Smoothed isotonic estimators of a monotone baseline hazard in the Cox model
考虑Cox模型中单调基线风险率$λ_0$的光滑极大似然估计和光滑Grenander型估计。我们分析了它们的渐近行为，并表明，它们是渐近正态的速率$n^{m/(2m+1)}$，当~ $λ_0$是$m\geq 2$倍连续可微的，这两个估计是渐近等价的。最后，我们提出了逐点置信区间的数值结果，说明了这两种方法的可比行为。
2018-05-17 math.ST stat.TH
Partially monotone tensor spline estimation of the joint distribution function with bivariate current status data
双变量事件时间数据的联合累积分布函数（CDF）分析在理论和数值上都是一个具有挑战性的问题。本文提出了一种基于张量样条的筛分极大似然估计方法来估计二元状态数据的联合CDF。为了简化约束极大似然估计问题的数值计算，用I样条逼近联合CDF。采用广义梯度投影算法求解约束最优化问题。基于B样条基函数的性质，证明了所提出的基于张量样条的非参数筛分极大似然估计在一定的正则性条件下具有比$n^{1/3}$更好收敛速率.在中等样本量下的模拟研究表明，所提出的估计器的有限样本性能是令人满意的。
2012-09-25 math.ST stat.TH
Estimation of a discrete monotone distribution
我们研究并比较了离散单调分布的三种估计：（a）（原始）经验估计;（b）“重排方法”估计;（c）最大似然估计。我们表明，最大似然估计严格占主导地位的重排和经验估计的情况下，当分布的恒定区间。例如，当分布在$\{0, ..., y \}$上是均匀分布时，重排方法估计量（平方$\ell_2$范数）的渐近风险是$y/(y+1)$，而MLE的渐近风险是$(\log y)/(y+1)$阶。对于严格递减分布，估计量是渐近等价的。
2009-10-16 math.PR math.ST stat.TH
A note on the role of projectivity in likelihood-based inference for random graph models
在随机图模型的基于似然性的推理中，投射性的作用存在着广泛的混淆。这种混淆的根源在于，投影性，一种边缘化的形式，可能是必要的似然为基础的推理和最大似然估计的一致性。我们表明，基于似然的超总体推断是不受缺乏的投影和投影不是最大似然估计的一致性的必要条件。
2017-07-01 math.ST stat.TH
Universal Inference with Composite Likelihoods
Wasserman等人（2020，PNAS，第117卷，第117页）16880-16890）使用基于分裂数据似然比的统计量构建了估计器不可知和有限样本有效置信集和假设检验。我们证明，同样的方法扩展到使用分裂数据复合似然比，以及，从而建立通用的方法进行多变量推理时，数据生成过程中只知道边缘和条件之间的关系的坐标。还考虑了始终有效的顺序推理。
2020-09-23 math.ST stat.TH
A modified score function for monotone likelihood in promotion time cure rate models
Centro de Gestão e Estudos Estratégicos（战略管理与研究中心）；University of Brasília（巴西利亚大学）
本文针对 promotion time 治愈率模型的单调似然问题，提出基于 Firth 偏差减少方法的修正得分函数，经模拟与真实数据集应用验证，可得到有限稳定的参数估计，使有丝分裂因子具统计显著性。
2026-08-24 stat.ME
Stability and uniqueness of $p$-values for likelihood-based inference
基于似然的统计推断方法提供了一个有用的一般方法，这是有吸引力的，因为一个简单的渐近理论可以应用于其实施。重要的是要评估不同的可能性为基础的推理程序之间的关系，在准确性和遵守统计推断的关键原则，特别是那些有关的条件相关的从属统计量。给出了一个一般类的似然统计，包括那些来自调整后的配置文件的可能性的形式的稳定性属性的分析，并比较来自不同的统计推断。特别是，我们推导出一组充分条件协议$O_{p}(n^{-1})$，在样本量$n$，推论，特别是$p$值，来自不同的渐近标准正常枢轴。我们的分析包括一个标量或矢量的兴趣参数的推理问题，在存在一个冗余参数。
