Statistical Estimation of Composite Risk Functionals and Risk Optimization Problems
本文讨论了在概率测度中可能是非线性的复合泛函的统计估计。我们的研究的动机是需要估计一致的风险度量,这在金融,保险和其他与不确定性和风险下的优化相关的领域越来越受欢迎。建立了复合风险泛函的中心极限公式。进一步讨论了以复合风险泛函为目标的最优化问题的渐近性态,并建立了当风险泛函的估计量被使用时其最优值的中心极限公式.虽然数学结构容纳了常用的一致的风险度量,但它们具有更一般的特征,这可能是独立的兴趣。
2015-04-10 math.ST stat.TH
Minimax Optimal Rates of Estimation in Functional ANOVA Models with Derivatives
当数据来自一阶偏导数时,我们建立了函数方差分析模型中非参数估计的极小极大最优收敛速度。我们的研究结果表明,偏导数可以提高收敛速度的函数估计与确定性或随机设计。特别是,对于完全$d$ -相互作用模型,$p$协变量具有一阶偏导数的最佳速率与不具有偏导数的$(d-p)$ -相互作用模型的最佳速率相同。对于加性模型,使用所有一阶偏导数的速率是根- $n$,以实现“参数速率”。我们还研究了当导数数据可用时,一阶偏导数估计的极小极大最优速率。这些速率与估计一元函数的一阶导数的最佳速率一致。
2017-09-08 math.ST stat.TH
Adaptive nonparametric estimation in the functional linear model with functional output
本文考虑一个函数线性回归模型,其中协变量和响应变量都是函数随机变量。本文讨论了该模型中条件期望算子的最优非参数估计问题。本文首先介绍有限维子空间上的投影估计。我们提供了一个非渐近偏差方差分解的情况下,这些子空间产生的(经验)PCA函数的基础上的均方预测误差。由于模型选择装置选择最佳投影维度,实现了自动权衡:惩罚对比度估计器满足预言型不等式,因此在自适应观点中是最佳的。这些上界允许我们推导出椭圆光滑空间上的收敛速度。利率被证明是最佳的最小最大意义上:他们匹配的最小最大风险的下界,这也被证明。最后,我们进行了数值研究,模拟数据和两个真实的数据集。
2022-03-01 math.ST stat.TH
Rate optimal estimation of quadratic functionals in inverse problems with partially unknown operator and application to testing problems
我们考虑高斯序列模型中的二次泛函的估计,假设特征值是未知的,只能通过噪声观测。施加平滑假设的信号和序列的特征值,我们开发了一个极大极小理论这个问题。我们提出了一个截断序列估计,并表明,它达到最佳的收敛速率,如果截断参数选择适当。测试问题的反问题的后果同样讨论:特别是,极大极小率测试信号检测和拟合优度测试。
2019-07-14 math.ST stat.TH
Efficient estimation of functionals in nonparametric boundary models
对于带单侧误差的非参数回归和Poisson点过程的边界曲线模型,我们考虑了线性泛函的有效估计问题。极小极大最优速率是通过无偏估计方法获得的,但该方法依赖于底层回归或边界函数的赫尔德条件或单调性假设。我们首先构造了一个简单的块估计,然后建立了指数噪声变量和点过程模型的非参数极大似然方法。在该方法中也获得非渐近效率(UMVU:一致最小方差之间的所有无偏估计)的证明主要依赖于计数过程和点过程几何的鞅停止参数。的估计是很容易计算和一个小的模拟研究证实了它们的适用性。
2015-09-24 math.ST stat.TH
Recursive estimation of nonparametric regression with functional covariate
主要目的是利用递归非参数核方法估计实随机变量与函数解释变量的回归函数。得到了回归函数的一类递推核估计的均方误差和几乎必然收敛。这些结果是建立与率和精确评估的常数项。同时,建立了这类估计量的中心极限定理。该方法进行了评估模拟和真实数据集的研究。
2013-08-06 math.ST stat.TH
Adaptive estimation over anisotropic functional classes via oracle approach
