Bayesian Covariance Structure Modeling of Multi-Way Nested Data
多重嵌套数据的贝叶斯协方差结构建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：核心贡献是通用嵌套数据协方差建模，随机治疗应用不足以将方法直接归入所列细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
多重嵌套数据的贝叶斯协方差结构建模
- 研究问题
- 如何为多重嵌套观测建立允许正、负组内关联的协方差模型，并在后验分析中保持正定性与计算可行性？
- 方法与思路
- 作者提出结构化协方差的贝叶斯多变量模型，采用平移逆伽马共轭先验，并结合Gibbs采样及非平衡设计的数据增广。
- 材料陈述的贡献
- 摘要称，框架推广随机效应依赖结构，提供避免求逆的增广算法，并在随机支架治疗试验中分析不良事件及效应异质性。
- 阅读关注点
- 应核对协方差参数的正定约束、非平衡设计支持范围，以及区间删失模型中协方差参数如何解释为治疗效应异质性。
- 阅读边界
- 这是arXiv预印本，同行评审及接收未核验。摘要未给出先验参数条件、模拟数值或差异效应结果，适用性需查全文。
原文摘要
A Bayesian multivariate model with a structured covariance matrix for multi-way nested data is proposed. This flexible modeling framework allows for positive and for negative associations among clustered observations, and generalizes the well-known dependence structure implied by random effects. A conjugate shifted-inverse gamma prior is proposed for the covariance parameters which ensures that the covariance matrix remains positive definite under posterior analysis. A numerically efficient Gibbs sampling procedure is defined for balanced nested designs, and is validated using two simulation studies. For a top-layer unbalanced nested design, the procedure requires an additional data augmentation step. The proposed data augmentation procedure facilitates sampling latent variables from (truncated) univariate normal distributions, and avoids numerical computation of the inverse of the structured covariance matrix. The Bayesian multivariate (linear transformation) model is applied to two-way nested interval-censored event times to analyze differences in adverse events between three groups of patients, who were randomly allocated to treatment with different stents (BIO-RESORT). The parameters of the structured covariance matrix represent unobserved heterogeneity in treatment effects and are examined to detect differential treatment effects.