A novel family of beta mixture models for the differential analysis of DNA methylation data: an application to prostate cancer
针对DNA甲基化数据转换导致生物学解释性降低的问题,提出一类beta混合模型(BMMs),通过基于模型的聚类和期望最大化算法直接在未转换数据上识别差异甲基化CpG位点,并在前列腺癌应用中验证了其揭示生物学见解的实用性。
2024-11-15 stat.ME
Repulsive g-Priors for Regression Mixtures
Graduate School of Economics, Keio University(庆应义塾大学经济学研究科);Faculty of Economics, Keio University(庆应义塾大学经济学部)
本文提出了一种用于回归混合的排斥性g先验,通过在马氏度量下强制分离组件,提高模型的简洁性和预测性能。
2025-12-18 stat.ME
A k-Inflated Negative Binomial Mixture Regression Model: Application to Rate--Making Systems
本文介绍了一种k-膨胀负二项混合分布/回归模型,作为零膨胀泊松分布/回归模型的更灵活的替代。采用期望最大化算法估计模型参数。然后,将该模型与帕累托混合模型相结合,设计了一个最优费率制定系统。也就是说,本文采用了伊朗第三方保险数据集报告的索赔数量/规模。然后,它采用k-膨胀负二项混合分布/回归模型以及其他成熟的计数模型以及帕累托混合模型来模拟伊朗第三方保险数据集中报告的索赔频率/严重程度。这样的数值说明表明:({ \bf 1})在费率制定系统下,k-膨胀负二项混合模型为投保人提供了更公平的费率/纯保费;以及({ \bf 2})在投保人的过去经验中报告的索赔数量均匀分布的情况下(例如$k_1=1$和$k_2=1$而不是$k_1=0$和$k_2=2$)。k-膨胀负二项混合模型下的费率/纯保费更有吸引力且更容易接受。
2017-01-19 stat.ME
Structured Mixture of Continuation-ratio Logits Models for Ordinal Regression
提出一种基于延续比率Logit混合的非参数贝叶斯序数回归方法,利用Pólya-Gamma数据增广实现高效后验模拟,避免了协变量效应的线性假设。
2024-03-22 stat.ME
Zero-inflated Beta distribution regression modeling
生态数据经常遇到的挑战是如何解释,分析或建模具有高比例零的数据。人们对零膨胀计数数据给予了很大的关注,而对于具有丰富0的非负连续数据的模型则缺乏。我们考虑单位区间上的零膨胀数据,并在Beta回归模型的上下文中提供建模以捕获两种类型的0。我们通过潜在回归的左删失对由于偶然缺失而导致的0进行建模,并使用独立的伯努利规范对由于不适合而导致的0进行建模,以在0处创建点质量。我们首先开发的模型作为一个空间回归的环境特征,然后扩展到引入空间随机效应。我们指定模型分层,采用潜变量,适合他们在贝叶斯框架内,并提出了新的模型比较工具。我们的激励数据集包括百分比覆盖丰富的两种植物物种在收集的网站在南非的开普敦植物区系。我们发现,环境特征使学习两种类型的0的发生率以及积极的百分比覆盖。我们还表明,空间随机效应模型提高了预测性能。所提出的建模使生态学家,使用环境回归,以提取一个更好的了解物种的存在/不存在的情况下,由于不适合与失踪的机会,以及丰富时存在。
2022-05-20 stat.ME
Robust Bayesian model selection for heavy-tailed linear regression using finite mixtures
在本文中,我们提出了一种新的方法来执行重尾分布的线性模型的贝叶斯模型选择。我们考虑一个有限的混合分布模型的潜在变量,其中每个组成部分的混合物对应于一个可能的模型内的对称类的正态独立分布。当然,高斯模型是其中一种可能性。这允许基于每个模型的后验概率进行同时分析。推理是通过马尔可夫链蒙特卡罗-吉布斯抽样与大都会黑斯廷斯步骤的一类参数。模拟的例子突出了这种方法的优势相比,隔离分析的基础上任意选择的模型选择标准。给出了真实数据的示例,并介绍和讨论了对截尾线性回归的扩展。
2017-08-18 stat.ME
Small Area Estimation of Inequality Measures using Mixtures of Beta
本文提出基于Beta混合的贝叶斯层次小区域模型,用于估计基尼、泰尔和Atkinson等不平等指标,在EU-SILC数据上优于标准Beta回归,并推导了近似方差函数。
2023-09-15 stat.AP stat.ME
Log-Regularly Varying Scale Mixture of Normals for Robust Regression
