Practical Tikhonov Regularized Estimators in Reproducing Kernel Hilbert Spaces for Statistical Inverse Problems
正则化核方法,如支持向量机(SVM)和支持向量回归(SVR)构成了一个广泛和灵活的一类方法,理论上研究得很好,通常用于非参数分类和回归问题。由于这些方法都是基于一个Tikhonov正则化,这也是常见的反问题,本文研究使用正则化核方法的反问题,在一个统一的方式。正则化核方法基于再生核希尔伯特空间(RKHS)的使用,其导致非常好的计算性质。结果表明,类似的属性仍然是真实的,在解决统计逆问题,标准的软件实现开发的普通回归问题仍然可以用于逆回归问题。这些方法的一致性和收敛速度的风险是在相当弱的假设和收敛速度的估计显示在某种程度上更强的假设。这些方法的适用性证明在模拟。
2013-05-06 stat.ME
Biased-sample empirical likelihood weighting: an alternative to inverse probability weighting
逆概率加权(IPW)被广泛应用于许多领域,当数据受到不代表性,缺失,或选择偏见。使用IPW的一个不可避免的挑战是,如果某些概率非常接近于零,则IPW估计量可能非常不稳定。为了克服这个问题,在文献中已经开发了至少三种补救措施:稳定化、阈值化和修整。然而,最终的估计量仍然是IPW型估计量,并且不可避免地继承了朴素IPW估计量的某些弱点:它们仍然可能是不稳定的或有偏的。我们提出了一个偏置样本的经验似然加权(ELW)的方法,作为IPW服务相同的一般目的,同时完全克服了IPW型估计的不稳定性,通过规避使用逆概率。ELW权重总是定义良好且易于实现。从理论上证明了ELW估计是渐近正态的,并且对于缺失数据问题和不等概率抽样问题,它比IPW估计及其稳定化版本更有效。在有替换的不等概率抽样下也建立了它的渐近正态性。我们的模拟结果和一个真实的数据分析表明,ELW估计是平移等变的,几乎无偏的,通常优于IPW型估计的均方误差。
2021-11-25 stat.ME
Sparse Sliced Inverse Regression via Cholesky Matrix Penalization
我们介绍了一种新的稀疏切片逆回归估计称为Cholesky矩阵惩罚和自适应版本实现稀疏估计的中心子空间的尺寸。新的估计使用的协变量的协方差阵的Cholesky分解,并包括在目标函数中的正则化项,以实现稀疏的计算效率的方式。我们建立的理论值的调谐参数,实现估计和变量选择的一致性的中心子空间。此外,我们提出了一个新的投影信息准则来选择我们提出的估计的调整参数,并证明了新的标准有利于选择的一致性。Cholesky矩阵惩罚估计量继承了Matrix Lasso和Lasso切片逆回归估计量的优点,在数值研究中具有优越的性能,并可适用于文献中的其他充分维方法。
2021-04-20 stat.ME
Estimation of the attributable fraction for time to event outcomes using an inverse probability of exposure weighted Kaplan-Meier estimator
人群归因分数旨在量化如果人群中没有个体暴露于特定暴露,本可以避免的结果(例如疾病)的病例比例。因此,这一数量在流行病学和公共卫生方面发挥着至关重要的作用,特别是在指导政策、干预措施或评估特定接触造成的疾病负担方面。已经提出了各种统计方法来估计可归因分数使用观测数据。当使用事件发生时间数据时,其中几个公式会产生无效结果。其他有效的公式是可用的,但仍然很少使用。我们提出了一个新的估计的归因分数,这是概念上简单,易于实现,使用常见的统计软件。我们提出的估计量利用卡普兰-迈耶估计量来解决删失和潜在的非比例风险,以及逆概率加权来控制混杂。提出了非参数自举法来产生推论。一个模拟研究是用来说明和比较我们提出的估计几个替代方案。结果显示了许多常用的传统方法的偏差和我们的估计在其工作假设下的有效性。
2022-12-19 stat.ME
A modified debiased inverse-variance weighted estimator in two-sample summary-data Mendelian randomization
针对两样本汇总数据孟德尔随机化中弱工具变量及小有效样本量导致的偏差,本文提出乘性修正的 mdIVW 估计量,偏差收敛更快、方差更小,并支持工具变量选择与平衡水平多效性。
2024-03-18 stat.ME
Efficient Estimators for Sequential and Resolution-Limited Inverse Problems
科学中的一个常见问题是,感兴趣的信号只能通过信号的平滑泛函间接观察,其值随后被噪声掩盖。在这样的逆问题中,泛函抑制或完全消除了信号的一些有趣的特征。这使得即使在没有噪声的情况下也难以甚至不可能完全重建信号。在本文中,我们开发的方法来处理序列的相关反问题,随着时间的推移,系统或随机变化的问题。这样的序列经常出现在自动数据收集系统中,比如大型天文仪器的数据管道,比如大型综合巡天望远镜(LSST)。LSST将在不同的条件下,在其生命周期内多次观察天空的每一片。在这些问题中,一个可能的额外复杂性是,观测分辨率受到仪器的限制,因此即使有许多重复观测,也只能重建潜在信号的近似值。我们提出了一个有效的估计重建一系列相关的,分辨率有限的逆问题的信号。我们证明了我们的方法的有效性,在一些有代表性的例子,并提供理论支持,它的采用。
2012-07-02 stat.ME
