XiaoMi-AI文件搜索系统
World File Search SystemGMM
金融科技背景下的越南商业银行研究
电子邮件：nhatnm@hub.edu.vn；https://orcid.org/0009-0006-5915-8605 摘要背景：第四次工业革命显著影响了经济和社会生活的几乎每个方面。在 COVID-19 大流行期间，数字银行交易已被证明是有用的。然而，它们也引起了许多担忧，尤其是对银行而言。为了在快速变化的数字技术环境中生存，银行别无选择，只能增加技术投资支出，而不管这些投资的有效性如何。目的：本研究旨在探讨在金融科技增长背景下，技术投资因素对股票回报和银行利润之间的关系。方法：本研究基于 2010 年至 2023 年越南 26 家股份制商业银行的数据进行；技术投资对股票回报和盈利能力的影响可以使用几种统计模型进行分析，例如普通最小二乘法（OLS）、固定效应模型（FEM）、随机效应模型（REM）、可行广义最小二乘法（FGLS）和广义矩方法（GMM）。结果：作者的研究表明，在 Covid 期间，技术要素显著影响了股票回报并有助于银行增加利润。然而，虽然技术投资带来了更高的利润，但也导致商业银行的股票收益下降。结论：作者还发现银行规模、利润因素和股票市场之间存在负相关关系。独特贡献：本研究考察了金融科技扩张背景下技术投资对越南商业银行股票回报和盈利能力的影响。它从理论和实践两个方面探讨了这项研究的好处。关键建议：基于研究结果，作者建议制定立法和政策，以加强技术投资及其对越南商业银行股票回报和盈利能力的影响，同时考虑到金融科技的扩张。此外，商业银行必须加大对科技的投入，将其视为可预见的未来的关键方法。同时，建立合理的科技投资基准也至关重要。然而，由于每家银行的基本属性不同，以及不同银行所处的经济和技术条件也不同，这项任务非常复杂。关键词：科技投资；股票收益；盈利能力；金融科技增长。
机器学习定义精度 tDCS 用于改善认知功能 Alejandro Albizu 1,2 , Aprinda Industrial 1,5 , Ziqian Huang 1,4 , Jori Wan
机器学习定义精度 tDCS 用于改善认知功能 Alejandro Albizu 1,2 、Aprinda Indahlastari 1,5 、Ziqian Huang 1,4 、Jori Waner 1,5 、Skylar E. Stolte 1,3 、Ruogu Fang 1,3,4,† 和 Adam J. Woods 1,2,5,† 1 美国盖恩斯维尔佛罗里达大学麦克奈特脑研究所认知衰老和记忆中心 2 美国盖恩斯维尔佛罗里达大学医学院神经科学系 3 美国盖恩斯维尔佛罗里达大学 Herbert Wertheim 工程学院生物医学工程系 J. Crayton Pruitt Family 4 美国盖恩斯维尔佛罗里达大学 Herbert Wertheim 工程学院电气与计算机工程系 5 美国盖恩斯维尔佛罗里达大学公共卫生与健康职业学院临床与健康心理学系美国盖恩斯维尔 † 共同通讯作者 摘要 背景 经颅直流电刺激 (tDCS) 结合认知训练 (CT) 被广泛研究作为一种治疗工具，用于增强患有和不患有神经退行性疾病的老年人的认知功能。先前的研究表明，tDCS 结合 CT 的益处因人而异，这可能是由于个体神经解剖结构的差异所致。目的本研究旨在开发一种方法来客观地优化和个性化电流剂量，以最大限度地提高非侵入性脑刺激的功能收益。方法基于样本数据集 (n = 14) 中电流密度的计算模型，训练支持向量机 (SVM) 模型来预测治疗反应。部署的 SVM 的特征权重用于加权高斯混合模型 (GMM)，通过找到最优电极蒙太奇和施加的电流强度 (优化模型)，最大限度地提高将 tDCS 无反应者转变为反应者的可能性。结果 通过提出的 SVM-GMM 模型优化的电流分布显示，在目标脑区内，最初无反应者和有反应者之间的体素一致性为 93%。与优化前的模型相比，原始无反应者的优化电流分布与有反应者的当前剂量接近 3.38 个标准差。优化模型还分别实现了 99.993% 和 91.21% 的平均治疗反应可能性和归一化互信息。在 tDCS 剂量优化之后，SVM 模型成功预测了所有对优化剂量无反应的 tDCS 患者为有反应者。结论 本研究结果为 tDCS 精准医疗的定制剂量优化策略奠定了基础，以改善老年人认知能力下降的治疗结果。关键词 tES、衰老、机器学习、有限元模型、高斯混合模型、精准医学
人工智能与失业：新见解
人工智能与失业：新见解 摘要：本文使用一个理论模型研究了人工智能对高科技发达国家失业的影响，该模型也得到了实证支持。实证方法采用非线性方法，使用面板阈值和 GMM 系统估计。数据集涵盖 1998 年至 2016 年期间，包括 23 个国家。主要结果表明，人工智能对失业的影响呈非线性，人工智能的加速使用会降低失业率，但仅发生在低通胀水平下。在这种情况下，没有记录到“置换效应”和“替代效应”之间的“转换效应”。否则，人工智能对失业的贡献是中性的。 关键词：人工智能；失业；影响；高科技国家 JEL 代码：F22，O17，C23 1. 简介 近几十年来，鉴于人工智能对失业的影响存在争议，人工智能引起了社会科学的极大兴趣。Pentland 等人。 (2019，第 2 页) 指出，“未来的战略优势取决于利用人工智能（如机器学习、计算机视觉和自主系统）并将其与劳动力相结合以创建共生的人机团队的能力。” 这一概念的现代根源可以追溯到第一次世界大战时期，于 1956 年在达特茅斯学院的一次人工智能会议上首次提出。正如尼尔森 (1984，第 5 页) 所指出的那样，这一过程产生了“不同类别的机器——这些机器可以执行以前只能由人类完成的需要推理、判断和感知的任务。” 目前，人工智能不仅是自动化过程的延续；它还代表了这些过程的顶峰，对劳动力市场有着深远的影响。史蒂文森 (2019) 声称，人工智能的使用通过提高生产力来促进经济增长，从而提高未来收入水平。他还指出，只要人工智能产生的好处能够补偿因工资损失而受到负面影响的工人，这种积极影响就是有效的。所有涉及人工智能的流程都会在短期和长期内决定劳动力需求的强烈变化。在短期内，Frank 等人 (2019 年，第 6531 页) 强调“人工智能和自动化技术的快速发展有可能严重扰乱劳动力市场。”主要问题是不同工作需求的下降和专业地位的丧失比工资损失更重要 (Stevenson，2019 年)。否则，从长远来看，技术变革有望通过新创造的就业机会增强人类技能。事实上，人工智能创造了利用人类技能的新方式。因此，由于对人工智能产生的影响存在不同意见，人们主要担心的是人工智能对失业水平的贡献。
注意工资差距
分别在2017年。 正值意味着在此期间工资不平等的增加，而负值则解释了工资差异的减少。 总体而言，这些数字表明，在全球范围内，工资分配的重要变化发生了：主要是，两组国家的工资差距一直在减少，较贫穷的经济体的工资不平等较大。 文献介绍了这种减少背后的几种可能的机制。 在一般中，较小的工资差距可能是社会政策的结果，尤其是那些促进教育的政策，因此是劳动资格；以及那些确立或增加最低工资的人。 其他重要因素是个人资格，这将解释类似工作的工资差异，以及移民和妇女进入劳动力市场的差异（ILO，2016； OECD，2012）。 正如Firpo和Portella（2019）强调的那样，贫困经济体的工资不平等的较大降低可能是商品繁荣的次要影响，因为这种繁荣导致了更高的就业，需求的扩大，汇率升级和提高的贸易条款。 然而，这种最新趋势往往会在当前的全球衰退的当前局势中逆转，这是先前商品繁荣的结束和Covid-19-19的大流行的结果。 尽管工资不平等在过去几年中一直在减少，但高工资不平等仍然与最贫穷国家密切相关。 图3显示了人均GDP与2004年至2017年平均10/40比率之间的关系。分别在2017年。正值意味着在此期间工资不平等的增加，而负值则解释了工资差异的减少。总体而言，这些数字表明，在全球范围内，工资分配的重要变化发生了：主要是，两组国家的工资差距一直在减少，较贫穷的经济体的工资不平等较大。文献介绍了这种减少背后的几种可能的机制。在一般中，较小的工资差距可能是社会政策的结果，尤其是那些促进教育的政策，因此是劳动资格；以及那些确立或增加最低工资的人。其他重要因素是个人资格，这将解释类似工作的工资差异，以及移民和妇女进入劳动力市场的差异（ILO，2016； OECD，2012）。正如Firpo和Portella（2019）强调的那样，贫困经济体的工资不平等的较大降低可能是商品繁荣的次要影响，因为这种繁荣导致了更高的就业，需求的扩大，汇率升级和提高的贸易条款。然而，这种最新趋势往往会在当前的全球衰退的当前局势中逆转，这是先前商品繁荣的结束和Covid-19-19的大流行的结果。尽管工资不平等在过去几年中一直在减少，但高工资不平等仍然与最贫穷国家密切相关。图3显示了人均GDP与2004年至2017年平均10/40比率之间的关系。我们观察到，在以人均收入收入更高的特征的发达经济体中，工资不平等往往较小。工资不平等与人均收入水平之间的这种反比关系提出了一些重要的问题。我们可以看到工资不平等，不仅是结果，而且是经济增长的决定因素吗？换句话说，劳动力市场中强烈的异质性标志性的律师可以通过促进旨在减少工人之间的工资差距的政策来攀升发展阶梯吗？与文献中经常研究的增长与收入不平等之间的关联不同，分解劳动力市场的调查尤其是在经验文献中。与工资不平等和需求相关的一些例外是Carvalho和Rezai（2016）以及Tavani和Vasudevan（2014），他们分别研究了这种不平等对储蓄率和容量利用率的影响。前者纸指出，较高的工资差距可能与较低的生长有关，而后者表示反向关系。然而，仍然需要进一步的计量经济学分析，因为本文打算增加文献。因此，本研究试图通过经验研究该问题的关键方面之一，即工资不平等与经济增长之间的关系，为劳动力市场异质性的经济后果做出了贡献。为此，我们在2004年至2017年期间为189个国家的样本进行了经验活动。纸张的其余部分的结构如下。最后，第5节总结。本文的独特特征是用于测量工资不等式的变量，即10/40比例，这是一个与Palma指数的近距离变量。我们使用动态面板数据方法来经验评估工资差异对短期和长期生长的影响。为了说明内生性问题，我们采用了一种广义的矩（GMM）估计量，该方法可逆转因果关系。第2节介绍了有关涉及关系的研究的理论和经验修订。第3节概述了应用的数据和经济模型。第4节报告并讨论结果。
商业战略、现金持有量和股息支付
