Causal generalized linear models via Pearson risk invariance
本文提出了一种基于皮尔逊风险不变性的广义线性模型因果推断方法，该方法在无需对系统其他变量分布做假设的情况下，利用风险不变性和最大似然性唯一刻画因果模型，并能在已知离散参数时仅凭单一环境数据识别因果结构。
📊 Category
stat
297 篇论文
Metropolis--Hastings with Scalable Subsampling
本文提出了一种结合控制变量技术的新型子采样 Metropolis-Hastings 算法，该算法在满足细致平衡条件的前提下，显著降低了大样本贝叶斯推断所需的子采样量并提升了计算效率。
A Restricted Latent Class Model with Polytomous Attributes and Respondent-Level Covariates
本文提出了一种结合多项式属性与协变量的受限潜在类别模型，通过多元概率单位设定处理属性间的相关性，并成功应用于抑郁症诊断数据分析，揭示了超越传统单因子方法的潜在结构。
Intrinsic Geometry-Based Angular Covariance: A Novel Framework for Nonparametric Changepoint Detection in Meteorological Data
本文提出了一种基于内蕴几何的角协方差框架，通过构建弯曲离散矩阵和类比马氏距离，首次实现了针对环面和球面数据均值方向变化的非参数变点检测，并验证了其在风向波向及气旋路径等气象数据中的有效性。
Stable Survival Extrapolation via Transfer Learning
本文提出了一种结合贝叶斯死亡率模型与灵活参数多风险模型的迁移学习方法，通过借用登记和人口数据作为基准锚点，实现了在乳腺癌、心脏心律失常和晚期黑色素瘤等场景中稳定且可解释的生存外推及平均生存期估计。
On noncentral Wishart mixtures of noncentral Wisharts and their use for testing random effects in factorial design models
本文证明了具有相同自由度的非中心威沙特分布混合仍服从非中心威沙特分布，并据此推导了多维正态数据下两因素析因设计模型中随机效应检验统计量的有限样本分布，从而将相关研究从一维情形推广至多维情形。
Multi-Rank Subspace Change-Point Detection for Monitoring Robotic Swarms
本文针对机器人集群监控中高维流数据的低秩协方差结构变化问题，提出了一种基于尖峰协方差模型的多秩子空间 CUSUM（MRS-C）检测算法，证明了其在未知秩情况下的渐近最优性，并通过仿真与真实数据验证了其鲁棒性与有效性。
Shotgun DNA sequencing evidence: sample-specific and unknown genotyping error probabilities
本文扩展了 wgsLR 模型，使其能够处理法医样本中样本特异性及未知的基因分型错误概率，并验证了该模型在过离散情况下的稳健性，相关功能已集成至 R 语言包 wgsLR 中。
Stabilizing Thompson Sampling with Null Hypothesis Bayesian Response-Adaptive Randomization
本文提出了一种基于零假设的贝叶斯响应自适应随机化方法，通过引入零假设并利用贝叶斯模型平均将随机化概率向均衡分配收缩，从而有效解决了汤普森采样变异性高及推断问题，并在统计性能上优于或等同于常见的修正方案。
Bayesian Transfer Learning for High-Dimensional Linear Regression via Adaptive Shrinkage
本文提出了一种名为 BLAST 的贝叶斯迁移学习框架，通过结合全局 - 局部收缩先验与贝叶斯源选择机制，在高效处理高维线性回归的同时实现了对目标数据的精准推断、优越的不确定性量化以及对负迁移的有效抑制。
Modeling extremal dependence in multivariate and spatial problems: a practical perspective
本文介绍了多变量与空间极值理论的基础知识，并通过实际案例演示了如何利用 R 语言包 ExtremalDep 对极端事件依赖关系进行建模与风险评估。
Identifying Treatment Effect Heterogeneity with Bayesian Hierarchical Adjustable Random Partition in Adaptive Enrichment Trials
本文提出了一种名为 BHARP 的贝叶斯分层可调整随机划分模型，该模型通过有限混合框架联合估计亚组效应与异质性模式，在自适应富集试验中无需人工校准即可自动调整信息借用强度并有效处理模型不确定性，从而在模拟和实际应用中展现出优于现有方法的精度与准确性。
Comparative e-backtests for general risk measures
本文提出了一种基于 e 值和 e 过程的非参数序贯框架，用于对均值、方差、VaR、ES 及期望分位数等一般可识别风险度量进行具有任意时间有效性且稳健的比较回测，并通过改进的弱优势三区域方法提供了比传统方法更具信息量的结论。
Estimating the distance at which narwhal respond to disturbance: a penalized threshold hidden Markov model
该研究提出了一种基于 Lasso 惩罚的阈值隐马尔可夫模型框架，用于有效区分真实的干扰响应与虚假阈值，并应用于独角鲸数据，发现其会对 4 公里范围内的船只产生行为反应（如降低移动持久性并潜入更深水域）。
Either a Confidence Interval Covers, or It Doesn't (Or Does It?): A Model-Based View of Ex-Post Coverage Probability
本文通过思想实验和形式化论证，挑战了将置信区间仅视为“要么覆盖要么不覆盖”的传统行为主义解读，主张从模型视角将置信度重新理解为对覆盖指示器的预测概率，从而为单次观测下的覆盖概率陈述提供了理论依据。
Confidence as Forecast: A Decision-Theoretic Interpretation of Confidence Intervals
本文提出了一种决策论视角，将置信区间解释为对覆盖事件的概率预测，论证了标称置信水平$1-\alpha$在严格评分规则下是覆盖概率的最优常数预测，并展示了在特定设计下如何利用条件统计量进行改进，从而在不依赖先验分布或主观信念的情况下解决置信区间的解释难题。
Engaging students with statistics through choice of real data context on homework
该研究通过准实验发现，尽管在入门统计课程中让学生自主选择作业数据情境并未显著改变成绩，但能显著提升其学习投入度、内在动机及对统计现实价值的认可，因此建议教师采用真实数据、精选受学生关注的主题、提供多样化情境并将选择权作为教学工具。
Proximal Learning for Trials With External Controls: A Case Study in HIV Prevention
本文提出了一种结合外部对照数据与负对照变量的新型近端因果推断方法，通过开发两种针对低事件率场景的估计策略，成功在主动对照的 HIV 预防试验中估算了卡博特韦相对于安慰剂的绝对疗效。
Variable Selection for Linear Regression Imputation in Surveys
本文针对调查数据中的线性回归插补问题，提出了基于最优插补模型定义的变量选择方法，并构建了在模型选择后仍具有渐近有效性和最优性的置信区间框架。
Least trimmed squares regression with missing values and cellwise outliers
本文提出了一种新的回归方法，能够同时处理缺失值、个案异常值和单元异常值，适用于偏态分布，并实现了首个针对单元异常值的稳健回归预测。