检查先验数据冲突的方法及其与本文提出的方法的相关性。[arXiv：0802.0743]
Comment on García-Donato et al. (2025) "Model uncertainty and missing data: An objective Bayesian perspective"
本文提出了一种基于客观贝叶斯方法的缺失数据处理方法，采用O'Hagan的分数贝叶斯因子和Rubin的多重插补规则，与García-Donato等人(2025)方法具有竞争力。
Bayesian Profiling Multiple Imputation for Missing Electronic Health Records
电子健康记录（EHR）越来越多地用于临床和比较有效性研究，但遭受缺失数据。出于对糖尿病护理的卫生服务研究的动机，我们寻求通过关注纵向糖化血红蛋白（A1c）的缺失值来提高EHR的质量，糖化血红蛋白是糖尿病并发症和不良事件的关键风险因素。在多重插补（MI）框架下，我们提出了一个个性化的贝叶斯潜在轮廓的方法来捕捉A1 c测量轨迹的缺失。所提出的方法适用于2003年至2013年期间中西部大型学术卫生系统中成年糖尿病患者的EHR，并且具有Medicare A和B覆盖范围。我们结合MI推断来评估A1c水平与急性不良健康事件发生率的相关性，并检查已确定患者资料的患者异质性。我们调查不同的缺失机制，并进行插补诊断。我们的方法计算效率高，适合灵活的模型，提供有用的临床见解。
Comment on "A variational Bayesian approach for inverse problems with skew-t error distributions" (Guha et al., Journal of Computational Physics 301 (2015) 377-393)
对具有斜t误差分布的逆问题的变分贝叶斯方法（Guha等人，Journal of Computational Physics 301（2015）377-393）。
A Bayesian Parametric Approach to Handle Missing Longitudinal Outcome Data in Trial-Based Health Economic Evaluations
基于试验的经济学评价通常是对横截面变量进行的，这些变量仅来自研究中完成者的响应，使用的方法忽略了效用和成本数据的复杂性（例如偏度和峰值）。我们提出了一种替代和更有效的贝叶斯参数方法来处理经济评估中缺失的纵向结果，同时考虑到数据的复杂性。我们指定一个灵活的参数模型的观测数据和部分识别的部分识别限制和敏感性参数的缺失数据的分布。我们通过不同的灵敏度参数的先验知识，在观测数据上进行校准，探索替代的不可替代的场景。我们的方法是由一项试验的数据驱动的，并应用于该试验，该试验评估了一种新的治疗智力残疾和挑战性行为的成本效益。
A joint Bayesian framework for missing data and measurement error using integrated nested Laplace approximations
在处理数据的学科中，协变量中的测量误差（ME）和缺失值通常是不可避免的，在过去的几十年中，这两个问题分别受到了相当大的关注。然而，虽然大多数研究人员都熟悉处理缺失数据的方法，但在回归模型的协变量中考虑ME并不常见。此外，ME和缺失数据通常被视为两个独立的问题，尽管实际和理论上的相似之处。在这里，我们利用这样一个事实，即在一个连续的协变量中的缺失数据是一个极端的情况下，经典ME，使我们能够使用现有的方法，通过贝叶斯框架，采用集成嵌套拉普拉斯近似（INLA）的ME帐户，从而同时考虑ME和缺失数据在同一协变量。作为一个有用的副产品，我们提出了一种方法来处理缺失数据在INLA，因为这对应于特殊情况下，当没有ME存在。此外，我们将展示如何在同一框架中解释Berkson ME。因此，在其最广泛的一般性中，所提出的联合贝叶斯框架可以解释Berkson ME、经典ME和缺失数据，或者解释INLA可行的回归模型家族的相同或不同连续协变量中这些数据的任何组合。该方法的例子使用模拟和真实的数据。我们提供了广泛的和完全可复制的补充材料与充分记录的例子使用{R-INLA}和{inlabru}。
Model Uncertainty and Missing Data: An Objective Bayesian Perspective
该研究从客观贝叶斯视角探讨缺失数据与模型不确定性的交互问题，提出以先验预测边际为核心的回归分析方法，经仿真验证其效果优于或持平现有方法，并指明未来研究方向。
Bayesian Sensitivity Analysis for Missing Data Using the E-value