经营、投资和融资决策（Goshen & Hamdani，2016；Van den Steen，2016）。因此，如果不考虑公司的经营战略3，那么对公司为何以及何时持有现金或支付股息的任何解释都是不完整或误导的。然而，商业战略在这些重要决策中的作用仍未得到充分探索。因此，在本文中，我们研究了公司的商业战略在其现金持有和股息支付决策中的作用。本文的创新之处在于将管理文献中的组织理论与企业现金持有和股息支付的金融文献联系起来。使用 Bentley 等人（2013）对 Miles 和 Snow（1978、2003）战略类型学的改编，我们预测并发现证据表明，探矿者（防御者）可能比其他公司持有更多（更少）现金并支付更少（更多）的股息。此外，对遵循分析器策略的公司进行额外分析的结果与我们的主要结果一致。与本文密切相关的两项研究是 Magerakis 和 Tzelepis（2020 年；以下简称 MT）以及 Cao 等人（2022 年；以下简称 CCHL）。我们的研究在几个方面不同于 MT 和 CCHL。首先，与我们的研究不同，MT 和 CCHL 分别探讨了商业战略对现金持有量和股息支付的影响。鉴于公司的现金持有量和股息支付决策是相互关联的，孤立地考虑其中一个可能会导致相关遗漏变量问题，从而导致结果出现偏差。凯恩斯（1936 年）认为，内部资源有限的公司可以通过清算资产、发行新股/债务或跳过股息来增加资金。此外，大量现金持有量可以保护公司免受流动性危机的影响并促进股息支付。一家利润丰厚但缺乏足够现金支付股息的公司要么被迫借款，要么清算部分资产。另一方面，在支付股息之后，公司的现金持有量会下降。显然，现金持有量和股息支付是相互关联的。有强有力的实证证据支持这些观点。例如，Pinkowitz 等人（2006 年）论证并提供证据表明，在投资者保护较差的国家，由于控股股东存在内部现金被侵占的风险，投资者对支付的 1 美元股息的评价远高于公司内部保留的 1 美元现金持有量。Al-Najjar 和 Belghitar（2011 年）进一步证明公司现金持有量和股息支付是相互关联的。在他们的模型中，当他们估计现金时，他们控制股息，反之亦然。因此，与 MT 和 CCHL 不同，作为稳健性检验的一部分，我们使用联立方程方法估计我们的模型。其次，一些方法论问题和不一致的结果使人们对 MT 和 CCHL 研究结果的普遍性产生了怀疑。例如，MT 和 CCHL 都使用了非常长的样本期：分别为 1970-2016 年和 1962-2019 年。具体来说，CCHL 的最终数据集包含 1962-2019 年期间来自 12,000 多家美国公司的 90,241 个公司年观测值（Cao 等，2022 年，第 5 页）。由于样本期为 58 年，因此平均每年有 1556 个观测值与样本中的 12,000 多家公司有关。因此，样本中的数据不连续性和美国数据的结构性变化对其结果构成了严重威胁。2000 年及以后的美国经济与 20 世纪 60 年代和 70 年代有很大不同。在 20 世纪 60 年代和 70 年代，没有互联网，数字技术在经济中的存在非常有限。如今，科技公司（如苹果、谷歌、Facebook、微软、亚马逊）主导着美国经济。这些问题进一步引发了人们对 MT 和 CCHL 结果的普遍性的质疑。此外，MT 发现，普通最小二乘法 (OLS) 和广义矩法 (GMM) 估计值在策略（感兴趣的变量）上的结果不一致。策略对现金持有量的影响仅对防御者组具有统计显著性（Magerakis & Tzelepis，2020 年，第 688 页）。此外，鉴于 MT 报告的结果基于单一
贝叶斯数据分析
请在我们身份验证您的情况下等待...2016年贝叶斯分析学会的2016年奖项获得了这本著名的书，现在是第三版，被广泛认为是贝叶斯方法的主要文本，它因其实用和可访问的方法来分析数据和解决研究问题而受到赞扬。介绍先进的方法，文本具有从真实应用和研究中得出的众多工作示例，强调在本版中使用贝叶斯推断在实践中的实践中使用了四章，这些章节是关于非参数建模的四章，以及关于弱小的先验，避免边界的先验，跨越的先验，交叉竞争和预测信息的宣布，在三个方面使用的学生的最新章节：原则；对于研究生，它提出了贝叶斯建模和计算的有效当前方法；对于研究人员而言，它在应用统计数据中提供了各种贝叶斯方法的其他材料，包括数据集，选定练习的解决方案和软件说明，在书的网页上提供了一些研究人员，强调了在组织科学中使用贝叶斯方法进行数据分析的重要性。 但是，在采用贝叶斯方法时，仍然存在一些挑战和局限性。 例如，一个问题是贝叶斯方法需要指定先前的分布，这可能很困难，尤其是在使用复杂模型时。 Berger，J。2016年贝叶斯分析学会的2016年奖项获得了这本著名的书，现在是第三版，被广泛认为是贝叶斯方法的主要文本，它因其实用和可访问的方法来分析数据和解决研究问题而受到赞扬。介绍先进的方法，文本具有从真实应用和研究中得出的众多工作示例，强调在本版中使用贝叶斯推断在实践中的实践中使用了四章，这些章节是关于非参数建模的四章，以及关于弱小的先验，避免边界的先验，跨越的先验，交叉竞争和预测信息的宣布，在三个方面使用的学生的最新章节：原则；对于研究生，它提出了贝叶斯建模和计算的有效当前方法；对于研究人员而言，它在应用统计数据中提供了各种贝叶斯方法的其他材料，包括数据集，选定练习的解决方案和软件说明，在书的网页上提供了一些研究人员，强调了在组织科学中使用贝叶斯方法进行数据分析的重要性。但是，在采用贝叶斯方法时，仍然存在一些挑战和局限性。