Bayesian Nonparametric Survival Analysis using mixture of Burr XII distributions
近年来,贝叶斯非参数方法在生存研究中的应用越来越受到人们的关注。由于生存数据的多模态性,混合模型在这一领域非常普遍。Dirichlet过程先验是贝叶斯非参数模型的著名先验之一。本文介绍了一种以Burr分布(Burr型XII)为核的贝叶斯非参数混合模型。由于Burr分布在生存分析中具有一般分布的良好性质,因此比其他分布具有更大的灵活性。通过将该模型应用于模拟和真实的失效时间数据集,我们展示了该模型的优越性,并将其与其他具有不同核函数的Dirichlet过程混合模型进行了比较。并且证明了该模型适用于右删失数据。为了计算推断和建模参数的后验,我们使用了MCMC模拟方法,特别是吉布斯抽样。
2016-12-23 stat.AP
Hierarchical Bayesian estimation of inequality measures with nonrectangular censored survey data with an application to wealth distribution of French households
基于区间删失的调查数据,研究了财富不平等测度及其置信区间的估计问题。我们依赖于贝叶斯分层模型。它包括一个模型,其中,由于调查抽样和单位无响应,家庭的财富分布的总结观察到错误;一个多变量模型的财富组成部分的混合物,其中组对应于资产组合;和一个先验的参数。吉布斯采样器用于数值目的来进行推断。我们将这一策略应用于2004年法国财富调查。为了减少不答复的情况,以括号的形式系统地收集了这些数额。关于被调查者对财富税的责任和对概览问题的答复的匹配行政数据被用来更好地本地化财富组成部分。它意味着非矩形多维删失。在模型中的人口不平等措施的误差项的方差是使用线性化,并考虑到复杂的抽样设计和各种权重调整。
2011-07-29 stat.AP
Mixture Models for Single Cell Assays with Applications to Vaccine Studies
在免疫学研究中,来自血液和组织的小的、功能不同的细胞亚群的表征对于解读系统水平的生物学变化至关重要。越来越多的研究依赖于从大量细胞样品中提供多个基因和蛋白质的单细胞测量的测定。分析此类数据的常见问题是鉴定在两种生物条件(例如,接种前/接种后),其中表达被定义为在感兴趣的细胞亚群中表达生物标志物或组合的细胞的比例。在这里,我们提出了一个贝叶斯分层框架的基础上,β-二项式混合模型的差异生物标志物的表达,使用单细胞测定测试。我们的模型允许推断是受试者特异性的,这是在访问疫苗反应时通常需要的,同时通过共同的先验分布在受试者之间借用力量。我们提出了两种方法进行参数估计:一个基于期望最大化算法的贝叶斯方法和一个基于马尔可夫链蒙特卡罗算法的完全贝叶斯方法。我们比较我们的方法对单细胞测定,包括Fisher精确检验,似然比检验,和基本的对数倍变化的频率论方法。使用几个实验测定测量蛋白质或基因在单细胞水平和模拟数据,我们表明,我们的方法具有更高的灵敏度和特异性比替代方法。额外的模拟表明,我们的框架也是强大的模型误指定。最后,我们还展示了我们的方法如何扩展到使用Dirichlet多项式模型测试多个生物标志物组合的多变量差异表达,并使用单细胞基因表达数据和模拟来说明这种多变量方法。
2012-08-30 stat.AP stat.ME
A Bayesian Finite Mixture Model with Variable Selection for Data with Mixed-type Variables
University of Florida(佛罗里达大学);University of Florida Health Cancer Center(佛罗里达大学健康癌症中心);University of Pittsburgh(匹兹堡大学)
有限混合模型是聚类方法的一个重要分支,可以应用于混合类型变量的数据集。然而,在其应用中存在挑战。首先,它通常依赖于期望最大化算法,该算法可能对初始值的选择敏感。其次,生物标志物受检测限(LOD)的限制在临床数据中是常见的,这将删失变量带入有限混合模型。此外,由于可用于聚类的变量数量越来越多,研究人员最近对变量重要性越来越感兴趣。为了解决这些挑战,我们提出了一个贝叶斯有限混合模型,同时进行变量选择,占生物标志物LOD和获得聚类结果。为了克服期望最大化算法的局限性,我们采用贝叶斯方法来获得参数估计和聚类隶属度。为了解释LOD,我们在吉布斯抽样中增加了一个步骤,以迭代地填充低于或高于LOD的生物标志物值。此外,我们把一个尖峰和平板型的先验对每个变量,以获得变量的重要性。在各种情况下进行模拟,以检查这种方法的性能。还进行了电子健康记录的真实数据应用。
2019-05-09 cs.LG stat.AP stat.ML
A Bayesian Gamma-power-mixture survival regression model: predicting the recurrence of prostate cancer post-prostatectomy
University of Oxford(牛津大学);Trinity College, Cambridge(剑桥大学三一学院);Medical Research Council Laboratory of Molecular Biology(英国医学研究分子生物学实验室);Medical University of Vienna(维也纳医科大学)