2015-03-19 math.ST stat.TH
Maximum likelihood estimation for the $λ$-exponential family
本文针对$λ$-指数族提出一种基于不动点迭代的最大似然估计算法，并利用广义凸对偶证明似然单调性，通过$q$-高斯分布和Dirichlet扰动验证了方法。
2025-05-06 math.ST stat.TH
Estimation of a k-monotone density, part 1: characterizations consistency, and minimax lower bounds
形状约束密度在许多非参数估计问题中会遇到。单调或凸（和单调）密度类可以看作是k-单调密度类的特殊情况。称密度g是k-单调的，如果它的连续导数直到k-2阶交替为负或正，且k-2阶导数分别根据k是偶数（或奇数）而凸（或凹）。如果k=1，则g是不增加的。这些类的形状约束密度之间的差距桥梁类的单调（1-单调）和凸递减（2-单调）密度的渐近结果是已知的，一类完全单调密度与k无限。在这一系列的四篇论文中，我们考虑（非参数）最大似然估计和最小二乘估计的k-单调密度。在第一部分（第一部分）中，我们证明了估计的存在性，并给出了一些刻画。我们还建立了一致性的性质，并证明了估计是简单的节点阶k（度k-1）的样条。进一步给出了k-单调密度g_0（x_0）及其导数g_0^{（j）}（x_0）的渐近极小极大风险下界，其中j=1，.，k-1，在不动点x_0处，假设g_0在x_0处的k阶导数为非零。
2005-09-04 math.ST stat.TH
Profile-Kernel likelihood inference with diverging number of parameters
预测变量数目不断增加的广义变系数部分线性模型在当代的许多科学研究中出现。本文从理论和实践两个方面对轮廓似然估计和推断进行了研究。当参数个数随样本量增长时，在一定的正则性条件下，证明了轮廓似然估计的存在性和渐近正态性。提出了参数数目不断增加时的轮廓似然比推断，并证明了Wilk现象。提出并研究了一种计算轮廓核估计量的新算法-加速轮廓核算法。仿真研究表明，所得到的估计是有效的完全迭代轮廓核估计。对于中等的样本量，我们提出的方法节省了大量的计算时间比完全迭代轮廓核之一，并给出了稳定的估计。一组实际数据进行了分析，使用我们提出的算法。
2007-09-21 math.ST stat.TH
On the Hermite spline conjecture and its connection to k-monotone densities
在（0，\infty）上定义的k-单调密度类在数学文献中是已知的，但首次由Balabdaoui和Wellner（2007，2010）从统计学的角度考虑。在这些作品中，作者推广了单调（k=1）和凸（k=2）密度的最大似然估计和最小二乘估计（MLE和LSE）的特征，并推导出极小极大界的收敛速度。当k严格大于2时，Balabdaoui和Wellner（2007）研究的极大似然估计和最小二乘估计的逐点渐近行为表明，极大似然估计和最小二乘估计在局部逐点意义下达到极大极小下界。然而，该理论假设有关埃尔米特样条逼近误差的某种猜测成立。本说明的主要目的是说明为什么这样的猜想不可能是真的。我们还建议如何绕过猜想和重建的估计量的极限理论的关键证明。
2013-01-15 math.ST stat.TH
Inference in HIV dynamics models via hierarchical likelihood
HIV动力学模型通常是基于无解析解的非线性常微分方程（ODE）系统。在这种模型中引入随机效应会导致非常具有挑战性的非线性混合效应模型。为了避免数值计算的多重积分参与的可能性，我们提出了一个分层的可能性（h-似然）的方法，治疗的精神，惩罚的可能性。我们给出了固定效应的最大h-似然估计量（MHLE）的渐近分布，这一结果可能与更一般的设置有关。MHLE有轻微的偏差，但通过使用参数自举程序可以使偏差可以忽略不计。我们提出了一个有效的算法最大化的h-似然。一个经典的HIV动力学模型的基础上的模拟研究，证实了良好的性能的MHLE。我们将其应用于临床试验的分析。
2010-02-02 math.ST stat.TH