敏感性分析是一个框架，用于评估从缺失的结局数据中得出的结论如何容易偏离不可检验的基础假设。我们扩展了E值，一个流行的度量标准，用于量化因果结论的稳健性，设置缺失的结果。从部分观察到的Facebook转换事件的激励的例子，我们提出的方法进行敏感性分析的规模与三个贡献。首先，我们开发了一种利用噪声基准（例如，用于保护单元级隐私的聚合报告）;探索经验得出的主观和客观先验两者。其次，利用贝叶斯估计的敏感性参数，我们提出了一种机制，通过模拟后验推断的E值。最后，封闭形式的分布的E-值的构造，使直接推理时，后验模拟是不可行的，由于计算的限制。我们展示了使用基于数据的模拟，辅以Facebook转换事件的案例研究的E值的渐近推断的性能增益。
Comment on "Bayesian Nonparametric Inference - Why and How" by Mueller and Mitra
由于其极大的灵活性，非参数贝叶斯方法已被证明是一个有价值的工具，发现数据中的复杂模式。术语“非参数贝叶斯”表明，这些方法继承了经典非参数方法的无模型操作特性，以及贝叶斯程序提供的一致不确定性评估。然而，正如作者在文章的结论中所说，非参数贝叶斯方法可能更适合描述为“大规模参数”。此外，我认为，许多默认的非参数贝叶斯程序只是贝叶斯在最弱意义上的术语，不能假设提供诚实的评估不确定性仅仅因为他们携带贝叶斯标签。无论这些程序多么有用，我们都应该谨慎地宣传默认的非参数贝叶斯程序，因为它们要么是“无假设”的，要么是对我们的不确定性的描述。如果我们希望我们的非参数贝叶斯过程具有贝叶斯解释，我们应该修改默认的NP贝叶斯方法以适应真实的先验信息，或者至少仔细评估超参数对感兴趣的后验量的影响。
Some comments about A. Ronald Gallant's "Reflections on the Probability Space Induced by Moment Conditions with Implications for Bayesian Inference"
本文评论了Ronald Gallant（2015）关于从矩条件构建贝叶斯先验分布的思考。主要结论是，该文件没有提供一个工作原理，可以证明基于这种先验的推理。
Bayesian Hierarchical Spatial Regression Models for Spatial Data in the Presence of Missing Covariates with Applications
在许多应用中，勘测数据是从不同地区的不同勘测中心收集的。在某些情况下，响应变量完全被观察到，而协变量有缺失值。在本文中，我们提出了一个联合空间回归模型的响应变量和缺失的协变量通过一系列的一维条件空间回归模型。我们进一步构建了缺失协变量数据机制的联合空间模型。所提出的模型的性质进行了检查和马尔可夫链蒙特卡罗抽样算法是用来从后验分布的样本。此外，贝叶斯模型的比较标准，修改的偏差信息准则（mDIC）和修改的对数的伪边际似然比（mLPML），被开发来评估空间回归模型的空间数据的拟合。进行了广泛的模拟研究，以检查所提出的方法的经验性能。我们进一步应用所提出的方法来分析一个真实的数据集，从中国健康与营养调查（CHNS）在2011年进行。
A fully Bayesian approach for the imputation and analysis of derived outcome variables with missingness
针对统计模型中作为结果的派生变量因源变量缺失带来的分析难题，提出一种可同时完成缺失值插补与后验采样的全贝叶斯模型，并通过含寨卡病毒新生儿小头畸形风险分析的案例，验证其相比多重插补方法的效果。
Comments on: "Hybrid Semiparametric Bayesian Networks"
邀请讨论David Atienza，Pedro Larranaga和Concha Bielza的论文“混合半参数贝叶斯网络”（TEST，2022）。
A Bayesian Longitudinal Model for Imputing Item-Level Missing Data in Trial-Based Economic Evaluations
针对基于试验的卫生经济学评价中项目级缺失数据的统计挑战，本文提出一种适配复杂特征的贝叶斯纵向插补模型，经真实试验验证了其灵活性与适用性。
Tuning Free Rank-Sparse Bayesian Matrix and Tensor Completion with Global-Local Priors
矩阵和张量补全是一系列问题的框架，包括协同过滤、缺失数据和图像重建。通过利用矩阵或张量是低秩的假设来估计缺失的条目。大多数现有的贝叶斯技术鼓励秩稀疏建模因子分解矩阵和张量与正常伽玛先验。然而，马蹄事先和其他“全球本地”配方提供调谐参数的解决方案，可以更好地实现同时秩稀疏和丢失值的恢复。我们发现这些全球本地先验优于常用的替代品在模拟和协同过滤任务预测棋盘游戏评级。
