Bootstrapping Empirical Processes of Cluster Functionals with Application to Extremograms
在时间序列的极值分析中，不仅尾部行为是人们感兴趣的，而且序列相关性也起着至关重要的作用。Drees和Rootzén（2010）建立了一般经验过程的极限定理，这些经验过程被称为簇泛函，可以用来分析混合时间序列的极值行为的各个方面。然而，通常极限分布太复杂而不能直接构造置信区域。因此，我们建议一个乘数块自助模拟集群泛函的经验过程。结果表明，在与Drees和Rootzén（2010）所使用的几乎相同的条件下，有条件地对数据，自助过程收敛到相同的极限分布。这些一般结果被应用于构建Davis和Mikosch（2009）引入的经验极值的置信区域。在模拟研究中，我们的乘子块引导方法构造的置信区间与Davis等人提出的平稳引导方法相比毫不逊色。（2012年）。
2015-11-02 math.ST stat.ME stat.TH
Confidence intervals centred on bootstrap smoothed estimators: an impossibility result
本文基于决策论性能界限证明，在嵌套线性回归模型测试床中，不存在以自助法平滑估计量为中心且基于数据宽度的置信区间，能同时满足最小覆盖率与理想的缩放期望长度要求。
2019-10-21 math.ST stat.ME stat.TH
Asymptotic coverage probabilities of bootstrap percentile confidence intervals for constrained parameters
研究了当参数受线性不等式约束时，常用的bootstrap百分位数置信区间的渐近行为。我们专注于重要的单样本和双样本问题的数据产生的一般参数分布的自然指数家庭。本文的重点是量化的覆盖概率的参数引导百分位数置信区间，特别是其限制行为的边界附近。我们提出了一个局部渐近框架来研究这种微妙的覆盖行为。在这个框架下，我们发现，当真参数上，或接近，限制边界，渐近覆盖概率总是可以超过标称水平在单样本的情况下，然而，他们可以，值得注意的是，在两个样本的情况下，在标称水平之下和之上。使用说明性的例子，我们的结果提供了理论依据和指导应用的引导百分位数方法约束推理问题。
2017-12-07 math.ST stat.CO stat.ME
Confidence Corridors for Multivariate Generalized Quantile Regression
研究了多元非参数广义分位数回归函数的置信走廊构造问题。这种结构是基于一个合适的非参数估计和真正的功能感兴趣的一系列的近似步骤，包括Bahadur表示，一个新的强逼近定理和指数尾不等式高斯随机场之间的最大偏差的渐近结果。作为一个副产品，我们还获得了经典均值回归中的回归函数的置信走廊。针对渐近置信走廊覆盖概率误差缓慢减小导致小样本量覆盖率过低的问题，基于Bahadur表示的首项设计了一个简单的Bootstrap过程.这两个程序的有限样本性质进行了研究，通过模拟研究，它表明，自举程序大大优于渐近带的覆盖精度。最后，自助信任走廊被用来研究国家支持工作示范，这是一个随机的就业促进计划在20世纪70年代推出的有效性。本文有补充材料。
2015-02-02 math.ST stat.ME stat.TH
Smoothed and Iterated Bootstrap Confidence Regions for Parameter Vectors
在非参数设置中，特别是当样本量不大时，参数向量的置信区域的构造是一个困难的问题。自举法在解决这一问题方面已显示出希望，但经验证据通常表明，一些自举法难以保持正确的覆盖概率，而其他方法可能不稳定，通常导致非常大的置信区域。提高引导置信区域的性能的一种方式是以这样的方式限制区域的形状，即扩展的误差项的阶数尽可能小。在某种程度上，这可以通过使用引导来构造椭圆置信区域来实现。本文研究了用平滑和迭代Bootstrap方法构造参数向量的椭球置信区域的效果。平滑估计是基于一个多变量核密度估计。本文建立了一个平滑Bootstrap过程的带宽矩阵，它减小了Bootstrap百分位数法椭球置信区域的渐近覆盖误差。我们还提供了一个分析调整的名义水平，以减少迭代自举方法的计算成本。仿真结果表明，该方法可以成功地应用于实践。
