Multivariate Confluent Hypergeometric Covariance Functions with Simultaneous Flexibility over Smoothness and Tail Decay
本文提出基于多元混合的合流超几何（CH）交叉协方差函数构建技术，解决了多元随机场建模中参数空间限制复杂的问题，新模型同时具备灵活的平滑度与尾部衰减特性，在缓慢衰减相关性下优于Matérn模型并有效应用于海洋数据。
2025-03-06 stat.ME
Explainable Outlier Detection for Multivariate Functional Data
TU Wien（维也纳工业大学）；Infineon Technologies Austria AG（英飞凌奥地利股份公司）
本文针对具有分离协方差结构的多元函数数据的鲁棒协方差估计和可解释性异常检测挑战，提出了一种结合随机过程与矩阵变量分布的方法，通过改进鲁棒性和可解释性来估计均值和协方差，并利用Shapley值进行异常检测分解。
2026-09-17 stat.CO stat.ME
Convex Optimization Methods for Dimension Reduction and Coefficient Estimation in Multivariate Linear Regression
本文研究了多元线性回归迹模正则化最小二乘估计的凸优化方法。最近由Yuan等人[22]提出的所谓的因子估计和选择（FES）方法同时进行参数估计和因子选择，并且已被证明在大样本和有限样本中都具有良好的特性。然而，由于高维数和迹范数约束，计算估计在实践中可能非常具有挑战性。在本文中，我们探索了Nesterov平滑方法[20]和内点方法的一种变体，用于计算惩罚最小二乘估计。然后使用一组随机生成的实例比较这些方法的性能。我们表明Nesterov平滑方法的变体[20]通常大大优于SDPT3版本4.0（beta）[19]中实现的内点方法。此外，前一种方法的内存效率要高得多。
2009-04-04 stat.CO stat.ME
Missing data imputation for a multivariate outcome of mixed variable types
临床试验中收集的数据通常由多种类型的变量组成。例如，实验室测量和生命体征是连续或分类变量的纵向数据，不良事件可能是复发事件，死亡是至事件发生时间变量。在任何临床试验期间，由于患者退出研究或由于使用假设策略处理并发事件而导致的缺失数据几乎总是发生。同时用混合类型的变量估算这些数据是一项尚未广泛研究的挑战。在这篇文章中，我们建议使用一个近似的完全条件规范来填补缺失数据。仿真结果表明，在随机缺失的假设下，该方法能得到满意的结果。最后，从临床试验评估糖尿病治疗的实际数据进行了分析，以说明所提出的方法的潜在好处。
2023-01-11 stat.CO stat.ME
Model-based clustering of multivariate binary data with dimension reduction
最近，具有降维的聚类方法受到统计学的广泛关注，并且已经提出了许多同时执行聚类和降维的方法。这项工作提出了一种新的程序，同时确定最佳的聚类结构的多元二进制数据和子空间，以表示该聚类结构。该方法是基于多元伯努利分布的有限混合模型，并假设每个组件具有低维表示的集群结构。该方法可以被认为是传统的潜在类分析模型的扩展。稀疏性被引入到负载值中，从而产生低维子空间，以增强子空间的可解释性和更稳定的提取。一个基于EM算法的开发，以有效地解决所提出的优化问题。我们证明了所提出的方法的有效性，将其应用到模拟研究和真实数据集。
2014-06-14 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
Simultaneous Heterogeneity and Reduced-rank Learning for Multivariate Response Regression
Anhui University（安徽大学）；University of Science and Technology of China（中国科学技术大学）；California State University, Fullerton（加州州立大学富勒顿分校）
本文提出了一种联合异质性和降维学习框架，用于同时识别多元响应回归中的子群结构并估计协变量效应。
2025-12-06 stat.ME stat.ML
