Joint modeling with time-dependent treatment and heteroskedasticity: Bayesian analysis with application to the Framingham Heart Study
本文扩展联合模型以纳入时变治疗导致的残差异方差及个体特异性变异性对生存结局的影响,并用贝叶斯方法在Framingham心脏研究中揭示抗高血压药相关血压变异性升高会增加心血管病风险。
2023-08-21 stat.AP stat.ME
Bayesian joint inference for multiple directed acyclic graphs
在许多应用程序中,数据通常来自可能共享相似特征的多个组。同时对多个组进行建模的联合估计方法可能比分别估计每个组中的参数更有效。本文基于有向无环图,研究了数据的依赖结构,提出了一种多图贝叶斯联合推理方法。为了鼓励所有组之间的相似依赖结构,采用马尔可夫随机场先验。我们建立了联合选择一致性的分数后验在高维,联合推理的好处下,共同支持的假设。这是多个有向无环图联合估计的第一个贝叶斯方法。所提出的方法的性能证明使用模拟研究,它表明,我们的联合推理优于其他竞争对手。我们将我们的方法应用于fMRI数据,同时推断多个脑功能网络。
2020-08-14 stat.ME
When Method Choice Changes Statistical Inference: A Comparison of a Baseline Two-Stage Approach and Bayesian Joint Modeling for Longitudinal and Survival Data in an HIV Clinical Trial
University of Northern Colorado(北科罗拉多大学)
本研究以HIV临床试验数据对比两阶段方法与贝叶斯联合模型,发现二者对ddI与死亡率关联估计相近,但CD4保护关联估计存在差异,表明纵向生物标志物信息的处理方式会影响统计推断。
2026-08-14 stat.AP stat.ME
Bayesian blockwise inference for joint models of longitudinal and multistate processes
针对纵向与多状态联合模型计算复杂度高、难适配大数据集的问题,提出两种贝叶斯分块推断方法,支持并行计算与模型选择,经模拟和真实电子健康记录数据验证,采样效率与估计性能优异。
2023-08-23 stat.AP stat.ME
Bayesian Mixed Effect Sparse Tensor Response Regression Model with Joint Estimation of Activation and Connectivity
在基于任务的功能性磁共振成像(fMRI)实验中对多个受试者的大脑激活和连接性分析目前处于数据驱动神经科学的最前沿。在这样的实验中,兴趣通常在于理解由于外部刺激引起的脑体素的激活以及对一组预先指定的脑体素组(也称为感兴趣区域(ROI))的测量之间的强关联或连接。本文提出了一个联合贝叶斯添加剂混合建模框架,同时评估大脑激活和连接模式,从多个主题。特别是,fMRI测量从每个人获得的多维阵列/张量的形式在每个时间回归的功能的刺激。我们施加一个低秩PARAFAC分解的张量回归系数对应的刺激,以实现简约。采用多路棒断裂收缩先验来推断每个体素中的激活模式和相关联的不确定性。此外,该模型引入了区域特定的随机效应,其在考虑ROI对之间的连接性之前与贝叶斯高斯图形联合建模。各种模拟研究下的实证调查表明,该方法作为一种工具,同时评估大脑激活和连接的有效性。然后,将该方法应用于来自气球模拟冒险实验的多受试者fMRI数据集,以推断大脑如何处理风险。
2019-03-30 stat.AP stat.ME
A Bayesian Joint Model for Compositional Mediation Effect Selection in Microbiome Data
本文提出面向成分微生物组数据的贝叶斯联合模型,以同时识别、估计并量化直接、相对间接和总体间接效应,并通过模拟和小鼠抗生素基准数据验证其选择性能。
2023-04-26 stat.AP stat.ME
Bayesian Kernel Machine Regression via Random Fourier Features for Estimating Joint Health Effects of Multiple Exposures
Emory University(埃默里大学)
本文提出通过随机傅里叶特征改进贝叶斯核机回归,以高效估计多种暴露的联合健康效应。
2026-01-29 stat.AP stat.ME
Sandwich-adjusted Bayesian copula inference and model checks for joint laboratory extremes in emergency care
