Small Area Estimation via Multivariate Fay-Herriot Models with Latent Spatial Dependence
Fay-Herriot模型是直接调查估计的标准模型,其中真正感兴趣的数量,超总体平均值是潜在的,并且通过使用辅助协变量来改进其估计。在小面积估计的背景下,这些估计可以通过借用跨空间区域的强度或同时考虑多个结果来进一步改进。我们在这里提供了两个公式来执行小面积估计与Fay-Herriot模型,包括多变量的结果和潜在的空间依赖。我们考虑两个模型配方,其中一个结果的空间依赖结构是可分离的和一个帐户的交叉依赖,通过使用广义多元条件自回归(GMCAR)结构。GMCAR模型显示在一个国家级的例子,以产生较小的均方预测误差,相对于等效的人口普查变量,比可分离的模型和国家的最先进的多变量模型与非结构化的依赖性之间的结果和没有空间依赖性。此外,GMCAR和可分离模型在对美国社区调查的县级数据进行小面积估计时,均方预测误差小于最先进的模型。
2013-10-27 stat.ME
A Latent Trajectory Analysis for Multivariate Outcomes with Mixed-Scale: Application to Alzheimer's Disease Neuroimaging Initiative
Department of Biostatistics, Boston University School of Public Health(波士顿大学公共卫生学院生物统计系)
本研究提出针对混合尺度多元纵向结局的新型潜在轨迹模型,结合期望最大化算法,将其应用于ADNI研究,以识别动态亚组、揭示预后指标,支持个体化治疗规划。
2026-08-10 stat.ME
Modeling Multivariate Spatial-Temporal Data with Latent Low-Dimensional Dynamics
高维多变量时空数据在广泛的应用中经常出现,然而,有相对较少的统计方法,可以同时处理大数据集的空间,时间和变量的依赖关系。在本文中,我们提出了一种新的方法,利用变量,空间和时间的相关性,以实现降维,并促进在高维设置的空间/时间预测。多元时空过程表示为低维潜在因子过程的线性变换。因子过程的空间依赖结构进一步表示为潜在的经验正交函数的非参数化。低维结构在我们的环境中是完全未知的,完全是从空间上不规则但随时间规律收集的数据中学习的。我们提出了创新的估计和预测方法的基础上潜在的低秩结构。建立了估计量和预报量的渐近性质。对合成数据集和真实数据集的大量实验表明,虽然维度显着降低,但空间,时间和变量协方差结构在很大程度上得到了保留。我们的方法的有效性进一步证实了合成和真实数据集上的预测性能。
2020-02-02 stat.ME
A Latent Variable Approach to Learning High-dimensional Multivariate longitudinal Data
London School of Economics and Political Science(伦敦政治经济学院);The Chinese University of Hong Kong(香港中文大学)
本文提出了一种潜在变量模型,用于处理高维多变量纵向数据,通过引入未观测因素来建模变量间和时间上的依赖性,并应用于预测客户购物行为。
2025-12-08 stat.ME
Latent Variable Model for Multivariate Data with Measure-specific Sample Weights and Its Application in Hospital Compare
我们开发了一个单因素模型与测量特定的样本权重的多变量数据与多个观察指标聚集在一个更高的水平主题。因此,该因素是同一主题内多个指标共享的潜变量,不同指标和不同主题的样本权重不同。即使在对潜变量进行积分之后,数据的似然性也不能写成每个主题的加权似然性之和,因为主题对于其多个指标具有不同的样本权重。此外,可用指标的数量因主题而异。我们推导出一个伪似然的潜变量模型与测量特定的权重。我们调查的各种统计特性的潜变量模型与测量特定的样本权重和传统的因子分析的连接。我们发现,潜变量模型提供了相合估计的方差时,测量特定的样本权重进行适当的重新调整。提出了两种估计方法--伪似然的期望最大化算法和直接积分隐变量的伪似然边缘化方法,得到参数估计。通过对公开报道的医院的指标和样本权重的分析,说明了这种方法。数值研究进行调查的权重和它们的样本分布的影响。
2019-10-18 stat.ME
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
Non-Parametric Simulation of Multivariate Extreme Events via Spectral Bootstrap