由于潜在的离群值,对误差分布采用经典正态假设的线性回归可能导致回归系数的不良后验推断。本文将具有薄尾和重尾的两个分量的有限混合作为误差分布,这在应用统计学中是经常使用的。对于重尾分量,我们引入了一类新的分布;它们的密度是对数规则变化的,并且比柯西分布具有更重的尾部,但它们表示为正态分布的尺度混合,并且能够通过Gibbs采样器进行有效的后验推断。我们证明了鲁棒性的离群值的后验分布在所提出的模型与最小的一组假设,这证明了使用收缩先验与无界密度的系数向量存在离群值。通过仿真研究与现有方法进行了广泛的比较,结果表明,该模型在点估计和区间估计方面的性能以及计算效率都有所提高。此外,我们证实了我们的方法的后验稳健性的实证研究与收缩先验的回归系数。
2021-01-09 stat.ME
Handling bounded response in high dimensions: a Horseshoe prior Bayesian Beta regression approach
针对高维有界响应数据建模,提出基于 Horseshoe 先验和 Pólya-Gamma 增广的贝叶斯 Beta 回归方法,并首次给出后验一致性理论证明,在估计精度和可解释性上优于现有方法。
2025-05-28 math.ST stat.ME stat.ML
Robust mixture regression with Exponential Power distribution
假设指数幂分布是处理回归和聚类中离群值的一种方法,这可以增加分析的鲁棒性。高斯分布是指数分布的一种特殊情况。指数幂分布可以看作是正态分布的尺度混合。因此,模型选择方法开发的高斯混合模型可以很容易地扩展到指数幂混合模型。此外,高斯混合模型在实际情况下倾向于选择比指数幂混合模型更多的分量,这意味着指数幂混合模型更容易解释。本文研究了误差服从指数幂次分布的混合回归模型。它对异常值具有鲁棒性,并且模型选择易于实现。
2020-12-19 stat.CO stat.ME
Mixed Beta Regression: A Bayesian Perspective
本文建立在最近的研究,重点是连续有界数据的回归建模,如在连续尺度上测量的比例。具体来说,它涉及来自贝叶斯方法的混合效应的beta回归模型。我们使用一个合适的参数化的贝塔法在其平均值和精度参数,并允许这两个参数通过回归结构,可能涉及固定和随机效应建模。规范的先验分布进行了讨论,通过吉布斯抽样的计算实现,并给出了说明性的例子。
2012-11-14 stat.CO
Bayesian Analysis of the Beta Regression Model Subject to Linear Inequality Restrictions with Application
针对受线性不等式约束的广义线性模型研究不足的问题,提出Beta回归模型的贝叶斯约束估计量,经模拟和真实数据验证,其估计精度更优且无需正则化即可实现参数稀疏性。
2024-01-24 stat.CO stat.ME
Mixtures of Spatial Spline Regressions
我们提出了一个扩展的功能性数据分析框架的单变量函数的表面分析:两个变量的功能。空间样条回归(SSR)的方法可以用来模拟表面上采样的矩形域。此外,SSR与线性混合效应模型(LMM)相结合,允许表面的群体的分析,并结合联合SSR-LMM方法与有限混合模型允许与子家族结构的表面的群体的分析。通过混合空间样条回归(MSSR)的方法开发,我们提出的方法聚类表面到子家庭,并进行基于表面的判别分析。我们的方法的有效性,以及SSR模型的建模能力进行评估,通过应用手写字符识别。
2013-06-14 stat.CO stat.ME
Surrogate Model For Field Optimization Using Beta-VAE Based Regression
Visage Technology
油田开发相关的决策是使用基于油藏模拟的优化研究,其中不同的生产方案和井控制进行了比较。这种模拟在计算上是昂贵的,因此使用代理模型来加速研究。深度学习过去曾被用于生成替代模型,但此类模型通常无法量化预测的不确定性,并且不可解释。在这项工作中,β-VAE为基础的回归,提出了生成模拟替代品用于优化工作流程。beta-VAE使潜在空间中的决策变量的可解释的、因子化的表示成为可能,然后进一步用于回归。概率密集层用于量化预测的不确定性,并支持近似贝叶斯推理。使用基于β-VAE的回归开发的代理模型发现可解释的和相关的潜在表征。合理的β值确保因子解纠缠和重构之间的良好平衡。概率密集层有助于量化目标函数的预测不确定性,然后用于决定是否需要对案例进行全物理模拟。
2022-02-27 cs.LG stat.ML
Consistent Bayesian Sparsity Selection for High-dimensional Gaussian DAG Models with Multiplicative and Beta-mixture Priors
高维多元数据的协方差阵估计是现代统计学中一个具有挑战性的重要问题。在本文中,我们专注于高维高斯DAG模型,稀疏性诱导的逆协方差阵的Cholesky因子L。在最近的工作中,([Cao,Khare和Ghosh,2019]),我们为分层贝叶斯DAG模型建立了高维稀疏选择一致性,其中Erdos-Renyi先验被放置在Cholesky因子L中的稀疏模式上,并且DAG-Wishart先验被放置在产生的非零Cholesky条目上。在本文中,我们显着改进和扩展这项工作,(a)考虑更多样化和有效的先验的稀疏模式在L中,即β-混合先验和乘法先验,(b)建立稀疏选择一致性显着放宽条件下的p,和真实模型的稀疏模式。我们通过数值模拟证明了我们的理论结果的有效性,并使用进一步的模拟来证明我们的稀疏性选择方法与现有的最先进的方法,包括频率论和贝叶斯方法在各种设置中具有竞争力。