Comment on Vogels et al.'s (2024) "Bayesian Structure Learning in Undirected Gaussian Graphical Models: Literature Review with Empirical Comparison": An updated performance check using BGGM
评论指出 Vogels 等人比较中 BGGM 因先验包含概率设置不当（2/3 对其他方法 0.2）导致性能被低估，改用 0.2 后 BGGM 性能与其他贝叶斯方法相当。
Scalable Bayesian Spatiotemporal Tensor Modeling for Censored and Missing Areal Data
本文提出了一种新的贝叶斯方法，用于处理具有缺失和 censor 观测的时空区域数据，通过结合SAR和DAGAR模型的空间依赖结构和时间自回归成分，实现了统一的时空框架，提高了模型的可解释性和预测性能。
Comments on "Bayesian Solution Uncertainty Quantification for Differential Equations" by Chkrebtii, Campbell, Calderhead & Girolami
本文探讨了用于ODE和PDE的概率求解器，提出了一种新的不确定性量化方法，提升了数值解的可靠性。
Bayesian models for missing and misclassified variables using integrated nested Laplace approximations
本文提出将INLA与重要性采样结合以拟合含误分类协变量的贝叶斯模型，并展示直接使用INLA处理误分类响应变量的方法，通过模拟和真实数据验证了有效性。
Bayesian Semiparametric Modeling of Response Mechanism for Nonignorable Missing Data
无应答的统计推断是相当具有挑战性的，特别是当应答机制不可解释时。在这种情况下，统计推断的有效性取决于响应模型的不可检验的正确规范。为了避免误指定，我们提出了半参数贝叶斯估计，其中结果模型是参数的，但响应模型是半参数的，因为我们不假设任何参数形式的非响应变量。我们采用惩罚样条方法来估计未知函数。我们还考虑了一个完全非参数的方法来建模的响应机制，使用径向基函数方法。使用Polya-Gamma数据增强，我们开发了一个有效的后验计算算法，通过吉布斯抽样，其中最完整的条件分布可以得到熟悉的形式。所提出的方法的性能证明在模拟研究和应用程序的纵向数据。
Some comments about James Watson's and Chris Holmes' "Approximate Models and Robust Decisions": Nonparametric Bayesian clay for robust decision bricks
本文讨论了Watson和Holmes（2016）以及他们对更稳健的贝叶斯决策的支持。虽然我们承认并赞扬作者为贝叶斯鲁棒性设定了新的和包罗万象的原则，我们也欣赏这些原则在决策理论参考中的强大锚定，但我们仍然不确定这些原则在多大程度上可以应用于二元决策之外。我们还想知道Kullback-Leibler邻域的最终相关性，以增强鲁棒性，并有利于沿非参数轴的扩展。
A Bayesian Model for Co-clustering Ordinal Data with Informative Missing Entries
本文提出一种贝叶斯非参数模型，用于共聚类多变量有序数据，通过将缺失值视为信息而非缺失，提升对数据潜在结构的理解。
Bayesian inference for cluster-randomized trials with multivariate outcomes subject to both truncation by death and missingness
本文提出一个贝叶斯框架，通过多变量结局联合建模，在整群随机试验中同时处理死亡截断、异质性失访和未知生存状态等复杂缺失问题，并区分个体与整群水平的幸存者平均因果效应。
Bayesian models for data missing not at random in health examination surveys
在流行病学调查中，由于调查无应答而导致的数据非随机非随机缺失（MNAR）可能会导致风险因子估计值的偏倚。我们提出了一种基于贝叶斯数据增强和生存建模的方法，以减少无应答偏倚。这一方法需要基于后续数据的更多信息。我们使用1972年至2007年收集的FINRISK数据进行了一项吸烟流行率的案例研究，并将其与其他常用的随机缺失（MAR）插补方法进行了比较。仿真实验验证了该方法的有效性。我们的方法似乎大大减少了无响应偏差，而MAR插补在减少偏差方面并不成功。