Power Generalized KM-Transformation for Non-Monotone Failure Rate Distribution
本文提出幂广义KM变换（PGKM）这一新寿命模型以刻画非单调失效率，推导其矩、分位数、熵及极值分布，并用MLE、模拟和三组真实数据验证。
2023-09-30 math.ST stat.AP stat.ME
Adjusted likelihood inference in an elliptical multivariate errors-in-variables model
本文给出了变量有误差多元线性回归模型的似然比检验的一个修正形式。允许误差项服从椭圆分布类中的多元分布，其中多元正态分布作为特例。我们推导出一个修改后的似然比统计，卡方分布具有很高的准确度。我们的结果推广了Melo和Ferrari（Advances in统计分析，2010，94，75-87）中的结果，允许在多变量误差模型中对感兴趣的参数进行向量赋值。我们报告了一个模拟研究表明，所提出的测试显示优越的有限样本的行为相对于标准的似然比检验。
2011-08-04 math.ST stat.TH
Statistical Inference for Additive Monotone Models under the Fixed Lattice Design
Rutgers, the State University of New Jersey（新泽西州立罗格斯大学）
针对固定格点设计下的加性单调模型，建立了最小二乘估计量的联合极限分布，证明分量渐近独立，并构造了无需调参的置信区间，同时揭示了临界增长速度下的非枢轴性。
2026-09-09 math.ST stat.ME stat.TH
Bayesian Inference for $k$-Monotone Densities with Applications to Multiple Testing
本文提出基于核混合表示与 Dirichlet 过程或有限混合先验的贝叶斯 $k$-单调密度估计方法，证明其极小极大近优后验收缩速率，并应用于大规模多重检验的 $p$-值密度建模。
2023-06-08 math.ST stat.ME stat.TH
Asymptotics of Nonparametric Estimation under General Non-monotone MAR Missingness: A Nonparametric Maximum Likelihood Approach
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文针对非单调MAR缺失情形，采用筛极大似然方法建立非参数估计的收敛速率，将其应用于密度估计时，所得估计量经EM算法近似后，在模拟中表现与使用完整数据的核密度估计器相当。
2026-11-05 stat.ME
Composite Likelihood Inference by Nonparametric Saddlepoint Tests
复合似然函数类为复杂统计模型的近似推理提供了一个灵活而强大的工具，当完全似然函数无法指定或无法计算时，可以使用它进行近似推理。然而，当考虑关于多维参数的假设检验时，复合似然方法的强度变暗，因为似然比、Wald和得分型检验统计量的有限样本行为与Godambe信息矩阵相关联。因此，Godambe信息的不准确估计转化为不准确的p值。在本文中，它是如何准确的推断，可以通过使用一个完全非参数鞍点检验统计量来自复合得分函数。所提出的统计量是渐近卡方分布的二阶相对误差，并不依赖于Godambe信息。通过仿真研究证明了该方法的有效性。
2013-06-23 math.ST stat.ME stat.TH
Statistical Inference for Random Unknowns via Modifications of Extended Likelihood
本文通过修正扩展似然提出h-似然和h-置信，用于含随机未知量的统计模型，实现点估计、区间估计与预测，并达到广义Cramér-Rao下界。
2025-02-28 math.ST stat.ME stat.TH
Empirical Likelihood Meets Prediction-Powered Inference
School of Statistics and Data Science, Nankai University（南开大学统计与数据科学学院）
本文提出了一种结合经验似然与预测驱动推断的方法，通过优化经验似然在联合约束下实现高效估计，减少误差并提升置信区间长度。