本文提出一种贝叶斯伽马幂混合生存回归模型,用于预测前列腺癌根治术后复发,通过比较不同预手术变量子集的ASI,发现血清学指标比影像学指标更有效,且TGFbeta1等生物标志物具有较高重要性。
2026-03-26 q-bio.QM stat.AP
Robust Bayesian Inference for Censored Survival Models
本文针对删失生存数据提出稳健贝叶斯加速失效时间模型,通过广义伽马分布尺度混合引入超厚尾混合密度,理论证明完全后验稳健性,开发高效MCMC算法,经数值实验和真实数据验证性能。
2025-04-15 stat.ME
Handling Missingness and Censoring in Dirichlet Mixture Models
本文提出一种保留单纯形结构的狄利克雷混合模型似然方法,通过EM类算法同时完成参数估计与插补,经仿真及捕虏体、PM₂.₅真实数据验证,可有效处理成分数据的缺失与删失问题。
2026-07-31 stat.CO stat.ME
Statistical approaches using longitudinal biomarkers for disease early detection: A comparison of methodologies
可以基于纵向生物标志物测量来预测诸如癌症的临床结果的早期检测。跟踪纵向生物标志物作为识别早期疾病发作的一种方法可能有助于降低卵巢癌等疾病的死亡率,如果早期发现,这些疾病更容易治疗。疾病风险预测的两个一般框架,共享随机效应模型(SREM)和模式混合模型(PMM)可用于评估疾病早期检测的纵向生物标志物。在本文中,我们研究了SREM和PMM通过应用于卵巢癌对疾病早期检测的预测性能,其中使用卵巢癌风险算法(ROCA)进行了早期检测评估。通过对前列腺、肺、结直肠和卵巢(PLCO)癌症筛查试验和广泛模拟研究的卵巢癌数据进行分析,对上述三种方法进行比较。采用时间依赖性受试者工作特征曲线(ROC)及其面积(AUC)评价预测准确性。使用留一交叉验证(LOOCV)计算样本外预测性能,旨在最大限度地减少模型过度拟合的问题。对使用生物标志物癌抗原125进行卵巢癌早期检测的仔细分析显示,与SREM和ROCA相比,PMM的性能有所改善。更一般地说,模拟研究表明,PMM优于ROCA,除非在非常频繁的筛选设置中采取生物标志物。
2019-08-21 stat.AP stat.ME
Bayesian Nonparametric Model for Weighted Data Using Mixture of Burr XII Distributions
狄利克雷过程混合模型(DPMM)是一种流行的贝叶斯非参数模型。在本文中,我们将此模型应用于加权数据,然后使用梅特罗波利斯-黑斯廷斯算法从相应的加权分布估计未加权分布。然后,我们应用DPMM与不同的内核模拟和真实的数据集。特别是,我们在删失数据的存在下使用寿命数据,然后计算估计的密度和生存值。
2018-12-11 stat.CO stat.ME
Time-dependent two-way partial AUC and partial Youden Index estimator for right censored data
Indian Institute of Technology Guwahati(印度理工学院古瓦哈提分校);Indian Statistical Institute, Chennai(印度统计学院,金奈)
本文针对右删失数据,提出时变双向部分AUC与部分Youden指数的非参数估计量,经模拟验证其可有效处理删失,并通过两个真实数据集示例说明方法的应用。
2026-09-14 stat.AP stat.ME
A Menu-Driven Software Package of Bayesian Nonparametric (and Parametric) Mixed Models for Regression Analysis and Density Estimation
大多数应用统计学涉及数据的回归分析。本文介绍了一个独立的和菜单驱动的软件包,贝叶斯回归:非参数和参数模型。目前,该软件包为用户提供了83个贝叶斯模型的选择,用于数据分析。它们包括47个贝叶斯非参数(BNP)无限混合回归模型; 5个用于密度估计的BNP无限混合模型;以及31个正态随机效应模型(HLM),包括正态线性模型。78个回归模型中的每一个都处理连续、二元或有序因变量,并且可以处理多水平(分组)数据。所有83个贝叶斯模型都可以处理加权观测的分析(例如,对于荟萃分析),以及左删失、右删失和/或区间删失数据的分析。每个BNP无限混合模型具有分配了各种BNP先验分布之一的混合分布,包括由Dirichlet过程、Pitman-Yor过程(包括归一化稳定过程)、beta(双参数)过程、归一化逆高斯过程、几何权重先验、相关Dirichlet过程或相关无限概率先验定义的先验。软件用户可以点击鼠标选择贝叶斯模型,并通过马尔可夫链蒙特卡罗(MCMC)抽样进行数据分析。采样完成后,软件自动打开文本输出,报告模型后验分布的基于MCMC的估计值和模型对数据的预测拟合。通过鼠标单击其他菜单选项可以生成其他文本和/或图形输出。这包括MCMC收敛分析的输出,以及选定泛函和协变量值的模型后验预测分布的估计。用MATLAB语言编制了BNP回归分析软件,并对实际数据进行了BNP回归分析。