University of Louisiana at Lafayette(路易斯安那大学拉法叶分校);Minnesota State University(明尼苏达州立大学);West Liberty University(西自由大学);Presidency College(总统学院)
本文提出一种基于Copula的贝叶斯方法,通过受限杰弗里斯先验量化配对生物标志物的联合尾风险,揭示了极端共动性显著高于独立性。
2026-11-17 stat.AP stat.ME
A Geometric Framework for the Bayesian Estimation of Joint Environmental Extremes
University of Arkansas(阿肯色大学);OpenEVT
本研究提出一种双变量极值贝叶斯建模框架,采用几何极值框架分解数据为角度与径向分量,通过周期M-样条和贝塞尔样条估计分布,经数值实验与火灾天气案例验证,可有效估计联合尾部失效集的极端概率。
2026-10-16 stat.AP stat.ME
A Bayesian joint model of multiple nonlinear longitudinal and competing risks outcomes for dynamic prediction in multiple myeloma: joint estimation and corrected two-stage approaches
提出一种贝叶斯联合模型,整合多重非线性纵向生物标志物与竞争风险,用于多发性骨髓瘤的动态预测,并比较联合估计与校正两阶段策略两种方法。
2024-11-11 stat.AP stat.ME
Bayesian Joint Modeling of Zero-Inflated Longitudinal Data and Survival with a Cure Fraction: Application to AIDS Data
针对零膨胀纵向计数数据与含治愈组分的生存数据,提出贝叶斯联合建模框架,纵向用混合效应Hurdle模型、生存用Cox-混合治愈模型并通过纵向值线性组合连接,经模拟与HIV数据验证,可支持个性化医疗决策。
2025-08-26 stat.AP stat.ME
Causal mediation analysis for longitudinal and survival data in continuous time using Bayesian non-parametric joint models
University of Chicago(芝加哥大学);University of Florida(佛罗里达大学);Northwestern University(西北大学)
本文提出了一种联合建模纵向暴露、混杂因素、中介变量和时间到事件结局的因果中介框架,以连续函数形式建模年龄,利用富集狄利克雷过程混合模型进行统计推断,评估药物对心血管疾病死亡时间的影响。
2026-05-18 stat.AP stat.ME
Bayesian Joint Modeling for Longitudinal Magnitude Data with Informative Dropout: an Application to Critical Care Data
本文提出了一种包含随机效应的贝叶斯回归方法来分析幅度数据,并扩展为联合建模策略以应对信息性退出问题,有效减轻缺失数据偏差,最后应用于ICU患者膈肌厚度变化研究。
2025-07-14 stat.AP stat.ME
Bayesian Joint Modeling of Interrater and Intrarater Reliability with Multilevel Data
提出三个广义贝叶斯模型联合分析多级数据中的评分者间与评分者内信度,提供新估计、边际相关公式,并通过真实数据和模拟验证其性质。
2024-07-17 stat.ME
Nonlinear association structures in flexible Bayesian additive joint models
纵向和生存数据的联合模型已成为纵向生物标志物和事件过程之间的关联建模的重要工具。在现有的共享随机效应模型中,标记物和对数风险之间的关联被假设为线性,该假设通常未被检查。我们提出了一个扩展的框架,灵活的添加剂联合模型,允许估计的非线性,协变量的具体关联,利用贝叶斯P-样条。我们的联合模型估计在贝叶斯框架中使用结构化的添加剂预测的所有模型组件,允许在纵向子模型,生存子模型及其关联的平滑非线性,时变和随机效应条款的规格有很大的灵活性。捕捉真正的线性和非线性关联的能力进行了评估,并在广泛研究的罕见致命性肝病原发性胆汁性肝硬化的生物医学数据上进行了说明。所有方法都在R软件包bamlss中实现,以方便这种柔性关节模型在实际中的应用。
2017-10-23 stat.ME
Bayesian Design with Sampling Windows for Complex Spatial Processes