2025-12-18 math.ST stat.ME stat.TH
Maximum Ideal Likelihood Estimation: A Unified Inference Framework for Latent Variable Models
本文提出最大理想似然估计（MILE），通过将潜变量视为参数直接利用完整数据联合分布，为潜变量模型提供统一推断框架，在传统方法失效时仍稳健，并具备理论保证与计算优势。
2025-10-06 math.ST stat.ME stat.TH
Quasi-maximum Likelihood Inference for Linear Double Autoregressive Models
本文针对线性双自回归模型，在仅分数矩条件下提出两种拟极大似然估计量及配套模型选择准则与诊断检验，通过模拟和实例验证了其有效性。
2024-02-01 math.ST stat.ME stat.TH
Inference for Multivariate Normal Mixtures
多元正态混合模型为高维数据提供了一个灵活的模型。它们广泛应用于统计遗传学、统计金融学等学科。由于似然函数的无界性，经典的基于似然函数的方法虽然具有很好的实用性，但并不一致。本文提出了一种估计混合分布的惩罚似然方法。我们证明了最大惩罚似然估计是强相合的，当组件的数量有一个已知的上界。我们还探讨了一个方便的EM算法计算的最大惩罚似然估计。大量的模拟进行了探索的有效性和实际限制的新方法和批准的最大似然估计。根据仿真结果给出了指导原则。
2008-05-26 math.ST stat.ME stat.TH
Statistical inference in massive datasets by empirical likelihood
本文将分治法与经验似然法相结合，提出了一种新的海量数据统计推断方法。与目前流行的两种方法（小Bootstrap包法和二次抽样Bootstrap法）相比，该方法充分利用了数据集，减少了计算量。大量的数值研究和实际数据分析表明，我们所提出的方法的有效性和灵活性。此外，我们的方法的渐近性质。
2020-04-18 math.ST stat.ME stat.ML
Likelihood-Preserving Embeddings for Statistical Inference
本文提出保留似然性的嵌入理论，通过Likelihood-Ratio Distortion度量和铰链定理，确保嵌入在统计推断中保持准确性，并通过实验验证其有效性。
2025-12-27 cs.LG math.ST stat.ME
Divergence-Minimization for Latent-Structure Models: Monotone Operators, Contraction Guarantees, and Robust Inference
本文提出发散最小化框架，通过残差调整发散量实现稳健推断，结合惩罚准则和样本分割确定混合组件数量，展示其在混合和图像分割任务中的稳定性与准确性。
2025-11-22 cs.IT math.IT math.OC
Generalized inverse xgamma distribution: A non-monotone hazard rate model
在这篇文章中，广义逆xgamma分布（GIXGD）已被引入作为逆xgamma分布的广义版本。该模型具有非单调风险率模式，属于正偏态模型族。导出了矩、逆矩、条件矩、平均离差、分位数函数等分布性质的显式表达式。极大似然估计程序已被用来估计未知的模型参数以及生存特性的GIXGD。通过豚鼠的生存数据说明了该模型的实用性。
2018-11-03 stat.AP stat.ME
Selective inference after likelihood- or test-based model selection in linear models
模型选择后的统计推断需要考虑选择的推断框架才有效。根据最近的工作选择性推理，我们推导出解析表达式的推理后，似然或基于测试的模型选择线性模型。
2017-09-23 stat.AP stat.ME
Supermartingales for One-Sided Tests: Sufficient Monotone Likelihood Ratios are Sufficient
本文利用单调似然比与充分统计量证明单侧序贯t检验在真均值为负时仍能控制错误拒绝，并推广至χ²检验和带冗余协变量的序贯线性回归。
2025-02-07 math.ST stat.TH