2013-10-30 stat.ME
Resampling-free bootstrap inference for quantiles
Bootstrap推断是获得分位数和分位数差分估计的稳健推断的有力工具。Bootstrap推理的计算密集性使其在大规模实验中不可行。在本文中，Poisson bootstrap算法和分位数估计的理论特性，推导出替代的重新采样免费算法的Poisson bootstrap推断，大大降低了计算复杂性，没有额外的假设。这些发现与基于顺序统计量的分位数分析置信区间的现有文献有关。结果解锁自助推断的差异，分位数几乎任意大的样本。在Spotify，我们现在可以轻松地计算具有数亿个观测值的A/B测试中的分位数和分位数差异的自举置信区间。
2022-03-09 math.ST stat.CO stat.ME
Prepivoting composite score statistics by weighted bootstrap iteration
对数似然比的复合模拟在假设检验和设置置信区域中所起的作用并不像在典型似然设置中那样突出，因为它的渐近分布取决于未知参数。基于复合对数似然比的近似主元可以通过使用渐近参数来导出。然而，这种枢轴的实际分布可能与渐近参考有很大不同，导致测试和置信区域的水平远离标称值。在复合似然框架中使用自举而不是渐近分布进行了探讨。基于适当统计量的预旋转测试和置信度集被证明是准确的和计算上有吸引力的推理工具。
2013-01-29 math.ST stat.CO stat.ME
Bootstrap Confidence Intervals Using the Likelihood Ratio Test in Changepoint Detection
针对Bootstrap抽样下的似然比检验在变点检测中的功效问题，提出了一种基于Bootstrap置信区间长度的假设检验方法。假设误差为独立同分布的正态分布，利用Bootstrap方法，估计了变点抽样分布。此外，本研究描述了一种方法来估计无变点的数据集，形成零抽样分布。利用零抽样分布和估计的变点分布，可以在置信区间的长度上进行临界值和功效计算。
2020-11-07 stat.ME
Confidence intervals centered on bootstrap smoothed estimators
Bootstrap平滑（袋装）参数估计已被提出作为一个改进的估计后发现初步的基于数据的模型选择。Efron（2014）的关键结果是一个非常方便且广泛适用的公式，用于delta方法近似自助平滑估计量的标准差。这种近似提供了一个容易计算的指南，这个估计的准确性。此外，Efron（2014）提出了一个以自助平滑估计量为中心的置信区间，其宽度与该近似值对标准差的估计成正比。我们在两个嵌套线性回归模型（完整模型和简单模型）的情况下评估此置信区间，并对简单模型正确的原假设进行初步检验。我们推导出计算方便的表达式的理想自举平滑估计和覆盖概率和预期长度的置信区间。在覆盖概率方面，该置信区间优于具有相同标称覆盖率且基于相同初步检验的模型选择后的置信区间。我们还比较了性能的置信区间为中心的自举平滑估计，在预期的长度，通常的置信区间，具有相同的最小覆盖概率，基于完整的模型。
2018-10-29 stat.ME
Data augmented bootstrap: Unifying confidence interval construction by approximate invariance
Department of Statistics, University of Warwick（华威大学统计系）
提出数据增强自助法（DAB），利用数据的近似不变性构建置信区间，统一了经典自助法、共形预测等方法的理论，并引入数据增强启发式方法。
2026-06-17 cs.LG math.ST stat.ME
A Bootstrap Lasso + Partial Ridge Method to Construct Confidence Intervals for Parameters in High-dimensional Sparse Linear Models