Variance Estimation for the Inverse Probability of Treatment Weighted Kaplan Meier Estimator
Gilead Sciences(吉利德科学)
针对观察性研究中IPTW Kaplan-Meier估计量方差估计未考虑权重变异性的问题,本文基于估计的倾向得分进行严格渐近分析,提出插入式方差估计量,模拟证明其比XL方差估计量更准确。
2025-11-02 stat.ME
Comment on "Average Hazard as Harmonic Mean" by Chiba
本文针对 Chiba 对 Kaplan-Meier 插件估计量在平均风险估计中有效性的质疑,通过模拟研究证明该估计量在不同截断时间和小样本下仍可靠,从而支持其继续使用并澄清相关解释。
2025-07-21 stat.CO stat.ME
Ridge Estimation of Inverse Covariance Matrices from High-Dimensional Data
本文研究了高维情形下精度矩阵的岭估计,其中变量个数相对于样本量较大。我们首先回顾了两个原型岭估计,并指出,他们利用的罚款不符合共同岭处罚。随后,从一个共同的岭惩罚,解析表达式推导出两个可选的岭估计精度矩阵。的替代估计相比,关于特征值收缩和风险的原型。在图形建模的背景下,替代品也比较图形套索。的比较可能会有理由更喜欢拟议的替代估计。
2015-09-24 stat.ME
The regularized tau estimator: A robust and efficient solution to ill-posed linear inverse problems
线性逆问题是普遍存在的。通常,测量值不遵循高斯分布。此外,具有大条件数的模型矩阵可以通过使其不适定而使问题进一步复杂化。在这种情况下,流行的估计器的性能可能会显着恶化。我们已经开发了一个新的估计,这是在高斯误差的存在下,同时也对离群值的鲁棒性都接近最优。此外,它获得了有意义的估计时,问题是不适定的,通过包括$\ell_1$和$\ell_2$正则化。我们估计的计算涉及最小化非凸目标函数。因此,我们不能保证在合理的时间内找到全局最小值。因此,我们提出了两个算法,收敛到一个很好的局部最小值在一个合理的(和可调)的时间量,作为一个近似的全球最小值。我们还分析了正则化项的引入如何影响我们的估计量的统计特性。我们确认高鲁棒性对离群值和渐近有效性高斯分布的鲁棒性,如影响函数,灵敏度曲线,偏差,渐近方差和均方误差的措施。我们使用数值实验验证了理论结果,并表明所提出的估计优于最近提出的方法,特别是对于越来越多的离群值污染。本着可重复研究的精神,所有算法的Python代码都可以在线获得。
2016-05-23 stat.ME
Simultaneously accounting for the winner's curse and sample structure in Mendelian randomization: bivariate rerandomized inverse variance weighted estimator
Tongji Medical College, Huazhong University of Science and Technology(华中科技大学同济医学院);Guangzhou Medical University(广州医科大学);Guangzhou First People’s Hospital(广州市第一人民医院)
本文提出双变量RIVW估计量,同时解决孟德尔随机化中的赢家诅咒和样本结构问题,提高因果效应估计的准确性。
2026-08-31 stat.ME
A comparative study of augmented inverse propensity weighted estimators using outcome-oriented covariate selection via penalization with outcome-adaptive lasso
本文比较 AIPW 估计量中 PS 模型采用 OAL、结果模型采用不同惩罚协变量选择的效果,发现两端均使用具 oracle 性质的面向结果选择时性能最佳。
2025-01-12 stat.ME
Inverse Probability Weighting: from Survey Sampling to Evidence Estimation
本文研究逆概率加权估计量的弱悖论,提出基于贝叶斯筛和共轭分层模型的两种贝叶斯估计方法,并通过模拟与后验相合性证明其在调查抽样、证据估计和因果推断中的优势。
2025-04-14 stat.ME
Causal inference with recurrent data via inverse probability treatment weighting method (IPTW)
倾向得分法正越来越多地用于减少观察性研究中处理效应的估计偏倚。以前的研究表明,倾向得分方法一致地估计了事件发生时间数据的边际风险比。然而,经常性的数据经常出现在生物医学文献中,并且当数据在本质上是经常性的时,很少有研究使用倾向得分方法。本文的目的是将现有的倾向得分方法扩展到经常性数据设置。我们通过一系列的蒙特卡罗模拟来说明我们的方法。模拟结果表明,没有删失的存在下,IPTW估计,使我们能够一致地估计每个事件的边际风险比。在行政删失制度下,稳定化的IPTW估计得到边际风险比的有偏估计,且偏差程度取决于被删失的受试者比例。对于方差估计,朴素方差估计往往倾向于大大低估IPTW估计的方差,而稳健方差估计显著降低方差的估计偏差。
2019-11-15 stat.ME