Semiparametric Estimation of Symmetric Mixture Models with Monotone and Log-Concave Densities
在这篇文章中，我们重新讨论了混合模型的拟合问题，假设混合成分是对称的和对数凹的。为此，我们首先研究了单调对数凹概率密度的非参数极大似然估计。通过遵循Rujiach（2006）的论点，我们证明了NPMLE关于支撑内部的紧子集上确界范数是一致相容的。为了拟合混合模型，我们提出了一个半参数EM（SEM）算法，它可以适用于其他半参数混合模型。在我们的数值实验中，我们将我们的算法与Balabdaoui和Doss（2014）以及模拟和真实世界数据集上的其他混合模型进行了比较。
2018-02-27 stat.ME
Estimating Marginal Likelihoods in Likelihood-Free Inference via Neural Density Estimation
针对无似然推断中边际似然难以计算的问题，提出一种利用序列神经似然估计（SNLE）输出的简单通用方法来估计边际似然。
2025-07-11 stat.CO
Variance and Covariance Inequalities for Truncated Joint Normal Distribution via Monotone Likelihood Ratio and Log-concavity
设X Nv（0，Λ）是v维中的法向量，其中Λ是对角线。本文利用X在v维欧氏球内部的截尾分布，完整地证明了F. Palombi和S. Toti [J. Multivariate Anal. 122（2013）355-376]。这些不等式保证了仅基于截断到欧几里德球的X的协方差阵重建Λ的算法的收敛性。单调似然比的概念在我们的证明中是有用的。此外，我们还证明和利用的事实，即任何积极的线性组合的独立卡方变量的累积分布函数是对数凹的，即使这可能不是真的相应的密度函数。
2013-11-23 math.ST stat.TH
Empirical likelihood inference for partial functional linear regression models based on B spline
本文将经验似然方法应用于基于B样条的部分泛函线性回归模型中回归参数的推断。我们证明了回归参数的经验对数似然比收敛于独立χ 2分布的加权和的规律，并运行模拟来评估我们的方法的有限样本性能。
2017-10-31 stat.ME
Variable selection, monotone likelihood ratio and group sparsity
在关键变量选择问题中，我们得到了所有$s$ -稀疏向量类上的精确非渐近极小极大选择器，它也是关于一致先验的贝叶斯选择器。虽然这个最佳选择器是，在一般情况下，在多项式时间内，不能实现，我们表明，它的听话的对手（扫描选择器）达到极大极小预期汉明风险的因素2内，也是确切的极大极小错误恢复的概率。因此，我们建立明确的下界下的单调似然比的属性，我们得到一个严格的最佳可分离的选择风险的极小极大风险的特征。我们应用这些一般性的结果推导出充要条件的精确和几乎完全恢复的位置模型与光尾分布和高斯噪声下的组变量选择的问题。
2021-12-30 math.ST stat.TH
On the occurrence times of componentwise maxima and bias in likelihood inference for multivariate max-stable distributions
高维多变量极值分布或最大稳定过程的全似然推断在合并最大值的发生时间时是可行的;如果没有此信息，由于似然中的大量项，通常排除$d$维似然推断。然而，一些研究指出，当执行包含此类事件信息的高维推理时，特别是当依赖性较弱时，会出现偏差。我们阐明了这种现象，表明在中等尺寸的无偏推理，尺寸$d$应小于平方根的向量的数量，其中一个采取组件的最大值。本文提出了一种减少偏倚的方法，并在极值逻辑斯谛模型上加以说明。
2015-03-31 stat.ME
Pairwise likelihood inference for the multivariate ordered probit model
本文给出了多变量有序probit模型两两得分向量的封闭形式表达式。这一结果在基于似然性的推理中有几个含义。它实际上既用于加速基于梯度的点估计优化例程，又用于通过Godambe矩阵提供计算标准误和置信区间的构建块。