Université Paris Cité(巴黎西岱大学);CNRS(法国国家科学研究中心);Univ Brest(布雷斯特大学);Sorbonne Université(索邦大学);Université Claude Bernard Lyon 1(里昂第一大学)
本文提出一种非参数模拟方法,通过多变量广义极值分布的频谱表示,生成额外的极值数据以提升极值推断的可靠性,适用于高维极值场景的风险评估。
2026-04-10 stat.ME
Multivariate Spatial-temporal Prediction on Latent Low-dimensional Functional Structure with Non-stationarity
多变量时空数据越来越频繁地出现在广泛的应用中,然而,有相对较少的通用统计方法,可以很容易地使用,同时将空间,时间和变量的依赖关系。在本文中,我们提出了一种新的方法来表示非参数化的线性相关结构的多变量时空过程的潜在的共同因素。通过矩阵因子模型的配置,很好地保留了多变量时空过程观测值的矩阵结构。空间荷载函数通过筛近似非参数估计,可变荷载矩阵通过对称非负定矩阵的特征分析估计。虽然沿空间模式的因子分解类似于空间统计学中的低秩近似方法,但根本区别在于,在我们的设置中,低维结构是完全未知的。此外,我们的方法适应空间上的非平稳性。估计的载荷函数便于空间预测。对于时间预测,我们通过利用一阶MAR(1)的矩阵自回归模型来保持每个时间点的观测值的矩阵结构。所提出的方法的渐近性质的建立。在合成数据集和真实数据集上研究了该方法的性能
2017-11-11 stat.ME
Analytic Standard Errors for Latent Gaussian Discrete-Valued Multivariate Time Series
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Technical University of Munich(慕尼黑工业大学);Cornell University(康奈尔大学)
针对离散值时间序列建模方法不足的问题,提出基于潜在平稳高斯向量序列的copula式多元模型,推导解析标准误差以促进对潜在高斯动态的推断,并通过模拟研究和实证应用检验其性能。
2026-07-07 stat.ME
Multivariate Tail Estimation: Conditioning on an extreme event
我们考虑规则变化的随机向量。我们的目标是以非参数的方式估计一些与极端事件有关的特征,如尾部依赖系数。我们引入了一个准谱分解,可以提高估计的效率。估计量的渐近正态性是基于尾经验过程的弱收敛。理论结果得到了模拟研究的支持。
2015-02-25 stat.ME
On the number of signals in multivariate time series
我们假设一个二阶源分离模型,其中所观察到的多元时间序列是一个潜在的,时间上不相关的时间序列与一些成分纯白噪声的线性混合物。为了避免噪声的建模,我们使用一些标准的方法提取非噪声潜在成分,允许单独建模提取的单变量时间序列。一个重要的问题是确定哪些潜在成分在建模中是感兴趣的,哪些可以被认为是噪声。基于Bootstrap的方法最近已被用于确定潜在的尺寸在各种方法的无监督和监督的降维,我们提出了一套类似的估计策略,二阶平稳时间序列。仿真研究和一个声波的例子来说明该方法的有效性。
2018-01-14 stat.ME
Bayesian inference for multivariate extreme value distributions
多元和空间极端事件的统计建模在各个科学领域引起了广泛的关注。最大稳定分布和过程是自然类的模型,为这一目的,许多参数家庭已开发和成功应用。由于似然函数的复杂性,有效的统计推断仍然是一个活跃的研究领域,通常使用的是仅基于二元密度的复合似然方法。Thibaud等人(2016,Ann. Appl. Stat.,出现)使用贝叶斯方法,以适应布朗-雷斯尼克过程的极端温度。在本文中,我们扩展了这一想法的方法,适用于一般的最大稳定分布,并使用充分的可能性。我们进一步提供了后验分布的中位数渐近正态的简单条件,并对多元和空间极值统计中常用的模型进行了验证。一个模拟研究表明,这种点估计是相当有效的比复合似然估计的频率框架。从贝叶斯的角度来看,我们的方法开辟了新的技术,如贝叶斯模型比较在多元和空间极端的方式。
2017-08-08 stat.ME
Semiparametric imputation using latent sparse conditional Gaussian mixtures for multivariate mixed outcomes