2015-07-14 stat.CO
Neural Bayes estimators for censored inference with peaks-over-threshold models
本文提出利用神经贝叶斯估计器和数据增强技术高效处理删失超阈值峰值模型的空间极值推断,显著提升计算与统计效率,并成功应用于沙特阿拉伯PM2.5浓度评估。
2024-06-18 stat.ME stat.ML
An unsupervised decision-support framework for multivariate biomarker analysis in athlete monitoring
Federal University of Health Sciences of Porto Alegre(波尔图阿莱格雷联邦健康科学大学);Levino Inova(莱文诺创新)
本文提出无监督多变量框架,通过实数据识别运动员潜在生理状态,解决小样本、生物标志物异质性等限制,提升运动员监测的可解释性和实用性。
2026-04-16 cs.LG stat.AP
Seeing Below the Limit of Detection: A Censored-Poisson Bayesian Latent-Growth Change-Point Detector (the Span Detector) for Serial ctDNA in HR+/HER2- Metastatic Breast Cancer
Span AI
提出Span检测器,利用删失泊松贝叶斯潜在增长变点模型处理ctDNA非检测作为左删失观测,通过序贯广义似然比统计量检测变异检测率上升点,在10%假警报率下将提前三个月捕获进展的比例从11%提升至25%。
2026-06-11 cs.LG q-bio.QM stat.ME
Mixture of regressions with multivariate responses for discovering subtypes in Alzheimer's biomarkers with detection limits
除了尸体解剖,阿尔茨海默病(AD)的诊断没有金标准。无监督学习可以深入了解AD的病理生理学。回归的混合可以同时从多个生物标志物中识别聚类,同时考虑聚类内的人口统计学效应。AD的脑脊液(CSF)生物标志物具有检测限,这带来了额外的挑战。我们应用多元截断高斯分布的混合回归(也称为删失多元高斯混合回归或多元tobit回归的混合)对来自埃默里Goizueta阿尔茨海默病研究中心和埃默里健康脑研究的3,000多名参与者进行研究,以检查淀粉样β肽1-42(Abeta 42),已知检测限的CSF中的总tau蛋白和磷酸化tau蛋白。我们解决了三个缺口,在文献中的混合回归截断多元高斯分布:软件可用性,推理和聚类精度。我们发现了三个倾向于与AD组、正常对照组和非AD病理学相一致的簇。CSF特征因种族、性别和遗传标记ApoE 4而异,这突出了在具有检测限的无监督学习中考虑人口统计学因素的重要性。值得注意的是,AD样组的非裔美国人参与者的tau负担显着降低。
2023-03-01 stat.AP
A Bayesian Joint Modelling for Misclassified Interval-censoring and Competing Risks
针对前列腺癌主动监测中进展检测的误分类与竞争风险问题,开发了MCICJM贝叶斯联合模型,通过灵敏度参数处理误分类,并揭示其在参数估计与基线风险中的权衡影响。
2025-07-16 stat.AP stat.ME
A new mixture-based fixed-effect model for a biometrical case-study related to immunogenecity with highly censored data
提出了一种新的连续-离散混合回归模型,该模型适用于描述强删失数据。我们激励我们的调查的基础上,在生物统计学在海地麻疹疫苗的案例研究。在本病例研究中,中和抗体水平由所用疫苗类型、剂量水平和患者性别解释。该混合模型允许我们考虑过量的删失观测,并且由Birnbaum-Saunders分布和伯努利分布组成。这些分布描述了抗体水平和删失观察值的点质量。我们用极大似然方法估计模型参数。通过蒙特卡罗模拟和生物统计数据对模型进行了数值评估,两者都显示了其良好的性能和潜在的应用。
2018-07-29 stat.AP stat.ME
Mixture of linear experts model for censored data: A novel approach with scale-mixture of normal distributions
经典的线性专家混合模型(MoE)是数据建模、分类和聚类的常用统计框架之一。经典的MoE模型建立在误差项的正态性假设基础上,具有两个挑战:1)对非典型观测值和离群值敏感; 2)对删失数据可能产生误导性的推断结果。然后,本文旨在解决这两个挑战,同时,提出了一种新的鲁棒MoE模型的基于模型的聚类和判别删失数据与未观察到的误差项的正态分布类的尺度混合。基于这个新的模型,我们开发了一个分析的期望最大化(EM)型算法,以获得极大似然参数估计。仿真研究进行了检查所提出的方法的性能,有效性和鲁棒性。最后,通过实际数据验证了新模型的优越性.