研究了高斯白噪声模型中各向异性Nikolskii类在$L_p$ --损失下的自适应极小极大估计问题,即$1\leq p\leq\infty,$.我们提出了一个新的数据驱动的选择方案的基础上的估计过程,从家庭的核估计具有不同的带宽。对于建议的估计,我们建立了所谓的Lp-范数预言不等式,并使用它来推导极大极小自适应结果。我们证明了率自适应估计的存在性和充分刻画行为的极大极小风险的正则性参数和规范指标之间的不同关系的定义的功能类和风险。特别地,我们发现了极大极小风险的一些新的渐近性质,包括存在一致相合估计的充要条件。我们还提供了详细的概述现有的方法和结果,并制定开放的问题,自适应极大极小估计。
2014-05-18 math.ST stat.TH
On estimation of nonsmooth functionals of sparse normal means
研究了N_gamma(θ)= sum(i=1)^d的估计问题|θ_i|基于观测y_i = θ_i + ε_i,i = 1,.,d,其中θ=(θ_1,...,θ_d)为未知参数,ε>0为已知参数,ε_i为独立同分布。标准正态随机变量。证明了s-稀疏向量类B_0(s)的非渐近极小极大风险,并给出了极小极大风险率的估计。
2019-10-05 math.ST stat.TH
Optimal adaptive estimation of linear functionals under sparsity
考虑高斯序列模型中线性泛函的估计问题,其中R^d中的未知向量θ属于一类s-稀疏向量,且s未知.我们建议一个自适应估计实现非渐近收敛速率,不同于最大极小率的对数因子。我们还表明,这种最佳的自适应率不能提高时,s是未知的。此外,我们还讨论了同时适应s和噪声方差σ ^2的问题。我们提出了一个估计器,当s和σ ^2都未知时,它可以达到最优的自适应速率。
2017-10-06 math.ST stat.TH
Adaptive estimation of Sobolev-type energy functionals on the sphere
Sapienza University of Rome(罗马第一大学);Department of Basic and Applied Sciences for Engineering(工程基础与应用科学系)
本文提出了一种基于球面需要量框架的自适应估计方法,用于估计球面上Sobolev型能量泛函,实现了在未知光滑度下的最优minimax速率。
2026-02-04 math.ST stat.TH
Signed variable optimal kernel for non-parametric density estimation
我们导出了经典统计密度估计的最优符号变量核,它是著名的Epanechnikov核的一些推广。
2021-02-15 math.ST stat.TH
Minimax estimation of linear and quadratic functionals on sparsity classes
对于高斯序列模型,我们获得了非渐近极小极大估计率的线性,二次和L2-范数泛函类的稀疏向量和构造最佳估计,达到这些速度。感兴趣的主要对象是类s-稀疏向量,我们还提供完全自适应估计(独立的s和噪声方差),只有grammically慢速率比极大极小的。此外,我们还得到了Lq-球上的Minimax速率,其中0 < q < 2。这种分析表明,在一般情况下,有三个区域的收敛速度,我们称之为稀疏区,密集区和退化区,而第四个区域出现的二次函数的估计。我们证明,与向量的估计相反,稀疏区的最佳速率中的正确对数项为log(d/s^2)而不是log(d/s)。对于稀疏类,线性泛函和L2-范数的估计率在s = sqrt(d)(稀疏区和密集区之间的边界)处具有简单的弯头,并且表现出类似的性能,而二次泛函的估计揭示了更复杂的效果,并且仅基于由向量上的稀疏性条件描述的稀疏性是不可能的。最后,我们将我们的结果估计的L2-范数的问题测试稀疏的替代品。特别是,我们得到了一个非渐近模拟的Ingster-Donoho-Jin理论揭示了一些影响,没有捕捉到以前的渐近分析。
2015-02-02 math.ST stat.TH
Estimation of entropy-type integral functionals
密度的熵型积分泛函在数理统计、信息论和计算机科学中有着广泛的应用。示例包括分布之间的接近度的度量(例如,密度功率发散)和随机变量的不确定性特性(例如,Rényi熵)。本文研究了一类泛函的U-统计量估计。估计量是基于ε-关闭向量观测相应的独立和同分布的样本。我们证明了估计的渐近性质(一致性和渐近正态性)在温和的可积性和光滑性条件下的密度。结果可以应用于数理统计和计算机科学中的各种问题(例如,分布识别问题、随机数据库的近似匹配、双样本问题)。
2013-03-07 math.ST stat.TH
Optimal Estimation of A Quadratic Functional and Detection of Simultaneous Signals