2019-03-08 math.ST stat.ME stat.TH
Modelling and computation using NCoRM mixtures for density regression
归一化复合随机测度是相关分布的灵活非参数先验。本文考虑利用归一化复合随机测度混合模型建立一般的非参数回归模型。后验推断是使用一种新的伪边缘Metropolis-Hastings采样归一化复合随机测度混合模型。该算法利用一种新的一般方法来无偏估计拉普拉斯泛函的复合随机措施(其中包括完全随机措施作为一种特殊情况)。密度回归问题的方法进行了说明。
2017-08-31 stat.AP stat.CO stat.ME
Compositional Outcomes and Environmental Mixtures: the Dirichlet Bayesian Weighted Quantile Sum Regression
本研究提出Dirichlet-BWQS回归,用于联合建模组合结局与环境混合物,可同时估计混合物权重及总体暴露指数与各结局比例的关联,并通过模拟和真实数据验证,提供R包实现。
2025-03-28 stat.AP stat.ME
Spatial Clustering Regression of Count Value Data via Bayesian Mixture of Finite Mixtures
本文提出贝叶斯有限混合之混合空间聚类回归模型,利用 Markov 随机场先验识别 Poisson 回归系数的空间同质性,并辅以理论、MCMC 算法、模拟和佐治亚州数据验证。
2023-06-04 stat.AP stat.CO stat.ME
Bayesian Modal Regression based on Mixture Distributions
本文提出基于单峰混合分布的贝叶斯众数回归统一框架,推导后验正常性条件,并通过模拟和实际数据证明其对离群点稳健、能发现均值或中位数回归遗漏的协变量效应并构建更紧的预测区间。
2024-06-28 stat.AP stat.ME
Density regression via Dirichlet process mixtures of normal structured additive regression models
本文提出单权重相依 Dirichlet 过程正态结构化加法回归混合模型,利用惩罚 B 样条和张量积实现灵活密度回归,并通过闭式满条件分布支持高效 Gibbs 后验推断。
2024-05-13 stat.AP stat.ME
Liu-type Shrinkage Estimators for Mixture of Poisson Regressions with Experts: A Heart Disease Study
针对带有专家的泊松回归混合模型在多重共线性下设计矩阵病态的问题,提出Ridge和Liu型收缩方法,在保持分类性能的同时提供更可靠的系数估计,并应用于心脏病研究。
2023-09-11 stat.CO stat.ME stat.ML
Posterior consistency of Dirichlet mixtures of beta densities in estimating positive false discovery rates
近年来,多重假设检验已成为统计研究的前沿,表面上与基因组学和其他一些新兴领域的应用有关。错误发现率(FDR)及其变体提供了非常重要的概念,在这种情况下,错误的经典测试问题中的错误概率的作用。准确估计阳性FDR(pFDR),FDR的一种变体,在评估和控制这一措施是必不可少的。在最近的一篇论文中,作者提出了一种基于模型的非参数贝叶斯方法来估计pFDR函数。特别地,p值的密度被建模为降低的β密度的混合物,并且适当的狄利克雷过程被认为是混合度量的先验。结果表明,所产生的程序在模拟中工作良好。在本文中,我们提供了一些理论结果来支持β混合模型的密度的p值,并表明,在适当的条件下,所得到的后验是一致的假设的数量增长到无穷大。
2008-05-15 math.ST stat.TH
Functional Mixture Discriminant Analysis with hidden process regression for curve classification
Institut Universitaire de France(法兰西大学研究院)
我们提出了一种新的基于混合模型的判别分析方法的功能数据使用一个特定的隐藏过程回归模型。该方法允许拟合灵活的曲线模型,以每一类复杂形状的曲线呈现政权的变化。通过使用专用的期望最大化(EM)算法,最大化每个类的数据对数似然来学习模型参数。仿真数据与其他方法的比较表明,所提出的方法提供了更好的结果。
2013-12-25 cs.LG stat.ME stat.ML