2020-07-13 stat.AP stat.CO stat.ME
Incorporating biological information into linear models: A Bayesian approach to the selection of pathways and genes
多年来积累的大量生物学知识使研究人员能够识别各种生化相互作用并定义不同的途径家族。人们对识别特定生物过程中涉及的途径和途径要素越来越感兴趣。例如,药物发现工作的重点是确定生物标志物以及与疾病相关的途径。我们提出了一个贝叶斯模型,解决了这个问题,将信息的途径和基因网络的DNA微阵列数据的分析。这些信息用于定义路径摘要、指定先验分布以及构造MCMC移动以拟合模型。我们举例说明的方法与应用程序的基因表达数据删失的生存结果。除了识别否则会被遗漏的标记物并提高预测准确性之外,将现有生物学知识整合到分析中还可以更好地理解潜在的分子过程。
2011-11-23 stat.AP
Lapse risk modelling in insurance: a Bayesian mixture approach
本文主要研究寿险保单的退保时间模型。在这种情况下,通常会在合同的头几个月观察到较大的失效率,几个月后该比率会下降。取消时间的建模必须考虑到这一特定行为。另一个程式化的事实是,在研究期间没有取消的政策被认为是审查。为了解释审查和异质失效率,这项工作假设了一个贝叶斯生存模型与回归的混合。该推断基于数据增强,即使对于超过一百万个客户端的数据集也可以进行快速计算。此外,还提出了基于期望最大化算法的可扩展点估计。一个说明性的例子模拟了人寿保险合同的典型行为和模拟研究调查所提出的模型的属性。特别是,在保险背景下观察到的审查可能高达50%的数据,这是非常不寻常的生存模型在其他领域,如流行病学。这方面是利用我们的模拟研究。
2022-07-14 stat.AP stat.CO
Bayesian joint modelling of longitudinal biomarkers to enable extrapolation of overall survival: an application using larotrectinib trial clinical data
Visible Analytics;Bayer Pharmaceuticals(拜耳制药);University Medical Centre Hamburg Eppendorf(汉堡埃普多夫大学医学中心);University Cancer Institute and the Department of Oncology, University Hospital Fundacion Jimenez Diaz, Autonomous University(胡安·希梅内斯·迪亚兹基金会大学医院肿瘤科及癌症研究所,自治大学);Institut Bergonié(贝尔戈涅研究所);Gustave Roussy Comprehensive Cancer Center(古斯塔夫·鲁西综合癌症中心);Department of Statistics, University of Warwick(华威大学统计系)
本研究利用贝叶斯联合建模方法,通过肿瘤负荷等中间生物标志物预测总生存期,相较于传统方法,提高了生存预测的准确性,并能处理复杂的数据结构。
2025-12-18 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
Bayesian analysis of biomarker levels can predict time of recurrence of prostate cancer with strictly positive apparent Shannon information against an exponential attrition prior
本文提出一种贝叶斯偏态-Student混合模型,通过将复发风险随生物标志物浓度的变化视为平滑变化,预测前列腺癌复发时间,其预测表现优于Cox模型并提供了显著为正的表观Shannon信息。
2024-06-28 q-bio.QM stat.AP
Log-Laplace Nuggets for Fully Bayesian Fitting of Spatial Extremes Models to Threshold Exceedances
Colorado State University(科罗拉多州立大学)
本文提出一种乘法对数拉普拉斯 nugget 方法,通过在截断似然中引入条件独立性,实现高维空间极值模型的高效贝叶斯推断,同时保持极值依赖结构。
2026-04-08 stat.ME
Probabilistic Clustering using Shared Latent Variable Model for Assessing Alzheimers Disease Biomarkers
本文提出基于共享潜变量混合模型的概率聚类方法,利用Hamiltonian Monte Carlo估计和BIC确定聚类数,在BIOCARD纵向数据中识别出阿尔茨海默病生物标志物动态的两个异质性亚组,并开发动态预测方法以提高预后精度。
2024-06-07 stat.CO stat.ME
RZiMM-scRNA: A regularized zero-inflated mixture model framework for single-cell RNA-seq data
单细胞RNA测序技术在生物医学领域的应用日益广泛。这项新技术为在细胞水平上研究疾病异质性提供了前所未有的机会。然而,scRNA-seq数据的独特特征,包括大维度、高脱落率和可能的批次效应,给此类数据的分析带来了很大的困难。不适当地解决这些问题会阻碍真正的科学发现。在本文中,我们提出了一个统一的正则化零膨胀混合模型框架,该框架设计用于scRNA-seq数据(RZiMM-scRNA),以同时检测细胞亚组并基于开发的重要性评分来识别基因差异表达,考虑了脱落和批次效应。我们进行了广泛的模拟研究,其中我们评估了RZiMM-scRNA的性能,并将其与几种流行的方法进行了比较,包括Seurat,SC 3,K-Means和分层聚类。仿真结果表明,与替代方法相比,RZiMM-scRNA表现出优越的聚类性能和增强的生物标志物检测准确性,特别是当细胞亚组不太明显时,验证了我们方法的鲁棒性。我们的实证调查集中在两个脑肿瘤研究处理不同级别的星形细胞瘤,包括最恶性的所有脑肿瘤,多形性胶质母细胞瘤(GBM)。我们的目标是描绘细胞异质性,并确定与这些肿瘤相关的驱动生物标志物。值得注意的是,RZiMM-scNRA成功地识别了一小群少突胶质细胞,这在脑癌的生物医学文献中引起了广泛的关注。