构造高维稀疏线性模型系数的置信区间仍然是一个挑战，主要是因为广泛使用的估计量（如lasso）具有复杂的极限分布。已经开发了几种方法来构造这样的间隔。Bootstrap lasso+ols以其技术简单性，良好的可解释性和与其他更复杂的方法相当的性能而闻名。然而，bootstrap lasso+ols依赖于beta-min假设，这是一个在实践中经常违反的理论标准。因此，我们引入了一种新的方法，称为自助套索+部分岭，放松这一假设。Lasso+Partial Ridge是一个两阶段估计。首先，套索用于选择特征。然后，利用部分岭对系数进行重新拟合。仿真结果表明，引导套索+部分岭优于引导套索+ols时，存在小，但非零系数，一种常见的情况下，违反β-min假设。对于这样的系数，使用bootstrap lasso+partial ridge构造的置信区间平均具有比bootstrap lasso+ols构造的置信区间大的$50\%$覆盖概率。Bootstrap lasso+partial ridge的平均$35\%$置信区间长度也短于去稀疏化lasso方法的置信区间长度，无论线性模型是否指定错误。此外，我们还在适当的条件下，为自举套索+部分岭提供了理论保证，并在R软件包“HDCI”中实现了它。"
2020-03-14 stat.ME
Bootstrap confidence intervals for multiple change points based on moving sum procedures
解决了通过置信区间量化多个变点位置的不确定性的问题。作为移动和统计量的局部最大值获得的变点估计量的渐近分布的推导，其中的极限分布的不同取决于是否相应的大小的变化是本地的，即趋于零，随着样本量的增加，或固定。提出了一种用于生成置信区间的自举过程，该过程适应于未知的变化幅度，并保证局部和固定变化的渐近有效性。仿真研究表明，所提出的引导程序的良好性能，并讨论了如何将其扩展到串行相关的错误。
2022-06-16 stat.ME
Bias-Corrected Multiplier Bootstrap Inference for Spectral Edges of Large Covariance Matrices
University of California, Davis（加州大学戴维斯分校）
针对大协方差矩阵谱边缘推断难题，提出偏差校正乘子自助程序，通过校准乘子扰动构建置信区间并校正偏移，证明其渐近有效性，能产生无阈值的尖峰数量估计器及数据驱动的碎石图截止值。
2026-07-31 math.ST stat.ME stat.TH
On confidence intervals centered on bootstrap smoothed estimators
Bootstrap平滑（袋装）估计已被提出作为一个改进的估计后发现初步的数据为基础的模型选择。Efron，2014年，推导出了一个广泛适用的公式，用于delta方法近似自举平滑估计量的标准差。他还考虑了以自举平滑估计量为中心的置信区间，其宽度与该标准差的估计值成比例。Kabaila和Wijethunga（2019）评估了该置信区间在两个嵌套线性回归模型（完整模型和简单模型）场景中的性能，用于已知误差方差和使用假设检验进行初步模型选择的情况。他们发现，这个置信区间的性能并不比基于全模型的通常的置信区间有实质性的改善，具有相同的最小覆盖率。我们扩展这种评估的情况下，未知的误差方差推导出一个计算方便的精确公式的理想（即在限制的自举复制的数量发散到无穷大）δ方法近似的自举平滑估计的标准差。我们的研究结果表明，与已知的误差方差的情况下，有这种置信区间具有吸引力的性质的情况下。
2019-04-05 stat.ME
Bootstrap Confidence Regions for Optimal Operating Conditions in Response Surface Methodology
本文关注的应用程序的引导方法来构建一个基于似然的置信区域的操作条件与最大的响应面约束到一个指定的区域。与基于平稳点的经典方法不同，对该置信区域的正确解释不依赖于未知的模型参数。此外，该方法不需要正态分布误差的假设。该方法被证明为凹下和鞍形系统的情况下，在两个维度。进行了模拟研究，以评估这些地区的覆盖概率。
2007-11-13 stat.ME