本文提出了一种灵活的贝叶斯方法,多重插补使用条件高斯混合。我们引入了新的收缩先验的协变量依赖的混合比例的混合模型,自动选择合适的数量的组件中使用的插补步骤。我们通过马尔可夫链蒙特卡罗方法开发了一种用于后验计算和多重插补的高效采样算法。所提出的方法可以很容易地扩展到的情况下,数据不仅包含连续变量,但也离散变量,如二进制和计数值。我们还提出了近似贝叶斯推断的损失函数定义的参数的基础上的后验预测分布的缺失观测,通过扩展基于Bootstrap的贝叶斯推断的完整数据。所提出的方法是通过模拟和真实数据的数值研究证明。
2022-08-16 stat.ME
Expansions for Quantiles and Multivariate Moments of Extremes for Distributions of Pareto Type
令$X_{nr}$为来自$α> 0$和$β> 0$的分布$F (x) = 1 - \sum_{i = 0}^\infty c_i x^{-α- i β}$的大小为$n$的随机样本的第11个最大值。本文证明了一个反演定理,并利用它导出了分位数$F^{-1} (u)$及其幂的展开式,由此给出了固定${\bf s} = (s_1, ..., s_k)$的极值$\{X_{n, n - s_i}, 1 \leq i \leq k \}/n^{1/α}$的多元矩的$(n^{-1}, n^{-β/α})$的幂展开式,其中$k \geq 1$ .例子包括柯西,学生$t$,$F$,第二极端分布和稳定的法律指数$α< 1$。
2009-03-25 stat.ME
Modelling multivariate spatio-temporal data with identifiable variational autoencoders
针对时空盲源分离仅支持线性解混的问题,本文将可识别变分自编码器扩展至非线性非平稳场景,提出两种潜维度估计方法,经模拟和气象应用验证,可有效恢复潜成分并提升预测精度。
2024-11-01 stat.ME
A Bayesian Approach to Restricted Latent Class Models for Scientifically-Structured Clustering of Multivariate Binary Outcomes
在本文中,我们提出了一个总体框架,结合不同质量的证据,以估计潜在的二进制潜变量的存在下施加的限制,以尊重科学的背景。由此产生的算法聚类的多元二进制数据的方式部分由先验知识指导。主要模型假设是1)受试者属于由未观察到的二元状态定义的类别,例如流行病学中病原体的真实存在或不存在,或医学中抗体的真实存在或不存在,或心理学中正确回答测试问题的“能力”,2)二元设计矩阵$Γ$指定每个类别中的相关特征,以及3)给定潜在类,测量是独立的,但是可以具有不同的错误率。条件,确保参数可识别性的似然函数进行了讨论,并通知设计一种新的后验推理算法,同时估计集群的数量,设计矩阵$Γ$,和模型参数。在有限的样本和维度,我们提出了先验假设,使后验分布的集群的数量和模式的潜在状态往往集中在较小的值和稀疏的模式,分别。该模型很容易扩展到研究中,一些科目的潜在类是已知的或重要的先验知识的差分测量精度是从外部来源。所述方法用蛋白质数据的分析来说明,以检测代表硬皮病患者中的自身抗体类的簇。
2018-08-24 stat.ME
Multivariate Extremes Over a Random Number of Observations
经典的多元极值理论关注多元随机样本中极值的建模,建议使用最大稳定分布。在这项工作中,经典理论被扩展到的情况下,聚合数据,如观察的随机数的最大值,被认为是。我们得到了一个关于聚集数据分布的吸引子的极限定理,它归结为一族新的最大稳定分布。我们还把经典的最大稳定分布的极值依赖结构和我们的新的最大稳定分布族的极值依赖结构联系起来。通过反演方法,我们得到一个半参数的复合估计的极值依赖的不可观测的数据,从一个初步估计的极值依赖的聚合数据。此外,我们发展了复合估计的大样本理论,并通过模拟研究说明其有限样本性能。
2020-03-11 stat.ME
Detecting breaks in the dependence of multivariate extreme-value distributions
在环境科学中,评估极端测量值之间的相关性在观测期间是否发生了变化往往是令人感兴趣的。这项工作的目的是提出一个统计测试,是特别敏感的这种变化。由此产生的过程还被扩展到允许在边缘分布中存在已知突变的情况下检测极值依赖性的变化。模拟进行研究的两个版本的建议测试的有限样本的行为。水文数据集的插图结束了这项工作。
2015-05-05 stat.ME
A Fused Latent and Graphical Model for Multivariate Binary Data