Inverse Probability Weighted Estimators of Vaccine Effects Accommodating Partial Interference and Censoring
估计疫苗的群体水平效应具有挑战性,因为可能存在干扰,即,一个个体的结果可能取决于另一个个体的疫苗接种状况。部分干扰发生在个体可以被划分为组,使得干扰只发生在组内。在没有干扰的情况下,逆概率加权(IPW)估计通常用于推断暴露或治疗的因果效应。Tchetgen Tchetgen和VanderWeele(2012)提出了一种修正的IPW估计量,用于存在部分干扰的因果效应。出于在孟加拉国的霍乱疫苗研究,本文认为Tchetgen Tchetgen和VanderWeele IPW估计的扩展设置的结果是受右删失使用逆概率的删失权重(IPCW)。使用比例风险脆弱性模型估计删失权重。IPCW估计量的大样本性质的推导,并提出了模拟研究证明估计量的性能在有限样本。然后,这些方法用于分析霍乱疫苗研究的数据。
2019-10-08 stat.AP stat.ME
Regularized calibrated estimation of propensity scores with model misspecification and high-dimensional data
倾向得分法广泛用于估计观察性研究的处理效应。一种流行的方法是基于逻辑斯谛回归通过极大似然然估计倾向得分,然后应用逆概率加权估计或扩展来估计处理效应。然而,一个具有挑战性的问题是,这种包括双重鲁棒方法的逆概率加权方法即使在逻辑模型如通过常规技术检查的那样看起来足够时也可能表现不佳。此外,在处理大量协变量时,适当估计倾向得分的难度越来越大。为了解决这些问题,我们研究校准估计作为替代极大似然估计拟合逻辑倾向得分模型。我们发现,与可能的模型误设定,最大限度地减少校准估计的预期校准损失涉及减少预期的似然损失和相对误差的测量,控制逆概率加权估计的均方误差。此外,我们提出了一个正则化的校准估计最小化的校准损失与Lasso惩罚。我们开发了一种新的Fisher评分下降算法计算建议的估计,并提供了一个高维分析所产生的逆概率加权估计的人口手段,利用控制校准估计的相对误差。我们提出了一个模拟研究和实证应用,以证明所提出的方法相比,极大似然和正则化的优势。
2017-10-23 stat.ME
Towards a sparse, scalable, and stably positive definite (inverse) covariance estimator
高维协方差估计和图形模型是统计学和机器学习领域的一个当代课题,具有广泛的应用。在这方面的一个重要的研究路线是缩小极值谱的协方差阵估计。在文献中的一个单独的研究线已经考虑稀疏逆协方差估计,这反过来又引起图形模型。然而,在实践中,需要同时良好调节且同时计算上易处理的稀疏协方差或逆协方差阵。在这三个主题的交汇处几乎没有研究。在本文中,我们考虑施加一个条件数约束的各种类型的损失使用的协方差和逆协方差阵估计。当损失函数可以被分解为一个正交不变函数的估计和它的内积与样本协方差阵的函数的总和,我们表明,解决方案的路径算法可以推导出,涉及一系列的常微分方程。路径算法是有吸引力的,因为它提供了整个家庭的估计的所有可能的值的条件数界,在相同的计算成本的一个单一的估计与一个固定的上限。一个重要的发现是,条件数约束,这原来是非常有用的正则化损失函数,不是正交不变的,可能会产生非正定的估计,可以有效地计算这种路径算法的邻近算子。作为一个具体的说明其实际的重要性,我们开发了一个运营商分裂算法,最近提出的凸伪似然基于图形模型选择方法,以及空调以及正定性的保证。
2016-06-27 stat.ME
Robust location estimators in regression models with covariates and responses missing at random
本文讨论了一般回归模型中响应变量和部分协变量均存在缺失数据时的稳健边际估计问题。目标是通过$M-$函数给出的边缘位置参数。为了得到稳健的Fisher-相合估计量,考虑适当定义的边缘分布函数估计量.这些估计量通过假设随机缺失条件避免了缺失值引起的偏倚。三种方法被认为是估计的边缘分布函数,它允许获得的$M-$的位置感兴趣:众所周知的逆概率加权,卷积为基础的方法,利用回归模型和增强的逆概率加权程序,防止误指定。在不同的缺失模型下,包括干净样本和污染样本,通过数值研究比较了稳健估计和经典估计。我们说明了非线性模型下的估计行为。一个真实的数据集进行了分析。
2020-05-07 stat.ME
The covariate-adjusted residual estimator and its use in both randomized trials and observational settings
我们经常试图在随机和观察环境中估计暴露对特定结果的因果影响。其中一种估计方法是协变量调整残差估计,它是为单独或集群随机试验设计的。在这篇手稿中,我们研究了这个估计的性质,并开发了一个新的估计,利用协变量调整和逆概率加权我们支持我们的理论结果与模拟研究和应用在传染病设置。协变量调整残差估计量是随机试验中平均处理效应的有效无偏估计量;但是,不能保证在观察性研究中无偏。我们的新估计,协变量调整残差估计与逆概率加权,是无偏的随机和观察设置下,一组合理的假设。此外,当这些假设成立时,它在观察性研究中提供了比逆概率加权更高的效率。协变量调整残差估计量在随机试验中有效,但不应用于观察性研究。具有逆概率加权的协变量调整残差估计量为随机化和观察性设置提供了一种有效的替代方法。
2019-10-24 stat.AP stat.ME