Bayesian forecasting and scalable multivariate volatility analysis using simultaneous graphical dynamic models
最近推出的一类同步图形动态线性模型（SGDLM）定义了一种能力，规模在线贝叶斯分析和预测更高的维度时间序列。本文提出了SGDLM的方法，开发和嵌入一种新的，自适应的方法，同时预测器选择在线学习和预测的前向滤波。这些进展包括贝叶斯计算的可扩展性的发展，并在探索由此产生的潜力，改善短期预测的大规模波动矩阵的案例研究。一个案例研究涉及财务预测和投资组合优化与400维系列的每日股票价格。分析表明，SGDLM能够很好地预测波动率和共同波动率，使其非常适合为量化投资策略做出贡献，以提高投资组合回报。我们还确定了与序贯贝叶斯过滤分析相关的绩效指标，这些指标定义了金融市场压力增加的领先指标，与标准的圣路易斯联邦储备银行金融压力指数（STLFSI）指标相当，但领先。使用GPU实现的并行计算大大提高了拟合和使用这些模型的能力。
2016-06-27 stat.AP stat.ME
Multivariate Spline Estimation and Inference for Image-On-Scalar Regression
最近的数据分析在生物医学成像研究的动机，我们认为一类图像的标量回归模型的成像响应和标量预测。我们建议使用灵活的多元样条三角剖分处理图像上的感兴趣的对象的不规则域，以及图像的其他特性。在一定的正则条件下，证明了所提出的系数函数的估计是根-n相合的和渐近正态的。我们还提供了一个一致的和计算效率高的估计的协方差函数。构造了系数函数的渐近逐点置信区间和数据驱动的同时置信走廊。我们的方法可以同时估计和推断的系数函数，同时将空间异质性和空间相关性。一个高效和可扩展的估计算法的开发。蒙特卡罗模拟研究进行检查所提出的方法，然后将其应用于空间归一化的正电子发射断层扫描数据的阿尔茨海默病神经影像倡议的有限样本性能。
2021-06-02 stat.ME
Empowering Multi-class Classification for Multivariate Functional Data with Simultaneous Feature Selection
本文针对函数型预测变量数量远大于样本量的复杂函数型数据多类分类问题，提出函数型 BIC 深度神经网络，通过稀疏深度 ReLU 网络与 LassoNet 实现特征选择与分类同步进行，并在模拟和 ADNI 真实数据中验证了其优越性能。
2025-07-21 stat.ME
A Regression Tree Method for Longitudinal and Clustered Data with Multivariate Responses
RE-EM树是一种基于树的方法，它结合了回归树和线性混合效应模型，用于建模单变量响应纵向或聚类数据。本文采用De'Ath [2002]提出的多元回归树方法，将RE-EM树方法推广到多元响应数据。多元RE-EM树方法估计由多个响应同时驱动的总体水平单树结构和每个响应变量的对象水平随机效应，其中响应变量之间和关联的随机效应之间均允许相关性。通过仿真研究，我们验证了多元RE-EM树的优势，使用多个单变量RE-EM树和多元回归树。我们应用多元RE-EM树分析一个真实的数据集，包含多维的非金融特征的贫困的不同国家的反应，和各种潜在的原因，贫困的预测。
2023-02-28 stat.ME
Covariance Assisted Multivariate Penalized Additive Regression (CoMPAdRe)
提出CoMPAdRe方法，通过联合估计响应间稀疏残差结构，同时选择和估计具有相关误差的多元稀疏加性模型中的零、线性和非线性效应，提升变量选择准确性与估计效率，并应用于乳腺癌通路蛋白质表达数据。
2023-11-18 stat.ME
Simultaneous Inference for Multiple Proportions: A Multivariate Beta-Binomial Model
本文针对多个相关比例的联合推断，提出多元Beta-二项模型，通过简化参数化与copula近似构建可信区域，在小样本下优于正态近似方法。
2025-06-18 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