2019-01-29 stat.ME
On the representation and learning of monotone triangular transport maps
California Institute of Technology（加州理工学院）；Massachusetts Institute of Technology（麻省理工学院）
本文提出通过光滑函数可逆变换表示单调三角传输映射的通用框架，证明其优化问题无虚假局部极小且全局极小解对应KR映射，并设计自适应算法实现稀疏半参数估计，应用于密度估计、无似然推断和图模型结构学习。
2024-02-24 cs.LG math.FA stat.CO
Profile likelihood ratio tests for parameter inferences in generalized single-index models
提出了一种用于广义单指标模型中指标系数推断的剖面似然比检验。其主要特点包括其简单的实施，对参数化的不变性，并表现出大大低于标准的Wald测试在有限样本设置的偏见。此外，R例程进行的轮廓似然比检验被证明是超过两个数量级的速度比最近提出的广义似然比检验的基础上核回归。各种模拟和数据分析的例子证明了该方法的优点。
2017-06-26 stat.ME
Data Fusion Using Robust Empirical Likelihood Inference
作者提出了一种稳健的半参数经验似然方法，将来自多个样本的所有可用信息与一个共同的测量中心相结合。利用两组不同的估计方程改进了经典的关于测量中心的似然推断。该方法不需要相关总体概率密度函数的函数形式的知识。通过大量的仿真研究，将该方法的均方误差、覆盖概率和平均置信区间长度与经典似然法进行了比较，证明了该方法的优越性。仿真结果表明，我们的方法提供了更多的信息和有效的推理比传统的极大似然估计时，这些相关样本的参数之间存在一定的结构关系。
2012-10-02 stat.ME
Weak signal identification and inference in penalized likelihood models for categorical responses
惩罚似然模型被广泛用于同时选择变量和估计模型参数。然而，弱信号的存在会导致不准确的变量选择、有偏的参数估计和无效的推断。因此，在惩罚似然模型中，准确识别弱信号并进行有效的推断是至关重要的。我们开发了一种统一的方法来识别弱信号，并在惩罚似然模型中进行推断，包括响应是分类的特殊情况。为了识别弱信号，我们使用每个协变量的估计选择概率作为信号强度的度量，并制定了信号识别标准。为了构造置信区间，我们提出了一个两步推理过程。广泛的仿真研究表明，所提出的程序优于现有的几种方法。我们通过将其应用于实践融合糖尿病数据集来说明所提出的方法。
2022-12-12 stat.ME
Jackknife empirical likelihood based inference for Probability weighted moments
在本文中，我们讨论刀切经验似然（JEL）和调整刀切经验似然（AJEL）为基础的推理，找到置信区间的概率加权矩（PWM）。我们得到了JEL比和AJEL比统计量的渐近分布。我们比较的性能，建议的置信区间与最近开发的方法在覆盖概率和平均长度。我们还开发了基于JEL和AJEL的PWM测试，并研究了它的性能。最后，我们用印度各州的降雨量数据来说明我们的方法。
2018-07-12 stat.ME
Better Approximate Inference for Partial Likelihood Models with a Latent Structure
Carnegie Mellon University（卡内基梅隆大学）
时间点过程（TPP）的部分可能性涉及一个潜在的结构往往会带来一个棘手的边缘化，从而使推理困难。我们提出了一种新的方法，最大似然估计（MLE）涉及近似推理的潜在变量，通过最小化一个紧密的上限上的近似差距。给定一个离散的潜在变量$Z$，所提出的近似减少推理复杂度从$O(|Z|^c)$到$O(|Z|)$。我们使用凸共轭，以确定这个上限在一个封闭的形式，并表明，它除了优化目标的结果在改进的结果模型假设比例风险在生存分析。
2019-12-19 cs.LG stat.ML
Post-selection inference for L1-penalized likelihood models