受基因组学应用的启发,本文研究了两个正态均值向量的二次泛函$Q(μ, θ) = \frac{1}{n}\sum_{i=1}^nμ_i^2θ_i^2$的最优估计问题,特别关注两个均值向量都稀疏的情况.我们提出了最优估计的$Q(μ, θ)$为不同的制度,并建立了极小极大收敛速度在一个家庭的参数空间。在这个家庭的最佳速率表现出有趣的相变。在极大极小框架下,考虑了同时信号检测问题。结果表明,所提出的估计$Q(μ, θ)$自然导致最佳的测试程序。
2015-05-07 math.ST stat.TH
Nonparametric estimation in functional linear models with second order stationary regressors
考虑函数线性回归中斜率参数的估计问题,其中标量响应Y1,.,Yn依赖于二阶平稳随机函数X1,.,Xn.一个正交系列估计的功能斜率参数与额外的阈值在傅立叶域中的建议和其性能的测量相对于广泛的加权风险覆盖作为示例的均方预测误差和平均积分平方误差的衍生估计。本文在斜率参数的不同正则性空间和协方差算子的不同连接条件下,导出了估计量在一大类正则性空间上的极小极大最优收敛速率。这些一般结果通过著名的周期函数的索伯列夫空间作为斜率参数的正则性空间以及有限或无限平滑协方差算子的情况的具体例子来说明。
2009-01-27 math.ST stat.TH
Adaptive estimation of linear functionals by model selection
我们提出了一种基于高斯模型选择技术的线性泛函估计方法。我们证明了该方法是自适应的,并且给出了所选估计量关于$\mathbb{L}_p$损失的风险的非渐近预言不等式。应用于估计信号或其$r^{th}$衍生物在一个给定的点上的问题,并证明了极小极大率保持一致的Besov球。我们还应用我们的非渐近预言不等式估计的平均值的间隔长度取决于噪声水平的信号。仿真来说明在一个给定的点的函数的估计过程的性能。我们的方法提供了一个逐点自适应估计。
2008-10-27 math.ST stat.TH
Quadratic functional estimation from observations with multiplicative measurement error
针对乘性误差干扰下的正随机变量密度二次泛函估计问题,提出结合Mellin变换估计与谱截断正则化反演的完全数据驱动插件估计器,采用Goldenshluger-Lepski方法选截断参数,证明其达对数衰减的神谕速率并通过模拟验证。
2024-08-13 math.ST stat.TH
Estimation of functional derivatives
在数据分析中,函数预测因子与标量响应配对的情况越来越多。预测器通常被适当地建模为平方可积〔的〕光滑随机函数。对函数关系的性质施加最小的假设,我们的目标是估计相对于预测函数的响应的方向导数和梯度。在统计应用和数据分析中,函数导数提供了预测轨迹变化和标量响应变化之间通常错综复杂的关系的定量度量。这种方法提供了向量空间中经典梯度场的自然扩张,并提供了最速下降的方向。我们提出了一种基于核函数的方法,利用分解的随机预测函数到他们的特征函数的非参数估计的功能衍生物。这些本征函数定义了梯度场展开的一组正则方向。所提出的方法是导致渐近相合估计的功能衍生物,并说明在应用程序中的增长曲线。
2009-09-07 math.ST stat.TH
Adaptive optimal kernel density estimation for directional data
本文主要研究方向数据的非参数密度估计问题。提出了一种新的核密度估计带宽选择规则。我们的过程是自动的,完全数据驱动的,并适应密度的平滑程度。我们得到了一个预言不等式和L2误差下的最优收敛速度。我们的理论结果与模拟说明。
2018-08-07 math.ST stat.TH
Nonparametric Estimation of Variance Function for Functional Data
本文研究均值函数未知时函数型数据方差函数的非参数估计。我们得到的核估计的平方残差的基础上的渐近结果。与有限维情形类似,我们的渐近结果表明未知均值函数的光滑性对收敛速度有影响。仿真结果表明,基于残差的估计量比基于响应的条件二阶矩的估计量有更好的性能。
2008-12-14 math.ST stat.ME stat.TH
Estimation of extreme $L^1$-multivariate expectiles with functional covariates
本文研究了极端水平下多元期望值的半参数估计。所考虑的多变量风险度量还包括关于函数协变量的可能条件,该函数协变量属于无限维空间。利用一阶最优性条件最优性条件,我们将这些期望值解释为一个多维非线性最优化问题的解。然后,推理是基于梯度下降型的最小化算法,加上相容核估计我们的关键统计量,如条件分位数,条件尾指数和条件尾依赖函数。该方法适用于等价重尾边缘和多元正则变分条件下的潜在未知随机向量的任意依赖结构。我们的主要结果建立了速度速率的最佳近似解向量的概率的一致性。这使得我们能够根据数据样本量来估计整个过程的全局计算成本。
