XiaoMi-AI文件搜索系统
World File Search Systempreprints
新冠疫苗接种对长期新冠的影响：系统评价
摘要 目的 确定在急性感染 SARS-CoV-2 病毒之前和之后或诊断为长期新冠病毒后接种 covid-19 疫苗对长期新冠病毒感染率和症状的影响。设计 系统评价。数据来源 PubMed、Embase 和 Cochrane covid-19 试验，以及欧洲 PubMed Central（Europe PMC）的预印本，时间跨度为 2020 年 1 月 1 日至 2022 年 8 月 3 日。研究资格选择标准 试验、队列研究和病例对照研究，报告在感染 SARS-CoV-2 病毒之前和之后或诊断为长期新冠病毒后接种疫苗的长期新冠病毒患者和出现长期新冠病毒症状的患者。使用 ROBINS-I 工具评估偏倚风险。结果 筛选了 1645 篇文章，但未发现随机对照试验。我们发现来自五个国家（美国、英国、法国、意大利和荷兰）的 16 项观察性研究报告了 614 392 名患者。研究中最常见的长期新冠症状是疲劳、咳嗽、嗅觉丧失、呼吸短促、味觉丧失、头痛、肌肉酸痛、睡眠困难、注意力不集中、担忧或焦虑以及记忆力丧失或思维混乱。12 项研究报告了感染 SARS-CoV-2 病毒前接种疫苗的数据，其中 10 项显示长期新冠发病率显着降低：接种一剂疫苗后患长期新冠的几率比为 0.22 至 1.03；接种两剂疫苗后，几率比为 0.25-1；接种三剂疫苗后，几率比为 0.16；接种任何剂量疫苗后，几率比为 0.48-1.01。五项研究报告了感染后接种疫苗的情况，几率比为
联盟加速了向科学出版物的全面开放访问第I部分：计划的原则“与EF
工作的内在优点，而不是考虑出版渠道，其影响因素（或其他期刊指标）或出版商。第二部分：实施计划S1。AIM和范围计划的目标是从公共和私人赠款资助的研究中完全开放地访问同行评审的学术出版物。联盟是致力于实施计划的研究资助者的联盟，旨在加快向学术出版系统的过渡，其特征是立即，免费的在线访问，并且在很大程度上不受限制地使用和重复使用（完全开放访问）学术出版物。联盟致力于履行计划S：由联盟成员的赠款资助的研究中规定的特定目标：截至2021年1月1日发表的呼叫（或在个人成员选择的较早之前），必须在开放式访问场所（期刊或平台）中发布，或者在开放式访问权限储备机中开放并立即提供。计划s适用于所有经过同行评审的出版物，这些出版物基于联盟成员完全或部分资助的研究结果。本指南指定了计划的原则，并为其有关学术文章的实施提供了途径。联盟将在2021年底发表有关计划原则的声明，因为它们适用于专着和书籍章节，以及相关的实施指南。尽管计划的原则是指经过同行评审的学术出版物，但联盟也强烈鼓励研究数据和其他研究成果尽可能开放，并尽可能地封闭。也强烈鼓励通过预印本提前共享研究结果。联盟支持旧金山研究评估宣言（DORA）2的原则，该宣言需要根据自己的优点进行评估，而不是根据发表研究的地点进行评估。联盟成员将在2021年1月之前在其政策中执行此类原则。
任期心理学助理教授
终身轨道心理学助理教授心理学系（艺术学院）邀请申请在心理学助理教授等级的全职任期职位上，该地区开放。候选人的研究必须集中于将定量方法应用于儿童和家庭的社会相关性问题。成功的候选人将获得博士学位。在心理学或相关领域，以及已发表的研究记录。将对申请人的潜力进行评估（1）建立一项研究计划，该研究计划采用定量方法来回答与儿童和家庭社会相关问题有关的自己的研究问题，以及（2）与学生和教师合作作为方法学者。此外，将对申请人的潜力进行评估（3）在毕业生和本科级别的教学高级研究方法和统计学（例如，纵向建模，荟萃分析，数据整合，机器学习，计算建模）方面的优先级。预计将使用开放科学实践的记录。将考虑临床，认知，认知神经科学，发展，工业组织和社会的候选人的申请。不需要明确的证书作为定量方法学者。如果您使用定量方法来回答与影响儿童和家庭的问题有关的研究问题，并且您准备与其他人一起培训和合作，以在他们的研究中应用这种方法，我们鼓励您申请。职责将包括对以定量方法突出显示的协作和跨学科应用研究计划的承诺；研究生和本科教学；监督研究生和本科生研究；并参与系和大学服务。该职位在助理教授等级的薪水范围为每年90,000至120,000美元，与经验相称。现在是加入心理学系的特别激动人心的时刻，因为我们最近聘请了六个新教师，其中包括加拿大发展科学卓越研究主席和1级加拿大社会心理学研究主席。成功的候选人将加入一个充满活力的早期职业生涯和高级学者。我们的合作，包容性的研究社区欢迎各种各样的观点，经验，个人和思想群体，以便所有学者都可以受到欢迎，听到和支持，以尽其所能。该职位的预期开始日期是2025年7月1日。收到申请的截止日期是2025年2月26日。Applicants should electronically submit one attachment with a cover letter noting their ideal area(s) in the department to be placed, their curriculum vitae, and statements of research interest (maximum 2 pages), teaching interest (maximum 1 page), the candidate's commitment to equity, diversity, and inclusion (maximum 1 page), reprints or preprints of four recent papers, and the names and contact information for three referees (including their email addresses) to: psycjobs@uwaterloo.ca。初始申请不需要推荐信。将要求邀请申请人进行三封参考书。