本文提出了一种新的L1（lasso）惩罚似然模型（包括广义回归模型）的后选择推断方法。我们的方法概括了Lee et al（2014）提出的选择后框架。该方法提供了渐进有效的p值和置信区间，条件是套索完成的固有选择。我们目前的应用这项工作（正规化）逻辑斯谛回归，Cox的比例风险模型和图形套索。
2016-10-13 stat.ME
Universal inference with composite likelihoods
当数据来自于不允许易处理的联合规范的数据生成过程（DGP）时，最大复合似然估计是极大似然估计的一个有用的替代。我们表明，通用复合似然组成的边际和条件规范允许简单的建设复合似然比样的统计，有限样本的有效置信集和假设检验可以构建。这些统计量是通用的，因为它们可以从基础DGP的参数的任何估计量构造。我们证明了我们的方法，通过模拟研究，使用一对有条件指定的双变量模型。
2021-06-28 stat.ME
Neural Density Estimation and Likelihood-free Inference
University of Edinburgh（爱丁堡大学）
我考虑机器学习和统计学中的两个问题：估计随机变量集合的联合概率密度的问题，称为密度估计，以及当模型参数的似然性难以处理时推断模型参数的问题，称为无似然性推断。本论文的贡献是基于神经网络和深度学习的最新进展，提出了一套解决这些问题的新方法。
2019-10-29 cs.LG stat.ML
Improving the accuracy of likelihood-based inference in meta-analysis and meta-regression
随机效应模型经常被用于综合荟萃分析中不同研究的信息。虽然基于似然性的推理在限制属性和实施方面都很有吸引力，但其在随机效应荟萃分析中的应用可能会导致误导性结论，特别是当研究数量较少时。目前的文件显示，如何减少渐近偏差的极大似然估计的方差分量的方法，也可以大大提高推断的平均效应大小。这些结果是针对随机效应荟萃回归的更一般框架得出的，该框架允许平均效应大小随研究特定协变量而变化。
2017-05-22 stat.ME
Inference in a bimodal Birnbaum-Saunders model
我们解决的问题进行推断的参数，指数双峰扩展的Birnbaum-Saunders分布（BS）。我们表明，极大似然点估计可能是有问题的，因为标准的非线性优化算法可能无法收敛。为了解决这个问题，我们惩罚对数似然函数。我们提出的数值证据表明，极大似然估计的基础上，这样的惩罚函数是相当可靠的。我们还考虑了基于惩罚对数似然函数的假设检验推理。特别地，我们考虑了似然比，签署似然比，得分和Wald测试。基于Bootstrap的测试推理也被认为是。我们使用非嵌套假设检验来区分两个双峰BS法。我们推导出一些测试的分析修正。蒙特卡罗模拟的结果和经验的应用进行了介绍和讨论。
2017-11-23 stat.CO
Likelihood-free inference via classification
越来越复杂的生成模型正在跨学科使用，因为它们允许对数据进行真实的表征，但它们的共同困难是评估似然函数的计算成本过高，从而执行基于似然的统计推断。出现了一个无似然推理框架，其中通过找到产生类似于观测数据的模拟数据的值来识别参数。虽然广泛适用，在这个框架中的一个主要困难是如何衡量模拟和观测数据之间的差异。将原始问题转化为将数据分类为模拟与观察的问题，我们发现分类精度可以用来评估差异。因此，完整的分类方法库可用于推理难以处理的生成模型。我们验证了我们的方法，使用理论和模拟点估计和贝叶斯推断，并证明其使用的真实数据推断一个基于个人的流行病学模型，在幼儿中心的细菌感染。
2017-03-03 stat.CO stat.ME stat.ML
Improved Likelihood Inference in Birnbaum-Saunders Regressions
Birnbaum-Saunders回归模型常用于可靠性研究。我们解决的问题，在这类模型中进行推理时，观察的数量是小的。我们证明了当样本量较小时，似然比检验趋于自由，并且我们得到了一个校正因子，它减小了检验的样本量失真。这种修正使检验的误差率随着样本量的增加而消失得更快。数值结果表明，在有限样本情况下，改进的似然比检验比通常的似然比检验更可靠。我们还提出了一个经验的应用。
2009-04-22 stat.ME
Approximate selective inference via maximum likelihood