2023-03-29 math.ST stat.TH
Optimal kernel selection for density estimation
我们提供了新的一般内核选择规则感谢惩罚最小二乘标准。我们得到最优预言不等式使用适当的浓度工具。我们还研究了[BM 07]中所描述的最小惩罚问题。
2015-11-06 math.ST stat.TH
Adaptive estimation of functionals in nonparametric instrumental regression
我们考虑一个线性泛函的值l(λ)的估计问题,其中结构函数λ在存在工具变量的情况下模拟一个非参数关系.我们提出了一个插件估计,这是基于降维技术和额外的阈值。证明了该估计量是相容的,并且在附加正则性条件下能达到极小极大最优收敛速率。然而,这需要根据结构函数的某些特性以及回归量和仪器的联合分布来最优地选择维数参数m,这在实践中是未知的。我们提出了一个完全数据驱动的选择m,结合模型选择和Lepski的方法。我们表明,自适应估计达到最佳的收敛速率的对数因子。在本文中的理论说明,考虑经典的光滑性假设,我们讨论的例子,如逐点估计或估计的结构函数的平均值。
2011-09-05 math.ST stat.TH
Functional estimation and hypothesis testing in nonparametric boundary models
考虑具有未知支撑边界曲线$g$的Poisson点过程,其形成非规则统计模型的原型。我们解决了估计形式为$\int Φ(g(x))\,dx$的非线性泛函的问题。根据非参数最大似然方法,我们构造了一个估计,这是UMVU在Hölder球,并实现了(局部)极小极大收敛速率。这些结果在$Φ$上的弱假设下成立,这些假设对于$Φ(u)=|u|^p$,$p\ge 1$都是满足的。作为应用,我们考虑了$L^p$ -范数的估计问题,并得到了相应的非参数假设检验问题中的极小极大分离率。结构差异,定期非参数模型的结果进行了讨论。
2019-02-12 math.ST stat.TH
Functional nonparametric estimation of conditional extreme quantiles
当函数协变量信息可用时,以及当分位数的阶数随着样本量的增加而收敛到1时,我们讨论了重尾分布分位数的估计。这样的“极端”分位数可以位于数据的范围内,或者接近甚至超出样本的边界,这取决于它们的阶数收敛到1的收敛速度。引入了这些泛函极值分位数的非参数估计,建立了它们的渐近分布,并研究了它们的有限样本行为。
2011-04-01 math.ST stat.ME stat.TH
Optimal Estimation for the Functional Cox Model
功能协变量在许多医学、生物人口统计学和神经影像学研究中很常见。本文研究了具有右删失数据的函数型Cox模型在函数型和标量型协变量同时存在的情形。研究了极大偏似然估计的渐近性质,建立了有限维估计的渐近正态性和渐近有效性。在再生核Hilbert空间的框架下,证明了函数协变量系数函数的估计在加权$L_2$ -风险下具有极小极大最优收敛速度.该最优速率由删失方案、再生核和协方差核共同决定。详细讨论了估计方法的实现和平滑参数的选取。通过仿真实例和实际应用说明了有限样本性能。
2016-01-27 math.ST stat.ME stat.TH
Kernel-based estimation for partially functional linear model: Minimax rates and randomized sketches
本文研究了部分函数线性模型(PFLM),其中所有的预测特征由一个函数协变量和一个高维标量向量组成。在无限维再生核希尔伯特空间上,PFLM的估计是一个函数范数和$\ell_1$范数混合正则化的最小二乘估计.本文的主要任务是建立高维情形下PFLM的Minimax估计率,并利用经验过程理论中分析核类的各种技巧建立最优Minimax估计率。此外,我们提出了一个有效的数值算法的基础上随机草图的核矩阵。几个数值实验来支持我们的方法和优化策略。
2021-10-18 math.ST stat.ML stat.TH
Estimation of functionals of sparse covariance matrices
高维统计检验通常忽略相关性以获得简单性和稳定性,从而导致依赖于相关阵的泛函(例如其Frobenius范数和其他$\ell_r$范数)的零分布。受这类检验临界值计算的启发,我们研究了稀疏相关阵泛函估计的困难。具体而言,我们表明,简单的插件程序的基础上阈值估计的相关阵是稀疏自适应和极大极小最优的一类相关阵。类似于以前的结果功能估计,极大极小利率表现出肘现象。我们的研究结果进一步说明了模拟数据以及金融计量经济学中产生的数据的实证研究。