A Comparative Evaluation of a Conditional Median-Based Bayesian Growth Curve Modeling Approach with Missing Data
针对纵向分析中缺失数据（尤其是非正态时）的挑战，本研究通过蒙特卡洛模拟比较评估基于条件中位数的贝叶斯增长曲线建模方法与现有方法，发现其在多种缺失场景下处理非正态数据更可靠。
Convergence and asymptotic normality of variational Bayesian approximations for exponential family models with missing values
研究了缺失值指数族模型变分Bayes逼近的性质。证明了当样本量变大时，变分贝叶斯估计的迭代算法以概率1局部收敛于真值。证明了变分后验分布是渐近正态的。
Reply to Discussions of "Multivariate Dynamic Modeling for Bayesian Forecasting of Business Revenue"
本文是对商业收入贝叶斯预测多变量动态建模一文的讨论回复，作者感谢讨论者意见，并围绕贝叶斯预测系统宏观视角及各项具体问题进行了逐一回应。
Bayesian analysis of the causal reference-based model for missing data in clinical trials
本文针对临床试验中因并发事件导致的缺失数据问题，在White等人因果模型框架下为维持治疗效应参数引入贝叶斯先验，提出基于参照的贝叶斯因果模型方法，以量化参照假设的不确定性并估计治疗政策效应，模拟和抗抑郁药试验应用验证了其频率学性质。
Comments on the article "A Bayesian conjugate gradient method"
最近的文章“贝叶斯共轭梯度法“由Cockayne，Oates，Ipsen和Girolami提出了一个近似贝叶斯迭代过程的解决方案的线性方程组，基于共轭梯度法，它给出了一个序列的高斯/正常估计的精确解。概率富集的目的是协方差结构旨在提供解决方案均值的不确定性或置信度的后验测量。本文对文章进行了评述，提出了一些问题，并提出了进一步研究的方向。
Generative Bayesian modeling to nowcast the effective reproduction number from line list data with missing symptom onset dates
本研究提出整合插补、截断调整与$R_t$估计的生成式贝叶斯模型，可从含缺失症状发作日期的病例列表数据联合推断病例数和$R_t$，避免分步方法的偏差，相关组件已整合入R包epinowcast。
Bayesian Reconstruction of Missing Observations
本文重点研究了一种基于贝叶斯重建的插值方法。在标准插值方法中，缺失数据是确定性插值的，而在贝叶斯重建中，缺失数据是使用贝叶斯处理概率性插值的。在本文中，我们将讨论贝叶斯重建的框架和它的应用在交通工程领域的交通数据重建问题。在本文的后半部分，我们描述了我们的贝叶斯流量重建模型的统计性能的评估，使用统计机械的方法，并澄清其统计行为。
Bayesian Estimation of Hierarchical Linear Models from Incomplete Data: Cluster-Level Interaction Effects and Small Sample Sizes
针对小样本和部分观测数据下HLM的估计问题，提出一种直接从精确后验分布填补参数与缺失值的兼容Gibbs采样器，通过模拟证明其优于现有方法。
A Bayesian two-step multiple imputation approach based on mixed models for the missing in EMA data
本文提出一种基于混合模型的两步贝叶斯多重插补框架，以解决EMA数据缺失问题，通过模拟与实际应用验证了其优于单一插补，并指出选择最佳混合模型的两个关键因素。
Bayesian Bootstrap based Gaussian Copula Model for Mixed Data with High Missing Rates
本文提出贝叶斯自助法高斯Copula模型BBGC，通过量化边缘分布不确定性并支持混合数据类型，在高缺失率下优于现有插补方法。
Measurement error as a missing data problem
这篇文章关注的是回归分析中协变量的测量误差，其目的是估计一个或多个协变量与结果之间的关联，调整混杂因素。如果忽略协变量测量中的误差，则会导致代表相关性的参数的有偏估计。对于部分或全部研究受试者，测量变量存在误差的研究可视为真实变量缺失的研究。我们建立了测量误差和缺失数据之间的联系，并描述了校正由于协变量测量误差引起的偏倚的方法，包括回归校准（条件均值插补），极大似然法和贝叶斯法，以及多重插补。使用第三次全国健康与营养检查调查（NHANES III）的数据来说明这些方法，以调查易出错的协变量收缩压与心血管疾病死亡风险之间的相关性，调整其他几个变量，包括那些受缺失数据的影响。我们使用多重插补和贝叶斯方法，可以同时解决测量误差和缺失数据。示例数据和R代码在补充材料中提供。