Linear shrinkage for predicting responses in large-scale multivariate linear regression
我们提出了一种新的预测方法的多变量线性回归问题的特征数量小于样本量，但结果的数量是非常大的。许多流行的程序，如惩罚回归程序，需要参数调整，这是计算上无法在这样的大规模问题。我们采取了不同的方法，从同步估计问题的想法，执行普通的最小二乘参数估计线性收缩的动机。我们的方法是非常计算效率和调谐自由。我们表明，它可以渐近优于普通最小二乘，而无需对真实回归系数进行任何结构假设，并说明其在模拟和单细胞RNA-seq数据分析中的良好性能。
2021-04-18 stat.ME
Supervised Multivariate Learning with Simultaneous Feature Auto-grouping and Dimension Reduction
Florida State University（佛罗里达州立大学）；Peking University（北京大学）
现代高维方法通常采用“赌稀疏性”原则，而在监督多元学习中，统计学家可能面临大量非零系数的“密集”问题。本文提出了一种新的聚类降秩学习（CRL）框架，该框架采用两个联合矩阵正则化来自动分组构建预测因子的特征。CRL比低秩建模更易于解释，并且放松了变量选择中严格的稀疏性假设。在本文中，新的信息理论的限制，揭示了寻求集群的内在成本，以及从多维学习的祝福。此外，一个有效的优化算法，它执行子空间学习和聚类保证收敛。所得到的固定点估计，虽然不一定是全局最优的，享受所需的统计精度超出了标准的似然设置在某些正则条件。此外，一种新的信息准则，以及它的无标度形式，提出了聚类和秩选择，并有严格的理论支持，而无需假设无限的样本量。大量的仿真和真实数据实验证明了所提出的方法的统计精度和可解释性。
2022-02-09 cs.LG math.ST stat.ME
tinyVAST: R package with an expressive interface to specify lagged and simultaneous effects in multivariate spatio-temporal models
本文介绍 R 包 tinyVAST，通过公式、箭头与滞后符号灵活指定多变量时空依赖，并以阿拉斯加湾海洋调查数据展示其模型比较与生态推断能力。
2024-01-18 stat.AP stat.ME
Nonparametric Statistical Inference for Multivariate Niche Overlap
Paris Lodron University of Salzburg（萨尔茨堡大学）；University of Kentucky（肯塔基大学）
本文提出非参数方法用于量化和分析多变量生态位重叠，克服了传统参数方法在复杂多变量设置中的局限性，通过重采样技术实现小样本统计检验和置信区间，展示了方法在鱼类稳定同位素测量中的应用价值。
2026-04-07 stat.ME
Conformal Prediction Bands for Multivariate Functional Data
出于迫切要求的方法能够创建预测集的一般回归框架的多变量功能响应，并推动了新的方法的进步，非参数预测的功能数据，我们提出了一组共形预测，产生有限样本有效或准确的多变量同时预测波段下的温和假设，可交换的回归对。预测带可以围绕任何回归估计量构建，并且可以很容易地以封闭形式找到，这一事实产生了一种非常广泛可用的方法，并且实现起来相当简单。此外，我们首先介绍，然后描述一个特定的共形预测，保证渐近结果的效率和诱导预测频带能够调制其宽度的基础上的本地行为和幅度的功能数据。该方法进行了调查和分析，通过模拟研究和现实世界中的应用在城市交通领域。
2021-06-03 stat.ME
Sparse Estimation of Multivariate Poisson Log-Normal Models from Count Data
Virginia Tech（弗吉尼亚理工大学）
由于响应的离散性，使用多变量计数响应对数据进行建模是一个具有挑战性的问题。单变量计数响应的现有方法不能容易地扩展到多变量的情况下，因为多个响应之间的依赖性需要适当地容纳。本文提出了一个计数响应的多元Poisson对数正态回归模型。该回归模型利用多个计数响应之间的关联性，通过有效的蒙特卡罗期望最大化算法同时估计潜变量的回归系数和逆协方差阵，提高了模型的预测性能.仿真研究和实际数据的应用进行了系统的评估所提出的方法与传统方法相比的性能。
