On Normal Variance-Mean Mixtures
正态方差-均值混合分布包含一大类有用的分布,例如广义双曲分布,其本身包括学生t分布、拉普拉斯分布、双曲分布、正态逆高斯分布和方差Γ分布作为特殊情况。我们研究了正态方差均值混合的形状性质,在单变量和多变量的情况下,并确定条件单峰和对数的密度函数。这导致了一个简短的证明单峰的所有广义双曲密度。我们也解释这样的结果在实践中,并讨论离散的类似物。
2011-06-12 math.PR math.ST stat.TH
On asymptotically efficient maximum likelihood estimation of linear functionals in Laplace measurement error models
本文研究反褶积反问题中线性泛函的极大似然估计。给定来自由(潜在无限维)参数$F_0$索引的分布$P_0\equiv P_{F_0}$的随机样本的观测值,该参数是标准加性拉普拉斯测量误差模型中潜变量的分布,人们希望估计$F_0$的线性泛函。研究了Laplace核密度卷积模型中混合分布$F_0$的整线性泛函的渐近有效极大似然估计.的情况下,其中感兴趣的功能可以一致估计在$n^{-1/2}$率的插件MLE,这是渐近正常和有效的,在这个意义上实现的方差下限,从那些没有积分线性泛函可以估计在参数率,这排除了任何可能性渐近效率。的$\sqrt{n}$ -收敛的MLE,有效的情况下,退化混合分布在一个单一的位置点,失败的一般情况下,渐近正态性。证明了混合分布的积分线性泛函不存在正则估计序列,当关于被估计重定中心和$\sqrt{n}$ -重标度时,它是渐近有效的,\emph{viz} .,具有最小方差的高斯极限分布。因此,人们只能期望以某种较慢的速率进行估计,并且通常具有非高斯极限分布。
2019-02-02 math.ST stat.ME stat.TH
Closed forms all the way up: the sample variance of four observations
Gilead Sciences(吉利德科学)
本文推导了四个观测值样本方差的闭式分布,针对均匀、Beta(2,1)等母体给出具体解,发现正态理论χ²公式对其99百分位估计偏差达50%。
2026-10-14 math.PR math.ST stat.ME
A diffusion equation for the density of the ratio of two jointly distributed Gaussian variables and the numerical inversion of Laplace transform
本文证明同方差联合高斯变量比值的密度满足非稳态扩散方程,并探讨该结果在随机矩阵束广义特征值凝聚密度核密度估计中用于拉普拉斯变换数值反演的意义。
2011-05-24 cs.NA math.NA math.ST
Bandwidth selection in deconvolution kernel distribution estimators defined by stochastic approximation method with Laplace errors
本文研究了观测值受测量误差污染时,由随机逼近算法定义的分布函数的核估计。这是众所周知的,这种估计严重依赖于一个平滑参数的选择称为带宽。我们提出了一个具体的第二代插件方法的反卷积核广义函数估计定义的随机逼近算法。我们表明,使用建议的带宽选择和步长,最小化MISE(平均积分平方误差),建议的估计将优于经典的小样本设置时,误差方差由信噪比控制。我们通过模拟和真实数据集证实了这些理论结果。
2016-06-25 math.ST stat.TH
Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law
University of Nevada, Reno(内华达大学雷诺分校)
本文提出双变量伽马广义拉普拉斯分布模型,通过最大似然估计简化估计过程,并展示其在金融数据中的应用。
2026-04-30 math.PR math.ST q-fin.ST
Optimal Survey Design for Private Mean Estimation
Purdue University(普渡大学)
本研究在差分隐私框架下,针对多种隐私机制提出首个隐私感知分层抽样方案,将最优调查设计转化为优化问题,证明方差目标强凸性并给出高效求解算法,可最小化隐私均值估计的方差。
2025-01-30 cs.CR cs.LG math.ST
The Bayesian Infinitesimal Jackknife for Variance
针对贝叶斯估计量频率学派协方差近似方法计算不便的问题,提出基于influence function的infinitesimal jackknife (IJ)方法,证明其可从单组后验样本高效计算且与经典方法渐近等价,并通过实验验证了其准确性与计算优势。
2024-06-26 math.ST stat.ME stat.TH
Generalized Post-Widder inversion formula with application to statistics
本文导出了复域曲线上密度观测值的拉普拉斯变换的反演公式,推广了著名的Post-Widder公式。我们建立我们的反演方法的收敛性,并推导出相应的收敛速度的情况下,光滑密度的拉普拉斯变换。作为应用,我们考虑了方差-均值混合模型的统计推断问题。基于广义Post-Widder公式构造了混合密度的非参数估计,推导了其均方根误差的界,并给出了一个简单的数值例子.