Cheap subsampling bootstrap confidence intervals with applications to longitudinal causal inference
University of Copenhagen（哥本哈根大学）；Steno Diabetes Center Copenhagen（哥本哈根斯泰诺糖尿病中心）
提出一种基于Cheap Bootstrap的快速子抽样自助法，利用t分布分位数在少量重复下实现渐近线性估计量的理想覆盖率，并验证了其在半参数因果推断中的有效性与性能。
2026-10-02 stat.AP stat.ME
MOVER confidence intervals for a difference or ratio effect parameter under stratified sampling
临床试验中通常采用分层，以减少协变量失衡的机会，并提高处理效应估计的精度。本文提出了一种利用方差估计恢复（MOVER）方法构造分层抽样下差异或比率效应参数置信区间的一般框架。我们考虑差异的加性方差和加性CI方法，其中加权差异的CI，或每组中加权效应的CI，或加权差异的方差被计算为相应的特定于层的统计量的加权和。通过Fieller和对数比率法推导出该比率的CI。在跨层效应恒定的假设下，权重可以是随机量，但对于固定权重，不需要此假设。这些方法可以很容易地应用于不同的终点，因为它们只需要点估计值、CI和方差估计值来测量分层中每个组的兴趣。最后用两个实例说明了该方法。在一个例子中，我们推导出二元结果的风险差和风险比的MOVER CI。在另一个例子中，我们比较了时间事件结局分层分析中的限制平均生存时间和里程碑生存。仿真结果表明，建议的MOVER CI一般优于标准的大样本CI，和加性CI方法的性能略好于加性方差方法。
2021-10-25 stat.AP stat.ME
Parametric Bootstrap Confidence Intervals for the Multivariate Fay-Herriot Model
多变量Fay-Herriot模型在通过相关变量的小区域调查估计值或相同变量的历史调查估计值或两者之间的相关性来组合信息方面非常有效。虽然小面积估计的文献已经非常丰富，从多元模型的二阶有效置信区间的建设迄今为止很少受到关注。在本文中，我们发展了一个参数bootstrap方法，用于构造一个二阶有效的置信区间的一般线性组合的小面积均值使用多元Fay-Herriot正常模型。提出的参数自助法取代了困难和繁琐的解析推导的高效算法和高速计算机的力量。此外，该方法比解析方法更通用，因为参数自助法可以很容易地应用于任何模型参数估计方法和多元Fay-Herriot模型的方差-协方差阵的任何特定结构，避免了解析方法所需的所有繁琐和耗时的计算。我们应用我们提出的方法在构建置信区间的四口之家的收入中位数为美国的50个州和哥伦比亚特区。我们的数据分析表明，所提出的参数bootstrap方法通常提供更短的置信区间相比，相应的传统的直接方法。此外，从多变量模型得到的置信区间一般比相应的单变量模型短，这表明利用四人家庭的中位数收入与三人和五人家庭的中位数收入的相关性的潜在优势。
2020-06-26 stat.ME
Determination of the Joint Confidence Region of Optimal Operating Conditions in Robust Design by Bootstrap Technique
稳健设计已被广泛认为是减少变异性和提高质量的主要方法。大多数工程统计文献主要集中在寻找稳健设计的最佳操作条件的“点估计”。计算点估计的最佳操作条件的各种程序被认为是。虽然这种点估计程序对于持续的质量改进很重要，但直接的问题是“这些最佳操作条件的准确性如何？“这个问题的答案是考虑单个变量的区间估计或多个变量的联合置信区域。在本文中，与引导技术的帮助下，我们开发的程序获得联合“置信区域“的最佳操作条件。两个不同的程序使用Bonferroni和多元正态近似介绍。所提出的方法进行了说明和证实，使用数值例子。
2012-03-21 stat.ME
Computing p-values of LiNGAM outputs via Multiscale Bootstrap
