Asymptotic adjustments of Pearson residuals in exponential family nonlinear models
在这项工作中,我们定义了一组校正皮尔逊残差连续指数族非线性模型,具有相同的分布作为真正的皮尔逊残差的顺序$\mathcal{O}(n^{-1})$,其中$n$是样本量。此外,我们还介绍了一个新的修改的皮尔逊残差,我们称之为PCA皮尔逊残差,这是近似不相关的。这些PCA残差即使对于广义线性模型也是新的。数值结果表明,PCA残差近似正态分布,从而改进了Simas和Cordeiro(2009)的先前结果。这些数值结果还表明,修正后的Pearson残差近似遵循与真实残差相同的分布,这相对于Pearson残差是一个相当大的改进,也扩展了Cordeiro和Simas(2009)以前的工作。
2016-07-27 stat.ME
Optimal Decision Rules for Composite Binary Hypothesis Testing under Neyman-Pearson Framework
本文研究Neyman-Pearson框架下复合二元假设检验,通过广义贝叶斯规则实现最优功效,推导简单原假设下的加权似然比单阈值规则,并扩展到复合原假设及平均/最坏虚警约束,给出指数族实例验证。
2025-05-23 cs.IT math.IT math.ST
Goodness-of-fit testing in high-dimensional generalized linear models
我们提出了一个家庭的测试来评估的拟合优度的高维广义线性模型。我们的框架是灵活的,可用于构建一个综合测试或针对测试特定的非线性和相互作用的影响,或用于测试组的变量的意义。该方法是基于提取剩余信号的残差从初始拟合的广义线性模型。这可以通过使用现代灵活回归或机器学习方法(例如随机森林或提升树)从残差预测该信号来实现。在广义线性模型正确的原假设下,残差中没有信号,并且我们的检验统计量具有高斯极限分布,转化为第一类错误的渐近控制。在本地替代方案下,我们建立了对测试功率的保证。我们通过测试逻辑斯谛回归模型的拟合优度来说明该方法在模拟和真实数据示例上的有效性。R软件包“GRPtests”中有执行这一方法的软件。
2019-11-12 math.ST stat.ME stat.TH
Cross-validatory Z-Residual for Diagnosing Shared Frailty Models
残差诊断方法在评估模型假设和检测统计建模中的异常值方面发挥着关键作用。在具有删失观察值的生存模型的背景下,Li等人(2021)引入了Z残差,其在真实模型下近似遵循正态分布。这个属性使得可以使用Z残差来诊断生存模型,其方式类似于Pearson残差在正态回归中的使用方式。然而,基于完整数据集计算残差可能会导致保守偏倚,从而降低检测模型错误指定的能力,因为相同的数据集用于模型拟合和验证。虽然交叉验证是解决这个问题的一种潜在方法,但由于计算上的挑战,它还没有被广泛用于残差诊断。在本文中,我们提出了一个交叉验证方法计算Z-残差的背景下,共享的脆弱性模型。具体来说,我们开发了一个通用函数,使用R中\texttt{survival}包中的\texttt{coxph}函数的输出计算交叉验证Z残差。我们的模拟研究表明,对于拟合优度检验和离群值检测,交叉验证Z残差比没有交叉验证的Z残差更强大,更具鉴别力。我们还比较了Z-残差的性能,以及在没有交叉验证的情况下,在对肾脏感染患者的复发时间进行建模的实际应用中识别离群值。我们的研究结果表明,交叉验证Z残差可以识别Z残差遗漏的离群值,而无需交叉验证。
2023-03-16 stat.ME
Beyond Neyman-Pearson: e-values enable hypothesis testing with a data-driven alpha
本文提出用e值替代p值进行假设检验,证明e值能在数据驱动的事后决策设定下提供第一类风险控制,且是唯一可容许的决策规则,并讨论了其发展挑战。
2024-04-02 stat.ME
Scalable Resampling in Massive Generalized Linear Models via Subsampled Residual Bootstrap
针对海量数据下残差Bootstrap计算效率低的问题,提出适用于广义线性模型的可扩展子采样残差Bootstrap(SRB)算法,证明了其与经典方法具有相同的理论保证且计算更快,并通过模拟和真实数据验证了其性能。
2024-09-26 stat.ME
Model diagnostics of discrete data regression: a unifying framework using functional residuals
