⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-10-25 更新
Asynchronous Distributed ECME Algorithm for Matrix Variate Non-Gaussian Responses
Authors:Qingyang Liu, Sanvesh Srivastava, Dipankar Bandyopadhyay
We propose a regression model with matrix-variate skew-t response (REGMVST) for analyzing irregular longitudinal data with skewness, symmetry, or heavy tails. REGMVST models matrix-variate responses and predictors, with rows indexing longitudinal measurements per subject. It uses the matrix-variate skew-t (MVST) distribution to handle skewness and heavy tails, a damped exponential correlation (DEC) structure for row-wise dependencies across irregular time profiles, and leaves the column covariance unstructured. For estimation, we initially develop an ECME algorithm for parameter estimation and further mitigate its computational bottleneck via an asynchronous and distributed ECME (ADECME) extension. ADECME accelerates the E-step through parallelization, and retains the simplicity of the conditional M-step, enabling scalable inference. Simulations using synthetic data and a case study exploring matrix-variate periodontal disease endpoints derived from electronic health records demonstrate ADECME’s superiority in efficiency and convergence, over the alternatives. We also provide theoretical support for our empirical observations and identify regularity assumptions for ADECME’s optimal performance. An accompanying R package is available at https://github.com/rh8liuqy/STMATREG.
我们提出了一种具有矩阵协变量偏斜t响应（REGMVST）的回归模型，用于分析具有偏斜性、对称性或重尾的不规则纵向数据。REGMVST模型矩阵协变量响应和预测变量，其中行索引为每个主体的纵向测量值。它采用矩阵协变量偏斜t（MVST）分布来处理偏斜和重尾，采用阻尼指数相关性（DEC）结构来处理不规则时间剖面中的行相关性，并保留列协方差的无结构特性。对于估计，我们最初开发了一种ECME算法进行参数估计，并通过异步分布式ECME（ADECME）扩展进一步缓解了其计算瓶颈。ADECME通过并行化加速E步，同时保留条件M步的简单性，从而实现可扩展的推断。使用合成数据的模拟以及一个案例分析，探索从电子健康记录中得出的矩阵协变量牙周病终点，证明了ADECME在效率和收敛方面的优越性，超过了其他方法。我们还为经验观察提供了理论支持，并确定了ADECME最佳性能的正则假设。相应的R包可在https://github.com/rh8liuqy/STMATREG找到。
论文及项目相关链接
PDF 48 pages, 7 figures
摘要
提出一种基于矩阵变量偏t分布的回归模型（REGMVST），用于分析具有偏斜、对称或重尾特性的不规则纵向数据。REGMVST模型对矩阵变量响应和预测变量进行建模，行索引为每主体的纵向测量值。它采用矩阵变量偏t（MVST）分布来处理偏斜和重尾数据，使用阻尼指数相关性（DEC）结构来刻画行间的依赖关系，并假设列协方差不受结构影响。为参数估计，初步开发ECME算法，并通过异步分布式ECME（ADECME）扩展进一步缓解其计算瓶颈。ADECME通过并行化加速E步，同时保留条件M步的简洁性，从而实现可扩展的推理。使用合成数据和电子健康记录中的矩阵变量牙周病终点的案例研究表明，ADECME在效率和收敛性方面优于其他方法。我们还为经验观察提供了理论支持，并为ADECME的最佳性能提供了规律性假设。相应的R包可在https://github.com/rh8liuqy/STMATREG获取。
关键见解
- 提出了REGMVST模型，该模型能够处理具有偏斜、对称或重尾特性的不规则纵向数据。
- REGMVST模型采用MVST分布进行建模，能够处理矩阵变量响应和预测变量。
- 使用DEC结构来刻画行间的依赖关系，以适应不规则的时间序列数据。
- 开发了ECME算法进行参数估计，并通过ADECME扩展来提高计算效率。
- ADECME通过并行化加速E步，同时保留M步的简洁性，实现可扩展的推理。
- 通过合成数据和实际案例验证了ADECME在效率和收敛性方面的优越性。
- 提供了理论支持，并明确了ADECME最佳性能所需的规律性假设。
点此查看论文截图