Variational Bayesian Inference For A Scale Mixture Of Normal Distributions Handling Missing Data
本文提出了一种适用于含有异常值和缺失值的数据分类和聚类的正态分布尺度混合模型。分类方法，基于混合模型，侧重于引入潜变量，使我们有可能处理模型对离群值的敏感性，并允许对缺失数据进行限制性较小的建模。通过变分贝叶斯近似进行推理，并采用贝叶斯处理进行模型学习、监督分类和聚类。
Joint Models for Handling Non-Ignorable Missing Data using Bayesian Additive Regression Trees: Application to Leaf Photosynthetic Traits Data
针对非随机缺失数据，本文提出两种基于 BART 的联合模型，灵活建模多变量结果与缺失机制，有效处理响应变量及协变量缺失，并在模拟和叶片光合性状数据中验证了其有效性。
Bayesian Prediction with Covariates Subject to Detection Limits
在工业问题中，由于信号干扰或测量设备缺乏灵敏度而导致的协变量缺失值是常见的。我们提出了一个完整的贝叶斯解决方案的预测问题，一个有效的马尔可夫链蒙特卡罗（MCMC）算法，更新所有的删失协变量值联合在一个随机扫描吉布斯采样。我们发现，缺失协变量值的联合更新可以比单变量更新至少高两个数量级。这种提高的效率被证明是至关重要的快速学习缺失的协变量值和他们的不确定性在实时决策的背景下，特别是当有大量的相关性在后的缺失值。该方法进行了评估模拟数据和电信部门的数据。我们的研究结果表明，所提出的贝叶斯插补提供了更准确的预测比天真的插补，并在插补辅助变量的使用提供了额外的预测能力。
Comment on "Adv-BNN: Improved Adversarial Defense through Robust Bayesian Neural Network"
Liu等人最近的一篇论文结合了对抗训练和贝叶斯神经网络（BNN）的主题，并表明对抗训练的BNN比非贝叶斯网络更能抵抗对抗攻击。在这里，我分析了拟议的防御，并建议需要调整对抗攻击，以纳入贝叶斯网络的随机性，以执行其鲁棒性的准确评估。使用这种新型的攻击，我表明，似乎没有强有力的证据，更高的鲁棒性的对抗训练的BNN。
Bayesian Mixture Models With Focused Clustering for Mixed Ordinal and Nominal Data
在某些情况下，混合模型可以很好地拟合某些变量，而牺牲其他变量的方式超出了分析师的控制。例如，当数据包括具有非平凡量的缺失值的一些变量时，混合模型可以以具有高分数的缺失数据的变量为代价来拟合接近和完全完整的变量的边缘分布。出于这种设置，我们提出了一个混合模型的混合序数和名义数据，将变量分为两组，焦点变量和剩余变量。该模型允许分析师为焦点变量指定一个丰富的子模型，为其余变量指定一个更简单的子模型，但仍然可以捕获变量之间的关联。使用模拟，我们说明了集中聚类的优点和局限性相比，混合模型，不区分变量。我们应用该模型来处理2012年美国全国选举研究分析中的缺失值，估计投票行为，意识形态和政党关系之间的关系。
Bayesian Variable Selection for High-Dimensional Predictors with Missing Psychometric Outcomes
针对心理测量中高维多模态预测变量与缺失多变量结果，提出SHIM贝叶斯框架，结合层次马蹄收缩与缺失结果处理，模拟验证平衡灵敏度与假阳性，并应用于阿尔茨海默病队列。R包shim已公开。
Comments on "Bayesian Solution Uncertainty Quantification for Differential Equations" by Chkrebtii, Campbell, Calderhead & Girolami
本文讨论了概率数值方法中先验建模的未来研究方向，强调了在不确定性量化中需深入考虑的先验模型问题。
Prediction with Missing Data via Bayesian Additive Regression Trees