SMIXS: Novel efficient algorithm for non-parametric mixture regression-based clustering
University of Ljubljana(卢布尔雅那大学);Slovenian Environment Agency(斯洛文尼亚环境署);Tampere University(坦佩雷大学)
我们研究了一种新的基于非参数回归的聚类算法用于纵向数据分析。该算法结合自然三次样条函数和高斯混合模型(GMM),可以产生平滑的聚类均值,很好地描述了底层数据。然而,该算法也存在一些缺点:参数估计过程计算复杂度高,方差估计量数值不稳定。因此,为了进一步提高该方法的可用性,我们采用了一些方法来降低其计算复杂性,我们开发了一种新的,更稳定的方差估计,我们开发了一个新的平滑参数估计过程。我们表明,开发的算法,SMIXS,在合成数据集上的聚类和回归性能优于GMM。我们展示了计算速度的影响,我们正式证明在新的框架。最后,我们进行了一个案例研究,通过使用SMIXS集群垂直大气测量,以确定不同的天气制度。
2022-09-19 cs.AI stat.ME
Modeling bounded well-being indices using Bayesian double generalized beta regression with spatial and temporal borrowing
Boston University School of Public Health(波士顿大学公共卫生学院)
提出贝叶斯双广义贝塔回归框架,利用空间和时间借力建模受限个体幸福感指数,提升稀疏数据区域估计精度,发现收入、教育和婚姻状况与幸福感最相关。
2026-09-23 stat.AP stat.ME
Hierarchical mixtures of Unigram models for short text clustering: The role of Beta-Liouville priors
Department of Precision and Regenerative Medicine and Jonian Area (DiMePRe-J)(精准与再生医学系及乔尼亚区);University of Bari Aldo Moro(巴里阿尔多·莫罗大学);Sirio Astronomical Observatory(西里奥天文台);Grotte di Castellana srl(卡斯特尔纳纳洞窟有限公司)
本文针对短文本无监督聚类,提出以 Beta-Liouville 先验替代 Dirichlet 先验的多项式混合模型,并推导 CAVI 及其随机可扩展推断算法,给出超参数选择策略。
2025-04-28 cs.LG stat.CO stat.ML
Negative Binomial Process Count and Mixture Modeling
在负二项(NB)过程下,计数和混合建模的看似不相交的问题被统一起来。一个伽玛过程的泊松过程,其归一化提供了一个随机的概率测度的混合建模和其边缘化导致一个NB过程的计数建模的速率测量建模。从NB过程中提取的数据由泊松分布的有限数量的不同原子组成,每个原子与对数分布的数据样本数量相关联。我们揭示了各种计数和混合建模分布之间的关系,并构建了一个连接NB和中国餐厅餐桌分布的泊松对数二元分布。的模型的基本属性的开发,我们得到有效的贝叶斯推断。研究表明,通过增广和归一化,NB过程和γ-NB过程可分别化为Dirichlet过程和分层Dirichlet过程.这些关系突出了NB过程的理论、结构和计算优势。还构造了具有不同共享机制的各种NB过程,包括beta-几何、beta-NB、marked-beta-NB、marked-gamma-NB和零膨胀NB过程。这些模型被应用到主题建模,与现有的算法泊松因子分析下的连接。算例结果表明了同时推断NB色散和概率参数的重要性。
2013-10-13 stat.ME stat.ML
Neural Mixture Distributional Regression
LMU Munich(慕尼黑大学)
我们提出了神经混合分布回归(NMDR),一个整体框架来估计由灵活的添加剂预测定义的复杂的有限混合分布回归。我们的框架能够在高维环境中处理大量潜在不同分布的混合物,允许高效和可扩展的优化,并可应用于将结构化回归模型与深度神经网络相结合的最新概念。虽然许多现有的混合模型方法解决了优化这些模型的挑战,并在特定的模型假设下提供了收敛结果,但我们的方法是无约束的,而是利用了深度学习中成熟的优化器。通过大量的数值实验和高维深度学习应用程序,我们提供的证据表明,所提出的方法是有竞争力的现有方法,并在更复杂的情况下工作得很好。
2020-10-14 cs.LG stat.CO stat.ML
Model-based functional mixture discriminant analysis with hidden process regression for curve classification
Université de Toulon(土伦大学);Aix Marseille Université(艾克斯-马赛大学);ENSAM(国立高等工程技术学院);Institut Universitaire de France(法国大学研究院);IFSTTAR(法国交通与安全科学技术研究所)