优化设计有助于智能数据收集。在本文中,我们介绍了一个完整的贝叶斯设计方法的空间过程具有复杂的协方差结构,像那些典型的自然生态系统。坐标交换算法通常用于查找最佳设计点。然而,在具体点收集数据在实践中往往是不可行的。目前,没有规定在选择设计方面给予灵活性。我们还提出了一种方法来找到贝叶斯采样窗口,而不是点,通过高斯过程仿真,以确定在多维空间的高设计效率的区域。这些发展的动机是两个生态案例研究:在美国西北部的河流网络系统的水温监测和澳大利亚西北海岸的水下珊瑚礁监测。
2022-06-10 stat.AP stat.ME
Joint $p$-Values for Higher-Powered Bayesian Model Checking with Frequentist Guarantees
本文提出面向多个检验统计量的联合后验 $p$ 值,以缓解高维连续模型扩展中后验预测 $p$ 值的保守性,并通过模拟证明其以小幅计算代价显著提升检验功效。
2023-12-11 stat.ME
Sparse Bayesian joint modal estimation for exploratory item factor analysis
The University of Tokyo(东京大学);London School of Economics and Political Science(伦敦政治经济学院)
本文提出一种可扩展的贝叶斯估计算法,用于探索性项目因子分析中的稀疏估计,基于经典贝叶斯估计方法——联合模态估计(BJME)。该算法通过交替优化方案迭代更新模型参数和潜在变量,实现高效计算和准确的变量选择与潜在因子恢复。
2026-10-01 stat.CO stat.ME
A joint Bayesian hierarchical model for estimating SARS-CoV-2 diagnostic and subgenomic RNA viral dynamics and seroconversion
提出一种联合贝叶斯层次模型,同时估计SARS-CoV-2诊断性RNA和sgRNA病毒载量及血清转化动态,并利用交叉验证证明其可推算缺失的sgRNA轨迹。
2023-01-09 q-bio.BM stat.AP stat.ME
JASPER: Joint Bayesian Analysis of Spatial Expression via Regression
Texas A&M University(德克萨斯农工大学)
JASPER通过联合贝叶斯分析空间表达,解决现有方法在基因间相关性建模不足的问题,提升空间转录组数据的统计和生物解释性。
2026-07-01 stat.AP stat.CO stat.ME
A Bayesian Approach to Joint Estimation of Multiple Graphical Models
高维数据中多个图模型的联合估计问题已经在统计学和机器学习文献中进行了研究,因为它在包括分子生物学、神经科学和社会科学在内的各个领域都很重要。这项工作开发了一种贝叶斯方法,该方法将多个图形模型中的模型参数分解为模型和边缘子集之间的共享组件以及特殊组件。此外,它利用了一种新的多变量先验分布,再加上一个伪似然,使快速计算,通过一个强大的和有效的吉布斯抽样计划。我们建立了强后验一致性的模型选择,以及估计模型参数的高维尺度下的变量的数量与样本量呈指数增长。所提出的方法的有效性说明合成和真实数据。关键词:伪似然,吉布斯抽样,后验一致性,组学数据
2019-07-02 stat.ME
A generalized likelihood based Bayesian approach for scalable joint regression and covariance selection in high dimensions
研究了贝叶斯范式下高维多元回归模型中回归系数矩阵和误差精度矩阵(逆协方差矩阵)的联合稀疏性选择问题。所选择的稀疏模式对于帮助理解预测变量和响应变量之间的关系网络以及后者之间的条件关系至关重要。虽然贝叶斯方法具有通过后验包含概率和可信区间提供自然不确定性量化的优点,但当前贝叶斯方法要么限制于稀疏模式的特定子类和/或不可扩展到具有数百个响应和预测因子的设置。贝叶斯方法只关注于估计后验模式是可扩展的,但不从后验分布生成样本用于不确定性量化。使用基于双凸回归的广义似然和尖峰和平板先验,我们开发了一种称为联合回归网络的算法(JRNS),用于联合回归和协方差选择,该算法(a)可以适应一般稀疏模式,(b)提供不确定性量化的后验样本,(c)可扩展,比提供不确定性量化的最先进贝叶斯方法快几个数量级。我们证明了所提出的方法对合成数据的统计和计算效率,并通过对选定的癌症数据集的分析。我们还建立了高维后验一致性的开发算法之一。
2022-01-14 stat.CO stat.ME
Combining Dynamic Predictions from Joint Models for Longitudinal and Time-to-Event Data using Bayesian Model Averaging