我们提出了一种方法，将缺失数据在非参数统计学习，而不需要填补。我们专注于一个基于树的方法，贝叶斯加法回归树（BART），增强了“Missingness Incorporated in Attributes”，最近提出的一种方法将missingness纳入决策树（Twala，2008）。这个过程利用了基于树的模型中的分区机制。仿真生成的模型和实际数据表明，我们提出的方法可以很好地预测复杂的失踪在随机和非失踪在随机模型，以及失踪本身影响响应的模型。我们的程序具有更高的预测性能，在许多情况下比竞争对手更稳定。我们还说明了巴士的能力，将缺失到不确定性区间，并检测缺失的模型拟合的影响。
Comment: A brief survey of the current state of play for Bayesian computation in data science at Big-Data scale
我们希望通过提供我们对贝叶斯计算当前最佳方法的看法，为“分布式贝叶斯计算的共识蒙特卡罗策略比较”的讨论做出贡献，包括大数据规模和较小的数据集，如表1所示。这个表当然是一个高度复杂的研究领域在不断（现在和可能的未来）流动的过度简化，但我们认为，构建这种类型的摘要是值得的，尽管它们的缺点，如果只是为了促进进一步的讨论。
Comment on "Bayesian astrostatistics: a backward look to the future" by Tom Loredo, arXiv:1208.3036
这篇短文指出了我在Loredo（2012）对Andreon（2012）的评论中发现的两个不一致之处，即我为《新天文学的天体统计挑战》一书撰写的章节。首先，我发现洛雷多决定把我的章节放在那些呈现简单模型的章节中是不合逻辑的，因为我的章节中所展示的模型之一被他称为“令人印象深刻的复杂性”。其次，Loredo在一个地方批评我的章节，将其与另一位作者的另一篇论文混淆，因为我的章节没有触及Loredo（2012）批评者提到的主题，即贝叶斯和频率拟合模型之间的比较。
Bayesian data combination model with Gaussian process latent variable model for mixed observed variables under NMAR missingness
在社会科学和商业领域的观测数据分析中，很难获得一个“（准）单源数据集”，其中感兴趣的变量被同时观测。相反，多源数据集通常是为不同的个人或单位采集的。已经提出了各种方法来研究每个数据集中的变量之间的关系，例如，匹配和潜在变量建模。有必要将这些数据集用作缺少变量的单源数据集。现有的方法假设要整合的数据集是从同一个群体中获得的，或者采样依赖于协变量。就缺失程度而言，该假设被称为随机缺失（MAR）。然而，正如应用研究所示，这一假设在实际数据分析中可能不成立，所得结果可能存在偏差。我们提出了一种数据融合方法，不假设数据集是同质的。对于非MAR缺失数据，我们使用高斯过程潜变量模型。该模型假设关注变量和缺失概率取决于潜变量。仿真研究和实际数据分析表明，该方法具有丢失数据机制和潜在的高斯过程，可以得到有效的估计，而现有方法只能得到严重偏差的估计.这是第一次在合理的假设条件下研究数据融合问题中的非随机分配问题。
Variational Bayesian Multiple Imputation in High-Dimensional Regression Models With Missing Responses
针对高维聚类数据多重插补的计算负担，基于线性混合效应模型与变分贝叶斯推断，结合spike-and-slab先验开发逐变量插补算法，并扩展至分类变量，有效提升了不完整数据的插补与推断性能。
Comment on 'Sparse Bayesian Factor Analysis when the Number of Factors is Unknown' by S. Frühwirth-Schnatter, D. Hosszejni, and H. Freitas Lopes
本文评论探讨了如何将稀疏性和因子选择技术应用于网络数据的潜在空间模型，以解决因子的识别问题，并指出因子载荷限制有助于实现识别。
Bayesian nonparametric inference for modal missing species and features
针对物种和特征抽样中模态缺失概率推断缺乏统一框架且现有方法过于保守的问题，提出基于贝叶斯非参数模型的统一推断框架，生成更尖锐的闭式置信区间，兼顾频率论稳健性，并经模拟和有组织犯罪应用验证。
Multiple Imputation of Missing Categorical and Continuous Values via Bayesian Mixture Models with Local Dependence