2015-11-17 math.ST stat.ME 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
On the estimation of locally stationary functional time series
本研究发展了局部平稳函数时间序列时变特征的渐近理论,提出基于核的方法估计时变协方差算子与均值函数,推导收敛速度并建立中心极限定理,应用于检验两个函数样本的时变均值函数相等性。
2023-05-22 math.ST stat.ME stat.TH
Online Estimation for Functional Data
函数数据分析已经引起了人们的极大兴趣,并面临着新的挑战,其中之一是越来越多的数据以流的方式提供。在这篇文章中,我们开发了一个在线的非参数方法来动态更新函数数据的均值和协方差函数的估计。根据数据驱动的带宽,核类型估计可以分解为两个充分统计量。我们建议通过一系列动态变化的候选者来近似未来的最佳带宽,并将块之间的相应统计数据结合起来,以形成更新的估计。所提出的在线方法基于存储的充分统计量和当前数据块易于计算。我们推导出了均值和协方差函数的在线估计的渐近正态性,更重要的是,得到了相对效率的下界。这提供了对由候选带宽序列的长度驱动的估计精度和计算成本之间的关系的洞察。模拟和真实数据的例子来支持这样的发现。
2021-11-04 math.ST stat.ME stat.TH
Efficient functional estimation and the super-oracle phenomenon
我们考虑估计的两个样本的积分泛函,自然发生的类型,例如,当感兴趣的对象是未知的概率密度之间的分歧。我们的第一个主要结果是,在广泛的一般性,加权最近邻估计是有效的,在这个意义上实现局部渐近极大极小下界。此外,我们还证明了一个相应的中心极限定理,这有利于建设渐近有效的置信区间的功能,具有渐近最小的宽度。我们的结果的一个有趣的后果是发现,对于某些泛函,我们的估计的最坏情况下的性能可能会改善自然的“神谕”估计,这是获得的值的未知密度的观察。
2023-01-30 math.ST stat.ME stat.ML
Near-Optimal Estimation of Linear Functionals with Log-Concave Observation Errors
本文研究了被随机噪声破坏的线性观测下线性泛函的最优估计问题,提出了一种在最优恢复中更相关的性能度量,并证明即使噪声仅为对数凹分布,线性映射仍能提供近最优估计方案。
2023-07-29 math.FA math.ST stat.TH
Estimation in Functional Regression for General Exponential Families
研究了一类指数族模型,其标准参数被指定为未知的无穷维斜率函数的线性泛函。建立了斜率函数估计的最优极小极大收敛速度。通过参数的约束极大似然估计构造了达到最优速率的估计量,参数的维数随着样本量的增加而增加。受Le Cam的渐近等价理论的启发,我们使用了一个度量变化的参数来消除指数族模型的非线性所引起的偏差。
2011-08-17 math.FA math.PR math.ST
Adaptive Optimal Nonparametric Regression and Density Estimation Based on Fourier-Legendre Expansion
受金融和技术应用的启发,本文的目标是考虑基于Fourier-Legendre展开的回归和密度分布的自适应估计,以及置信区间的构造-也是自适应的。估计是渐近最优的和自适应的意义上说,他们可以适应未知的光滑。
2007-06-06 math.SP math.ST stat.TH
Shape-constrained Estimation in Functional Regression with Bernstein Polynomials