2016-08-12 cs.LG stat.ME
Wilcoxon-type Multivariate Cluster Elastic Net
提出一种基于Wilcoxon型回归与k-means聚类弹性网的高维多元回归方法，能在重尾或异常值误差下保持稳健性，同时实现回归估计与变量选择，并在模拟和乳腺癌基因数据中验证了其有效性。
2025-03-04 stat.ME
Functional regression with multivariate responses
Georgia State University（佐治亚州立大学）
本文提出了一种具有多元响应的功能回归方法，通过同时平滑稀疏惩罚提升预测精度，适用于大规模功能预测变量场景。
2026-02-02 stat.ME
A multivariate spatial model for ordinal survey-based data
本文提出一种面向调查有序数据的多元空间模型，可联合建模相关有序回答、纳入个体效应并估计地理关联，并用其分析2022年瓦伦西亚健康调查中的心理健康指标。
2025-07-28 stat.ME
Simultaneous Edit and Imputation for Household Data with Structural Zeros
嵌套在家庭中的多变量分类数据通常包括未通过编辑约束的报告值-例如，参与的家庭报告孩子的年龄大于其亲生父母的年龄-以及缺失值。一般来说，机构更喜欢数据集在分析它们或将它们传播给二级数据用户之前没有错误或缺失的值。我们提出了一个基于贝叶斯分层模型的家庭数据编辑和插补的基于模型的引擎，该模型包括（i）多项分布的嵌套数据Dirichlet过程混合物作为数据的真实潜在值的模型，截断以仅允许满足所有编辑约束的家庭，（ii）错误位置的模型，以及（iii）用于所观察到的错误响应的报告模型。该方法传播的不确定性，由于未知的位置的错误和缺失值，生成合理的数据集，满足所有的编辑约束，并可以保持多变量的关系内和跨个人在同一个家庭。我们使用2012年美国社区调查的数据来说明这种方法。
2018-09-11 stat.ME
A multivariate extension of the Lorenz curve based on copulas and a related multivariate Gini coefficient
我们提出了一个扩展的单变量洛伦兹曲线和基尼系数的多变量的情况下，即，同时衡量多个变量的不平等。我们的扩展是基于copula和措施的不平等产生的不平等，在每个单一的变量，以及不平等产生的依赖结构的变量。我们得出简单的非参数估计这两种工具，并将其应用到个人收入和财富的数据为各个国家的示范。
2022-04-22 math.ST stat.ME stat.TH
Reduced-rank Regression in Sparse Multivariate Varying-Coefficient Models with High-dimensional Covariates
在遗传学研究中，不仅从微阵列测量中获得的预测因子的数量非常大，而且还可以有多个响应变量。基于这种情况，我们考虑稀疏多元回归模型中的半参数降维方法。以往的联合变量和秩选择研究主要集中在参数模型，而在这里，我们考虑更具挑战性的变系数模型，使调查变量的非线性相互作用成为可能。利用样条逼近、秩约束和凹群惩罚进行模型估计。给出了估计量的渐近预言性质。我们还提出了降秩独立筛选处理的情况下，维数是如此之高，惩罚估计不能有效地应用。在模拟中，我们展示了同时进行变量和秩选择的优势。一个真实的数据集进行了分析，以说明良好的预测性能时，将遗传变量和指标变量之间的相互作用。
2013-09-24 stat.ME
Causal inference for multiple continuous exposures via the multivariate generalized propensity score
广义倾向得分（GPS）是倾向得分的扩展，用于定量或连续暴露（例如，药物剂量或教育年限）。目前的全球定位系统方法允许估计单次连续暴露与结果之间的剂量反应关系。然而，在许多现实世界的环境中，有多个暴露同时发生，可能与结果有因果关系。我们提出了一种多变量GPS方法（mvGPS），允许估计的剂量响应面，涉及多个连续暴露变量的联合分布的结果。该方法涉及在暴露变量的多元正态假设下生成权重。重点放在两个暴露变量的情况下，我们通过模拟表明，mvGPS方法可以实现平衡的混杂因素集，可能不同的暴露变量和减少偏见的处理效应估计在各种数据生成的情况下。我们应用mvGPS方法来分析两种干预策略对降低儿童肥胖率的联合作用。