我们提出了一个非参数贝叶斯联合模型的多变量连续和分类变量，目的是开发一个灵活的引擎，多重插补的缺失值。该模型融合了分类变量多项分布的Dirichlet过程混合和连续变量多元正态分布的Dirichlet过程混合。我们将连续和分类变量之间的依赖性（i）建模的正态分布的平均值作为组件特定的功能的分类变量和（ii）形成不同的混合成分的分类和连续数据的概率，通过分层模型。这种结构允许模型捕获分类数据和连续数据之间的复杂依赖关系，而分析人员只需进行最小的调整。我们应用该模型来填补缺失值，由于项目无应答的收入和计划参与调查（SIPP）的重新设计的评价。目标是将新设计的现场测试估计值与旧设计下收集的面板中选定个体的估计值进行比较。我们表明，占缺失数据改变了一些结论的可比性分布在两个数据集。我们还进行了广泛的重复抽样模拟使用类似的数据，从完整的情况下，在现有的SIPP面板，比较我们提出的模型的默认应用程序的多重插补链式方程。在这种现实环境中，基于所提出的模型的插补往往比链式方程的默认应用具有更好的重复采样特性。
Bayesian Nonparametric Models for Biomedical Data Analysis
在这篇论文中，我们开发了非参数贝叶斯模型用于生物医学数据分析。特别地，我们关注肿瘤异质性的推断和缺失数据的推断。首先，我们提出了一个贝叶斯特征分配模型的肿瘤亚克隆重建突变对。关键的创新在于使用映射到近端单核苷酸变体（SNV）对的短读段。相比之下，大多数现有方法仅使用未配对SNV的边缘读段。在相同的背景下，使用突变对，为了恢复亚克隆的系统发育关系，我们然后开发了贝叶斯树特征分配模型。与常用的特征分配模型相比，我们允许潜在的特征是依赖的，使用树结构来引入依赖。最后，我们提出了一个非参数贝叶斯方法来处理纵向研究中的单调缺失数据。与大多数现有的方法相比，我们的方法允许从辅助协变量中整合信息，并且能够捕获响应、缺失和辅助协变量之间的复杂结构。我们的模型通过模拟研究进行验证，并应用于现实世界的生物医学数据集。
Adaptive Bayesian SLOPE -- High-dimensional Model Selection with Missing Values
我们考虑的问题，变量选择在高维设置与缺失的观测之间的协变量。为了解决这个相对不足的问题，我们提出了一个新的协同程序-自适应贝叶斯斜率-有效地结合了斜率方法（排序$l_1$正则化）与尖峰和板LASSO方法。我们将我们的方法定位在贝叶斯框架内，该框架允许同时进行变量选择和参数估计，尽管存在缺失值。与尖峰和平板LASSO一样，系数被认为是由两组组成的分层模型产生的：（1）非活动的尖峰和（2）活动的平板。然而，我们没有为每个协变量分配独立的尖峰先验，而是在这里部署了一个联合的“SLOPE”尖峰先验，它考虑了系数幅度的排序，以控制错误的发现。通过大量的模拟，我们展示了令人满意的性能，功率，FDR和估计偏差在各种情况下。最后，我们分析了一个真实的数据集，其中包括来自巴黎医院的患者，他们经历了严重的创伤，在预测血小板水平方面表现出色。我们的方法已经在C++中实现，并包装成一个R包ABSLOPE供公众使用。
A Bayesian Approach for Nonignorable Dropout in Bivariate Longitudinal Models
提出贝叶斯非参数方法处理双变量纵向数据中的非随机缺失，通过联合建模各响应的退出过程并利用识别约束处理数据复杂性，应用于成本效果评估。
Rejoinder for the discussion of the paper "A novel algorithmic approach to Bayesian Logic Regression"
在这篇答辩中，我们总结了评论，问题和评论的文件“一种新的算法方法贝叶斯逻辑回归”的讨论者。然后，我们对这些评论、问题和评论做出回应，提供原始模型的几个扩展，并提供关于我们的R包EMJMCMC的教程（http：//aliaksah.github.io/EMJMCMC2016/）
Invited Discussion of "Model Uncertainty and Missing Data: An Objective Bayesian Perspective" by Gonzalo García-Donato , María Eugenia Castellanos , Stefano Cabras Alicia Quirós , and Anabel Forte
文章从客观贝叶斯视角出发，提出一种在高斯回归框架下同时处理模型不确定性和缺失数据的方法，并探讨了填补$g$-先验与图模型模型选择的联系。
A Novel Bayesian Approach for Latent Variable Modeling from Mixed Data with Missing Values
本文研究了隐变量模型的参数学习问题。我们提出了一种新的贝叶斯高斯copula因子（BGCF）的方法，在一定的条件下是一致的，这是相当强大的违反这些条件。在模拟中，BGCF大大优于两个国家的最先进的替代方法。“Holzinger & Swineford 1939”数据集上的一个例子表明，即使数据与MLR的假设相匹配，BGCF也优于所谓的鲁棒极大似然（MLR）。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。