Tensor Covariance Estimation via Kronecker-Structured Sparse Inverse Cholesky
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
针对高维张量数据协方差估计的维度灾难问题,提出基于克罗内克结构稀疏逆乔列斯基的统一估计框架,兼具统计可解释性与计算效率,在时空温度异常等多类数据上实现最优精度与可扩展性。
2026-08-18 stat.ME
High-dimensional sliced inverse regression with endogeneity
University of Sydney(悉尼大学);The Australian National University(澳大利亚国立大学);Macquarie University(麦考瑞大学)
本文提出一种两阶段Lasso SIR估计器,用于解决高维数据中内生性问题,通过稀疏工具变量模型和Lasso惩罚提升维度降低和变量选择的准确性。
2025-12-03 stat.ME
Sufficient Dimension Reduction for Feasible and Robust Estimation of Average Causal Effect
在观察性研究中估计处理效应时,我们使用半参数局部有效降维方法评估治疗分配机制和治疗组和非治疗组的平均缓解。然后,我们整合所有的结果,通过填补,逆概率加权和双重鲁棒增强估计。当响应模型正确时,双稳健估计是局部有效的,而插补估计是超有效的。为了利用这两个过程,我们引入了一个收缩估计自动结合两者,它保留了双重鲁棒性,同时提高响应模型正确时的方差。我们通过模拟实验和一个真实的数据集,母亲吸烟对婴儿出生体重的影响,证明了这些估计的性能。关键词和短语:平均处理效应,双重稳健估计,效率,逆概率加权,收缩估计。
2018-11-05 stat.ME
Model misspecification and bias for inverse probability weighting and doubly robust estimators
在因果推理文献中,属于一类半参数估计量的估计量被称为鲁棒的,如果它在至少一个工作模型被正确指定的假设下具有期望的性质。本文提出了一种粗略的分析方法来研究当所有工作模型都被错误指定时,平均因果效应的半参数估计的大样本偏差。我们将我们的方法应用到三个原型估计,两个逆概率加权(IPW)估计,使用错误指定的倾向得分模型,和一个双重稳健(DR)估计,使用错误指定的模型的结果回归和倾向得分。要分析的问题时,使用两个错误指定的模型是优于一个,我们推导出充要条件的DR估计有一个小的偏差比一个简单的IPW估计,当它有一个小的偏差比IPW估计与归一化权重。如果结果模型的误指定是中度的IPW和DR估计的偏差的比较表明,DR估计有一个较小的偏差比IPW估计。然而,所有的偏见包括PS模型的错误,我们建议研究人员在建模PS时要小心,只要涉及这样的模型。
2018-06-25 math.ST stat.ME stat.TH
On variance of the treatment effect in the treated using inverse probability weighting
在观察性研究的分析中,逆概率加权(IPW)通常用于一致地估计平均处理效应(ATE)或治疗患者的平均处理效应(ATT)。IPW ATE估计量的方差通常通过假设权重已知然后使用所谓的“稳健”(Huber-White)三明治估计量来估计,这导致保守的标准误(SE)估计。在这里,它表明,使用这种方法时,估计的方差的IPW ATT估计不一定会导致保守的SE估计。也就是说,假设权重是已知的,稳健三明治估计量可以是保守的或反保守的。因此,使用稳健SE估计的ATT的置信区间通常无效。相反,考虑权重估计的堆叠估计方程可以用于计算IPW ATT估计器的一致的封闭形式方差估计器。通过模拟研究和吸烟对基因表达的影响的数据分析,这两个方差估计进行了比较。
2020-11-24 stat.AP stat.ME
Smooth backfitting in additive inverse regression
本文研究了在具有卷积型算子的逆回归模型中可加回归函数的估计问题。一个光滑的回拟合过程的开发和渐近正态性的估计建立。与其他可加模型的估计方法相比,新方法既不需要规则网格上的观测值,也不需要估计预测因子的联合密度。它也表明,通过一个模拟研究,后拟合估计优于边际积分方法至少由一个因素2,相对于集成的均方误差标准。
2013-11-04 stat.ME
Maximum A Posteriori Covariance Estimation Using a Power Inverse Wishart Prior
协方差阵的估计是许多多元统计方法(如主成分分析和因子分析)的初始步骤,但在许多实际应用中,样本空间的维数与样本数相比很大,通常的最大似然估计很差。通常,通过建模或正则化来获得改进。从实际的角度来看,这些方法通常计算量很大,并且依赖于近似。作为一个快速的替代,我们提出了一个易于计算的最大后验概率(MAP)估计的基础上,一个新的类的先验分布推广逆Wishart先验,讨论其性质,并证明了模拟和真实数据的估计。
2012-06-10 stat.ME
Nonparametric inverse probability weighted estimators based on the highly adaptive lasso