2015-11-30 math.ST stat.TH
The Variance-Gamma Distribution: A Review
方差-伽马(VG)分布形成四参数族,其包括正态分布、伽马分布和拉普拉斯分布作为特殊和限制情况。一些众多的应用包括金融建模和分布近似维纳空间。在这篇评论中,我们提供了一个最新的帐户的基本分布理论的VG分布。所涵盖的属性包括概率和累积分布函数,生成函数,矩和累积量,模式和中位数,斯坦特征,表示在其他随机变量,以及相关的分布列表。我们还回顾了参数估计的方法和VG分布的一些应用,包括上述金融建模和维纳空间上的分布逼近的应用。
2023-03-09 math.PR math.ST stat.TH
How good is your Laplace approximation of the Bayesian posterior? Finite-sample computable error bounds for a variety of useful divergences
针对拉普拉斯近似贝叶斯后验的质量评估难题,提出首个同时满足无需真实参数、适用于有限样本、控制后验矩且适用范围广的可计算误差界,优化了维度依赖并验证了效用。
2025-06-15 math.PR math.ST stat.TH
Identifiability of Gaussian structural equation models with equal error variances
我们考虑结构方程模型中的变量可以写为一个函数,他们的父母和噪声项,这是假设为联合独立。对应于每个结构方程模型,存在描述变量之间关系的有向无环图。在具有线性函数的高斯结构方程模型中,假设忠实性,图只能从联合分布识别到马尔可夫等价类。在这项工作中,我们证明了充分的可识别性,如果所有的噪声变量具有相同的方差:有向无环图可以从联合高斯分布恢复。我们的结果对因果推断有直接的影响:如果数据遵循具有等误差方差的高斯结构方程模型,并假设所有变量都被观测到,则因果结构只能从观测数据中推断出来。我们提出了一个统计方法和算法,利用我们的理论研究结果。
2013-08-28 math.ST stat.ML stat.TH
Consistent Bayesian causal discovery for structural equation models with equal error variances
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Texas A&M University(德克萨斯农工大学)
本文提出一种贝叶斯DAG选择方法,在假设高斯SEM和相等误差方差的情况下,利用关键性质证明该方法在无需额外分布假设下一致恢复真实图结构。
2026-03-23 math.ST stat.ME stat.ML
Optimal estimation of Gaussian DAG models
University of Chicago(芝加哥大学)
研究了从观测数据中学习高斯有向无圈图(DAG)的最优样本复杂度。我们的主要结果建立了极小极大最优样本复杂性学习的线性高斯DAG模型的结构在两个设置的兴趣:1)在等方差下,没有知识的真实顺序,和2)对于一般的线性模型给定的知识的顺序。在这两种情况下,样本复杂度都是$n\asymp q\log(d/q)$,其中$q$是父节点的最大数量,$d$是节点的数量。我们进一步与学习(无向)高斯图模型的经典问题进行比较,表明在等方差假设下,这两个问题具有相同的最优样本复杂度。换句话说,至少对于具有相等误差方差的高斯模型,学习有向图模型在统计上并不比学习无向图模型更困难。我们的研究结果也扩展到更一般的识别假设以及亚高斯误差。
2022-03-20 cs.AI cs.LG math.ST