我们考虑分析多元二进制数据的建模,推理和计算。我们提出了一个新的模型,由一个低维的潜变量组件和稀疏的图形组件。我们的研究是出于对认知评估中的项目反应数据的分析,并已应用到许多学科的项目反应数据收集。认知评估中项目反应数据的标准方法采用多维项目反应理论(IRT)模型。然而,人类认知通常是一个复杂的过程,因此可能无法通过几个因素充分描述。因此,一个低维的潜在因素模型,如多维IRT模型,往往不足以捕捉数据的结构。该模型增加了一个稀疏的图形组件,捕捉剩余的特设依赖。当图形成分退化时,它简化为一个多维IRT模型。通过构造一个伪似然函数和适当选择惩罚项,同时进行模型选择和参数估计。伪似然函数的凸性使我们能够开发出一种有效的算法,而惩罚项生成一个低维的潜在成分和稀疏的图形结构。在适当的正则条件下建立了理想的理论性质。该方法适用于修订后的艾森克人格问卷,揭示其有用的项目分析。仿真结果表明,该方法在实际应用中效果良好。
2016-06-29 stat.ME
Generative modelling of multivariate geometric extremes using normalising flows
本文提出基于归一化流和超球面几何方法的多元极值生成建模框架,实现全方向联合尾部外推和任意风险区域快速概率估计,并在风速极值与风电相关极端事件分析中验证其有效性。
2025-05-05 stat.ME
Modeling extremal dependence in multivariate and spatial problems: a practical perspective
School of Mathematics and Statistics, UNSW Data Science Hub (uDASH), UNSW Sydney(新南威尔士大学数学与统计学院、数据科学中心);Department of Decision Sciences, Bocconi University(博科尼大学决策科学系)
本文从环境科学到金融领域,探讨了如何通过ExtremalDep包评估超出观测数据的极值风险,提供多变量和空间极值分析的实用方法和工具。
2026-04-05 stat.ME
Bayesian Nonparametric Modeling for Multivariate Ordinal Regression
通常假设单变量或多变量有序响应来自潜在连续参数分布,协变量效应线性进入。本文介绍了一种单变量和多变量有序回归的贝叶斯非参数建模方法,该方法基于潜响应和协变量的联合分布的混合建模。建模框架可以高度灵活地推断有序回归关系,避免协变量效应中的线性或加性假设。在标准参数有序回归模型中,计算挑战来自于可识别性约束和需要非标准推理技术的参数估计。非参数模型的一个关键特征是它实现了推理的灵活性,同时避免了这些困难。特别是,我们建立了充分支持的非参数混合模型下的固定截止点,通过离散化的潜在连续响应与顺序响应。通过应用到两个数据集的计量经济学,一个例子,涉及臭氧浓度的回归关系,和多评价协议问题的建模方法的实际效用说明。
2016-09-20 stat.ME
Parsimonious Factor Models for Asymmetric Dependence in Multivariate Extremes
University of Melbourne(墨尔本大学);UNSW Sydney(新南威尔士大学)
本文提出了一种稀疏因子模型,用于捕捉多变量极值中的非对称依赖结构,通过极值理论推导并验证了其在实际数据中的有效性。
2025-12-04 stat.ME
Bayesian model averaging over tree-based dependence structures for multivariate extremes
描述极端现象的复杂依赖结构特别具有挑战性。为了解决这个问题,我们开发了一种新的统计算法,描述极值依赖利用最大稳定的嵌套逻辑斯谛分布的固有的层次依赖结构,并确定可能的集群的极端变量使用可逆跳马尔可夫链蒙特卡罗技术。当极端变量的集群被发现是完全独立时,可以实现简约的表示。此外,我们显着降低了计算复杂性的完全似然推断推导出一个递归公式的嵌套逻辑模型的可能性。通过大量的仿真实验验证了算法的性能,并比较了不同的似然程序。新的方法被用来调查在加利福尼亚州的多种污染物的极端浓度之间的依赖关系,以及这些污染物是如何与极端天气条件。总的来说,我们表明,我们的方法允许复杂的极值依赖结构的表示,并在多元数据分析,如空气污染监测,它可以指导决策的有效应用。
2018-07-22 stat.ME
Multivariate Generalised Linear Mixed Models With Graphical Latent Covariance Structure