2020-08-31 stat.ME
A regression-based method for detecting publication bias in multivariate meta-analysis
当研究结果的发表不仅取决于研究的质量，而且还取决于其性质和方向时，就会出现发表偏见。其结果是，已发表的研究可能无法真正代表所有有效的研究，这种偏见可能会威胁到循证医学越来越依赖的系统评价和荟萃分析的有效性。多元荟萃分析因其能够通过跨结果借用信息来减少潜在偏倚和提高统计效率而受到越来越多的关注。然而，在多变量荟萃分析中，检测和解释发表偏倚更具挑战性，因为有些研究可能完全未发表，而有些研究可能选择性地报告多个结局的一部分。在本文中，我们提出了一个得分测试联合测试多个结果的发表偏倚，这是新的多变量设置。所提出的检验是单变量Egger检验的自然多变量扩展，并且可以同时处理上述场景，它考虑了多变量结果之间的相关性，同时允许不同类型的结果，并且可以跨结果借用信息。通过仿真研究表明，所提出的测试是更强大的Egger的测试，贝格的测试和修剪和填充方法。两个数据分析，以说明所提出的测试在实践中的性能。
2020-02-12 stat.ME
Regression Analysis for Multivariate Dependent Count Data Using Convolved Gaussian Processes
非独立数据的Poisson回归分析的研究在近十年来得到了迅速的发展。在多变量情况下，如何构造互相关结构，同时保证协方差阵是正定的是一个难题。为了解决这个问题，我们提出使用卷积高斯过程（CGP）在本文中。该方法提供了一个半参数模型，并提供了一个自然的框架，共同的均值结构和协方差结构同时建模。CGP使模型能够为响应变量的每个分量定义不同的协方差结构。这种灵活性确保了模型能够处理来自不同资源或具有不同数据结构的数据，从而提供准确的估计和预测。此外，该模型能够容纳大尺寸的协变量。模型的定义，推理和实施，以及它的渐近性质，进行了讨论。全面的数值模拟研究和实际数据的例子。
2017-10-04 stat.ME
Non-parametric Structural Change Detection in Multivariate Systems
结构变化检测问题经常在分析和计量经济学中遇到，其中模型的性能可能会受到潜在关系中不可预见的变化的显著影响。虽然这些问题在统计学上有着相对较长的历史，但在非参数设置下多变量数据的背景下进行的研究数量仍然很少。在本文中，我们提出了一个一致的方法来检测多个结构变化的相关回归系统在一个大的维变量空间。在大多数应用中，从业者也没有关于不同变量的相关性的先验信息，因此，需要同时估计结构变化的位置以及相应的稀疏回归系数。该方法结合了非参数能量距离最小化原理和惩罚回归技术。在显示出模型的渐近一致性后，我们将所提出的方法与仿真研究中的竞争方法进行了比较。作为一个大规模应用的例子，我们认为在最近的金融危机期间的新闻分析的背景下，结构变化点检测。
2019-05-28 stat.ME
Nonparametric estimators of interventional (transported) direct and indirect effects that accommodate multiple mediators and multiple intermediate confounders
中介分析因其能够提高对因果效应的机械驱动因素的理解而具有吸引力，但现实世界的数据复杂性对其成功实施提出了挑战，包括：1）存在也影响中介和结果的暴露后变量（因此，混淆了中介-结果关系），也可能是2）多变量，以及3）存在多变量中介。干预性直接和间接效应（IDE/IIE）包含混淆中介-结局关系的暴露后变量，但目前，不存在IDE/IIE的估计器，该估计器允许多变量中介和多变量暴露后中间混淆因素。这再次代表了现实世界分析的重大限制。我们通过扩展两个最近开发的非参数估计来解决这一差距-一个估计IDE/IIE，另一个估计IDE/IIE传输到一个新的目标人群-同时允许多变量介质和多变量中间混杂因素。我们使用模拟来检查有限样本的性能，并将这些估计量应用于移动到机会试验的纵向数据。在应用程序中，我们走过一个策略，将间接效应分离成中介或中介组特定的间接效应，同时适当地考虑其他可能共同发生的中间变量。
2022-12-15 stat.ME