2021-10-25 q-bio.GN q-bio.QM stat.ME
A Novel Multi-view Mixture Model Framework for Longitudinal Clustering with Application to ANCA-Associated Vasculitis
School of Computer Science and Statistics, Trinity College Dublin(都柏林三一学院计算机科学与统计学院);ADAPT Center(ADAPT中心);German Research Centre for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));Trinity Kidney Centre, Trinity College Dublin(都柏林三一学院肾脏病中心)
本文提出一种多视图混合模型,整合静态基线协变量和纵向生物标志物轨迹,通过神经普通微分方程建模时间模式,利用EM算法和稀疏性诱导log惩罚进行训练,发现抗中性粒细胞胞浆抗体相关血管炎患者中的异质亚组。
2026-04-02 q-bio.QM stat.ME
Estimating relapse time distribution from longitudinal biomarker trajectories using iterative regression and continuous time Markov processes
Univ Montpellier, CNRS(蒙彼利埃大学,法国国家科学研究中心);John Curtin School of Medical Research, The Australian National University(澳大利亚国立大学约翰·柯廷医学研究学院)
研究利用迭代回归和连续时间马尔可夫过程,从纵向生物标志物轨迹估计癌症患者复发时间分布,在分段确定性马尔可夫过程框架中解决部分可观测性挑战,经模拟研究评估性能,为简单行为生物标志物轨迹提供概念验证且可扩展至复杂动态。
2026-07-09 stat.AP
Survival Analysis with Discrete Biomarkers Under a Semiparametric Bayesian Conditional Poisson Model
University of Victoria(维多利亚大学);BC Cancer Agency(不列颠哥伦比亚癌症局)
针对癌症生存分析中离散生物标志物存在测量误差的问题,本文提出一种基于狄利克雷过程混合的半参数贝叶斯条件泊松联合模型,并通过模拟和高级别浆液性癌生存研究验证了其在偏差降低和稳健性方面的优势。
2025-09-23 stat.ME
Annealed variational mixtures for disease subtyping and biomarker discovery
针对高维数据聚类分析中无关变量多、聚类数难选的问题,提出退火变分贝叶斯算法VBVarSel,实现高维混合模型拟合与变量选择,在生物医学案例中表现优于现有技术,助力疾病亚型分类和生物标志物发现。
2024-11-28 stat.AP stat.CO
Flexible objective Bayesian linear regression with applications in survival analysis
本文研究了残差按正态分布的两段尺度混合分布的线性回归模型的客观贝叶斯推断。这些模型允许捕捉偏离通常的假设,正常的重尾,不对称性,和某些类型的异方差的错误。我们提出了一个一般的无信息,尺度不变,先验结构,并提供充分条件的适当性的后验分布的模型参数,其中包括情况下,当响应变量被删失。这些结果使我们能够将所提出的模型应用于生存分析。本文代表了Rubio和Hong(2015)提出的模型的贝叶斯框架的扩展。我们提出了一个模拟研究,表现出良好的频率属性的后可信区间以及点估计与建议的先验。我们用癌症患者生存分析的实际数据说明了这些模型的性能。
2016-05-06 stat.AP
umx version 4.5: Extending Twin and Path-Based SEM in R with CLPM, MR-DoC, Definition Variables, $Ω$nyx Integration, and Censored Distributions
Virginia Institute for Psychiatric and Behavioral Genetics, Virginia Commonwealth University(弗吉尼亚精神与行为遗传学研究所,弗吉尼亚联邦大学);The University of Melbourne(墨尔本大学);University of Edinburgh(爱丁堡大学)
umx v4.5扩展了双生和路径SEM的功能,引入CLPM、MR-DoC、定义变量、$Ω$nyx整合和截断分布等新功能,提升双生和家庭建模的可重复性和可靠性。
2026-02-08 stat.AP
A combined efficient design for biomarker data subject to a limit of detection due to measuring instrument sensitivity