在本文中,我们研究的建模和分类的功能数据呈现政权随时间的变化。我们提出了一种新的基于模型的功能混合判别分析方法的基础上,一个特定的隐藏过程回归模型,管理政权随时间的变化。我们的方法是特别适合于处理复杂形状的曲线类的问题,其中每个类是潜在的几个子类组成,并处理每个同质子类内的政权变化。该模型通过混合模型公式明确地集成了每类曲线的异质性,并且通过隐藏的逻辑过程在每个子类内改变政权。每一类复杂形状的曲线是由有限数量的同质集群,他们中的每一个被分解成几个政权。通过使用专用的期望最大化(EM)算法最大化数据对数似然来学习每个类的模型参数。比较与替代曲线分类方法,包括功能线性判别分析和功能混合判别分析与多项式回归混合物和样条回归混合物。模拟数据和实际数据的实验结果表明,该方法在判别力方面优于其他方法,并显着提高了曲线的逼近。
2013-12-25 cs.LG math.ST stat.ME
Uniform Consistency in Nonparametric Mixture Models
本文研究了非参数混合模型以及密切相关的混合回归(也称为混合回归)模型的一致相合性,其中允许回归函数是非参数的,并且假设误差分布是高斯密度的卷积。我们在一般条件下构造一致一致性估计,同时突出了几个痛点,在扩展现有的逐点一致性结果,以统一的结果。由此产生的分析结果是不平凡的,并在此过程中开发了一些新的技术工具。在混合回归的情况下,我们证明了$L^1$收敛的回归函数,同时允许组件回归函数相交任意经常,这提出了额外的技术挑战。我们还考虑一般(即非卷积)非参数混合的推广。
2022-12-28 math.ST stat.ML stat.TH
Spectral Experts for Estimating Mixtures of Linear Regressions
Stanford University(斯坦福大学)
判别潜变量模型通常使用EM或基于梯度的优化来学习,这会受到局部最优的影响。在本文中,我们开发了一个新的计算效率和可证明的一致性估计的混合线性回归,一个简单的例子,一个判别潜在变量模型。我们的方法依赖于低秩线性回归来恢复对称张量,可以使用张量幂方法将其分解为参数。我们证明了我们的估计的收敛速度,并提供了一个实证评估,说明其相对于局部优化(EM)的优势。
2013-06-17 cs.LG stat.ML
Piecewise regression mixture for simultaneous functional data clustering and optimal segmentation
Aix Marseille Université(艾克斯-马赛大学);Université de Toulon(土伦大学)
本文介绍了一种新的混合模型为基础的方法,同时聚类和最佳分割的功能数据,这是曲线政权的变化。所提出的模型包括在一个有限的混合分段多项式回归模型。每个分段多项式回归模型与聚类相关联,并且在每个聚类内,每个分段多项式分量与状态(即,段)。我们推导出两种方法来学习模型参数。前者是一种估计方法,包括通过一个专用的期望最大化(EM)算法最大限度地提高数据的似然性。然后通过最大化后验聚类概率,在收敛时得到K个聚类中曲线的模糊划分。然而,后者是一种分类方法,并通过专用的分类期望最大化(CEM)算法优化特定的分类可能性标准。采用动态规划法进行最优曲线分割。在分类方法中,曲线聚类和最优分割都是在CEM学习过程中同时进行的。我们证明了分类方法是概率版本,它推广了Hébrail等人(2010)提出的确定性K-means算法。所提出的方法进行评估,使用模拟曲线和现实世界的曲线。与包括回归混合模型和分段回归的K-means算法在内的替代方案的比较表明了该方法的有效性。
2014-04-30 cs.LG math.ST stat.ME
Adaptive Bayesian nonparametric regression using kernel mixture of polynomials with application to partial linear model
本文提出了一种贝叶斯非参数回归的核混合多项式先验。回归函数由具有核混合权重的多项式的局部平均来建模。我们得到的最小最优收缩率的充分后验分布的对数因子,适应的平滑程度的真实功能,通过估计某些功能类的度量熵。我们还提供了一个频率筛最大似然估计与接近最佳的收敛速度。我们进一步研究了多项式的核混合对部分线性模型的应用,并获得了非参数分量的近最优收缩率和Bernstein-von Mises极限(即,渐近正态性)。所提出的方法与数值例子说明,并显示优越的性能相比,本地多项式回归,DiceKriging,和强大的高斯随机过程的计算效率,精度和不确定性量化。
2018-09-13 math.ST stat.TH
Transformers can optimally learn regression mixture models
UC Berkeley(加州大学伯克利分校);Google Research(谷歌研究院)
本研究证明Transformer能学习回归混合模型的最优预测器,通过构造生成过程并实验验证其低误差、样本高效及鲁棒性,且理论上证明最优过程可由Transformer实现。
2023-11-14 cs.LG stat.ML