结构方程模型和贝叶斯网络已被广泛用于研究连续变量之间的因果关系。最近，一种称为LiNGAM的非高斯方法被提出来发现这样的因果模型，并已在各个方向上扩展。LiNGAM的一个重要问题是，与任何统计方法一样，结果会受到数据随机抽样的影响。因此，应进行统计可靠性或置信水平分析。评估置信水平的常用方法是自助法。然而，由普通的Bootstrap方法计算的置信水平作为假设检验的概率值（$p$ -value）是有偏的。在本文中，我们提出了一个新的程序，应用先进的引导方法称为多尺度引导计算置信水平，即，LiNGAM输出的p值。多尺度自助法给出了无偏的$p$ -值与渐近更高的精度。人工数据上的实验证明了我们的方法的实用性。
2010-06-22 stat.ME stat.ML
Confidence intervals of prediction accuracy measures for multivariable prediction models based on the bootstrap-based optimism correction methods
在评估多变量预测模型的预测精度时，乐观修正对于防止偏倚结果至关重要。然而，在临床预测模型的大多数已发表论文中，预测准确度测量的点估计值通过适当的基于自举的校正方法校正，但其置信区间未校正，例如，DeLong的置信区间通常用于评估C统计量。这些朴素的方法不调整乐观偏差，也不考虑预测模型中参数估计的统计变异性。因此，它们的预测准确性度量的真实值的覆盖概率可能严重低于标称水平（例如，95%）。在这篇文章中，我们提供了两种通用的bootstrap方法，即（1）位置移位bootstrap置信区间和（2）两阶段bootstrap置信区间，它们可以普遍应用于基于bootstrap的乐观校正方法，即，Harrell偏差校正、0.632和0.632+方法。此外，它们还可以广泛应用于各种预测模型开发方法，包括岭回归和套索回归等现代收缩方法。通过数值模拟评估，建议的置信区间表现出良好的覆盖性能。此外，目前的标准做法的基础上的优化未校正的方法显示出严重的覆盖不足的性质。为了避免错误的结果，在实际应用中不应使用最佳未校正的置信区间，而建议使用调整后的方法。我们还开发了R包predboot来实现这些方法（https：//github.com/nomahi/predboot）。所提出的方法的有效性说明通过应用GUSTO-I临床试验。
2021-07-25 stat.AP stat.CO stat.ME
Inference procedures in sequential trial emulation with survival outcomes: comparing confidence intervals based on the sandwich variance estimator, bootstrap and jackknife
本研究通过模拟比较了序贯试验模拟中生存结局的多种置信区间构建方法，发现LEF自助法在小样本、低事件率场景下覆盖率最佳且计算高效，而三明治方差估计器在大样本、中高事件率时最优。
2024-07-12 stat.ME
Confidence Intervals for the Generalisation Error of Random Forests
包外误差通常用作基于集合的学习模型（如随机森林）中泛化误差的估计。我们目前的置信区间，这个数量使用delta方法后引导和刀后引导技术。这些方法不需要种植任何额外的树木。我们表明，这些新的置信区间有改善的覆盖性能的天真置信区间，在真实和模拟的例子。
2022-01-26 stat.ME
Simultaneous confidence bands for cumulative hazard via exchangeable bootstrap and box calibration
The Ohio State University（俄亥俄州立大学）
针对右删失数据中累积风险函数的重抽样置信带覆盖不足问题，提出结合可交换自助法与箱线校准的方法，在保留Nelson-Aalen比结构的同时构建置信带，渐近达到名义覆盖水平。
2026-07-01 stat.ME
Quantifying Uncertainty: All We Need is the Bootstrap?