样本池是生物医学研究中广泛接受的采样策略,可用于降低生物标志物研究的成本。即使单次测定的成本不是评价生物标志物的主要限制,合并也可以是一种强大的设计,其基于由于仪器的检测下限(LLOD)而被删失的数据来提高估计效率。然而,在某些情况下,合并设计会严重影响检测限问题。为了结合合并检测试剂盒和单个检测试剂盒的优点,提出了混合设计,即同时采集合并标本和单个标本的样本。我们研究了这些混合设计在估计两个系统的LLOD参数的效率:(1)正态分布的生物标志物与正态分布的测量误差和合并误差;(2)伽马分布的生物标志物与双指数分布的测量误差和合并误差。采用三次试验设计和重复两次试验设计来估计测量误差和合并误差。采用极大似然法估计参数。我们发现,在合理的条件下,简单的单池设计(其中除一个检测试剂盒外的所有检测试剂盒均为随机个体,单个合并检测试剂盒包括剩余标本)非常有效,可推荐用于实际应用。
2012-02-29 stat.AP
Clustering and Meta-Analysis Using a Mixture of Dependent Linear Tail-Free Priors
针对免疫疗法元分析中研究异质性强的问题,提出带Dirichlet过程混合随机划分的扩展线性相依无尾过程非参数贝叶斯模型,支持条件共轭后验更新,用于验证生物标志物在免疫疗法研究设计中的应用。
2024-06-22 stat.ME
Bayesian linear regression with skew-symmetric error distributions with applications to survival analysis
研究了正态误差分布具有斜对称尺度混合的贝叶斯线性回归模型。这些类型的模型可以用来捕捉偏离通常的假设,即重尾和不对称方面的误差正态性。我们为这些回归模型提出了一个一般的无信息先验结构,并证明了相应的后验分布在温和的条件下是适当的。我们扩展这些适当的结果的情况下,响应变量被删失。后一种情况是感兴趣的加速失效时间模型,这是相关的生存分析的上下文中。我们提出了一个模拟研究,表现出良好的频率属性的后可信区间相关的建议先验。这项研究还揭示了一些之间的权衡增加模型的灵活性和过度拟合的风险。我们用实际数据说明了所提出的模型的性能。虽然我们关注的是单变量响应变量的模型,但我们也在支持网络材料中对多变量情况进行了一些扩展。
2016-01-10 stat.AP
Bridging Asymptotic Independence and Dependence in Spatial Extremes Using Gaussian Scale Mixtures
高斯尺度混合物被构造为具有随机方差的高斯过程。它们具有非高斯边缘,并且可以表现出与高斯过程不同的渐近依赖性,高斯过程除了完全依赖的情况外是渐近独立的。在本文中,我们详细研究了高斯尺度混合物的极值依赖性质,我们统一和扩展的联合尾衰减率在渐近依赖和独立的情况下的一般结果。出于对空间极值的分析,我们提出了几种灵活而简约的参数Copula模型,这些模型可以从渐近依赖平滑地插值到独立性,并将高斯依赖作为特例。我们展示了如何使用删失似然方法将这些新模型拟合到高阈值的一致性,并且我们证明了它们提供了有关尾部特征的有价值的信息。我们的参数方法优于广泛使用的非参数$χ$和$\barχ$统计,通常用于指导模型选择在探索阶段,通过借用跨位置的强度,更好地估计渐近依赖类。我们证明了我们的方法的能力,充分捕捉极端属性的风速数据收集在太平洋西北部,美国。
2017-01-27 stat.ME
A Bayesian Adaptive Latent Mixture Model for Zero-Inflated Weighted Brain Connectome Analysis
University of Central Florida(中佛罗里达大学);School of Data, Mathematical, and Statistical Sciences(数据、数学与统计科学学院)
本文提出一种贝叶斯自适应潜在混合模型,用于处理零膨胀加权网络中的结构零和异质非零边强度,通过共享低秩潜在分数矩阵和hurdle似然分离边存在与条件边强度,实现稳定潜在线性模式和异质主体混合。
2026-05-13 stat.AP stat.CO stat.ME
Mixture models applied to heterogeneous populations
混合模型提供了一个灵活的表示异构性在有限数量的潜在类。从贝叶斯的角度来看,马尔可夫链蒙特卡罗方法提供了一种从这些模型中得出推论的方法。特别是,当亚群的数量被认为是未知的,需要更复杂的方法来执行贝叶斯分析。在这种情况下,可逆跳跃马尔可夫链蒙特卡罗是通过模拟计算后验分布的替代方法。与这类模型的贝叶斯分析相关的一些问题是常见的,例如所谓的“标签转换”问题。然而,随着群体异质性水平的增加,这些问题预计将变得不那么频繁,模型的性能将得到改善。因此,这项工作的目的是评估正常的混合模型拟合使用不同的设置下的异质性和先验信息的混合比例的模拟数据。还提出了一个模拟研究,以评估该模型的性能,考虑已知的组件的数量和估计it.Finally,该模型被应用到一个删失的真实数据集包含抗体水平的巨细胞病毒在个人。
2020-05-05 stat.ME
Modeling Bimodal Discrete Data Using Conway-Maxwell-Poisson Mixture Models
在汇总调查数据和用户评分中,当受访者意见不一时,经常可以观察到双峰截断计数分布。它们也出现在删失计数数据中,其中最高类别可能会创建额外的模式。在离散数据中建模双峰行为对于各种目的都很有用,从比较不同样本(或调查问题)的形状到预测新评分者的未来评分。泊松分布是用于拟合计数数据的最常见分布,并且可以被修改以实现截断的泊松分布的混合。然而,它只适合于建模等分散分布,并在其捕获双峰的能力是有限的。Conway-Maxwell-Poisson(CMP)分布是泊松分布的两参数推广,其允许过分散和欠分散。在这项工作中,我们提出了一个混合的CMP捕获范围广泛的截断离散数据,可以表现出单峰和双峰的行为。我们提出了使用EM方法估计两个CMP分布的混合物的参数的方法。我们的方法在M步中引入了一个特殊的两步优化来估计多个参数。我们研究计算和理论问题。使用模拟和真实的例子说明了建模有序评级数据以及截断计数数据的方法。
2014-01-23 stat.ME