Mixtures of Gaussian Processes for regression under multiple prior distributions
Otto-Friedrich-University(奥托-弗里德里希大学)
在构建贝叶斯机器学习模型时,我们可能会面临多个不同的先验分布,因此需要在模型中以合理的方式适当考虑它们。虽然这种情况在经典贝叶斯统计中得到了很好的探索,但对于复杂的机器学习问题,开发相应的方法似乎很有用。考虑到它们的基本贝叶斯框架及其广泛的流行性,高斯过程是解决这一任务的良好候选者。因此,我们扩展了高斯过程回归的混合模型的思想,以便同时处理多个先验信念-分析回归公式和稀疏变分方法都被考虑。此外,我们考虑使用我们的方法,另外占功能回归问题中的先验误指定的问题。
2021-04-19 cs.LG stat.ML
PReMiuM: An R Package for Profile Regression Mixture Models using Dirichlet Processes
PReMiuM是最近开发的R包贝叶斯聚类使用Dirichlet过程混合模型。该模型是回归模型的替代模型,通过聚类成员关系将响应向量与协变量数据非参数化地联系起来。该软件包支持Bernoulli、Binomial、Poisson、Normal和分类响应,以及Normal和离散协变量。此外,可以对响应进行预测,并处理协变量的缺失值。几个采样器和标签切换移动与诊断工具一起实施,以评估收敛。还提供了一些用于输出后处理的R函数。除了拟合混合物之外,还可能需要确定哪些协变量主动驱动混合物成分。这在包中作为变量选择实现。
2014-04-25 stat.CO
Hierarchical Mixture-of-Experts Model for Large-Scale Gaussian Process Regression
Imperial College London(帝国理工学院)
提出了一种实用的、可扩展的大规模非线性概率回归高斯过程模型。我们的混合专家模型在概念上是简单的,分层重组计算的一个完整的高斯过程的整体近似。封闭形式和分布式计算允许高效和大规模的并行化,同时保持内存消耗小。如果有足够的计算资源,我们的模型可以处理任意大的数据集,没有显式稀疏近似。我们提供了强有力的实验证据表明,我们的模型可以应用于规模远远超过数百万的大型数据集。因此,我们的模型有可能为一般大规模高斯过程的研究奠定基础。
2014-12-09 cs.AI cs.LG stat.CO
Dirichlet Process Mixtures of Generalized Linear Models
我们提出了狄利克雷过程混合广义线性模型(DP-GLM),一种新的非参数回归方法,可容纳连续和分类的输入,和响应,可以模拟的广义线性模型。我们证明了DP-GLM回归均值函数估计的渐近无偏性的条件。我们还给出了当这些条件成立时的例子,包括紧支持的连续分布模型和具有连续协变量和分类响应的模型。我们实证分析的DP-GLM的属性,为什么它提供了更好的结果比现有的Dirichlet过程混合物回归模型。我们评估DP-GLM的几个数据集,比较它的现代非参数回归方法,如CART,贝叶斯树和高斯过程。与现有技术相比,DP-GLM提供了一个单一的模型(和相应的推理算法),在许多回归设置中表现良好。
2010-07-15 stat.ML
A finite mixture model approach to regression under covariate misclassification
本文考虑了在回归建模的背景下,误测的分类协变量的问题,如果不考虑,这种误分类是已知的,导致模型参数的误估计。在这里,我们利用这样一个事实,即显式建模协变量误分类导致混合表示。假设常见的参数家庭的混合物成分,并假设误分类的发生是独立的响应变量,混合物表示允许模型参数被识别,即使当误分类概率是未知的。以前的协变量误分类方法使用多个替代协变量和/或验证数据的误差幅度。基于这种混合结构,我们证明了有效的推断,可以进行所有的参数,即使没有这样的额外信息。使用贝叶斯推理,该方法允许从与外部信息相结合的数据中学习错误的大小,当这样的信息确实变得可用时。该方法用于调整HIV相关肺部感染和并发症(肺部HIV)纵向研究中自我报告的可卡因使用的错误分类。我们发现可卡因的使用对肺气肿的相对面积测量的肺部并发症有实质性的和统计学上显著的影响,而不调整错误分类的回归产生了小得多的估计。
2017-04-26 math.ST stat.TH
Consistent Bayesian Information Criterion Based on a Mixture Prior for Possibly High-Dimensional Multivariate Linear Regression Models
在多元线性回归模型的变量选择问题中,我们基于光滑分布和δ分布的混合先验,导出了新的贝叶斯信息准则。每一个都可以解释为赤池信息准则(AIC)和贝叶斯信息准则(BIC)的融合。继承了它们的渐近性质,我们的信息准则在大样本和高维渐近框架下的变量选择是一致的。在数值模拟中,基于我们的信息准则的变量选择方法在大多数情况下以高概率选择真实的变量集。
2022-08-19 math.ST stat.TH
Clustering electricity consumers using high-dimensional regression mixture models