本文通过文献综述和模拟研究，证明非参数自助法可替代传统估计方法，且双重自助法优于BCa，能简化统计实践。
2025-10-14 stat.ME
Bias-Aware Confidence Intervals for Synthetic Control via Placebo-in-Time Bootstrap
Databricks
针对合成控制法在弱信号下系统偏差导致置信区间偏移的问题，提出时间安慰剂自举法直接估计偏差分布，实现轨迹无关的覆盖。
2026-06-24 stat.ME
A generalized bootstrap procedure of the standard error and confidence interval estimation for inverse probability of treatment weighting
在倾向得分分析中，通常使用治疗加权逆概率（IPTW）方法来推断回归模型中的因果效应。由于过大的IPTW权重和与倾向得分估计相关的误差，IPTW方法可能低估因果效应的标准误误差。为了弥补这一点，引导标准误差已被推荐来取代IPTW标准误，但普通的引导（OB）程序仍然可能会导致低估的标准误，因为它的效率低下的抽样算法和不稳定的权重。在本文中，我们开发了一个广义自助（GB）的程序估计的标准误的IPTW方法。与OB方法相比，GB方法低估标准误的风险要低得多，并且对于点估计和标准误估计都更有效。GB程序也有较小的标准误低估的风险比普通的Bootstrap程序与修剪的权重，具有可比的效率。我们通过模拟研究和国家教育纵向研究-1988（NELS-88）的数据集证明了GB程序的有效性。
2021-09-01 econ.EM stat.AP stat.ME
Differentially Private Confidence Interval for Extrema of Parameters
本文的目的是在隐私保护下构造一个有效的参数极值的置信区间。通常对参数极值的统计推断往往存在选择偏差问题，而且在极值参数的许多应用场景中，往往需要保护数据的隐私，这一问题变得更加尖锐。本文针对指数分布族，提出了一种私有化的参数自助方法，以解决差分隐私方案下参数极值问题中的选择偏差问题.虽然通常的私有化参数自助法没有适当地解决选择偏差，我们证明了一个私有化的偏差校正项，建议的参数自助法可以导致一个有效的和高效的置信区间的参数极值。我们用高斯情形和回归情形说明了所提出的方法，并通过数值实验证明了所提出的方法的优点。
2023-03-06 stat.ME
An accurate percentile method for parametric inference based on asymptotically biased estimators
针对参数推断中估计量可能渐近有偏的问题，提出隐式自举法，构建渐近有效且可达二阶精度的百分位置信区间，并在标准自举失效的三种情形下保持精确。
2024-09-19 math.ST stat.CO stat.ME
moonboot: An R Package Implementing m-out-of-n Bootstrap Methods
moonboot包提供m-out-of-n自助法的实现，用于计算置信区间并估计tau(n)和m参数，通过模拟评估不同方法的性能。
2025-09-05 stat.ME
Improving Variance and Confidence Interval Estimation in Small-Sample Propensity Score Analyses: Bootstrap vs. Asymptotic Methods
Duke University（杜克大学）
本文通过蒙特卡洛模拟比较了自助法与sandwich方法在小样本倾向评分分析中的表现，发现sandwich方法在小样本中表现不佳，而分层自助法能避免准分离问题，影响统计结论。
2025-11-14 stat.ME
A Fast Bootstrap Algorithm for Causal Inference with Large Data
从大量的实验和观测数据中估计因果效应在工业和研究中变得越来越普遍。自助法是一种直观而强大的技术，用于构造估计量的标准误和置信区间。然而，其应用在涉及大数据的设置中可能要求过高。此外，基于机器学习和优化技术的现代因果推断估计器加剧了自举的计算负担。小靴带袋已被提出在非因果设置为大数据，但尚未被应用于评估因果效应的估计的属性。在本文中，我们介绍了一个新的引导算法称为因果袋的小引导因果推断与大数据。新算法在提供相合估计和理想的置信区间覆盖率的同时，显著提高了传统Bootstrap算法的计算效率。我们描述了它的属性，提供实际的考虑，并评估所提出的算法的性能方面的偏见，覆盖率的真实95%的置信区间，和计算时间在模拟研究。我们使用来自妇女健康倡议的大量观察数据集，将其应用于激素治疗对冠心病平均发病时间的影响的评估。
2023-02-06 stat.AP stat.ME stat.ML