本文介绍了一种研究多元广义线性混合模型(MGLMM)模拟的一系列响应的相关结构的方法。该方法需要存在的集群的观察和研究的几个响应中的每一个建模使用广义线性混合模型(GLMM)包含随机组件代表集群。我们构造一个MGLMM假设的分布的每个随机组成部分代表的集群是边缘分布的(足够规则的)多变量椭圆轮廓分布。我们使用一个无向图模型来表示随机分量的相关性结构,这些随机分量表示每个响应的观测聚类。这种表示使我们能够得出关于与观测聚类相关的未知潜在决定因素的结论。使用无向图和有向无环图(DAG)的组合,我们共同表示的响应和相关的随机组件的相关结构。应用图形模型的理论,使我们能够描述和得出结论的相关性,在某些情况下,不同的统计性质(\eg以下不同的分布,不同的线性预测和链接函数)的响应之间的依赖性。我们提出了一些模拟研究,说明所提出的方法。
2021-07-30 stat.ME
Large-sample tests of extreme-value dependence for multivariate copulas
从极值copula函数的极大稳定性特征出发,研究了多元copula函数极值依赖性的大样本检验问题。所提出的测试的两个关键成分是经验copula的数据和乘数技术获得近似的p值的派生统计。建立了乘子方法的渐近有效性,并通过广泛的蒙特卡罗实验研究了大量候选检验统计量的有限样本性能的数据集的尺寸2至5。在双变量情况下,最佳检验版本的拒绝率与Ghoudi,Khoudraji和Rivest(1998)最近由Ben Ghorbal,Genest和Neslehova(2009)重新访问的检验进行了比较。所提出的程序说明了二元金融数据和三元地质数据。
2011-05-11 stat.ME
Parsimoniously Fitting Large Multivariate Random Effects in glmmTMB
本文在glmmTMB中实现降秩方法,将大规模多元随机效应表示为低维潜在变量线性组合,从而高效估计高维协方差矩阵,并应用于广义潜在变量模型和随机斜率模型。
2024-11-07 stat.ME
Nonparametric estimation of multivariate extreme-value copulas
极值copula出现在独立随机样本的分量最大值的渐近理论中。极值Copula由其Pickands依赖函数确定,该函数是单位单纯形上的函数,受到某些形状约束,这些形状约束来自称为谱测度的基础测度的积分变换。多元扩展提供了某些基于秩的非参数估计的Pickands依赖函数。的形状约束,估计本身应该是一个Pickands的依赖函数是强制执行的初始估计由其最佳最小二乘近似的Pickands的依赖函数的集合中具有离散的频谱测量支持在一个足够细的网格。证明了标准化估计的弱收敛性,并通过模拟实验研究了估计的有限样本性能。
2011-11-29 stat.ME
Tracking change-points in multivariate extremes
在本文中,我们设计了一个统计方法跟踪和建模的变化点的依赖结构的多元极值。这些方法的动机是通过对加密资产的案例研究来说明的。
2020-11-10 q-fin.ST stat.ME
Multivariate Discrete Generalized Pareto Distributions: Theory, Simulation, and Applications to Dry spells
本文提出多元离散广义帕累托分布(MDGPD),扩展极值理论至离散数据,结合似然自由推断方法,用于干旱期等极端事件建模。
2025-06-24 stat.ME
A factor mixture analysis model for multivariate binary data
本文提出了一个潜在变量模型的二进制数据来自一个不可观测的异质人口。考虑到异质性,取代传统的假设高斯分布的因素,多元高斯的有限混合。该模型的目的是双重的:它允许实现降维时的数据是二分法,同时,它执行基于模型的聚类在潜在空间。通过期望最大化算法的广义版本,通过极大似然方法获得模型估计。为了评估该模型的性能的仿真研究和两个实际应用程序进行了说明。
2010-10-12 stat.ME
Causal tail coefficient for compound extremes in multivariate time series
Department of Mathematics, Imperial College London(帝国理工学院数学系)
本文提出复合因果尾部系数及bootstrap检验框架,用于检测多元时间序列中复合极端事件之间的因果关系,可处理非线性与潜在混杂变量,并通过理论、模拟和空间天气数据验证其有效性。
2025-09-23 stat.ME
Max-stable models for multivariate extremes
多变量极值分析关注的是多变量随机样本中的极值,也就是说,其中至少一些分量具有异常大的值的点。数学理论建议对单变量和多变量极值使用最大稳定模型。一个全面的帐户给出的各种方式,其中最大稳定模型的描述。此外,还提出了一种构造最大稳定分布参数族的方法。虽然该装置并不新,但其作为模型生成器的作用似乎尚未得到充分利用。
2012-04-02 math.PR stat.ME