模型诊断是回归分析中不可缺少的组成部分,但在广义线性模型的标准教科书中没有很好地解决。缺乏阐述是因为当结果数据是离散的时,经典方法(例如,Pearson/偏差残差分析和拟合优度检验)在模型诊断和治疗中的效用有限。本文建立了一个新的离散数据回归模型诊断框架。与文献定义的单值量作为残差不同,我们建议使用函数作为载体来保留残差信息。在离散性的存在下,我们表明,这样的功能残差是适当的总结残差的随机性,不能被捕获的模型的结构部分。我们建立了它的理论性质,这导致了新的诊断工具,包括功能残差与协变量图和功能到功能(Fn-Fn)图的创新。我们的数值研究表明,这些工具的使用可以揭示各种模型的误设定,如不正确地包括高阶项,解释变量,相互作用效应,色散参数,或零膨胀组件。作为副产品,功能残差产生了Liu-Zhang的替代残差,主要用于有序数据的累积链接模型(Liu和Zhang,2018,JASA)。作为一个一般概念,它大大拓宽了诊断范围,因为它适用于几乎所有的二进制,序数和计数数据的参数模型,所有在一个统一的诊断方案。
2022-07-09 econ.EM stat.ME
On Generalized Transmuted Lifetime Distribution
本研究提出一类包含多子族的广义变形寿命分布,推导其多项数学性质,采用多种参数估计方法,经模拟与真实数据验证了该分布的实际建模有效性。
2024-05-19 math.ST stat.ME stat.TH
Diagnostics for categorical response models based on quantile residuals and distance measures
针对多项分类响应模型诊断中残差维数高且分布未知的问题,本文提出结合随机化分位数残差与欧氏、马氏距离度量的降维诊断方法,并通过模拟和实际数据验证其有效性。
2023-07-06 q-bio.QM stat.ME
Weighted likelihood estimation of multivariate location and scatter
讨论了一种新的方法来获得加权似然估计的多元位置和分散。提出了一种加权方案,该方案是基于马氏距离的分布,而不是在假设的模型的数据的分布。该策略允许避免影响非参数密度估计的维数灾难,该灾难涉及通过Pearson残差Markatou et al(1998)构建权重。然后,基于加权似然离群检测规则和鲁棒降维技术的发展。数值研究和实际数据的例子说明了该方法的有效性。
2017-06-19 stat.ME
On Cumulative Residual (Past) Extropy of Extreme Order Statistics
在最近的信息论文献中,已经研究了顺序统计量的熵概念。在目前的通信中,我们认为在相同静脉的累积剩余(过去)熵和研究它的上下文中与极端顺序统计量的熵的累积模拟。本文还研究了最小(最大)顺序统计量的累积残差(过去)熵的动态形式。它表明,建议的措施(和他们的动态版本)的极端顺序统计量确定的分布唯一。给出了可靠性建模中常用的广义Pareto分布和广义幂分布的一些特征。
2020-04-27 math.ST stat.TH
Residual-based Alternative Partial Least Squares for Generalized Functional Linear Models
针对基于医学成像数据预测临床结果的需求,本文提出基于残差的替代偏最小二乘(RAPLS)模型,用于包含函数型和标量协变量的广义函数线性模型,并从理论和应用两方面证明了其有效性与渐近性质。
2025-05-01 stat.ME
Exponentaited generalized Weibull Gompertz distribution
本文介绍了指数化广义威布尔-冈帕兹分布EGWGD的研究,EGWGD是对许多分布的推广。本文研究了EGWGD的几个性质,如反向(危险)函数、矩、极大似然估计、平均剩余(过去)寿命、MTTF、MTTR、MTBF、维修性、可用性和顺序统计量。一个真实的数据集进行了分析,它是观察到,目前的分布可以提供一个更好的拟合比其他一些非常知名的分布
2015-01-13 math.ST stat.TH
Generalized Error Exponents For Small Sample Universal Hypothesis Testing
研究了小样本通用假设检验问题,其中样本数$n$小于可能结果数$m$ .这项工作的目标是找到一个合适的标准来分析在这种情况下的统计检验。用于分析的合适模型是其中$n$和$m$都增加到无穷大的高维模型,以及$n=o(m)$。提出了一种新的基于大偏差分析的性能准则,推广了适用于大样本问题(其中$m=O(n)$)的经典误差指数。这种广义误差指数准则提供了从渐近一致性或中心极限定理分析中得不到的见解。对于均匀零分布,建立了以下结果:(i)对于某些$J>0$,最佳可实现的错误概率$P_e$衰减为$P_e=\exp\{-(n^2/m) J (1+o(1))\}$。(ii)一类基于可分统计量的检验,包括基于重合度的检验,都能得到最优广义误差指数。(iii)皮尔逊卡方检验具有零广义误差指数,因此其误差概率渐近大于最优检验。