例如，一个问题是贝叶斯方法需要指定先前的分布，这可能很困难，尤其是在使用复杂模型时。Berger，J。一些研究人员提出了各种技术来提出专家判断以告知先前分布的技术。，例如，O'Hagan等。（2006）提供了先前启发的综合指南，包括技术和潜在的陷阱。其他研究的重点是开发使用贝叶斯先验的专家的信念的方法（例如，Johnson等，2010）。此外，还有各种可用的在线资源可以帮助进行贝叶斯分析。例如，Van de Schoot的在线统计培训提供了有关高级统计主题的教程和练习。总的来说，在组织科学中使用贝叶斯方法的使用变得越来越重要，但是它需要仔细考虑先前的分布和启发技术，以确保准确的结果。注意：我已经删除了一些特定的参考，并重点介绍了要点。让我知道您是否希望我保留更多原始文本！van de de Schoot-Hubeek，W.，Hoijtink，H.，Van de Schoot，R.，Zondervan-Zwijnenburg，M。＆Lek，K。评估专家判断引发程序，以相关性和应用于贝叶斯分析。客观的贝叶斯分析：对主观贝叶斯分析的案例，批评和个人观点。Brown，L。D.经验贝叶斯和贝叶斯方法的现场测试，用于击球平均赛季预测。Candel，M。J.，Winkens，B。Monte Carlo研究在纵向设计中多级分析中的经验贝叶斯估计值的性能。Ibrahim，J。G.，Chen，M。H.，Gwon，Y。Ibrahim，J。G.，Chen，M。H.，Gwon，Y。darnieder，W。F.贝叶斯方法依赖数据依赖的先验。＆Chen，F。权力先验：具有统计功率计算的理论和应用。Muthen，B。，Asparouhov，T。贝叶斯结构方程建模：使用数据依赖性先验对实体理论的更灵活的表示。Rietbergen，C.，Klugkist，I.，Janssen，K。J.，Moons，K。G.＆Hoijtink，H。将历史数据纳入随机治疗试验的分析中，以及基于系统文献搜索和专家精力提示的知识的贝叶斯PTSD-Traigntory分析。van der Linden，W。J.在自适应测试中使用响应时间进行项目选择。Wasserman，L。使用数据依赖性先验对混合模型的渐近推断。请注意，我保留了您的消息的原始语言而不翻译。给定文本：释义此文本：数据（版本V1.0）。Zenodo（2020）。元素Google Scholar Chung，Y.，Gelman，A.，Rabe-Hesketh，S.，Liu，J。＆Dorie，V。层次模型中协方差矩阵的点估计值较弱。J.教育。行为。Stat。40，136–157（2015）。Google Scholar Gelman，A.，Jakulin，A.，Pittau，M。G.＆Su，Y.-S。 logistic和其他回归模型的弱信息默认分布。ann。应用。Stat。2，1360–1383（2008）。MathScinetMath Google Scholar Gelman，A.，Carlin，J。 B.，Stern，H。S.＆Rubin，D。B. Bayesian数据分析卷。 2（Chapman＆Hallcrc，2004）。Jeffreys，H。概率理论卷。 am。 Stat。2，1360–1383（2008）。MathScinetMath Google Scholar Gelman，A.，Carlin，J。B.，Stern，H。S.＆Rubin，D。B. Bayesian数据分析卷。2（Chapman＆Hallcrc，2004）。Jeffreys，H。概率理论卷。am。Stat。3（Clarendon，1961）.Seaman III，J。W.，Seaman Jr，J。W.＆Stamey，J。D.指定非信息先验的隐藏危险。66，77–84（2012）.MathScinet Google Scholar Gelman，A。层次模型中方差参数的先前分布（Browne和Draper对文章的评论）。贝叶斯肛门。1，515–534（2006）.MathScinet Math Google Scholar Lambert，P.C.，Sutton，A。J.，Burton，P.R.，Abrams，K。R.＆Jones，D。R.含糊不清？对使用Winbugs在MCMC中使用模糊的先验分布的影响的仿真研究。Stat。Med。24，2401–2428（2005）。MathScinetGoogle Scholar Depaoli，S。在不同程度的类别分离的情况下，GMM中的混合类别恢复：频繁主义者与贝叶斯的估计。Psychol。方法18，186–219（2013）。Google Scholar DePaoli，S。＆Van de Schoot，R。贝叶斯统计中的透明度和复制：WAMBS-CHECKLIST。Psychol。方法22，240（2017）。本文提供了有关如何在使用贝叶斯统计数据估算模型时如何检查各个点的分步指南。统计建模模型检查中的贝叶斯模型检查和鲁棒性是一种用于评估统计模型准确性的方法。它涉及使用各种诊断工具来检查模型的潜在问题，例如偏见或过度拟合。贝叶斯模型检查是传统模型检查的扩展，将先前的信念纳入分析中。再次。贝叶斯模型检查的关键应用之一是检测先前数据冲突。贝叶斯模型检查近年来变得越来越重要，因为它能够提供对统计模型的更细微理解的能力。