Determining the Dependence Structure of Multivariate Extremes
在多元极值分析中,选择合适的统计模型时,应考虑变量间极值相关的性质。兴趣通常在于确定哪些变量子集可以同时取其最大值,而其他变量的顺序较小。我们的方法来解决这个问题,利用隐藏的经常变化的非标准锥的集合上的属性,并提供了一组新的指标,揭示方面的极值依赖结构,通过现有的依赖措施不可用。我们推导出这些指数的理论性质,通过一系列的例子来证明它们的价值,并开发推断方法,也估计与每个圆锥体相关的极值质量的比例。我们将该方法应用于英国河流流量,估计不同子集的网站同时大的概率。
2019-10-11 stat.ME
Statistical inference for multivariate extremes via a geometric approach
本文提出基于极限集形状的多元极值几何统计建模与参数估计方法,可外推联合尾部并估计小概率,模拟和环境数据应用均验证其竞争力与良好拟合。
2023-11-02 stat.ME
Hypothesis testing for partial tail correlation in multivariate extremes
Department of Statistics, West Virginia University(西弗吉尼亚大学统计系);School of Mathematical Sciences, Lancaster University(兰卡斯特大学数学科学学院)
本文提出了一种用于多变量极值中部分尾相关性检验的方法,通过尾部回归和极值协方差矩阵分析,揭示极值依赖结构中的稀疏性。
2025-12-30 stat.ME
Joint inference on extreme expectiles for multivariate heavy-tailed distributions
期望值的概念,最初引入的背景下,测试的同方差性和条件对称性的误差分布在线性回归,诱导一个法律不变的,连贯的和elicitable风险的措施,已收到了大量的关注精算和金融风险管理的背景下。最近的一些论文集中在行为和估计极端预期为基础的风险措施及其潜在的风险管理。联合推理的几个极端expectables然而一直保持不变,事实上,即使是一个边际极端expectables的推理结果是一个困难的问题,在有限的样本。研究了重尾边缘分布随机向量的多个极值边缘期望的同时估计问题。这是在一般极值依赖模型中完成的,其中重点是保证金之间的成对依赖性。我们使用我们的结果,以获得准确的置信区域的极端预期,以及几个极端预期的平等性测试。我们的方法展示在有限样本模拟研究和真实的财务数据。
2020-07-17 stat.ME
A Latent Class Bayesian Model for Multivariate Longitudinal Outcomes with Excess Zeros
该研究提出一种面向含过多零值的多变量纵向结果的贝叶斯潜类别模型,结合不同零膨胀结果的对应模型与自适应Lasso变量选择,经真实数据与模拟验证有效。
2025-09-05 stat.AP stat.ME
Joint modeling of low and high extremes using a multivariate extended generalized Pareto distribution
本研究提出多元扩展广义帕累托分布,联合建模低高极端值,保留单变量特性且上下尾符合极值理论,并用神经网络快速估计,在荷兰降雨数据上验证有效。
2025-09-07 stat.ME
Testing the Regular Variation Model for Multivariate Extremes with Flexible Circular and Spherical Distributions
本文提出基于非负三角和的圆形与球形分布作为谱测度的灵活概率模型,用于多元极值正则变化模型,并应用统计检验推断极值依赖结构,在金融数据上验证。
2023-09-12 stat.ME
Generalized Multivariate Functional Additive Mixed Models for Location, Scale, and Shape
提出广义多元函数加性混合模型框架,通过潜在高斯过程和函数主成分建模多层混合类型多元函数数据的条件分布,并在R包中实现,验证了其在交通数据上的有效性。
2024-07-30 stat.ME
Latent Multivariate Log-Gamma Models for High-Dimensional Multi-Type Responses with Application to Daily Fine Particulate Matter and Mortality Counts