纵向和时间-事件数据的联合建模是统计学研究的一个活跃领域,近年来受到了很多关注。最近,这种类型的模型的一个新的和有吸引力的应用已经获得个性化的生存概率和/或未来的纵向响应的预测。这些预测的有利特征在于,当针对感兴趣的对象收集额外的纵向响应时,它们被动态地更新,从而使用所有记录的信息提供实时风险评估。本文的目的有两个方面。首先,强调建模的纵向和事件时间响应之间的关联结构,可以极大地影响派生的预测,第二,说明我们如何可以通过适当地结合联合模型与不同的关联结构来提高派生的预测的准确性的重要性。第二个目标是实现使用贝叶斯模型平均,其中,在这种情况下,具有非常有趣的功能,模型的权重是不固定的,但它们是相当受试者和时间依赖性,这意味着在不同的后续时间预测相同的主题可能是基于不同的模型。
2013-03-12 stat.AP stat.CO stat.ME
A tractable Bayesian joint model for longitudinal and survival data
我们介绍了一个数值上易于处理的制定贝叶斯联合模型的纵向和生存数据。纵向过程采用广义线性混合模型建模,而生存过程采用参数化一般危险结构建模。这两个过程通过共享固定效应和随机效应而联系在一起,将在时间尺度上起作用的效应与影响危害尺度的效应分开。这种策略允许包括非线性和时间依赖性的影响,同时避免了需要数值积分,这有利于实施拟议的联合模型。我们探索使用灵活的参数分布建模的基线风险函数,可以捕捉在实践中感兴趣的基本形状。我们讨论的参数的解释的基础上事先启发。我们提出了一个广泛的模拟研究,我们分析了所提出的模型的推理性能,并说明了灵活性,样本量和审查之间的权衡。我们还将我们的建议应用到两个真实的数据应用中,以证明我们的配方在单变量时间事件数据和竞争风险框架中的适应性。该方法已在rstan中实施。
2021-04-22 stat.AP stat.CO stat.ME
Bayesian Modeling of Gibbs Point Processes via Basis Function Expansions
University of Missouri(密苏里大学)
该研究针对非齐次成对交互Gibbs点过程模型,提出基于基函数展开的分层贝叶斯框架与完全空间随机性检验程序,并通过水黾、森林火灾两个真实基准数据验证了方法有效性。
2026-08-14 stat.AP stat.CO stat.ME
Joint Modeling of Longitudinal and Survival Data: A Bayesian Approach for Predicting Disease Progression
本文提出了一种贝叶斯联合建模方法,用于预测慢性疾病进展,通过共享随机效应同时分析生物标志物的纵向轨迹和生存结果,提高预测准确性和临床可解释性。
2025-12-29 stat.ME
Bayesian learning of joint distributions of objects
在为具有各种测量尺度的数据定义灵活的关节模型,同时还允许复杂类型的数据,如功能,图像和文档中,在广泛的应用领域中有越来越多的兴趣。我们认为,通过混合模型,通过一个联合混合措施,将依赖性跨数据类型的非参数贝叶斯联合建模的一般框架。混合测量被分配一个新的无限张量分解(ITF)之前,允许灵活的依赖性,在集群分配跨数据类型。ITF先验被制定为一个张量积的棒断裂过程。专注于一个方便的特殊情况下对应的Parafac分解,我们提供了基本理论证明的灵活性,提出的先验和渐近性质。针对乘积核的ITF混合,我们提出了一种新的吉布斯抽样算法,用于依赖切片抽样的常规实现。通过仿真和实际数据应用,将该方法与基于Dirichlet过程的联合混合模型和相关方法进行了比较。
2013-03-03 stat.ME
A Bayesian Joint Modelling of Current Status and Current Count Data
本文提出一种基于共享脆弱性的半参数回归贝叶斯联合建模方法,利用自适应Metropolis-Hastings算法估计重复与非重复事件的依赖程度及风险因素,并通过模拟和骨折-骨质疏松数据验证了有效性。
2024-10-13 stat.ME
"Spatial Joint Models through Bayesian Structured Piece-wise Additive Joint Modelling for Longitudinal and Time-to-Event Data"
针对空间联合模型稀缺及传统比例风险公式计算难题,提出基于分段指数风险、计数过程表示与结构化加性预测变量的联合模型,可估计多类效应,性能优、速度快且在不平衡数据下稳定。
2023-02-14 stat.CO stat.ME
Bayesian semiparametric modelling of phase-varying point processes
我们提出了一个贝叶斯半参数方法注册的多点过程。我们的方法需要建模的平均措施的相位变化的点过程与Bernstein-Dirichlet先验,这导致了所有翘曲函数的空间上的先验。导出了诱导先验支持性的理论结果,并在较弱的条件下得到了后验一致性。数值实验表明,所提出的方法具有良好的性能,和气候学的实际数据的例子来展示如何在实践中使用的方法。
2020-12-11 stat.ME