现在,新的计量技术和智能电网为个人(家庭、中小型企业)消费提供了大量信息。这些数据的两个主要开发是在电网上不同规模的负载分析和预测。基于负载分类的客户细分是实现这些目的的自然方法。我们在这里提出了一种基于高维回归模型混合的新方法。我们的方法的新颖之处在于,我们专注于发现对应于不同回归模型的类或聚类。因此,这些类可以用于分析和预测每个类或用于统一视图中的自下而上的预测。我们考虑爱尔兰个人消费者的4,225米的真实数据集,每个人在1年内每天有48个半小时的抄表:从2010年1月1日到2010年12月31日,以证明我们的方法的可行性。
2015-07-01 stat.AP
On the identifiability of Dirichlet mixture models
La Trobe University(拉筹伯大学);Kyushu University(九州大学);University of Glasgow(格拉斯哥大学)
研究Dirichlet混合模型在单纯形内部的可识别性,证明了有限混合Dirichlet分布的非可识别性,并在固定总参数切片和受限区域中恢复可识别性,同时指出有限混合广义Dirichlet等模型的非可识别性。
2026-03-23 math.ST stat.TH
Generalized Earthquake Frequency-Magnitude Distribution Described by Asymmetric Laplace Mixture Modelling
地震频率-震级分布(FMD)的完整部分,在完整震级mc以上,由古登堡-里克特定律很好地描述。然而,由于地震网络配置,参数mc在空间上变化,产生低于max(mc)的卷积FMD形状。本文研究了广义FMD(GFMD)的形状,其可以被描述为被定义为模mc的不对称拉普拉斯分布的元素FMD(eFMD)的混合物[Mignan,2012,https://doi.org/10.1029/2012JB009347]。因此,提出了一种非对称拉普拉斯混合模型(GFMD-ALMM),其参数(检测参数kappa、Gutenberg-Richter β值、mc分布以及eFMD分量的数量K和权重w)使用包括模型复杂性的BIC惩罚的半监督硬期望最大化方法来估计。所提出的方法的性能进行了分析,得到令人鼓舞的结果:卡帕,β,和MC分布范围检索不同的GFMD形状的模拟,以及在区域目录(南加州和北加州,内华达州,台湾,法国),在全球目录,并在余震序列(基督城,新西兰)。我们发现max(mc)与其他方法相比是保守的,在大多数目录中kappa = k/log(10)= 3(与beta = b/log(10)= 1相比),但当舍入误差低于完整性时,kappa和beta可能会出现偏差。GFMD-ALMM通过以自主方式模拟不同的FMD形状,为不完整地震活动性数据领域的新统计分析打开了大门,理论上可以通过考虑c.十倍以上的事件。
2018-10-17 physics.geo-ph stat.AP stat.ML
On quantile residuals in beta regression
Beta回归通常用于对假设开放区间(0,1)上的值的因变量与一组预测变量之间的关系进行建模。贝塔回归中的一个重要挑战是找到分布很好地近似于标准正态分布的残差。之前的两个作品比较了beta回归中的残差,但作者没有包括分位数残差。利用蒙特卡罗模拟技术,研究了Beta回归中某些残差在几种情形下的行为。总体而言,结果表明,在大多数情况下,分位数残差的分布比其他残差更接近标准正态分布。三个应用说明了分位数残差的有效性。
2017-04-10 stat.ME
Errors-in-variables beta regression models
Beta回归模型为建模限于区间(0,1)的连续结果提供了足够的方法。本文讨论了beta回归模型的扩展,允许解释变量被测量的误差。采用结构化方法,将测量误差的协变量假设为随机变量。提出了三种估计方法,即极大似然法、极大伪似然法和回归校正法。蒙特卡罗模拟被用来评估所提出的估计和朴素估计的性能。同时,对具有测量误差的β回归模型进行了残差分析.结果显示在一个真实的数据集。
2013-04-10 stat.ME
Beta regression control chart for monitoring fractions and proportions
回归控制图通常用于监控与控制变量相关的感兴趣的变量。但是,对于分数和/或比例数据,使用标准回归控制图可能不充分,因为线性回归模型假定相关变量呈正态分布。为了解决这个问题,我们提出了beta回归控制图(BRCC)。当分数、比率和/或比例数据集与控制变量相关时,BRCC可用于监测这些数据集。建议的控制图假设贝塔分布变量的均值和离差参数与外生变量相关,使用回归结构建模。通过广泛的蒙特卡罗模拟研究的BRCC数值评估,表现出良好的性能,在平均运行长度(ARL)。两个应用程序的实际数据,证明所提出的方法的实用性。
2018-04-04 stat.ME
Robust Inference under the Beta Regression Model with Application to Health Care Studies