Nonparametric Multivariate L1-median Regression Estimation with Functional Covariates
当协变量取值于无穷维空间时，本文提出了多元条件分布的L1-中位数的非参数估计。多变量情况更适合于同时预测随机变量向量的分量，而不是分别预测它们中的每一个。在利用著名的Nadarya-Waston估计量估计条件L1-median函数时，我们证明了该估计量的强相合性和渐近正态性。我们还提出了一些模拟，并提供如何建立条件con？多元L1-中位数回归的置信椭圆。对化学计量实际数据进行了数值研究，比较了协变量X为曲线，X为随机向量时多元L1-中位数回归与边际中位数回归向量的异同。
2013-04-16 math.ST stat.ME stat.TH
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
Sparse partial least squares for on-line variable selection in multivariate data streams
在本文中，我们提出了一个计算效率高的算法在线变量选择的多元回归问题，涉及高维数据流。该算法递归地提取偏最小二乘解的所有潜在因素，并为每个因素选择最重要的变量。这是通过只有一个稀疏奇异值分解，可以有效地更新在线和自适应的方式。基于人工数据流的仿真结果表明，该算法是能够选择重要的变量在动态设置中的相关结构之间的观察流是由一些隐藏的组件和每个变量的重要性随时间变化。我们还报告了我们的算法的应用程序的多变量版本的“增强型指数跟踪”的问题，使用金融数据流。该应用程序包括执行在线资产配置，目标是同时超越两个基准指数。
2009-02-08 stat.ME stat.ML
Multivariate MRP
本文提出多元MRP框架，通过多项逻辑回归变分推断估计多个调查问题的联合意见分布，并以美国党派舆论估计验证其能显著改进现有方法并支持多议题代表性研究。
2025-07-04 stat.AP stat.ME
Interpretable Multivariate Conformal Prediction with Fast Transductive Standardization
University of Southern California（南加州大学）
本文提出一种可解释的多变量符合预测方法，通过快速传递性标准化技术，实现紧致预测区间并保持有效覆盖。
2025-12-17 math.ST stat.ME stat.ML
Simultaneous Inference of a Partially Linear Model in Time Series
本文提出一种针对部分线性时间序列回归模型中多元非参数函数的联合置信区域构建方法，通过扩展高维高斯逼近至相依过程，适用于多种自回归模型，并经模拟和远期溢价回归验证。
2023-09-02 econ.EM math.ST stat.ME
Diagnostic tools for a multivariate negative binomial model for fitting correlated data with overdispersion
本研究为可同时处理组内相关与过度离散的多元负二项回归模型开发了诊断工具及MNB的R包，提出随机分位残差和影响度量方法，并通过两个应用验证了实用性。
2021-02-15 stat.AP stat.ME
The Anatomy of Dependence in Multivariate Ordered Choice
Faculty of Economics, University of Cambridge（剑桥大学经济学学院）；Department of Economics, Royal Holloway University of London（伦敦大学皇家霍洛威学院经济学系）
针对多变量有序选择决策中标准模型窄范围决策的缺陷，提出嵌套标准模型的通用矩形结构模型，引入两层依赖，通过微观基础、可识别性证明及估计讨论，应用于父母投资、加密货币及健康保险等场景以区分道德风险与逆向选择。
2026-10-23 econ.EM stat.AP stat.ME
A copula transformation in multivariate mixed discrete-continuous models