A Bayesian Weakest-Link Framework for Joint Estimation of Material Strength and Stress Profile
University of Waterloo(滑铁卢大学);Department of Statistics and Actuarial Science, University of Waterloo(滑铁卢大学统计与精算科学系)
该研究针对现有可靠性模型的局限,提出分层贝叶斯最弱链接模型,联合估计材料强度与应力分布,经模拟及花旗松横担真实数据分析验证了其有效性。
2026-08-04 stat.ME
A note on Bayesian logistic regression for spatial exponential family Gibbs point processes
近年来,指数族Gibbs空间点过程的逻辑斯谛回归推理方法被提出.我们将它与二次切向变分逼近技术相结合,导出了一种新的贝叶斯空间点模式分析方法。该技术进行了详细描述,并证明了数值例子。
2014-11-03 stat.ME stat.OT
Joint Bayesian estimation of close subspaces from noisy measurements
在这封信中,我们考虑两组定义为嵌入在噪声中的子空间信号的观测,我们希望分析这两个子空间之间的距离。后者需要评估子空间之间的角度,这个问题让人想起著名的Procrustes问题。贝叶斯方法的研究,其中感兴趣的子空间被认为是随机的联合先验分布(即宾汉分布),这使得两个子空间的接近程度进行调整。在这个框架内,最小均方距离估计的两个子空间制定和实施通过吉布斯采样器。本文还提出了一种基于交替最大后验估计的简单方案。新的计划,以提供更准确的估计的角度之间的子空间,相比基于奇异值分解的独立估计的两个子空间。
2013-10-01 stat.ME stat.ML
A Bayesian Approach to Approximate Joint Diagonalization of Square Matrices
Dalian University of Technology(大连理工大学);University College London(伦敦大学学院)
我们提出了一个贝叶斯方案的近似对角化的几个方阵不一定是对称的。一个吉布斯采样器来模拟这些矩阵的共同特征向量和特征值的样本。几个合成的例子来说明所提出的吉布斯采样器的性能,然后我们提供了几个其他联合对角化算法,这表明吉布斯采样器实现了国家的最先进的性能的例子考虑的比较。作为一个副产品,吉布斯采样器的输出可以用来估计对数边际似然,但是我们采用基于贝叶斯信息准则(BIC)的近似,在合成的例子中,它被认为正确地定位了公共特征向量的数量。然后,我们成功地应用采样器的源分离问题,以及常见的主成分分析和常见的空间模式分析问题。
2012-06-18 cs.LG stat.CO stat.ME
Approximate Bayesian inference for joint partially linear modeling of longitudinal measurements and spatial time-to-event data
本文提出一种近似贝叶斯层次模型,结合条件自回归空间效应与联合部分线性模型,用于联合分析纵向测量和空间生存数据,并通过模拟及巴西HIV/AIDS数据验证其有效性。
2025-02-09 stat.CO stat.ME
Bayesian Auxiliary Variable Model for Birth Records Data with Qualitative and Quantitative Responses
Dongbei University of Finance and Economics(东北财经大学);Virginia Tech(弗吉尼亚理工大学);Illinois Institute of Technology(伊利诺伊理工学院)
本文提出贝叶斯方法联合建模具有质量和数量响应的数据,通过潜在变量评估依赖强度,提升预测能力,应用于研究早产与出生体重的相互依赖性。
2020-08-14 stat.ME
Joint Point and Variance Estimation under a Hierarchical Bayesian model for Survey Count Data
我们提出了一个新的贝叶斯框架的联合建模的调查点和方差估计计数数据。该方法结合了诱导的先验分布的建模的真实方差,设置它等于点估计值的生成方差,一个关键属性更容易实现连续数据响应型模型。我们的计数数据模型公式化允许以多个分辨率输入域(例如,州、地区、国家)并且同时以更高分辨率对模型化估计进行基准(例如,状态)到较低分辨率的那些(例如,区域),以一种方式,借用更多的力量,以提高我们的域估计在更高的分辨率。我们进行了一项模拟研究,在域中生成一个单元群体,以生成地面实况统计数据,并与对从群体中提取的样本进行的直接和建模估计进行比较,在这些样本中,我们显示出跨域误差的减少。该模型适用于美国劳工统计局管理的职位空缺和劳动力流动调查中发布的职位空缺变量和其他数据项。