它允许研究人员量化数据中包含的信息量，并评估其结论的可靠性。一些研究人员为贝叶斯模型检查技术的发展做出了重大贡献，包括Nott等，Evans和Moshonov，Young and Pettit，Kass和Raftery，Bousquet，Veen和Stoel，以及Nott等。这些研究人员介绍了各种诊断工具和评估先前数据协议和冲突的标准。这会发生在同一数据集的先前信念和数据之间存在差异时。像埃文斯（Evans），莫索诺夫（Moshonov）和杨（Young）这样的研究人员已经开发了使用诸如后验预测分布等指标来量化这一冲突的方法。贝叶斯模型检查也已应用于贝叶斯模型中的可能性推断。像Gelman，Simpson和Betancourt这样的研究人员强调了理解表达先前信念的上下文的重要性。除了其方法论上的意义外，贝叶斯模型检查还在社会科学，医学和金融等领域还采用了实际应用。它可以通过确定统计模型的潜在问题来帮助研究人员和政策制定者做出更明智的决定。在此处给定文章，此处28，319–339（2013）.MathScinet Math Google Scholar Rubin，D。B. Bayesian具有合理的频率计算，适用于应用的统计学家。ann。Stat。J.am。12，1151–1172（1984）。Mathscinet Math Google Scholar Gelfand，A。E.＆Smith，A。F. M.基于采样的方法来计算边际密度。 Stat。 合作。 85，398–409（1990）。 这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。 ifna（1991）。 3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。 4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。 ieee trans。 模式肛门。 马赫。 Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。12，1151–1172（1984）。Mathscinet Math Google Scholar Gelfand，A。E.＆Smith，A。F. M.基于采样的方法来计算边际密度。Stat。合作。85，398–409（1990）。 这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。 ifna（1991）。 3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。 4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。 ieee trans。 模式肛门。 马赫。 Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。85，398–409（1990）。这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。ifna（1991）。3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。ieee trans。模式肛门。马赫。Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。Intell。6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。J. Chem。物理。21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J.＆Roweth，D。Hybrid Monte Carlo。物理。Lett。 J. am。 Stat。 合作。Lett。J.am。Stat。合作。b 195，216–222（1987）。＆Wong，W。H.通过数据增强计算后验分布。82，528–540（1987）。 本文解释了当直接计算感兴趣参数的后验密度时，如何使用数据扩展。马尔可夫链蒙特卡洛手册（CRC，2011年）。 本书对MCMC及其在许多不同的应用中的使用进行了全面评论。Gelman，A。Burn-in MCMC，为什么我们更喜欢“热身”一词。 元建模，因果推理和社会科学（2017）。Gelman，A。 ＆Rubin，D。B. 使用多个序列从迭代模拟中推断。 Stat。 SCI。 7，457–511（1992）。 一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.82，528–540（1987）。本文解释了当直接计算感兴趣参数的后验密度时，如何使用数据扩展。马尔可夫链蒙特卡洛手册（CRC，2011年）。本书对MCMC及其在许多不同的应用中的使用进行了全面评论。Gelman，A。Burn-in MCMC，为什么我们更喜欢“热身”一词。元建模，因果推理和社会科学（2017）。Gelman，A。＆Rubin，D。B.使用多个序列从迭代模拟中推断。Stat。SCI。 7，457–511（1992）。 