逆概率加权估计量是估计因果效应的最古老且可能最常用的一类程序。通过加权机制调整选择偏差,这些程序通过构建一个伪群体来估计感兴趣的影响,其中选择偏差被消除。尽管它们易于使用,这些估计需要正确的规范的加权机制的模型,是已知的效率低下,并遭受灾难的维度。我们提出了一类非参数逆概率加权估计,其中的加权机制估计通过欠平滑的高度自适应套索,一个非参数回归函数证明收敛在$n^{-1/3}$率的真正的加权机制。我们证明了我们的估计是渐近线性的,方差收敛到非参数有效界。与双稳健估计不同,我们的方法既不需要推导有效的影响函数,也不需要指定条件结果模型。我们的理论发展具有广泛的影响,在大型统计模型和各种问题设置的有效的逆概率加权估计的建设。我们评估我们的估计在模拟研究中的实际表现,并证明使用我们提出的方法与数据从一个大规模的流行病学研究。
2021-07-03 math.ST stat.ME stat.ML
A comparison of Kaplan--Meier-based inverse probability of censoring weighted regression methods
Aarhus University(奥胡斯大学)
本文针对右删失导致结局缺失的回归问题,比较了三种基于Kaplan--Meier删失概率估计的逆加权回归方法,分析其渐近方差及三明治方差估计量的高估特性,发现最优方法取决于删失分布。
2024-12-10 stat.ME
Simulations for estimation of random effects and overall effect in three-level meta-analysis of standardized mean differences using constant and inverse-variance weights
针对标准化均值差的三水平元分析,提出基于带有效样本量权重的条件$Q$统计量的矩估计新方法,模拟验证其比传统REML/PL方法偏差更小、覆盖率更优且无收敛问题。
2026-10-14 stat.ME
Counterexamples and Sufficient Conditions: Comments on "Optimally-Transported Generalized Method of Moments"
The University of Tokyo(东京大学)
本文指出OTGMM估计量在原文假设下定理2-6存在反例,分析其不一致性与渐近问题,并给出修正的充分条件和矩阵条件。
2026-11-06 cs.LG econ.EM math.ST
Adaptive normalization for IPW estimation
逆概率加权(IPW)是调查抽样和因果推断中的一种通用工具,用于Horvitz-Thompson估计量(通过样本量进行归一化)和Hájek/自归一化估计量(通过逆概率权重之和进行归一化)。在这项工作中,我们研究了一个家庭的IPW估计,首先提出的Trotter和Tukey的背景下,蒙特卡罗问题,规范化的仿射组合这两个方面。我们展示了如何从这个家庭中选择一个估计在一个数据依赖的方式,以尽量减少渐近方差导致一个迭代过程,收敛到一个估计与回归控制方法的连接。我们将此估计量称为自适应归一化估计量。对于调查抽样中的均值估计,该估计量的渐近方差永远不会比Horvitz-Thompson或Hájek估计量差,并且除了边缘情况外都较小。进一步,我们表明,自适应归一化可以用来提出改进的增强IPW(AIPW)估计,平均处理效应(ATE)估计,和政策学习目标。吸引人的是,这些建议保留了AIPW的渐近有效性和IPW目标的政策学习的遗憾界限,并提供一致的有限样本改进的模拟均值估计,ATE估计和政策学习。
2021-07-09 stat.ME
A framework for causal inference in the presence of extreme inverse probability weights: the role of overlap weights
在本文中,我们认为最近的进展估计的平均处理效应时,极端的逆概率权重,并专注于方法,占可能违反的积极性假设。这些方法旨在估计对具有临床平衡的患者亚群的处理效应。我们提出了一个系统的方法来确定其相关的因果被估量,并制定新的见解的属性的权重针对这样一个亚群。然后,我们研究重叠权重,匹配权重,香农熵权重和贝塔权重的作用。这有助于我们在准确度、精度和均方根均方误差方面,通过分析和模拟来表征和比较它们的基本估计量。此外,我们研究了他们的增广估计(模仿双稳健估计)的渐近行为,这导致改进的估计时,无论是正确指定的倾向或回归模型。基于分析和仿真结果,我们得出结论,总体重叠权重是优选的匹配权重,特别是当有中度或极端违反的积极性假设。最后,我们使用一个实际的数据的例子来说明的方法标记的极端逆概率权重。
2022-10-24 stat.ME
Sensitivity Analysis of Inverse Probability Weighting Estimators of Causal Effects in Observational Studies with Multivalued Treatments
针对多值处理观察性研究中缺乏适用敏感性分析框架的问题,提出含通用加性因果估计量的高效敏感性分析框架,模拟和实例验证其有效性。
2024-06-23 stat.ME
Augmented match weighted estimators for average treatment effects
North Carolina State University(北卡罗来纳州立大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种结合匹配和加权估计量优点的AMW估计量,具有双稳健性和半参数效率下限,通过可变K提升稳定性并支持非参数自助法推断。