Bootstrap aggregation and confidence measures to improve time series causal discovery
本文提出一种保留时间依赖与滞后结构的时间序列因果发现自助法，通过多数投票聚合得到 Bagged-PCMCI+，在提供链接置信度的同时提升精确率与召回率，尤其在样本少、变量多、自相关高的场景下效果显著。
2024-02-22 stat.ME stat.ML
Autoregressive Wild Bootstrap Inference for Nonparametric Trends
在本文中，我们提出了一个自回归的野生自助方法来构建一个光滑的确定性趋势周围的置信带。自举法易于实施，在存在缺失数据的情况下不需要任何调整，这使得它特别适合于气候学应用。我们建立了一般条件下的逐点和同步置信带的自助方法的渐近有效性，允许一般模式的缺失数据，序列依赖性和异方差。在模拟研究中的方法的有限样本特性进行了研究。我们使用的方法来研究在日常测量的大气乙烷在瑞士阿尔卑斯山的气象站，在那里的方法可以很容易地处理由于不利的天气条件下，许多缺失的观测结果的趋势的演变。
2019-11-25 econ.EM stat.ME
Confidence Interval Construction for Multivariate time series using Long Short Term Memory Network
IIT Guwahati（印度理工学院古瓦哈蒂分校）
在本文中，我们提出了一个新的程序来构建一个置信区间的多元时间序列预测使用长短期记忆网络。该构造使用了一些新颖的块自举技术。我们还提出了一个创新的块长度选择程序，这些计划。两个新的基准帮助我们比较不同的自举技术的置信区间的建设。我们通过S\&P $500$和道琼斯指数数据集说明了整个结构。
2022-11-25 cs.LG q-fin.CP stat.CO
Optimal Debiased Inference on Privatized Data via Indirect Estimation and Parametric Bootstrap
Purdue University（普渡大学）；University of Pittsburgh（匹兹堡大学）
本文提出一种去偏参数Bootstrap框架，利用间接推断方法估计参数并改进推断，解决隐私机制引入的偏差问题，实现更准确的置信区间和假设检验。
2026-07-10 cs.CR stat.ME
Resampling-based confidence intervals and bands for the average treatment effect in observational studies with competing risks
本文针对观察性研究中带竞争风险的时间-to-event 终点，比较三种重抽样方法以构造因果风险差的置信区间和置信带，发现中等样本下 wild bootstrap 通常更优，并用霍奇金病生存数据加以验证。
2023-09-26 stat.ME
Model Based Bootstrap Methods for Interval Censored Data
我们研究了基于模型的bootstrap方法在区间删失数据下构建生存函数的逐点置信区间的性能。我们表明，从生存函数的非参数极大似然估计的自举是不一致的，目前的状态和情况2区间删失模型。提出了一种基于模型的平滑引导过程，并证明是一致的。此外，模拟研究进行说明（不）-一致的自助方法。我们在区间删失模型中的结论将更广泛地扩展到表现出非标准收敛率的回归模型中的估计。
2013-12-22 stat.ME
Local optimization-based statistical inference
本文介绍了一种基于局部优化的方法来检验统计假设和构造置信区间。这种方法可以看作是Bootstrap的推广，只要未知参数的估计量存在相合估计量，就可以得到渐近有效的检验和置信区间。我们提出了简单的算法，包括邻域引导方法来实现这种方法。文中给出了几个不容易进行理论分析的实例，以说明所提出方法的有效性。
2015-04-20 stat.ME
A note on confidence intervals for parameter estimates of a spatio-temporal Ornstein-Uhlenbeck process
本文比较了高斯时空Ornstein-Uhlenbeck过程矩匹配参数估计的两种构造置信区间的方法。结果发现，通过成对似然近似获得的覆盖率较低，更容易出现维数灾难，而不是从参数引导程序。
2017-07-24 stat.ME
Confidence Intervals for Random Forests: The Jackknife and the Infinitesimal Jackknife