关于比率、百分比或比例的数据经常出现在许多不同的应用学科中,如医学生物学、卫生保健、心理学和其他几个学科。在本文中,我们开发了一个稳健的推断过程的β回归模型,这是用来描述这样的响应变量采取值在$(0, 1)$通过一些相关的解释变量。关于贝塔回归模型,鲁棒性的问题在文献中一直被忽视。现有的基于极大似然的推理对数据中的离群值严重缺乏鲁棒性,并且在存在数据污染的情况下产生截然不同的(错误的)推理。在这里,我们开发了稳健的最小密度幂散度估计和一类稳健的Wald型测试的beta回归模型以及几个应用。通过影响函数分析,我们得到了它们的渐近性质,并从理论上描述了它们的鲁棒性。有限样本性能的估计和测试,通过适当的模拟研究和实际数据的应用,在医疗保健和心理学的背景下进行检查。虽然我们主要集中在一个固定的分散参数的β回归模型,一些迹象也提供了扩展到可变的分散β回归模型的应用。
2018-01-15 stat.ME
A parametric quantile beta regression for modeling case fatality rates of COVID-19
受COVID-19病死率(CFR)的启发,本文基于广义三参数贝塔(GB 3)分布建立了一个全参数分位数回归模型。Beta回归模型主要用于对比率和比例进行建模。然而,这些模型通常是指定的条件平均值。因此,如果观察到的响应变量遵循非对称分布(如CFR数据),则这些数据可能不充分。此外,β回归模型不考虑协变量在因变量范围内的影响,这可以通过条件分位数方法来实现。为了引入所提出的GB 3回归模型,我们首先通过插入分位数参数来重新参数化GB 3分布,然后我们开发了新提出的分位数模型。我们还提出了一个简单的解释预测响应关系的百分位数的增加/减少。进行蒙特卡罗研究以评估最大似然估计的性能和链接函数的选择。最后,来自智利的一个真实的COVID-19数据集进行了分析和讨论,以说明所提出的方法。
2021-10-09 stat.ME
Thinking inside the bounds: Improved error distributions for indifference point data analysis and simulation via beta regression using common discounting functions
本文提出非线性 beta 回归模型以改进无差异点数据分析与模拟,自动捕捉非恒定方差、遵循数据自然边界,并通过尺度-位置-截断技巧处理零一值,且贴现率估计与标准非线性回归高度一致。
2024-06-06 stat.ME
Robust inference in inflated beta regression
Department of Statistics, University of São Paulo(圣保罗大学统计系)
本文提出稳健估计器以缓解最大似然推断的不足,同时保持膨胀贝塔框架的简洁和可解释性,并通过模拟研究和实际数据应用展示其优势。
2026-05-13 stat.ME
Improved estimators in beta prime regression models
本文研究了最近由\cite{bour18}提出的β素数回归模型,该模型适用于响应连续且仅限于正实数且具有偏尾和长尾的情形,且回归结构包含回归变量和未知参数.我们考虑两种不同的策略的偏差校正的最大似然估计的参数,指数模型。特别是,我们讨论了模型的均值和离散参数的偏差校正估计。此外,作为替代的两个分析偏差校正估计讨论,我们考虑的偏差校正机制的基础上的参数自助。数值结果表明,偏差校正方案产生接近无偏估计。给出了一个实际数据的例子并进行了讨论。
2020-08-26 stat.ME
A general class of zero-or-one inflated beta regression models
本文提出了一类一般的连续比例回归模型,当数据包含0或1时。所提出的一类模型假设响应变量具有连续-离散分布的混合分布,概率质量为0或1。β分布用于描述模型的连续分量,因为其密度具有广泛的不同形状,这取决于指示分布的两个参数的值。我们使用一个合适的参数化的贝塔法在其平均值和精度参数。混合分布的参数被建模为回归参数的函数。我们为这类模型提供了推理、诊断和模型选择工具。一个实际的应用,采用真实的数据。
2011-11-02 stat.ME
Bartlett corrections in beta regression models
我们考虑在β回归模型中执行精确的小样本检验推断的问题,这对于建模假设$(0,1)$中的值的连续变量(例如比率和比例)是有用的。我们推导出Bartlett校正的似然比检验统计量,也考虑自助Bartlett校正。使用蒙特卡罗模拟,我们比较有限样本的性能的两个校正测试的标准似然比检验,也到它的变体,采用Skovgaard的调整,后者已经在文献中。数值证据支持我们提出的修正检验。我们还提出了一个经验的应用。
2015-01-29 stat.ME
Robust beta regression through the logit transformation
University of São Paulo(圣保罗大学)
本文提出新的稳健估计方法,用于解决beta回归模型中最大似然估计的鲁棒性不足问题,通过渐近性质和稳健检验方法提升模型可靠性。
2022-09-22 stat.ME