一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.SCI。7，457–511（1992）。一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.一般方法用于监测迭代模拟的收敛性。J. Comput。图。Stat。7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。马尔可夫链蒙特卡洛在实践中57，45-58（1996）。（2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。（2017）。关键参考包括Minka（2013），Hoffman等。（2015），Liang等。 Q.（2015），Liang等。Q.Q.新方法利用排序差异，折叠和本地化技术来增强\（\ hat {r} \）的准确性。此外，本综述强调了贝叶斯建模中变异推理方法的重要性，尤其是随机变体，这些变体是大型数据集或复杂模型的流行近似贝叶斯推理方法的基础。（2013），Kingma和BA（2014），Li等。 （2008），Forte等。 （2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。 （2014）。 用于回归分析中的稀疏信号。 该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。 该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。 其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。 L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J. ＆Friston，K。J. Neuroimage（2005）。 咨询。 临床。（2013），Kingma和BA（2014），Li等。（2008），Forte等。 （2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。 （2014）。 用于回归分析中的稀疏信号。 该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。 该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。 其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。 L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J. ＆Friston，K。J. Neuroimage（2005）。 咨询。 临床。（2008），Forte等。（2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。（2014）。用于回归分析中的稀疏信号。该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J.＆Friston，K。J. Neuroimage（2005）。咨询。临床。Google Scholar Smith，M.，Pütz，B。，Auer，D。＆Fahrmeir，L。Neuroimage（2003）中还讨论了通过空间贝叶斯变量选择评估大脑活动。Google Scholar此外，检查了Zhang，L。，Guindani，M.，Versace，F。＆Vannucci，M。Neuroimage（2014）的时空非参数贝叶斯变量选择模型用于聚类相关时间课程。判断中信息处理的研究采用了各种方法，如Bolt等人的研究中所见，他们探讨了两种戒烟剂在联合使用的有效性，理由是J.Psychol。80，54–65，2012）。在类似的脉中，Billari等。基于贝叶斯范式内的专家评估（人口统计学51，1933–1954，2014）开发了随机人群预测模型。其他研究已经深入研究了暂时的生活变化及其对离婚时间的影响（Fallesen＆Breen，人口统计学53，1377-1398，2016）。同时，Hansford等人。分析了美国律师将军在最高法院的政策领域的位置（Pres。螺柱。49，855–869，2019）。此外，研究重点是使用健康行为综合模型来预测限制“自由糖”消耗（Phipps等人，食欲150，104668，2020）。此外，研究还将贝叶斯统计数据引入了健康心理学，并强调了其在该领域的潜在好处（Depaoli等人，Health Psychol。修订版11，248–264，2017）。Psychol。Gen. 142，573–603，2013; Lee，M。D.，J。 数学。Gen. 142，573–603，2013; Lee，M。D.，J。数学。贝叶斯估计的应用已显示在各种情况下取代传统的t检验，包括认知建模和生态研究（Kruschke，J。Exp。Psychol。55，1-7，2011）。此外，层次结构的贝叶斯模型已在生态学中用于建模种群动态和推断环境参数（Royle＆Dorazio，生态学的分层建模和推断）。通过包括Gimenez等人在内的各种研究人员的工作进一步开发了这种方法。