基于贝叶斯非参数方法对齐的二元时间序列进行信息共享：统一偏斜正态先验的重缩放
统计方法学
2025-05-13 v1 应用统计
摘要
我们提出一种贝叶斯半参数模型，用于有效处理对齐的纵向二元数据推断。该方法的策略灵感来自人类癫痫项目（HEP）的数据，该项目收集癫痫患者的癫痫发生数据及相关协变量。该模型旨在灵活应对此类数据的特定挑战。首先，癫痫数据需要能够容纳患者和时间之间广泛异质性的模型。就此而言，状态空间模型提供了灵活且仍具解析性的模型类别。然而，癫痫时间序列可能共享类似的行为模式，例如局部持续的高癫痫发生的时段，我们称为“clumping”。这类相似性可用于跨患者共享信息并定义子群。然而，由于缺乏对齐，对潜在状态空间参数的层次建模并不可行。为克服此限制，我们构建一种策略，既保留个体轨迹的灵活性，又通过非参数先验跨个体共享信息。在一方面，通过（几乎）患者特定的状态空间子模型确保异质性；另一方面，通过在临床感兴趣模式的概率上引入 Pitman-Yor 先验实现信息共享。我们设计了一种后验抽样策略，利用统一偏斜正态家族（SUN）的二元状态空间模型的最新进展。该模型允许在具有类似疾病特征的时间跨度的个体之间共享信息，更广泛地可适用于任何由对齐的二元纵向数据特征的场景。
引用
@article{arxiv.2505.06491,
title = {Borrowing strength between unaligned binary time-series via Bayesian nonparametric rescaling of Unified Skewed Normal priors},
author = {Beatrice Cantoni and Giovanni Poli and Elizabeth Juarez-Colunga and Peter Müller},
journal= {arXiv preprint arXiv:2505.06491},
year = {2025}
}