Shape restrictions on functional regression coefficients such as non-negativity, monotonicity, convexity or concavity are often available in the form of a prior knowledge or required to maintain a structural consistency in functional regression models. A new estimation method is developed in shape-constrained functional regression models using Bernstein polynomials. Specifically, estimation approaches from nonparametric regression are extended to functional data, properly accounting for shape-constraints in a large class of functional regression models such as scalar-on-function regression (SO…
2022-09-09 math.ST stat.AP stat.ME
Estimation in functional regression for general exponential families
研究了一类指数族模型,其标准参数被指定为未知的无穷维斜率函数的线性泛函。建立了斜率函数估计的最优极小极大收敛速度。通过参数的约束极大似然估计构造了达到最优速率的估计量,参数的维数随着样本量的增加而增加。受Le Cam的渐近等价理论的启发,我们采用了测度变化的方法来消除指数族模型的非线性所引起的偏差。
2013-02-13 math.PR math.ST stat.ME
Local moment matching: A unified methodology for symmetric functional estimation and distribution estimation under Wasserstein distance
Stanford University(斯坦福大学)
我们提出\emph{Local Moment Matching (LMM)},对称函数估计和分布估计下瓦瑟斯坦距离的统一方法。我们构造了一个有效的可计算的估计,实现了极大极小率估计的分布排列,并表明,插件的方法,我们的无标签分布估计是“通用”的对称泛函估计的离散分布。而不是做最好的多项式逼近显式在现有文献中的功能估计,插件的方法进行多项式逼近隐式,并达到最佳的样本复杂性的熵,功率和支持大小泛函。
2018-06-26 cs.IT cs.LG math.IT
Near-Gaussian entropic functional calculation and density estimation using an asymptotic series
近高斯概率密度在许多重要的物理应用中很常见。在这里,我们开发了一个渐近展开的方法来计算这样的密度熵泛函。所提出的展开式是量子场论中标准微扰展开式的近亲。我们给新的结果的非高斯均匀矩和不对称性(如偏斜)的熵的低阶效应。的渐近展开也被用来定义一个最佳拟合最大熵密度给定一组观察到的低阶矩。最大熵密度估计技术仅由一小组代数方程的解组成,因此在数值上比依赖于复杂的凸优化技术的经典最大熵方法更直接。
2016-06-07 math-ph math.MP math.ST
Simple Adaptive Estimation of Quadratic Functionals in Nonparametric IV Models
本文研究了非参数辅助变量(NPIV)模型中二次泛函的自适应Minimax估计,这是带有未知算子的不适定逆回归的非线性泛函的最优估计中的一个重要问题.我们首先证明了二次泛函的留一筛选NPIV估计量可以达到与Chen和Christensen [2018]中先前推导的下界一致的收敛速度。最小最大速率是通过筛选尺寸(关键调整参数)的最佳选择来实现的,这取决于NPIV函数的平滑度和不适定性的程度,两者在实践中都是未知的。接下来,我们提出了一个Lepski型的数据驱动的选择的关键筛尺寸适应未知的NPIV模型功能。二次函数的自适应估计,以达到极大极小最优率在严重不适定的情况下,并在定期轻度不适定的情况下,但乘法$\sqrt{\log n}$因子在不规则轻度不适定的情况下。
2022-02-09 econ.EM math.ST stat.ME
Minimax Optimal Additive Functional Estimation with Discrete Distribution
本文讨论了在给定$n$独立同分布的情况下,估计一个可加泛函的问题.从具有字母大小$k$的离散分布$P=(p_1,...,p_k)$中抽取的样本。对于函数$ϕ$,加性泛函被定义为$θ(P;ϕ)=\sum_{i=1}^kϕ(p_i)$,它覆盖了大多数类熵准则。对于某些特定的$ϕ$,如$ϕ(p)=p^α$和$ϕ(p)=-p\ln p$,该问题的极小极大最优风险已经是已知的。然而,没有通用的方法来获得最小最大最优风险的可加性函数估计问题。本文揭示了$ϕ$的性质,它表征了可加函数估计问题的极小极大最优风险,这种分析适用于一般的$ϕ$ .更准确地说,我们揭示了这个问题的最小最大最优风险的特点是由发散速度的功能$ϕ$。