Optimal stratification of survival data via Bayesian nonparametric mixtures
分层比例风险模型代表了一种简单的解决方案,可以解释数据中的异质性,同时保持对风险函数的乘法效应。层通常通过诉诸于分类协变量所取的值来先验地定义。提出了一个一般框架,它允许分层的通用加速寿命模型,包括作为一个特殊情况下的威布尔比例风险模型。考虑到分层可能以不同的基线生存率以及预测因子的不同影响为特征,后验确定分层。这是通过考虑贝叶斯非参数混合模型及其在数据分区空间上诱导的后验分布来实现的。最优分层,然后确定的信息准则的变化,反过来,层特定的推理进行。所提出的方法的性能和它的鲁棒性的存在下,右删失的意见进行了研究,通过广泛的模拟研究。从马萨诸塞大学艾滋病研究单位IMPACT研究中提取的数据集的分析提供了进一步的说明。
2021-03-16 stat.ME
Bayesian significance test for discriminating between survival distributions
本文的主要目的是评价FBST,完全贝叶斯显著性检验,仅限于生存模型。生存分布应在树中选择,对数正态分布,伽玛分布和威布尔分布。对于这种歧视,一个线性混合的三个分布,其中的混合权重定义的狄利克雷分布的顺序三,是一个重要的工具:FBST是用来测试的假设定义的混合权重空间。该文件的另一个特点是,所有三个分布重新参数化,所有六个参数-每个分布两个-被写入的函数的平均值和方差的人口进行了研究。请注意,这三个分布在混合模型中共享相同的两个参数。混合密度于是具有四个参数,相同的两个用于三个区分密度,两个用于混合权重。一些数值模拟结果与一些右删失数据被认为是。对数正态-伽马-威布尔模型也适用于一个真正的研究与数据集组成的患者的生存时间的慢性肾功能衰竭的末期接受血液透析程序的患者;数据来自里约热内卢医院。权重的后验密度表示混合权重的顺序,FBST用于区分三种生存分布。关键词:模型选择;分离模型;生存分布;混合模型;显著性检验; FBST
2017-05-31 stat.ME
Study Duration Prediction for Clinical Trials with Time-to-Event Endpoints Using Mixture Distributions Accounting for Heterogeneous Population
针对生物标志物指导的临床试验持续时间预测问题,提出考虑异质人群的混合分布通用框架,通过模拟和公开试验重新评估验证了预测准确性,并开发了R包detest。
2023-12-31 stat.AP stat.ME
A Semiparametric Bayesian Method for Instrumental Variable Analysis with Partly Interval-Censored Time-to-Event Outcome
University of California Los Angeles(加利福尼亚大学洛杉矶分校)
针对部分区间删失生存数据,本文提出基于两阶段 Dirichlet 过程混合工具变量(DPMIV)模型的半参数贝叶斯方法,放宽正态误差假设以估计内生变量的因果效应,模拟和 UK Biobank 数据验证了其稳健性与优越性。
2025-01-23 cs.LG stat.AP stat.CO
Cluster-weighted modeling of lifetime hierarchical data for profiling COVID-19 heart failure patients
针对COVID-19心力衰竭患者生存时间的异质性,提出一种结合随机效应和局部分布的右删失寿命混合模型,利用共享脆弱项和CEM/SEM算法揭示患者潜在聚类与医院效应,为个性化临床策略提供依据。
2025-07-16 stat.AP
Modeling Time-course Gene Expression Data through Bayesian Partition Functional Principal Component Analysis
MRC Biostatistics Unit, Cambridge University(剑桥大学 MRC 生物统计单元);University of Geneva(日内瓦大学)
研究针对高维时程基因表达数据降维等挑战,提出贝叶斯分区函数主成分分析(PFPCA),结合混合模型与多元函数主成分分析,开发变分算法,模拟和实际应用均显示其能准确恢复结构并揭示相关特征。
2026-07-14 stat.AP stat.ME
Species Sensitivity Distribution revisited: a Bayesian nonparametric approach
Bocconi Institute for Data Science & Analytics, Bocconi University(博科尼数据科学与分析学院,博科尼大学);Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LJK(格勒诺布尔阿尔卑斯大学,法国国家科学研究中心,法国国家信息与自动化研究所,格勒诺布尔理工学院);Université Paris-Saclay, INRAE, MaIAGE(巴黎萨克雷大学,法国国家农业食品与环境研究院)
本文提出了一种基于贝叶斯非参数方法的物种敏感分布改进方法,以提高生态风险评估的准确性与鲁棒性。
2026-02-04 stat.AP stat.ME
BNPdensity: Bayesian nonparametric mixture modeling in R