2025-12-11 stat.ME
Likelihood-based surrogate dimension reduction
针对协变量含测量误差的充分降维问题,提出两种基于似然的中心子空间估计量,并通过在 Grassmann 流形上施加稀疏惩罚实现变量选择,具有闭式 Riemann 梯度且计算高效,在估计和选择精度上优于逆矩方法。
2023-10-20 stat.ME
Model-Agnostic Bounds for Augmented Inverse Probability Weighted Estimators' Wald-Confidence Interval Coverage in Randomized Controlled Trials
Michigan State University(密歇根州立大学)
本文推导了AIPW估计量Wald置信区间覆盖率的非渐近Berry-Esseen型界,并分析了方差估计量的偏差,解释了交叉拟合为何能改善覆盖率。
2026-06-24 math.ST stat.ME stat.TH
Covariate Balancing and the Equivalence of Weighting and Doubly Robust Estimators of Average Treatment Effects
Brandeis University(布兰迪斯大学);LMU Munich(慕尼黑大学);Michigan State University(密歇根州立大学)
本文证明在采用特定协变量平衡方法估计倾向得分时,IPW、AIPW和IPWRA估计量对ATE和ATT在数值上等价,并探讨了该等价性对工具变量和双重差分方法的简化意义。
2025-09-21 econ.EM stat.ME
Estimating Causal Effects for Binary Outcomes Using Per-Decision Inverse Probability Weighting
针对微随机试验中IPW估计因果偏移效应方差过大的问题,提出两种逐决策IPW估计量(第二种结合半参数投影提升效率),适用于二元结局,证明其统计性质并验证其效率优势,可提升试验分析精度。
2024-08-15 stat.AP stat.ME
A selective review of sufficient dimension reduction for multivariate response regression
本文综述了多元响应的充分降维估计。广泛的SDR方法的特点是逆回归SDR估计或正向回归SDR估计。逆回归族包括混合边际估计、投影回归估计和基于距离的估计。普通最小二乘,偏最小二乘,半参数SDR估计,另一方面,讨论作为估计从正向回归家庭。
2022-02-02 stat.CO stat.ME stat.ML
On the Role of Volterra Integral Equations in Self-Consistent, Product-Limit, Inverse Probability of Censoring Weighted, and Redistribution-to-the-Right Estimators for the Survival Function
本文揭示了第一类 Volterra 积分方程如何将右删失数据下生存函数的自洽、乘积极限、逆概率删失加权及向右重分配估计量联系起来,证明了这些估计量的内在等价性。
2023-10-20 math.ST stat.ME stat.TH
Breaking the Winner's Curse in Mendelian Randomization: Rerandomized Inverse Variance Weighted Estimator
全基因组关联研究的发展和汇总遗传关联数据的日益可用性使得具有汇总数据的双样本孟德尔随机化(MR)的应用日益流行。传统的双样本MR方法通常采用相同的样本来选择相关的遗传变异和构建最终的因果估计。由于众所周知的“赢家的诅咒”现象,这种做法往往导致有偏见的因果效应估计。为了解决这一根本性的挑战,我们首先从理论和实证两方面研究其因果效应估计的后果。然后,我们提出了一个新的框架,系统地打破赢家的诅咒,导致无偏的关联效应估计选定的遗传变异。在此基础上,我们提出了一种新的随机化逆方差加权估计,当选择和参数估计在同一样本上进行时,该估计是一致的。在适当的条件下,我们证明了因果效应的RIVW估计渐近收敛于一个正态分布,其方差可以很好地估计。我们通过蒙特卡罗实验和两个实证例子说明了我们的方法的有限样本性能。
2023-02-21 math.ST stat.ME stat.TH
Unified treatment of the asymptotics of asymmetric kernel density estimators
我们扩展气球和样本平滑估计,两种类型的可变带宽核密度估计,通过一个移位参数,并推导出它们的渐近性质。我们的方法有利于统一的研究范围广泛的密度估计,这是根据这两个一般类的核密度估计。我们证明了我们的方法,通过推导的渐近偏差,方差和平均(综合)平方误差的密度估计与伽玛,对数正态分布,伯恩鲍姆-桑德斯,逆高斯和倒数逆高斯内核。我们提出了两个新的正随机变量的密度估计,产生适当的归一化密度估计。提供了用于带宽估计的插件表达式,以便于进行简单的探索性数据分析。
2015-12-10 math.ST stat.ME stat.TH
Prediction regions through Inverse Regression