2018-11-28 cs.IT math.IT math.ST
Minimax Optimal Additive Functional Estimation with Discrete Distribution: Slow Divergence Speed Case
本文讨论了$ϕ$的一个可加泛函$θ(P;ϕ)=\sum_{i=1}^kϕ(p_i)$的估计问题,其中给定$n$ i.i.d.从离散分布$P=(p_1,...,p_k)$中抽取的随机样本,字母大小为$k$。我们在前面的文章中已经揭示了这个问题的minimax最优率是由$ϕ$的四阶导数在快发散速度范围内的发散速度来表征的。在本文中,我们证明了这一事实的一个更广泛的范围内的发散速度。结果表明,在发散速度参数$α$的每一个取值范围内,可加函数估计的极小极大最优率都是存在的。对于$α\in (1,3/2)$,我们证明了极大极小化率是$\frac{1}{n}+\frac{k^2}{(n\ln n)^{2α}}$。此外,我们还证明了对于$α\in [3/2,2]$,极小极大速率是$\frac{1}{n}$。
2018-01-12 cs.IT math.IT math.ST
Sparse Wavelet Estimation in Quantile Regression with Multiple Functional Predictors
本文研究了部分函数线性模型中的分位数回归问题,其中响应是标量,预测变量既包括标量又包括多个函数。采用小波基更好地逼近函数斜率,同时有效地检测局部特征。稀疏组套索惩罚施加到选择重要的功能预测,同时捕获共享的信息之间。估计问题可以转化为一个标准的二阶锥规划,然后用内点方法求解。我们还提出了一种新的算法,利用交替方向法的乘数(ADMM),这是最近许多研究人员在解决惩罚分位数回归问题。建立了算法的收敛速度和预测误差界等渐近性质。仿真和一个实际的数据从ADHD-200 fMRI数据进行调查,以显示我们提出的方法的优越性。
2017-12-02 math.ST stat.AP stat.CO
The Fundamental Limits of Structure-Agnostic Functional Estimation
本文形式化黑箱冗余函数估计下的泛函估计问题并推导极小极大下界,证明在结构无关、仅施加高层速率条件时一阶去偏方法最优,而利用函数空间结构的高阶估计量才能进一步改进。
2025-06-07 math.ST stat.ME stat.ML
Least product relative error estimation for functional multiplicative model and optimal subsampling
本文研究了基于最小乘积相对误差准则的泛函线性乘性模型。在一定的正则化条件下,我们建立了估计量的相合性和渐近正态性。此外,我们研究了该模型的最佳子采样与海量数据。首先给出了子抽样估计量的相合性和渐近分布。然后,我们得到了基于A-最优性准则的最优子采样概率。此外,还提出了不需要计算黑塞矩阵的逆矩阵的有用的可替换的子采样概率,这些子采样概率在实际中更容易实现。最后,数值研究和实际数据分析,以评估所提出的方法的性能。
2023-01-03 cs.NA math.NA math.ST
Estimation of a functional single index model with dependent errors and unknown error density
研究了具有相依误差的泛函单指标模型的误差密度估计问题。在自回归误差结构下,利用贝叶斯方法同时估计核形式误差密度和回归函数的带宽。对于回归函数和误差密度的估计,实证研究表明,函数单指数模型给出了改进的估计和预测精度比任何非参数函数回归考虑。此外,误差密度的估计有助于构造响应变量的预测区间。
2018-10-19 stat.AP
Estimation of Multivariate Functional Principal Components from Sparse Functional Data
University College Dublin(都柏林大学学院)
本文提出通过最大似然估计结合改进的Gram-Schmidt正交化方法,改进传统方法以估计多元函数主成分,并通过阿尔茨海默病研究和爱尔兰奶牛数据验证其有效性。
2026-03-20 stat.CO stat.ME
Shrinkage Estimation and Selection for Multiple Functional Regression
泛函线性回归是简单线性回归的一种有效推广,已被许多学者所研究。然而,与多元线性回归中的函数变量选择问题相对应的多个函数观测值存在时的函数变量选择问题却很少被研究。在这里,我们提出了一种方法,使用组平滑剪切绝对偏差惩罚(gSCAD),可以同时进行回归估计和变量选择。我们证明了该方法可以一致地识别真实模型,并讨论了函数系数估计的逐点置信区间的构造。我们的方法和理论验证了模拟研究以及光谱数据的应用。