2022-10-25 stat.ME
Bayesian Quantile-Based Joint Modelling of Repeated Measurement and Time-to-Event data, with an Application to Lung Function Decline and Time to Infection in Patients with Cystic Fibrosis
背景资料:重复测量和事件发生时间数据联合建模的最广泛使用的方法是将重复测量的线性高斯随机效应模型与事件发生时间结果的对数高斯脆弱性模型相结合,通过随机效应和对数脆弱性之间的某种形式的相关结构将两者联系起来。在这种方法中,假设协变量影响重复测量数据的平均响应曲线。目标:有些应用程序提出了本结构无法涵盖的实质性问题。例如,囊性纤维化(CF)研究中的一个重要问题是了解患者的肺功能轨迹对其获得各种感染的风险的影响,以及这在肺功能分布的不同分位数下如何变化。研究方法:出于这个问题,我们开发了一个联合分位数建模框架,在本文中与相关的马尔可夫链蒙特卡罗算法的贝叶斯推断。结果:从共同关节模型到分位数回归的转换成功,并应用于来自英国的CF数据。该方法有助于检测不同分位数中肺功能下降与感染发作之间关系的总体差异。结论:不考虑特殊异方差结构的联合建模在某些研究问题中是不够的,需要向均值以外的模型扩展。
2016-09-09 stat.ME
Beyond Independence: on Jointly Normal Priors in Bayesian Inversion
University of Auckland(奥克兰大学);Rocsole Limited(罗克索尔有限公司);University of Eastern Finland(芬兰东部大学)
本文提出一种联合正态先验模型,用于贝叶斯反演中多个未知参数的联合倒置,通过保留边际分布并允许空间变化的交叉相关性,提升参数间相关性的建模能力。
2026-05-01 cs.NA math.NA stat.ME
A Bayesian joint model for mediation analysis with matrix-valued mediators
提出一种用于高维矩阵值中介变量的贝叶斯联合中介模型,通过概率多线性主成分分析提取潜在特征并保留矩阵结构,利用Gibbs抽样和Varimax旋转识别中介效应,在模拟和肛管癌数据中验证了其高效性。
2024-09-24 stat.ME
A Two-Stage Bayesian Approach for Variable Selection in Joint Modeling of Multiple Longitudinal Markers with Competing Risks
The University of Manchester(曼彻斯特大学);Inserm, Research Center U1219, Univ. Bordeaux, ISPED(法国国家健康与医学研究院,U1219研究中心,波尔多大学,ISPED);Razi University(拉齐大学)
本文提出了一种两阶段贝叶斯方法,用于在存在竞争风险的情况下,通过多个纵向标记物的联合建模进行变量选择,以提高风险预测的准确性。
2025-12-02 stat.ME
A Joint Bayesian Boolean Matrix Factorization with Application to Chromosomal Copy Number Alterations in Multiple Myeloma
Dana Farber Cancer Institute(达纳-法伯癌症研究所);Harvard University(哈佛大学)
研究针对现有布尔矩阵分解未利用相关数据集共享潜在结构的问题,提出JBBMF模型,通过共享潜在结构联合分解二元矩阵,在模拟和多发性骨髓瘤数据应用中提升了因子恢复与分析效果。
2026-08-27 stat.ME
Bayesian spatial+: A joint model perspective
The Ohio State University(俄亥俄州立大学)
贝叶斯空间+通过联合建模方法解决空间混杂问题,实现不确定性传播和后验推断,确保空间频率分离并防止反馈混杂。
2025-12-13 stat.ME
Robust estimation in controlled branching processes: Bayesian estimators via disparities
本文关注的是贝叶斯推理方法的数据控制分支过程,占模型的鲁棒性,通过使用的差异。在正则条件下,我们证明了在假设模型下,基于概率的后验估计,如期望和最大后验估计,是相容的和有效的。此外,我们表明,估计是强大的模型误设定和存在异常离群值。为此,我们开发了几个基本的想法,最小差异估计贝叶斯估计建立在基于可靠性的后验,依赖树结构的数据。我们通过一个模拟的例子来说明我们的方法,并将我们的方法应用到一个真实的数据集从细胞动力学。
2018-02-16 stat.ME