我们研究了袋装学习者和随机森林的预测的变异性，并展示了如何估计这些方法的标准误。我们的工作建立在Efron（1992，2012）提出的Bagging方差估计的基础上，该估计基于刀切法和无穷小刀切法（IJ）。在实践中，袋装预测因子是使用有限数量B的自举重复来计算的，并且使用较大的B可能在计算上是昂贵的。将折刀估计和IJ估计直接应用于装袋需要B在n^{1.5}次自举重复的数量级上收敛，其中n是训练集的大小。我们提出了改进的版本，只需要B的顺序n次重复。此外，我们表明，IJ估计需要1.7倍以下的自举重复比刀切，以达到给定的精度。最后，我们研究了刀切和IJ方差估计本身的抽样分布。我们用多个实验和模拟研究来说明我们的发现。
2014-03-29 stat.CO stat.ME stat.ML
Resampling methods for private statistical inference
Stanford University（斯坦福大学）
本文提出两种差分隐私下的非参数自助法变体，通过私有计算数据分区上多次小自助法结果的中位数来构建置信区间，在保证与非私有方法相近误差率的同时，使置信区间长度显著缩短。
2024-06-03 cs.CR cs.LG stat.ME
Confidence intervals for parameters in high-dimensional sparse vector autoregression
向量自回归（VAR）模型被广泛用于分析多个变量随时间的相互关系。VAR模型转移矩阵的估计和推断对于经济、金融等领域的决策者来说是至关重要的。然而，当变量数量大于样本量时，对模型参数进行统计推断仍然是一个挑战。在这篇文章中，我们提出了去偏Lasso和两个bootstrap去偏Lasso方法来构造高维VAR模型的转移矩阵元素的置信区间。我们证明了在适当的稀疏性和其他正则条件下，所提出的方法是渐近有效的。为了实现我们的方法，我们开发了可行的和可并行化的算法，节省了大量的计算所需的节点Lasso和引导。仿真研究表明，我们的方法在有限的样本表现良好。最后，我们应用我们的方法分析了2019年标准普尔500指数中股票的价格数据。我们发现，一些股票，如世界上最大的黄金生产商，纽蒙特公司，对大多数股票具有显着的预测能力。
2020-09-20 stat.ME
Efficient Construction of Test-Inversion Confidence Intervals Using Quantile Regression, With Application To Population Genetics
现代统计学中的问题往往包括高计算复杂性和复杂分布的估计。对此类估计量的统计推断通常依赖于渐近正态性假设，然而，由于数据的依赖性和其他原因，此类假设通常不适用于可用的样本量。一种常见的替代方法是使用重新采样程序，如自举，但这些可能是计算密集的程度，使他们不切实际的现代问题。本文提出了一种快速构造检验反演自举置信区间的方法。我们的方法使用分位数回归来模拟的分位数的估计条件的参数的真实值，我们将其应用于Watterson估计的突变率在一个标准的合并模型。我们证明了使用分位数回归相比，最先进的方法的基础上随机逼近，以达到可比的精度所需的模拟的数量来衡量，提高效率高达40%。
2016-12-07 stat.AP stat.ME
Alternative Mean Square Error Estimators and Confidence Intervals for Prediction of Nonlinear Small Area Parameters
由于我们没有指定调查权重的完整分布，因此MSE估计存在困难。这混淆了完全参数化引导过程的使用。为了克服这一挑战，我们开发了一种新的MSE估计。我们使用与构建基本预测器相同的模拟样本来估计MSE中的前导项，该MSE是最佳预测器（使用真实参数构建）的MSE。然后，我们利用参数估计量的渐近正态分布来估计MSE中的第二项，这反映了估计参数的变异性。我们将校正的领先项的估计偏差，而不使用计算密集型双引导程序。我们进一步开发校准的预测区间，比标准预测区间更少依赖于正态理论。我们通过大量的模拟研究实证证明了所提出的程序的有效性。我们应用的方法来预测几个功能的表和细沟侵蚀爱荷华州县使用的数据从一个复杂的农业调查。
2022-10-21 stat.AP stat.ME
Quantifying Uncertainty in Random Forests via Confidence Intervals and Hypothesis Tests
这项工作开发了正式的统计推断程序的机器学习集成方法。基于自举的包围方法，如装袋和随机森林，提高了单个树的预测精度，但未能提供一个框架，其中分布的结果可以很容易地确定。我们考虑通过对训练集的子样本构建的树进行平均来进行预测，而不是聚合完整的自举样本，并证明所得估计量采用U统计量的形式。因此，各个特征向量的预测是渐近正态的，允许置信区间伴随预测。在实践中，子样本的子集用于计算速度;在这里，我们的估计量采用不完全U统计量的形式，并得出等效的结果。我们进一步证明，这种设置提供了一个框架来测试功能的重要性。此外，我们开发的内部估计方法允许我们估计方差参数，并在没有额外的计算成本进行这些推理程序。提供了一个真实的数据集上的模拟和插图。
2015-09-10 stat.AP stat.CO stat.ME