（在标记人群中建模的人口统计过程中，3）和King等。（贝叶斯分析人群生态学）。研究还研究了贝叶斯方法在生态学中的使用，例如使用汉密尔顿蒙特卡洛（Monnahan等人，方法ECOL。Evol。8，339–348，2017）。贝叶斯对生态学的重要性的重要性已被埃里森（Elison）等研究人员（ecol。Lett。 7，509–520，2004）。 最后，已经探索了通过设计启发将专家意见整合到贝叶斯统计模型中，突出了其为先验知识提供信息并提高模型准确性的潜力（Choy等，生态学90，265-277，2009）。 也已经讨论了有关使用贝叶斯评估诊断人群下降的诊断人群下降的方法（King等，J。R. Stat。 Soc。 系列C 57，609–632，2008）。 在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。 - Dennis等。 -McClintock等。Lett。7，509–520，2004）。最后，已经探索了通过设计启发将专家意见整合到贝叶斯统计模型中，突出了其为先验知识提供信息并提高模型准确性的潜力（Choy等，生态学90，265-277，2009）。也已经讨论了有关使用贝叶斯评估诊断人群下降的诊断人群下降的方法（King等，J。R. Stat。Soc。系列C 57，609–632，2008）。 在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。 - Dennis等。 -McClintock等。系列C 57，609–632，2008）。在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。- Dennis等。-McClintock等。总而言之，对判断中信息处理的研究以及贝叶斯统计在各个领域的应用，使人们对这些概念及其对决策和人口建模的影响有了更深入的了解。这些作品涵盖了种群建模的各个方面，包括贝叶斯估计，综合人群模型和遗传关联研究。关键论文包括： - King and Brooks（2008）关于贝叶斯对具有异质性和模型不确定性的封闭种群的估计。（2006）使用生态数据估计密度依赖性，过程噪声和观察误差。（2012）基于多阶段随机步行开发了一个一般的离散时间框架，用于动物运动。-Aeberhard等。（2018）对渔业科学的州空间模型进行了综述。其他值得注意的贡献包括： - Isaac等。（2020）讨论了大规模物种分布模型的数据集成。-McClintock等。（2020）提出了一种使用隐藏的马尔可夫模型来发现生态状态动力学的方法。- King（2014）审查了统计生态及其应用。- Andrieu等。（2010）引入了粒子马尔可夫链蒙特卡洛方法，用于复杂的种群建模。这些研究表明，从人口生存能力分析到遗传关联研究，在理解生态系统中采用的统计技术的多样性，强调了该领域数据整合和高级建模方法的重要性。提出一种利用转移学习以提高数据质量的方法。基因组学，统计和机器学习的交集在理解复杂的生物系统中变得越来越重要。最近的研究探索了多摩智数据集的整合，以发现对人类健康和疾病的新见解。由Argelaguet等人建立了整合多派数据集的框架，该框架采用贝叶斯方法来识别生物学过程的关键因素。该方法已应用于包括单细胞转录组学在内的各个领域，如Yau和Campbell的工作所示，他们使用贝叶斯统计学习来分析大型数据集。研究的另一个领域涉及在英国生物库中对跨树木结构的常规医疗数据进行遗传关联的分析。诸如Stuart和Satija的研究表明，将单细胞分析与基因组学相结合以揭示有关复杂生物系统的新信息的潜力。深层生成模型的发展也促进了单细胞转录组学的进步，如Lopez等人的工作所证明的那样，后者应用了深层生成模型来分析大型数据集。此外，与Wang等人一起，对单细胞转录组学中数据降解和转移学习的研究已显示出令人鼓舞的结果。最近的研究还强调了科学研究中可重复性和公平原则（可访问，可互操作和可重复使用）的重要性。这包括诸如癌症基因组图集和Dryad＆Zenodo之类的举措，旨在促进开放研究实践。提出了功能性变分贝叶斯神经网络。机器学习技术（包括变异自动编码器）的应用也在理解复杂的生物系统方面变得越来越重要。正如Paszke等人的评论中所述，变化自动编码器为将基因组学和统计数据与深层生成模型的整合提供了有希望的方法。总体而言，多摩智数据集，机器学习技术和统计分析的进步的整合已经开辟了新的途径，以理解复杂的生物系统并揭示了对人类健康和疾病的新见解。概率建模的最新进展导致了几种将深度学习与贝叶斯推论相结合的技术的发展。该领域的一个关键概念是变异自动编码器（VAE），它通过将其映射到较低维度的空间中来了解输入数据的概率分布。Hinton等人引入的Beta-Vae框架将VAE限制为学习基本的视觉概念。研究人员还探索了贝叶斯方法在神经网络中的应用，例如高斯过程和周期性随机梯度MCMC。例如，尼尔在神经网络上的贝叶斯学习方面的工作突出了神经网络与高斯过程之间的联系。此外，已证明将深层合奏用于预测不确定性估计在各种任务中都是有效的。最近的预印象提出了新的新技术，包括功能变分贝叶斯神经网络和细心的神经过程。后者使用注意机制从输入数据中学习相关特征。res。另一项研究的重点是开发更可扩展和可解释的模型，例如标准化流量和周期性随机梯度MCMC。