2014-12-28 cs.IT math.IT math.ST
Bootstrapping Lasso in Generalized Linear Models
Indian Institute of Technology Bombay(印度理工学院孟买分校)
本文提出两种自助法用于近似广义线性模型中Lasso估计量的分布,以支持有效的统计推断。
2026-01-30 stat.ME
Second-Order Asymptotically Optimal Outlier Hypothesis Testing
我们重新审视Li \emph{et al.}(TIT 2014)的离群值假设检验框架,并推导出广义Neyman-Pearson准则下最优检验的基本极限。在离群值假设检验中,给定多个观察序列,其中大多数序列是i.i.d.生成的。从名义上的分布。任务是辨别从异常分布生成的一组离群序列。标称和异常分布为\emph{unknown}。我们研究的误分类错误,虚警和假拒绝的测试,满足弱条件的这些错误概率的下降率作为序列长度的函数的概率之间的权衡。具体来说,我们提出了一个基于阈值的测试,确保指数衰减的误分类错误和虚警概率。我们研究了两个约束的假拒绝概率,一个约束是,它是一个非零常数,另一个是,它有一个指数衰减率。对于这两种情况下,我们的特征边界上的假拒绝概率,作为阈值的函数,为每对标称和异常分布,并证明我们的测试下的广义奈曼-皮尔逊准则的最优性。我们首先考虑的情况下,最多一个边远序列,然后推广我们的结果的情况下,多个边远序列的边远序列的数量是未知的,每个边远序列可以遵循不同的异常分布。
2022-02-14 cs.IT math.IT math.ST
Generalized Spectral Testing with Sample Splitting
Southern University of Science and Technology(南方科技大学);Fudan University(复旦大学);Washington University in St. Louis(华盛顿大学圣路易斯分校)
提出一种样本分割广义谱检验方法,用于评估线性与非线性时间序列模型的条件均值设定,通过分割样本估计参数并计算残差,避免了参数估计效应,实现了与不可行检验等价的极限分布,并通过简单乘子自助法近似。
2026-05-28 econ.EM stat.ME
Generalized R-squared for Detecting Dependence
检测两个随机变量之间的相关性是一个基本问题。虽然Pearson相关性对于捕获线性相关性是有效的,但是对于检测非线性和/或异方差模式可能完全无能为力。我们引入了一个新的度量,G平方,以测试是否两个单变量随机变量是独立的,并衡量他们的关系的强度。对于具有恒定误差方差的线性关系,G平方与皮尔逊相关系数的平方R平方几乎相同,并且具有变量之间分段R平方的直观含义。它在处理非线性和异方差误差时特别有效。我们提出了两个估计的G平方,并显示其一致性。模拟表明,G平方估计是最强大的检验统计量相比,一些国家的最先进的方法。
2016-11-18 stat.ME
Principal variables analysis for non-Gaussian data
本文提出支持多种相关性的广义PVA,用Spearman、Gaussian copula和polychoric相关替代Pearson,以提升非高斯连续与序数数据的变量选择效果。
2023-09-27 stat.ME
Emperical Study on Various Symmetric Distributions for Modeling Time Series
本研究针对含突变结构变化的时间序列建模评估多种对称分布,发现Pearson type VII和扩展Laplace模型通用性与可靠性更强,广义Laplace分布表现相近,混合模型潜力足但稳定性弱,模型选择需结合数据特征与目标。
2024-12-10 stat.CO stat.ME
Generalized Information Ratio
由于模型误差,基于α的性能评估可能无法捕获相关残差。本文提出使用广义信息比率(GIR)来衡量错误基准下的性能。基于异常收益率与残差协方差矩阵之间的理论联系,GIR被推导为以残差协方差矩阵的平方根倒数为尺度的α。GIR将α和信息比率嵌套为特殊情况,具体取决于残差协方差矩阵中使用的信息量。我们表明,GIR是强大的模型的不同程度的误设定,并产生稳定的样本外回报。消除残差相关性带来了实质性的收益,减轻了主动管理的模型误差问题。
2018-04-23 q-fin.PM stat.ME
A New Fit Assessment Framework for Common Factor Models Using Generalized Residuals
University of Maryland(马里兰大学)
