跳转至

CSDA — Vol 223 · 2026-07-14

  • 共 2 篇 · Computational Statistics & Data Analysis
  • 目录核对 ⚠️ 疑似漏 2 篇（对照 OpenAlex 5 篇）：10.1016/j.csda.2026.108414、10.1016/j.csda.2026.108416

本期导览

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期《CSDA》第223卷的两篇论文均围绕贝叶斯计算展开，但聚焦于不同应用场景下的计算效率与精度权衡。整体主线可归纳为：贝叶斯后验推断的近似计算方法及其在分类与试验设计中的性能评估。两篇分别从变分推断和精确/近似算法对比切入，共同关注如何在保持推断可靠性的前提下提升计算速度。

第一篇《Mean-field variational Bayes for sparse probit regression》属于统计计算主线，针对高维稀疏二值响应问题，利用平均场变分贝叶斯（MFVB）框架，在spike-and-slab先验下推导出所有变分因子的闭式更新和ELBO闭式解，从而实现坐标上升算法。该方法在变量选择与预测上兼顾了计算效率（较MCMC快数个数量级）和精度，适合对高维分类问题中变分推断与MCMC计算权衡感兴趣的读者。

第二篇《Thompson, Ulam, or Gauss? Multi-criteria recommendations for posterior probability computation methods in Bayesian response-adaptive trials with binary endpoints》则属于贝叶斯试验设计主线，系统评估了贝叶斯响应自适应随机化（BRAR）试验中后验概率的多种计算方法。作者首先利用二值数据的共轭结构提出一种精确算法（适用于小到中等臂数），然后以此为基准，比较Thompson采样、Ulam近似和高斯近似在计算耗时、统计功效和I类错误率上的表现。结果表明高斯近似尤其不可靠，并给出了多臂情形下精确计算与近似方法选择的定量框架。

对于关注因果推断或半参数效率的读者，本期论文不直接涉及因果识别或效率理论，但第一篇的变分推断框架可推广至因果效应估计中的高维协变量选择问题；第二篇的试验设计方法则与随机化试验中的贝叶斯自适应分配直接相关，适合研究贝叶斯试验设计或响应自适应随机化的读者优先阅读。

统计计算 / 算法 (stat_computing, 2 篇)

1. 10.1016/j.csda.2026.108415 · arXiv — Mean-field variational Bayes for sparse probit regression

  • 作者: Augusto Fasano, Giovanni Rebaudo
  • 期刊/来源: Computational Statistics & Data Analysis
  • 分类: vol 223 · pp 108415
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对二值响应（probit link）下的稀疏贝叶斯变量选择问题，采用 spike-and-slab 先验，提出一种平均场变分贝叶斯（MFVB）近似方法。所有变分因子均具有闭式更新，证据下界（ELBO）也以闭式形式给出，从而可高效实现坐标上升变分推断（CAVI）算法。该方法同时输出后验包含概率和参数估计，在一个框架内完成变量选择与预测。模拟和真实数据实验表明，该方法在保持与 MCMC 相当精度的同时，速度提升数个数量级。对您而言，本文展示了变分推断在高维稀疏分类问题中的计算优势，属于统计计算方向，可作为理解变分贝叶斯与 MCMC 计算权衡的入门读物。
  • 关键技术: mean-field variational Bayes, spike-and-slab prior, coordinate ascent variational inference, probit regression, closed-form ELBO
  • 为什么对您有用: 本文属于统计计算方向，是您 primary interest 中 'statistical computing' 的典型应用。您对变分推断不熟悉（武器库中未列出），但本文算法简单（闭式更新），可作为理解变分贝叶斯计算效率的入门材料。武器库中的 'software development' 可直接用于复现或扩展其 CAVI 算法。暂不可做：核心变分推断理论（如逼近误差界）不在武器库中，需先补充变分推断基础。

2. 10.1016/j.csda.2026.108401 · arXiv — Thompson, Ulam, or Gauss? Multi-criteria recommendations for posterior probability computation methods in Bayesian response-adaptive trials with binary endpoints

  • 作者: Daniel Kaddaj, Stef Baas, Edwin Y.N. Tang, David S. Robertson, Lukas Pin, Sofía S. Villar
  • 期刊/来源: Computational Statistics & Data Analysis
  • 分类: vol 223 · pp 108401
  • 相关性 2/10 · novelty: new_method
  • 摘要: 本文聚焦于贝叶斯响应自适应随机化（BRAR）试验中后验概率的计算方法选择问题，目标是在二值终点设定下平衡计算速度、推断准确性和患者获益。作者首先提出一种高效精确计算后验概率的新算法，该算法利用二值数据的共轭结构，避免了蒙特卡洛或数值积分，在小到中等臂数场景下速度极快。基于此精确基准，系统评估了多种近似方法（包括Thompson采样、Ulam近似和高斯近似）在计算耗时、统计功效和I类错误率上的表现。模拟和真实多臂试验再分析表明，常用近似方法可能导致显著的统计功效损失和I类错误膨胀，其中高斯近似尤为不可靠。针对多臂情形下精确计算指数级扩展的问题，论文给出了一个形式化的定量框架，为实践者提供了在精确计算与安全近似方法之间切换的精确阈值。该工作对您作为统计计算方向的研究者具有直接参考价值，其算法设计与计算-精度权衡分析可启发您在高维或复杂模型下开发类似的高效计算策略。
  • 关键技术: exact posterior computation, Bayesian response-adaptive randomization, Gaussian approximation, computational speed-accuracy tradeoff, simulation-based benchmarking
  • 为什么对您有用: 本文属于统计计算方向，直接对应您的primary interest中的'statistical computing (numerical methods, algorithm)'。其核心贡献在于为BRAR试验中的后验概率计算提供了精确算法与近似方法的系统比较，并给出了切换阈值。您武器库中的'软件开发和数值方法'技能可直接用于复现或扩展其基准测试框架，例如将精确算法推广到其他共轭先验设定。中期可做：若您希望在'高维统计计算'上进一步深入，可借鉴本文的权衡分析思路，研究高维参数空间下精确与近似计算的切换策略。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论