跟踪和估计每日细颗粒物(PM2.5)非常重要,因为已经表明PM2.5与肺部,心血管系统和中风相关的死亡率直接相关。也就是说,PM2.5的高值构成了美国的公共卫生问题,我们准确估计PM2.5以帮助公共政策决策是很重要的。因此,我们提出了一个贝叶斯层次模型的高维“多类型”的反应。“多类型”响应是指具有不同分布假设的相关响应的集合(例如,连续偏斜观测和计数值观测)。疾病控制和预防中心(CDC)数据库提供了与PM2.5和每日平均PM2.5相关的死亡率计数,这两者在我们的分析中均被视为响应。我们的模型利用了Weibull分布(对PM2.5建模)、Poisson分布(对疾病死亡率建模)和多变量对数Γ分布之间共享的共轭结构,并且我们使用降维来辅助计算。我们的模型也可以用来提高精度的估计和估计值在未披露/失踪的县。我们提供了一个模拟研究来说明模型的性能,并给出了CDC数据集的深入分析。
2019-09-05 stat.ME
Simple models for multivariate regular variations and the Hüsler-Reiss Pareto distribution
我们通过强调多元正则变化和多元Breiman引理重新审视多元极值理论建模。这使我们能够在一个简单的框架中恢复最流行的多元极值分布,如logistic,负logistic,Dirichlet,极值- $t$和Hüsler-Reiss模型。在本文的第二部分,我们重点讨论了Hüsler-Reiss Pareto模型及其令人惊讶的指数族性质。在深入研究了这类指数族结构之后,我们重点研究了极大似然估计。我们还考虑了具有不同尾部指标的广义Hüsler-Reiss Pareto模型和区分恒定尾部指标和变化尾部指标的似然比检验。
2017-12-26 stat.ME
Joint Latent Space Model for Social Networks with Multivariate Attributes
在社会、行为和经济科学的许多应用问题中,研究人员通常拥有一组个体之间的社会网络数据以及每个个体的高维多变量测量。为了分析这样的网络数据结构,我们提出了一个联合属性和人的潜在空间模型(APLSM),总结信息的社会网络和多属性测量的人属性联合潜在空间。我们发展了一个变分贝叶斯期望最大化估计算法来估计属性和人在联合潜空间中的位置的后验分布。这种方法允许有效的整合,信息可视化,并预测社交网络和高维属性测量。使用APLSM,我们探索法国金融精英的内部运作的基础上,他们的社交网络和他们的职业生涯,政治观点和社会地位。我们观察到,法国精英的社会圈子根据他们个人特征的差异而划分。
2021-02-01 stat.AP stat.ME
Latent Network Structure Learning from High Dimensional Multivariate Point Processes
从大规模多变量点过程数据中学习潜在网络结构是科学和商业应用中的一项重要任务。例如,我们可能希望根据从神经元集合中记录的尖峰时间来估计神经元功能连接网络。为了表征所观察到的数据的复杂过程,我们提出了一个新的和灵活的类的非平稳霍克斯过程,允许兴奋和抑制效应。我们估计潜在的网络结构,使用一个有效的稀疏最小二乘估计方法。利用稀疏表示,我们建立了Hawkes过程的一阶和二阶顺序统计量的集中不等式.这些理论结果使我们能够建立非渐近误差界和选择的一致性估计参数。此外,我们描述了一个最小二乘损失为基础的统计测试,如果背景强度是恒定的时间。我们证明了我们所提出的方法的有效性,通过模拟研究和应用程序的神经元尖峰训练数据集。
2021-01-19 stat.ME stat.ML
Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
针对多元高维计数时间序列,提出基于潜高斯动态因子变换的建模方法,利用二阶性质与主成分分析估计参数并证明理论一致性,结合 Kalman 滤波与序贯 Monte Carlo 实现预测。
2025-04-03 econ.EM stat.ME
Margin-closed regime-switching multivariate time series models
提出一种边际封闭的机制转换多元时间序列模型,利用 Gaussian VAR(k) copula 与跨机制相依约束支持低维推断和多阶段估计,并用于宏观经济商业周期分析。
2023-12-17 stat.ME
An utopic adventure in the modelling of conditional univariate and multivariate extremes
HEC Montréal(HEC蒙特利尔);Indian Institute of Technology Kanpur(坎普尔印度理工学院)
本文针对条件单变量和多变量极值建模中的四个挑战,提出新的交叉验证方法、验证指标及联合超出行概率公式,探讨模型验证与自定义估计策略。
2023-12-21 stat.AP stat.ME