本文提出基于广义残差的拟合评估框架,用于检测共同因子模型中被传统方法掩盖的拟合不妥问题。
2025-06-18 stat.ME
Double Probability Integral Transform Residuals for Regression Models with Discrete Outcomes
本文针对离散结果回归模型评估中传统残差不服从正态分布的问题,提出基于双重概率积分变换的新型残差,并开发有序曲线作为补充工具,通过理论与模拟证明其优于常用残差。
2024-01-04 stat.AP stat.ME
A note on basis dimension selection in generalized additive modelling
提出了两种新的方法,用于检查使用惩罚回归平滑器时的基函数的维数。第一种方法是充分的基础尺寸的基础上的残差方差的估计计算的差分残差是邻居根据平滑协变量的测试。第二种方法是基于模型残差相对于模型协变量的平滑估计自由度。与基于平滑性选择准则的基维选择算法(GCV、AIC、REML)相比,上述过程对于作为模型检查的一部分的常规使用来说是足够计算有效的。
2016-02-22 stat.ME stat.OT
Randomized Predictive P-values: A Versatile Model Diagnostic Tool with Unified Reference Distribution
检查残差,如皮尔逊和偏差残差,是评估正态回归的标准工具。然而,对于离散响应,这些残差聚集在对应于不同响应值的线上。它们的分布远离正态性;这些残差的图形和定量检查为模型诊断提供了很少的信息。Marshall和Spiegelhalter(2003)定义了用于识别离群值的交叉验证预测p值。连续响应的预测p值均匀分布,但离散响应的预测p值不均匀分布。我们建议使用随机预测p值(RPP)来诊断具有离散响应的模型。RPP可以转化为具有正态分布的“残差”,我们称之为NRPP。NRPP可以用来诊断所有的回归模型与标量响应使用相同的方式诊断正常回归。NRPP与Dunn和Smyth(1996)提出的随机分位数残差(RQR)几乎相同,但统计学家对此知之甚少。本文从RPP的角度对RQR进行了阐述。本文的贡献包括:(1)给出了真实模型下RPP一致性的严格证明,并举例说明了真实模型下RPP的一致性:(2)进行了大量的模拟研究,证明了真实模型下NRPP的正态性;(三)我们的模拟研究还表明,NRPP方法是一种通用的诊断工具,可以用来检测由于缺乏复杂性NRPP的有效性进一步证明了健康利用数据集。
2019-01-17 stat.ME
Generalized Covariance Estimator
考虑一类具有强白噪声误差的半参数动态模型。这类过程包括标准向量自回归(VAR)模型,非基本结构VAR,混合因果模型,以及非线性动态模型,如(多变量)ARCH-M模型。对于估计的过程在这一类中,我们提出了广义协方差(GCov)估计,这是通过最小化剩余为基础的多元组合统计量作为替代的广义矩估计。我们推导出的GCov估计和相关的残差为基础的组合统计量的渐近性质。此外,我们证明了GCov估计是半参数有效的,基于残差的组合统计量是渐近卡方分布的。有限样本性能的GCov估计的仿真研究中示出。该估计器还应用于加密货币价格的动态模型。
2021-07-14 econ.EM stat.ME
Model Diagnostics Based on Cumulative Residuals: The R-package gof
广义线性模型广泛应用于应用统计学的各个领域,虽然在分布假设的错误指定下可以实现正确的渐近推断,但正确指定的平均结构对于获得可解释的结果至关重要。通常通过检查残差的各种散点图来检查预测因子的线性和函数形式,然而,判断这些散点图的主观任务可能具有挑战性。在本文中,我们提出了一个实现的广义线性模型以及结构方程模型的模型诊断,基于聚集的残差下的零的渐近行为是模仿模拟。还实施了用于检查Cox回归中的比例风险假设的程序。
2015-07-05 stat.CO stat.ME
Multivariate Covariance Generalized Linear Models
我们提出了一个非正态多变量数据分析的一般框架,称为多变量协方差广义线性模型(McGLM),旨在处理多变量响应变量,以及广泛的时间和空间的相关性结构定义的协方差连接函数与矩阵线性预测,涉及已知的矩阵。该方法的动机是三个数据的例子,不容易处理现有的方法。第一个例子涉及多变量计数数据,第二个涉及混合类型的响应变量,结合重复测量和纵向结构,第三个涉及降雨数据的时空分析。该模型考虑到非正态性,在传统的方式通过方差函数,和平均结构建模的链接函数和线性预测。模型拟合使用一个有效的牛顿评分算法的基础上准似然和皮尔逊估计函数,只使用二阶矩假设。这提供了一个统一的方法,各种不同类型的响应变量和协方差结构,包括多变量的重复测量,时间序列,纵向,空间和时空结构的扩展。
2015-04-07 stat.ME