该领域在理解深度学习的理论基础上，包括神经网络与高斯过程之间的联系，也看到了重大进展。Mackay和Williams的作品为贝叶斯倒退网络提供了一个实用的框架，而Sun等人。总的来说，这些进步有助于我们理解概率建模及其在深度学习中的应用。Hoffman，M。D.＆Gelman，A。 No-U-Turn采样器：在汉密尔顿蒙特卡洛（Monte Carlo）的自适应设置路径长度。 J. Mach。 学习。 15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。Hoffman，M。D.＆Gelman，A。No-U-Turn采样器：在汉密尔顿蒙特卡洛（Monte Carlo）的自适应设置路径长度。J. Mach。 学习。 15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。J. Mach。学习。15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。Stat。Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。J.am。Stat。合作。93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。J. R. Stat。Soc。系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。Stat。计算。10，325–337（2000）。Google Scholar Ntzoufras，I。使用Winbugs Vol。698（Wiley，2011）.Lunn，D。J.，Thomas，A.，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。Stat。计算。10，325–337（2000）。Spiegelhalter，D.，Thomas，A。，Best，N。＆Lunn，D。OpenBugs用户手册版本3.2.3。OpenBugs（2014）.Plummer，M。Jags：使用Gibbs采样的贝叶斯图形模型分析程序。proc。第三国际统计计算的国际研讨会124，1-10（2003）。Google Scholar Plummer，M。Rjags：使用MCMC的贝叶斯图形模型。r软件包版本，4（6）（2016）.Salvatier，J.，Wiecki，T。V.＆Fonnesbeck，C。使用Pymc3在Python中进行概率编程。peerj Comput。SCI。 2，E55（2016）。 Google Scholar de Valpine，P。等。 与模型的编程：编写敏捷的通用模型结构的统计算法。 J. Comput。 图。SCI。2，E55（2016）。 Google Scholar de Valpine，P。等。 与模型的编程：编写敏捷的通用模型结构的统计算法。 J. Comput。 图。2，E55（2016）。Google Scholar de Valpine，P。等。与模型的编程：编写敏捷的通用模型结构的统计算法。J. Comput。图。Stat.s 26, 403–413 (2017).MathSciNet Google Scholar Bayesian analysis software JASP version 0.14 available for computer use (2020) Lindgren F & Rue H used R-INLA for Bayesian spatial modeling in a Stats journal article (2015) Vanhatalo et al's GPstuff allowed Bayesian Gaussian process modeling with Machine Learning Res articles (2013) Blaxter gave research methods in他的2010年McGraw-Hill教育书《如何进行研究》 BetanCourt在Github上创建了一个原则上的贝叶斯工作流程，主张最佳实践（2020）Veen＆Schoot使用了对英超联赛数据的后验预测检查，并在OSF（2020年）上发布了它，并在Kramer＆Bosman（2020）Kramer＆Bosman在Kramer＆Bosman在Kramersship Sumpership Summerschool inter Smixship Summershood prosentie in Utrech Torne in utrecht in of to inty介绍（2019年），UTRECHINE（2019年）（2019年）（2019年）（2019年）（2019年）（2019年）（2019年） Acta Math匈牙利文章（1955）Lesaffre＆Lawson在2012年Wiley Publication撰写了一种新的公理概率理论（1955年），Hoijtink等人使用了贝叶斯评估，用于认知诊断评估，发表在Psych Methods In In In Psych Methods Journal（2014）