Consistent and scalable Bayesian joint variable and graph selection for disease diagnosis leveraging functional brain network
考虑高维probit回归中协变量的回归系数和逆协方差阵的联合推断,其中预测变量既与二元响应相关,又在函数上相互关联.一个层次模型与穗和板坯先验的回归系数和逆协方差阵中的元素,同时进行变量和图形的选择。我们建立联合选择一致性的变量和底层图形的预测时,尺寸允许增长远远大于样本量,这是贝叶斯文献中的第一个理论结果。一个可扩展的吉布斯采样器推导出,在高维模拟研究中表现得更好,与其他国家的最先进的方法。我们通过功能性MRI数据集说明了所提出的方法的实际影响和实用性,其中具有改变的功能活动的感兴趣区域和潜在的功能性脑网络被推断并整合在一起,用于对疾病风险进行分层。
2022-03-14 math.ST stat.ME stat.TH
Bayesian shared parameter joint models for heterogeneous populations
针对异质性总体下标准联合模型的不足及联合潜在类别模型(JLCMs)的计算难题,提出基于马尔可夫链蒙特卡洛和并行计算的贝叶斯推断框架,经模拟和PAQUID队列数据验证其可行性与优越性。
2024-10-29 stat.CO stat.ME
Joint Quantile Shrinkage: A State-Space Approach toward Non-Crossing Bayesian Quantile Models
针对分位数回归模型中拟合条件分位数交叉的普遍问题,提出一种贝叶斯建模框架,通过带分位数适应性的融合收缩先验联合估计多个分位数,形成分位数变参数模型,在参数恢复和预测性能上更优。
2025-08-20 econ.EM math.ST stat.ME
Joint leave-group-out cross-validation in Bayesian spatial models
本文研究贝叶斯空间模型中联合留组交叉验证的评分策略,发现联合评分可降低CV估计变异性,提升模型选择可靠性,尤其在强空间依赖和细微模型差异场景下。
2025-04-22 stat.ME
Bayesian Semiparametric Joint Modeling of Gap-Time Distribution for Multitype Recurrent Events and a Terminal Event
针对多类型复发事件与终点事件,提出一种基于间隔时间的贝叶斯半参数联合模型,通过共享脆弱性和伽马过程先验灵活量化事件依赖性,并开发高效MCMC算法,在模拟与ALLHAT数据中表现优越。
2025-09-12 stat.ME
Estimating Optimal Dynamic Treatment Regimes Using Irregularly Observed Data: A Target Trial Emulation and Bayesian Joint Modeling Approach
本文扩展目标试验框架以处理不规则观测数据下的最优动态治疗方案估计,提出基于贝叶斯联合模型的G计算方法,校正就诊与治疗过程的混杂偏差,并在HIV治疗数据中验证其有效性。
2025-02-04 stat.ME
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}。
2023-03-27 stat.ME
Bayesian Model Selection for Beta Autoregressive Processes
本文研究了Beta自回归过程的贝叶斯推断。我们限制我们的注意力的类的条件线性过程。这些过程特别适合于预测目的,但是由于对参数空间的约束而难以估计。我们提供了一个完整的贝叶斯方法的估计,包括在推理问题的参数限制的先验分布的一个合适的规格。此外,在贝叶斯框架中,参数估计和模型选择可以同时解决。特别是,我们提出了一个马尔可夫链蒙特卡罗(MCMC)程序的基础上,吉布斯算法内的大都会黑斯廷斯和解决模型选择问题的可逆跳MCMC方法。
2010-07-31 math.ST stat.CO stat.ME
Exact Bayesian inference for diffusion driven Cox processes
针对强度由扩散过程驱动且似然与转移密度不可处理的 Cox 过程,提出基于 MCMC 与回顾性抽样的无离散化误差精确贝叶斯推断方法,并通过模拟和真实数据验证。
2023-06-02 stat.ME
Total robustness in Bayesian Nonlinear Regression
University of Warwick(华威大学);University College London(伦敦大学学院)
本文提出首个针对非线性回归中协变量测量误差、模型误设和误差分布误设的总稳健性贝叶斯非参数学习框架,通过联合狄利克雷过程先验和后验伪样本实现推断校准,建立泛化界并证明在非退化测量误差下的收敛性与一致性。
2026-03-24 stat.ME stat.ML