在潜在的模型错误设定下,稳健的统计数据建模通常需要将参数世界留给非参数世界。在后者中,参数是无限维对象,例如函数、概率分布或无限向量。在贝叶斯非参数方法中,为这些参数设计了先验分布,这为在实践中管理非参数模型的复杂性提供了一个手柄。然而,大多数现代贝叶斯非参数模型似乎往往遥不可及的从业者,推理算法需要精心设计,以处理无限数量的参数。这项工作的目的是通过提供贝叶斯非参数推理的计算工具来促进旅程。介绍了\R软件包BNPdensity中的一组可用函数,以便对无限混合模型(包括所有类型的删失数据)进行密度估计。该软件包提供了一个大类的这种模型的基础上规范化的随机措施,这代表了一个普遍的狄利克雷过程的混合物。这种推广的一个显著优点是,它提供了比狄利克雷更强大的聚类数先验。另一个关键的优点是在指定集群的规模和位置参数的先验的完全灵活性,因为共轭是不需要的。推理是使用一个理论接地近似抽样方法称为弗格森和克拉斯算法。该软件包还提供了几个拟合优度诊断,如QQ图,包括交叉验证标准,条件预测坐标。所提出的方法是说明一个经典的生态风险评估方法,称为物种敏感性分布(SSD)的问题,展示贝叶斯非参数框架的好处。
2021-10-20 stat.CO stat.ME
Bayesian nonparametric mean residual life regression
针对概率框架下平均剩余寿命回归推断方法有限的问题,提出基于Dirichlet过程混合的贝叶斯非参数回归方法,扩展纳入组间依赖,开发后验推断方法,经模拟和右删失生存数据验证有效。
2024-01-24 stat.AP stat.ME
Personalized Biopsy Schedules Using an Interval-censored Cause-specific Joint Model
本研究针对前列腺癌主动监测中固定活检方案的问题,提出区间删失原因特异性联合模型生成个性化方案,可在检测延迟略有增加的代价下减少34%-54%的活检次数。
2024-03-13 stat.AP stat.ME
Bayesian mixture models for phylogenetic source attribution from consensus sequences and time since infection estimates
针对高进化率病毒传播对识别忽略感染时间的问题,开发了结合进化时钟与混合效应的贝叶斯混合模型,利用系统发育数据和临床生物标志物估计的感染时间,提升了群体水平传播来源推断的准确性。
2024-08-22 q-bio.PE stat.ME
Flexible linear mixed models with improper priors for longitudinal and survival data
针对具有灵活随机效应和残差误差分布的分层线性混合模型,提出了一种使用不适当先验的贝叶斯方法。误差分布是使用比例混合的法线,它可以捕捉比那些正态分布的尾部重建模。这种概括对于产生对离群值的存在具有鲁棒性的模型是有用的。还研究了非对称残差的情况。我们目前的一般结果的适当性后,也包括情况下,审查意见,允许使用这些模型的背景下流行的纵向和生存分析。我们考虑使用灵活的边际copula建模之间的依赖关系的随机效应,但我们的研究结果涵盖使用任何随机效应分布。因此,我们的论文提供了一个正式的理由贝叶斯推断在一个非常广泛的一类模型(几乎涵盖了所有的文献)有吸引力的事先结构,限制所需的用户启发。
2018-02-05 stat.AP stat.ME
Identifying expanding TCR clonotypes with a longitudinal Bayesian mixture model and their associations with cancer patient prognosis, metastasis-directed therapy, and VJ gene enrichment
Department of Biostatistics(生物统计系);Department of Radiation Oncology, Mayo Clinic(梅奥诊所放射肿瘤科);Department of Translational Molecular Pathology(转化分子病理学系);Departments of Thoracic/Head and Neck Medical Oncology(胸部/头颈医学肿瘤科);Department of Radiation Oncology, University of Texas MD Anderson Cancer Center(德克萨斯大学安德森癌症中心放射肿瘤科)
本文提出一种纵向贝叶斯混合模型,用于识别癌症患者中扩展的TCR克隆型,并探讨其与预后、转移导向治疗及VJ基因富集的关系。
2026-01-08 q-bio.QM stat.ME
Estimation of Inverse Weibull Distribution Under Type-I Hybrid Censoring
混合删失是I型和II型删失方案的混合。本文给出了混合定数截尾下逆韦布尔分布的统计推断。首先考虑未知参数的极大似然估计。指出了极大似然估计量不能以封闭形式得到。利用重要性抽样方法,在Gamma先验独立的假设下,得到了未知参数的Bayes估计和相应的最大后验密度可信区间.我们还使用Lindley的近似技术计算近似贝叶斯估计。我们进行了模拟研究和实际数据分析,以比较建议的贝叶斯估计与极大似然估计。
2020-04-04 stat.OT
TPRM: Tensor partition regression models with applications in imaging biomarker detection
医学成像研究已经收集了高维成像数据以鉴定用于诊断、筛查和预后等的成像生物标志物。这些成像数据通常以多维数组的形式表示,称为张量。本文的目的是开发一个张量分区回归建模(TPRM)框架,以建立低维临床结果(例如,诊断)和高维张量协变量。我们的TPRM是一个分层模型,有效地集成了四个组件:(i)分区模型,(ii)一个典型的polyadic分解模型,(iii)一个主成分模型,(iv)一个广义线性模型与稀疏诱导正常混合先验。该框架不仅将超高维度降低到可管理的水平,从而实现有效的估计,而且还优化了搜索信息子张量的预测精度。后验计算通过有效的马尔可夫链蒙特卡罗算法进行。仿真结果表明,TPRM优于其他几个竞争的方法。我们应用TPRM预测疾病状态(阿尔茨海默病与对照组)通过使用结构磁共振成像数据从阿尔茨海默病神经影像学倡议(ADNI)的研究。
2017-11-08 stat.AP