从协变量中预测新的响应是回归中一个具有挑战性的任务,这给高维数据时代提出了新的问题。在本文中,我们感兴趣的逆回归方法从理论的观点。理论结果已经得出了著名的线性模型,但最近,灾难的维数增加了从业者和理论家的兴趣,这些结果的推广为各种估计,校准的高维背景。为了处理高维数据,本文采用了逆回归方法。当特征的数量超过观测的数量时,它是一种可靠和有效的方法。事实上,在某些条件下,处理与正向回归问题相关联的逆回归问题大大减少了要估计的参数的数量,并使问题易于处理。当响应和协变量都是多元时,本文研究了由逆回归构造的估计,主要结果是响应的显式渐近预测区域。所提出的估计器和预测区域的性能进行了分析,通过模拟研究,并与通常的估计器进行比较。
2018-07-09 math.ST stat.ME stat.TH
Efficiency combined with simplicity: new testing procedures for Generalized Inverse Gaussian models
广义逆高斯(GIG)族(也称为Hüssen Type A族)中的标准有效检验过程是似然比检验,因此依赖于GIG的三个参数的极大似然(ML)估计。GIG密度的特殊形式,涉及修改的贝塞尔函数,防止一般从ML估计,这是在复杂的数值逼近方法的代价获得的封闭形式的表达。相反,矩量法(MM)估计允许简洁的表达式,但测试的基础上,这些估计遭受缺乏效率相比,似然比检验。这就是为什么近年来,ML和MM估计之间的权衡已经被提出,导致更简单但不完全有效的估计和测试。在本文中,我们没有提出这样的权衡,而是两种方法的最佳组合,我们的测试继承效率从ML样的建设和简单性的滋扰参数的MM估计。这一目标将通过从一个新的角度,即通过Le Cam方法来解决问题来实现。除了提供简单有效的测试方法外,该方法的理论背景还允许我们为测试写出显式的功率表达式。蒙特卡罗模拟研究表明,在小样本量下,我们的简单程序至少与复杂的似然比检验一样好。最后,我们将我们的研究结果应用于两个真实的数据集。
2013-12-24 math.PR stat.ME
Sensitivity analysis for inverse probability weighting estimators via the percentile bootstrap
为了确定缺失数据问题和观察性研究中的被估量,通常将统计估计建立在“随机缺失“和“无未测量混杂因素”假设的基础上。然而,这些假设是无法验证的经验数据,并构成严重威胁的有效性定性结论的统计推断。敏感性分析询问如果无法验证的假设在一定程度上被违反,结论可能如何改变。在本文中,我们考虑了一个边际敏感性模型,这是一个自然的延伸Rosenbaum的敏感性模型,被广泛用于匹配的观察性研究。我们的目标是构建基于逆概率加权估计的置信区间,使得当数据生成分布在边际敏感性模型的集合中时,该区间渐近地至少具有被估量的名义覆盖。我们使用一个百分位自助和广义极大极小/极大极小不等式,将这个棘手的问题转化为一个线性分式规划问题,可以非常有效地解决。我们说明了我们的方法,使用一个真实的数据集来估计的因果关系的影响,鱼类消费对血液中的汞水平。
2018-10-08 math.ST stat.ME stat.TH
Confidence intervals for high-dimensional inverse covariance estimation
我们提出的方法统计推断低维参数稀疏精度矩阵在高维设置。我们的方法导致一个非稀疏估计的精度矩阵,其条目具有高斯极限分布。在真精度矩阵项的稀疏性假设和正则性条件下,分析了亚高斯观测下新估计的渐近性质。保持去稀疏化估计量的不变保证了相关联的图形模型中的边选择。所提出的方法的性能示出在模拟研究。
2015-08-11 math.ST stat.ME stat.TH
Doubly Robust Estimation of Local Average Treatment Effects Using Inverse Probability Weighted Regression Adjustment
我们重新审视的问题,估计的局部平均处理效应(LATE)和局部平均处理效应的治疗(LATT)时,控制变量是可用的,要么使工具变量(IV)适当的外源性或提高精度。与以前的方法不同,我们的双重鲁棒(DR)估计程序使用准似然方法加权的IV倾向得分的倒数-所谓的逆概率加权回归调整(IPWRA)估计。通过正确选择倾向评分和结果模型的模型,确保拟合值在由响应变量确定的逻辑范围内,从而产生具有吸引人的小样本性质的LATE和LATT的DR估计量。无论是分析还是使用非参数自助法,推断都相对简单。我们的DR LATE和DR LATT估计器在模拟中运行良好。我们还提出了一个DR版本的Hausman检验,可用于评估unconfoundedness假设,通过比较不同的估计值的平均处理效应的治疗(ATT)在单侧不遵守。与比较OLS和IV估计值的常用检验不同,该程序对处理效应异质性具有稳健性。
2022-11-15 econ.EM stat.ME
Conditional Variance Estimator for Sufficient Dimension Reduction
条件方差估计(CVE)是一种新的充分降维(SDR)方法,适用于具有连续预测变量和连接函数的可加误差回归。它是在预测变量可以被低维投影代替而不丢失信息的假设下运行的。与大多数基于矩的充分降维方法相比,条件方差估计是完全数据驱动的,不需要限制性线性和恒定方差条件,并且不基于逆回归。证明了CVE是一致的,其目标函数是一致收敛的。CVE优于平均方差估计,(MAVE),它的主要竞争对手,在几个模拟设置,保持在其他人的水平,而它总是优于通常的逆回归基于线性SDR方法,如切片逆回归。
2021-02-17 math.ST stat.ME stat.TH