Philip J - Richerme 实验室 - 印第安纳大学伯明顿分校
2006-8 国防科学与工程研究生奖学金出版物、专利和演示文稿参考期刊和预印本：39. 测量诱导的囚禁离子加热 AJ Rasmusson、I. Jung、F. Schroer、A. Kyprianidis 和 P. Richerme arXiv: 2404.09327 (2024) 38. NISQ 量子计算：以安全为中心的教程和调查 F. Chen、L. Jiang、H. Mueller、P. Richerme、C. Chu、Z. Fu 和 M. Yang IEEE 电路与系统 24 , 14 (2024) 37. 具有全局驱动器的囚禁离子量子模拟器中的交互图工程 A. Kyprianidis、AJ Rasmusson 和 P. Richerme 新物理学杂志 26 , 023033 (2024) 36. 用于学习可转移视觉表征的混合量子-经典神经网络 R. Wang、P. Richerme 和 F. Chen 量子科学与技术 8 ，045021 (2023) 35. 氢键动力学和振动光谱的量子计算 P. Richerme、MC Revelle、CG Yale、D. Lobser、AD Burch、SM Clark、D. Saha、MA Lopez-Ruiz、A. Dwivedi、JM Smith、SA Norrell、A. Sabry 和 SS Iyengar J. Phys. Chem. Lett. 14 ，7256 (2023) 34. 将量子化学动力学问题映射到自旋晶格模拟器上 D. Saha、SS Iyengar、P. Richerme、JM Smith 和 A. Sabry J. Chem. Theory Comput. 17 , 6713 (2021)。33. 优化的脉冲边带冷却和增强的捕获离子温度测定 AJ Rasmusson、M. D'Onofrio、Y. Xie、J. Cui 和 P. Richerme Phys. Rev. A 104 , 043108 (2021)。32. 用于径向二维离子晶体的开放式端盖叶片陷阱 Y. Xie、J. Cui、M. D'Onofrio、AJ Rasmusson、S. Howell 和 P. Richerme 量子科学与技术 6 , 044009 (2021)。 31. 囚禁离子量子比特对低剂量辐射源的敏感性 J. Cui, AJ Rasmusson, M. D'Onofrio, Y. Xie, E. Wolanski 和 P. Richerme J. Phys. B: At. Mol. Opt. Phys. 54 , 13LT01 (2021)。30. Floquet 计量泵作为受对称性或拓扑保护的光谱退化传感器 A. Kumar, G. Ortiz, P. Richerme 和 B. Seradjeh Phys. Rev. Lett. 126 , 206602 (2021)
Eric C. Rowell 简历
出版物和预印本 (69) 辫子群 B 3 的低维不可分解表示，ECR，Y. Ruan，arXiv:2412.08558。 (68) C. Delaney、C. Galindo、J. Plavnik，ECR，Q. Zhang，凝聚态纤维积和 zesting，arXiv:2410.09025。 (67) S.-H. Ng，ECR，X.-G. Wen，从模块化数据中恢复 R 符号，arXiv:2408.02748。 (66) C. Galindo、J. Plavnik，ECR，维度为 p 2 q 2 的积分非群论模块化类别，比利时数学会刊 Simon Stevin 合著，31 (2024) 第 4 期，516–525。 (65) C. Galindo、G. Mora，ECR，《Verlinde 模范畴的辫状 Zestings 及其模数据》，《数学与物理通讯》404（2024）：249。 (64) J. Hietarinta、P. Martin，ECR，《常数 Yang-Baxter 方程的解：三维中的加性电荷守恒》，《伦敦数学会志 A 辑数学物理工程科学》480（2024）20230810。 (63) S.-H. Ng，ECR，X.-G. Wen，《最高阶 11 的模数据分类》，arXiv:2308.09670。 (62) ECR，H. Solomon，Q. Zhang，《论近群中心和超模范畴》，即将发表于《当代数学》。arXiv:2305.09108。 （61）P. Martin，ECR、F. Torzewska，《电荷守恒环辫子表示的分类》，《代数杂志》666（2025）878–931。 （60）C. Delaney、C. Galindo、J. Plavnik，ECR、Q. Zhang，《G-交叉辫子 zesting》，《伦敦数学会刊》109（2024），第 1 期，第 1 号，e12816。 （59）ECR，《辫子、运动和拓扑量子计算》，《条件物质物理百科全书》第 2 版，Springer，2024 年。 （58）S.-H. Ng，ECR、Z. Wang、XG. Wen，《从 SL（2，Z）表示重建模块化数据》，《数学物理通讯》 402 (2023)，第3期，2465–2545 页。 (57) Z. Feng，ECR，S. Ming，《SU ( N ) k 的辫子子范畴的重构》，《代数杂志》635 (2023)，436–458 页。 (56) P. Martin，ECR，《自旋链辫子表示的分类》，arXiv:2112.04533。 (55) C. Damiani、P. Martin，ECR，《从环辫子群中推广 Hecke 代数》，《太平洋数学杂志》323 (2023)，第 1 期，31–65 页。 (54) ECR，Y. Ruan、Y. Wang，《SO (2 r ) 2 r 的 Witt 类》，《数学通讯》 Algebra 50:12 (2022)，5246-5265。 (53) C. Delaney、C. Galindo、J. Plavnik、ECR、Q Zhang，Braided zesting 及其应用，Comm. Math. Phys. 386 (2021)，1-55。 (52) C. Jones、S. Morrison、D. Nikshych，ECR，G 交叉编织融合类别的秩有限性，Transform. Groups 26 (2021)，第 3 期，915-927。 (51) P. Bruillard、J. Plavnik、ECR、Q. Zhang，论 8 阶超模类别的分类，J. Algebra Appl. 20 (2021)，第 1 期，2140017 (50) S.-H. Ng, ECR, Y. Wang, Q. Zhang，更高的中心电荷和 Witt 群，Adv. Math. 404 (2020) 论文编号 108388。§
疫苗接种对 COVID-19 传播的影响 - ...
1. 本综述旨在确定和审查疫苗接种对接种后感染 COVID-19 的人的冠状病毒 (COVID-19) 传播影响的证据。该综述包括 43 项原始研究（18 份预印本，1 份非同行评审报告）（检索时间截至 2021 年 10 月 22 日）：13 项研究评估了 COVID-19 疫苗接种对 COVID-19 传播的影响，32 项研究评估了 COVID-19 疫苗接种对 COVID-19 病毒载量的影响（2 项研究评估了两种结果）。2. 13 项传播研究（均为观察性研究，所有变体）中有证据表明，完全接种疫苗的指示病例向其接触者传播 COVID-19 的几率低于未接种疫苗的指示病例，尤其是野生型和非 Delta 变体（GRADE 上具有中等确定性），并且在许多研究中这种减少是显著的（例如，传播减少了 50% 以上）。 3. 在大多数评估部分和完全接种疫苗的研究中，部分接种疫苗在减少病例传播方面的效果远不如完全接种疫苗。4. 虽然大多数传播研究都研究了野生型和非 Delta 变体并且一致，但研究 Delta 变体的 3 项研究的证据更加复杂（GRADE 确定性低）。尽管所有 3 项研究都表明完全接种疫苗的病例传播 COVID-19 的几率低于未接种疫苗的病例，但 2 项研究表明疫苗对 Delta 变体传播的有效性随着时间的推移大幅下降。此外，一项研究表明，与 Alpha 变体相比，对指示病例接种疫苗对 Delta 变体传播的效果较差。 5. 32 项病毒载量研究的证据大体支持传播研究：23 项研究了 COVID-19 野生型和非 Delta 变体的研究（GRADE 确定性为中等），通常表明完全接种疫苗的病例的 Ct 值高于未接种疫苗的病例（表明病毒载量较低），但是，对于 Delta 变体（GRADE 确定性为低）而言，证据再次更加混杂，因为虽然 16 项研究中的大多数表明完全接种疫苗和未接种疫苗的病例的 Ct 值差异很小（或没有差异），但一些研究表明完全接种疫苗的病例的 Ct 值更高，一项研究表明完全接种疫苗的病例的 Ct 值较低。 6. 一项研究调查了感染 Delta 变异 COVID-19 后病例的病毒载量随时间的变化，结果表明，接种第二剂疫苗后不久，完全接种疫苗的病例的 Ct 值比未接种疫苗的病例高得多（表明病毒载量较低），但随着时间的推移，差异变小：对于接种第二剂疫苗后 180 天或更长时间感染的患者，接种疫苗和未接种疫苗的病例的 Ct 值非常相似。这项研究也是唯一一项研究加强剂量的研究，结果表明，接种辉瑞加强剂量疫苗后感染 COVID-19 的人的 Ct 值高于未接种疫苗的病例。7.三项研究检查了完全接种疫苗和未接种疫苗的 Delta 变种病例样本的传染性，并表明传染性非常相似。8. 在几乎所有纳入的研究中（传播和病毒载量），除疫苗接种以外的其他因素可能影响结果，这可能会使结果偏向任何一个方向。大多数研究也高度异质，因此必须谨慎使用
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）