最近已经开发了几种策略，以确保有效的推理后，模型选择，其中一些是很容易计算，而其他票价更好的推理能力。在本文中，我们考虑了高斯数据的选择性推理框架。提出了一种新的近似极大似然估计推理方法。我们的目标是：（i）在随机化的帮助下实现更好的推理能力，（ii）从难以以封闭形式评估的精确条件分布绕过昂贵的MCMC采样。我们构造近似推理，例如，p值、置信区间等，通过解决一个相当简单的凸优化问题我们说明了我们的方法的潜力，在模拟信号噪声比的大范围的值。在癌症基因表达数据集上，我们发现我们的方法改进了一些常用的选择性推理策略的推理能力。
2022-07-11 stat.ME
Empirical Likelihood Inference of Variance Components in Linear Mixed-Effects Models
线性混合效应模型广泛应用于分析重复测量数据，包括聚类数据和纵向数据，其中固定效应和方差分量的推断都很重要。与已得到充分研究的固定效应推断不同，由于空值位于边界上以及固定效应的干扰参数，对方差分量的推断更具挑战性。现有的方法通常需要对随机效应和随机误差进行强分布假设。在本文中，我们开发了经验似然为基础的方法，在固定效应的存在下的方差分量的推断。导出了方差分量的经验似然比统计量的Wilks定理的非参数形式。我们还开发了一个经验似然检验的多个方差分量相关的一系列相关的结果。仿真研究表明，所提出的方法表现出更好的类型1错误控制比常用的似然比检验时，高斯分布假设的随机效应被违反。我们应用这些方法来研究澳大利亚双胞胎研究中通过可穿戴设备测量的身体活动的遗传性，并观察到这种活动仅在0.375至0.514的分位数范围内是可遗传的。
2022-08-30 stat.ME
Improved likelihood inference in generalized linear models
研究了在样本量较小的情况下，广义线性模型的检验推理问题。这类模型提供了一种直接的方法来建模正常和非正常数据，并已广泛用于几个实际情况。似然比、Wald和score统计量以及最近提出的梯度统计量为检验这些模型中参数的推断提供了基础。我们专注于小样本的情况下，参考卡方分布给出了一个穷人的近似这些检验统计量的真实零分布。我们推导出一个一般的Bartlett型校正因子的梯度测试，减少了测试的大小失真的矩阵符号，并在数值上比较建议的测试与通常的似然比，沃尔德，得分和梯度测试，并与Bartlett校正的似然比和得分测试。我们的模拟结果表明，我们提出的校正测试可以是一个有趣的替代其他测试，因为它会导致非常准确的推断，即使是非常小的样本。我们还提出了一个实证的应用说明的目的。
2013-08-15 stat.ME
Benchmark of Likelihood-Free Inference Methods based on Neural and Optimal Transport Approaches
LSCE（气候与环境科学实验室）；ESSEC Business School, IDO Dep. and CREAR（欧洲高等商学院，创新与设计学院及CREAR）；Université Paris Saclay & ESSEC Business School CREAR（巴黎萨克雷大学与欧洲高等商学院CREAR）；Laboratoire des Sciences du Climat et de l’Environnement, CNRS-CEA-UVSQ-IPSL（气候与环境科学实验室，CNRS-CEA-UVSQ-IPSL）
研究通过模拟评估四种似然自由推断方法（MLE、NBE、EOT和AW-NBE）在重尾或离散数据等结构特征下的性能，强调在极端和离散数据下谨慎选择评估工具的重要性。
2026-05-28 stat.ME stat.ML
Efficient Maximum Approximated Likelihood Inference for Tukey's g-and-h Distribution
Tukey的$g$ -和- $h$发行版自推出以来一直是数据探索和建模的强大工具。然而，两个长期存在的挑战与这个分布家庭仍然没有解决，直到今天：如何找到一个最佳的估计过程，以及如何使有效的统计推断的未知参数。为了克服这两个挑战，一个计算效率高的估计过程的基础上最大化的Tukey的$g$和$h$分布的近似似然函数的提出，并示出具有相同的估计效率的极大似然估计在温和的条件下。该估计量的渐近分布的推导和一系列的近似似然比检验统计量进行假设检验，涉及两个形状参数的Tukey的$g$ -和- $h$分布。模拟实例和空气污染数据的分析被用来证明所提出的估计和测试程序的有效性。
2015-06-02 stat.ME