Copula允许对复杂的依赖结构以及各种边缘分布进行灵活且同时的建模。特别是如果密度函数可以表示为边际密度函数和copula密度函数的乘积，这将导致对条件分布的直观解释和方便的估计过程。然而，这不再是混合离散和连续边缘分布的copula模型的情况下，因为相应的密度函数不能很好地分解。在本文中，我们介绍了一种Copula变换方法，允许表示的密度函数的分布与混合离散和连续的边际产品的边际概率质量/密度函数和Copula密度函数。利用所提出的方法，可以解析地描述条件分布，并且可以根据所使用的copula类型来减少估计过程中的计算复杂度。
2020-08-27 stat.AP stat.ME
Parametric Modelling of Multivariate Count Data Using Probabilistic Graphical Models
CIRAD（法国农业研究与国际合作组织）；Inria（法国国家信息与自动化研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Laboratoire Jean Kuntzmann（让·库茨曼实验室）
多变量计数数据定义为从总体内的抽样中发布的不同类别的项目的数量，其中个体被分组到类别中。多变量计数数据的分析是许多建模问题中经常出现的关键问题，特别是在生物学和生态学（其中数据可以表示与多类型分支过程相关的儿童计数），社会学和计量经济学领域。我们专注于I）识别同时出现的类别，或者相反，相互排斥的类别。这是通过以下方式实现的：识别变量之间的条件独立关系; II）构建与这些关系一致的简约参数模型; III）表征和检验协变量对计数的联合分布的影响。为了实现这些目标，我们提出了一种基于图形概率模型的方法，更具体地说，部分有向无环图。
2013-12-16 cs.LG stat.ME stat.ML
Multivariate functional group sparse regression: functional predictor selection
在本文中，我们提出了方法的功能预测选择和光滑的功能系数估计同时在标量函数回归问题下的高维多元函数数据设置。特别是，我们开发了两种方法的功能组稀疏回归下的一般希尔伯特空间的无限维。我们证明了算法的收敛性和一致性的估计和选择（预言性质）在无限维Hilbert空间。仿真研究表明，该方法在函数系数的选择和估计方面都是有效的。功能磁共振成像（fMRI）的应用揭示了人类大脑中与ADHD和智商相关的区域。
2021-07-08 math.ST q-bio.NC stat.AP
Scalable Counterfactual Distribution Estimation in Multivariate Causal Models
Shiga University（滋贺大学）；RIKEN（理化学研究所）；The Institute of Statistical Mathematics（统计数理研究所）
针对扩展双重差分多元因果模型中的反事实联合分布估计，本文提出利用稳健潜在一维子空间兼顾维度相关性与单变量估计效率，并在合成及真实数据上验证其优势。
2023-11-02 cs.AI cs.LG stat.ME
Cellwise and Casewise Robust Multivariate Regression with Inference
KU Leuven（荷语鲁汶大学）
本文提出cellMR估计器，同时处理案例和单元异常值、缺失数据和高维性，引入cellBoot推断方法，提供稳健的置信区间。
2026-10-20 math.ST stat.ME stat.TH
Biomarker-guided heterogeneity analysis of genetic regulations via multivariate sparse fusion
异型增生是许多复杂疾病的标志。异质性的定义有多种方法，其中遗传调控的异质性，例如基因表达（GE）、拷贝数变异（CNV）和甲基化，已被提出，但研究很少。遗传调节中的杂合子可以与疾病的严重程度、进展和其他性状相关联，并且具有生物学重要性。然而，分析可以是非常具有挑战性的高维的双方的监管以及稀疏和微弱的信号。在这篇文章中，我们考虑的情况下，受试者形成未知的亚组，每个亚组有独特的遗传调控关系。此外，这种异质性由已知的生物标志物“指导”。我们开发了一个MSF（多变量稀疏融合）的方法，它创新地应用惩罚融合技术，同时确定的数量和结构的子组和调节关系内的每个子组。一个有效的计算算法，并进行了广泛的模拟。使用TCGA数据分析黑色素瘤中GE-CNV调节和胃癌中GE甲基化调节的异质性导致有趣的发现。
2022-11-30 q-bio.GN stat.AP stat.ME