2011-08-19 stat.ME
Overlapping Batch Confidence Intervals on Statistical Functionals Constructed from Time Series: Application to Quantiles, Optimization, and Estimation
本文提出基于重叠批次与 OB-x 极限的时间序列统计泛函置信区间方法,在多种估计任务中显著优于子采样和 bootstrap。
2023-07-17 cs.CE math.PR math.ST
Estimation of Quantile Functionals in Linear Model
本文研究线性模型中分位数泛函的非参数估计问题,提出将平均两步回归分位数与斜率R估计量相结合的新估计方法。
2024-04-03 stat.ME
Robust optimal estimation of location from discretely sampled functional data
估计位置是功能数据分析中的一个核心问题,但目前大多数估计过程要么不切实际地假设完全观察到的轨迹,要么缺乏鲁棒性,相对于许多种异常,可以在功能设置中遇到。为了弥补这些不足,我们介绍了第一类最佳的鲁棒位置估计的基础上离散采样的功能数据。所提出的方法是基于M-型平滑样条估计重复测量,适用于共同和独立观察轨迹受到测量误差。我们表明,在适当的假设下,所提出的估计族对于常见和独立观察到的轨迹都是极大极小率最优的,我们在蒙特卡洛研究和涉及最近Covid-19数据的真实数据示例中说明了其极具竞争力的性能和实用性。
2021-04-05 stat.ME
Locally sparse quantile estimation for a partially functional interaction model
功能数据分析已广泛开展。在这项研究中,我们考虑了一个部分功能模型,其中一些协变量是标量和线性效应,而其他一些变量是功能和未指定的非线性效应。显着推进从现有的文献中,我们认为一个模型的功能和标量协变量之间的相互作用。为了适应长尾误差分布,这是在数据分析中并不少见,我们采用分位数估计技术。为了实现更可解释的估计,并适应许多实际的设置,我们假设函数协变量的影响是局部稀疏的(即,存在子区域上的影响正好为零),这自然会导致变量/模型选择问题。我们建议尊重“主效应,相互作用”的层次结构,假设,如果一个子区域有一个非零的影响,在一个相互作用项,那么它的效果必须是非零的相应的主要功能的影响。对于估计,识别局部稀疏性,尊重的层次结构,我们提出了一个惩罚的方法。给出了一个有效的计算算法,并在较弱的正则条件下严格地建立了相容性。仿真结果表明了该方法的有效性。Tecator数据的分析进一步证明了其实用性。总体而言,这项研究可以提供一个新的和实际有用的模型和一个统计和数值上令人满意的估计方法。
2023-01-09 stat.ME
Nonparametric Estimation of Functional Dynamic Factor Model
对于许多现象,数据可以被假设为定义在无限维空间上的连续函数。然而,无限维的数据可能由少量的潜在变量驱动。因此,因子模型与函数数据相关。本文研究了时变函数型数据的函数因子模型。我们提出了平稳和非平稳过程下的非参数估计。我们得到的估计,考虑时间依赖性。具体来说,我们使用不同滞后的协方差中包含的信息。我们证明了所提出的估计是一致的。通过蒙特卡罗模拟,我们发现我们的方法优于基于函数主成分的估计器。我们还将我们的方法应用于月度收益率曲线。一般来说,适当的时间相关信息的整合,提高了潜在因素的估计。
2022-05-17 stat.ME
Uncertainty Estimation in Functional Linear Models
函数数据分析在许多科学应用中被证明是有用的。物理过程被观察为曲线,并且通常由于多个受试者而观察到多个曲线,从而提供统计意义上的重复。最近的文献发展了几种技术,用于记录曲线和相关的模型估计。然而,很少有研究统计推断,特别是不确定性估计。在这篇文章中,我们考虑函数线性混合建模方法来组合几个曲线。当使用泛函线性混合模型进行预测时,我们集中测量不确定度。虽然测量的不确定性是最重要的兴趣在任何统计预测,有没有封闭的形式表达功能混合效应模型。在许多实际应用中,只能观察到有限数量的曲线。在这种情况下,重要的是要评估任何有效的统计报表的错误率。我们推导出理论上有效的近似的不确定性测量是合适的,随着修改后的估计技术。我们通过数值例子说明我们的方法,并与其他现有文献进行适当的比较。我们的方法是计算简单,往往优于其他方法。
2018-01-29 stat.ME