Modeling of Multisite Precipitation Occurrences Using Latent Gaussian-based Multivariate Binary Response Time Series
建立了一个新的多点观测日降水过程的随机模式。模型的概念是用指示函数和多元高斯分布的椭圆形状来表示日降水发生的联合概率。通过使用这个概念,所需的降水发生建模的参数的数量可以大大减少时,常用的两个状态的马尔可夫链的方法相比。通过这种参数的减少,模拟不同地点观测到的日降水发生过程的时空依赖性不再困难。一个说明性的应用程序,使用的降水记录从网络的10个雨量计在魁北克省南部地区的结果,也证明了所提出的模型的准确性和可行性。
2020-03-18 stat.AP stat.ME
Dimension-Grouped Mixed Membership Models for Multivariate Categorical Data
混合隶属度模型(MMM)是一种流行的复杂多元数据的潜在结构模型。MMM不是强制每个主题属于单个集群,而是包含一个特定主题权重的向量,该向量表征跨集群的部分成员关系。这种灵活性带来了唯一识别、估计和解释参数的挑战。在这篇文章中,我们提出了一个新的类的扩展-分组MMM(Gro-M $^3$ s)的多元分类数据,它提高了简约性和可解释性。在Gro-M $^3$ s中,观测变量被划分为组,使得潜在成员资格对于组内的变量是恒定的,但是可以在组之间不同。当所有变量都在一个组中时获得传统的潜在类模型,而当每个变量都在自己的组中时获得传统的MMM。新模型对应于一种新的概率张量分解。理论上,我们推导出透明的可识别性条件,在一般设置的未知的分组结构和模型参数。在方法论上,我们提出了Dirichlet Gro-M $^3$ s的贝叶斯方法来推断变量分组结构和估计模型参数。仿真结果表明,良好的计算性能和经验确认的可识别性的结果。我们说明了新的方法,通过应用程序的功能残疾调查数据集和人格测试数据集。
2023-02-14 stat.ME
Modelling Correlation Matrices in Multivariate Dyadic Data: Latent Variable Models for Intergenerational Exchanges of Family Support
我们定义了一个多个连续潜变量的联合分布模型,其中包括一个模型,它们的相关性如何依赖于解释变量。这是出于分析家庭内代际帮助和支持的社会科学研究问题的动机,并应用于这些问题,其中相关性描述了代际之间的相互帮助和不同类型帮助的互补性。我们提出了一个MCMC程序估计的模型,保持了正定性的隐含的相关矩阵,并描述了理论结果,证明这种方法,并促进有效的实施it.The模型应用于英国家庭纵向研究的数据分析交流的实际和财政支持的成年人和他们的非共同居住的父母。
2022-10-26 stat.AP stat.ME
Assessing Extreme Risk using Stochastic Simulation of Extremes
Université Paris Cité(巴黎西岱大学);CNRS, Laboratoire de Probabilités, Statistique et Modélisation, LPSM(法国国家科学研究中心概率、统计与建模实验室);Univ Brest(布雷斯特大学);CNRS UMR 6205, Laboratoire de Mathématiques de Bretagne Atlantique(法国国家科学研究中心大西洋布列塔尼数学实验室);Sorbonne Université(索邦大学)
本文提出基于多变量极值理论的非参数模拟算法,用于评估极端事件风险,通过随机模拟和广义极值分布提升极值风险估计的准确性。
2024-06-12 stat.ME
Latent variable models for multivariate dyadic data with zero inflation: Analysis of intergenerational exchanges of family support
本文提出结合连续潜变量与二元潜类别变量的多变量零膨胀潜变量模型,用MCMC和定制数据增广估计,并基于英国家庭纵向研究分析代际家庭支持交换。
2021-04-23 stat.AP stat.ME
Piecewise-linear modeling of multivariate geometric extremes
School of Mathematical Sciences, Lancaster University(兰卡斯特大学数学科学学院)
本文提出一种分段线性半参数规范函数,用于多元几何极值建模,兼具灵活性与计算效率,并扩展了高径向分位数估计工具,在空气污染数据上验证了其对复杂极值依赖结构的建模能力。
2026-10-28 stat.ME