Nearest neighbor density functional estimation from inverse Laplace transform
提出了一种利用$k$ -最近邻距离对一般密度泛函进行$L_2$ -相容估计的新方法,其中所考虑的密度泛函是每个点的密度的某个函数$f$的期望的形式.该估计量被设计为渐近无偏的,使用$k$ -最近邻球的归一化体积在大样本极限下收敛到Γ分布,并且自然地涉及函数$f.$的缩放版本的拉普拉斯逆变换。所提出的估计器的一些实例恢复了现有的基于$k$的最近邻的香农和雷尼熵以及Kullback的估计器。Leibler和Rényi分歧,并发现了许多其他泛函,如对数熵和分歧的新的一致估计。建议估计的$L_2$一致性建立了广泛的一类密度一般泛函,和收敛速度均方误差的函数的样本量光滑,有界密度。
2022-02-05 cs.IT math.IT math.ST
Machine learning for causal inference: on the use of cross-fit estimators
现代因果推断方法允许使用机器学习来削弱参数建模假设。然而,机器学习的使用可能导致推理的复杂化。双稳健交叉拟合估计已被提出,以产生更好的统计特性。我们进行了模拟研究,以评估几种不同的估计的平均因果效应(ACE)的性能。模拟治疗和结局的数据生成机制包括对数转换、多项式项和不连续性。我们比较了单稳健估计(g-计算,逆概率加权)和双稳健估计(增广逆概率加权,目标极大似然估计)。分别用参数模型和集成机器学习估计营养功能。我们进一步评估了双稳健交叉拟合估计。使用正确指定的参数模型,所有估计量均无偏,且置信区间达到标称覆盖范围。当与机器学习一起使用时,双稳健交叉拟合估计量在偏差、方差和置信区间覆盖率方面大大优于所有其他估计量。由于在高维数据中很难正确地指定参数模型,在大多数流行病学研究中,集成学习和交叉拟合的双稳健估计可能是估计ACE的首选方法。然而,这些方法可能需要更大的样本量以避免有限样本问题。
2020-08-28 stat.ME stat.ML
Balancing Weights for Causal Mediation Analysis
The University of Tokyo(东京大学)
本文提出了一种通过直接惩罚权重分散并强制协变量和中介变量平衡的方法,以提高因果中介分析中估计器的稳定性和准确性。
2026-11-13 econ.EM stat.ME
Addressing Extreme Propensity Scores in Estimating Counterfactual Survival Functions via the Overlap Weights
逆概率加权方法是观察性研究中评价处理效应的常用方法,但极端的倾向得分可能会使估计量产生偏倚,并导致过度的方差。最近,已经提出了重叠加权方法来缓解这个问题,它平滑地降低了具有极端倾向得分的受试者的权重。尽管重叠加权的优势已在连续和二元结局的文献中得到广泛证实,但关于其与至事件发生时间或生存结局的性能的研究有限。在这篇文章中,我们提出了两个加权估计,结合倾向得分加权和逆概率截尾加权估计的反事实生存函数。这些估计适用于一般类别的平衡权重,其中包括逆概率加权,修剪和重叠加权作为特殊情况。我们进行模拟,以检查这些估计与不同的加权方案的经验性能的偏差,方差和95%的置信区间覆盖率,在不同程度的协变量重叠治疗组和删失率。我们证明,重叠加权始终优于逆概率加权和相关的修剪方法的偏差,方差和覆盖的时间到事件的结果,和优势增加的程度,治疗组之间的协变量重叠减少。
2022-06-20 stat.AP stat.ME
Robust Estimation under Outcome Dependent Right Censoring in Huntington Disease: Estimators for Low and High Censoring Rates
Johns Hopkins University(约翰斯·霍普金斯大学);Penn State University(宾夕法尼亚州立大学);Columbia University Medical Center(哥伦比亚大学医学中心);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出三种稳健估计器用于亨廷顿病中因结果依赖右删失的问题,通过比较不同删失率下的表现,为估计器选择提供实用指导。
2025-11-19 stat.AP stat.ME
Targeted Fused Ridge Estimation of Inverse Covariance Matrices from Multiple High-Dimensional Data Classes
本文研究了由不同类别的高维数据联合估计多个逆协方差阵的问题。采用$\ell_2$惩罚的极大似然方法。建议的方法是灵活的和通用的,将其他几个$\ell_2$惩罚估计作为特殊情况。此外,该方法允许指定的目标矩阵,通过先验知识可以被纳入,并可以稳定的估计过程中的高维设置。其结果是一个有针对性的融合脊估计,是有用的,当精度矩阵的组成类被认为主要是共享相同的结构,而潜在的不同,在一些感兴趣的位置。它在(多)因子研究设计中有许多应用。我们专注于精度矩阵的图形解释与建议的估计,然后作为综合或荟萃分析高斯图形建模的基础。被认为是由数据集和疾病亚型定义的类别的情况。通过大量的模拟实验,在图形化建模设置所提出的估计的性能进行评估。通过对12个弥漫性大B细胞淋巴瘤亚型的大规模基因表达数据集的差分网络建模,说明了其实际可用性。估计器及其相关程序被纳入R-包rags 2 ridges。
2020-03-26 q-bio.MN stat.ME stat.ML