Second order semi-parametric inference for multivariate log Gaussian Cox processes
本文介绍了一种新的方法来推断具有复强度函数的多元对数高斯Cox过程（LGCP）的二阶性质。我们假设一个半参数模型的多变量强度函数包含一个未指定的复杂因素共同的所有类型的点。鉴于此模型，我们利用几种类型的点的可用性来构建一个二阶条件复合似然来推断LGCP的对相关和交叉对相关函数。重要的是，这种可能性不依赖于强度函数的未指定部分。我们还介绍了一个交叉验证方法的模型选择和正则化推理，可用于获得交叉对相关函数的稀疏模型的算法。该方法适用于模拟数据以及从显微镜和犯罪学的数据例子。这显示了新方法如何优于现有的替代方案，其中强度函数是非参数估计的。
2022-01-03 stat.ME
Joint semi-parametric INAR bootstrap inference for model coefficients and innovation distribution
本文提出一种半参数 INAR 自助法程序，证明其对模型系数与新息分布的联合估计具有一致性，并应用于拟合优度检验、预测推断与离散指数分析，通过模拟和实际数据验证了其有限样本性能。
2025-07-15 stat.ME
An Adaptively Resized Parametric Bootstrap for Inference in High-dimensional Generalized Linear Models
当参数数量和样本量之间的比率不可忽略时，逻辑斯谛回归模型中精确的统计推断仍然是一个关键的挑战。这是因为基于经典渐近理论或自举计算的近似值都严重偏离了目标。本文介绍了一种用于推断任意维模型参数的自举方法。与参数自助法一样，我们从分布中重新采样观测值，该分布取决于估计的回归系数序列。新颖之处在于，这个估计实际上远离最大似然估计（MLE）。这一估计是由最近的理论研究性质的MLE在高维，并获得适当收缩的MLE向原点。我们证明，调整大小的自助方法产生有效的置信区间在模拟和真实数据的例子。我们的方法扩展到其他高维广义线性模型。
2022-08-18 stat.ME
A Tutorial on Parametric Variational Inference
Uppsala University（乌普萨拉大学）
在贝叶斯模型中，变分推断使用优化而不是积分来近似边缘似然，从而近似后验。由于过去十年在计算可扩展性方面取得的进展，变分推断现在是许多高维模型和大型数据集的首选。本教程介绍了变分推断从参数的角度来看，占主导地位的这些最近的发展，在其他介绍性文本中常见的平均场的角度。
2023-01-03 cs.LG stat.ME stat.ML
A robustified posterior for Bayesian inference on a large number of parallel effects
许多现代实验，如微阵列基因表达和全基因组关联研究，提出了估计大量平行效应的问题。贝叶斯推断是一种流行的方法，用于通过将大量未知参数建模为来自公共先验分布的随机效应来分析此类数据。然而，先验分布的错误设定可能导致随机效应的错误估计，尤其是对于最大和最有趣的效应。本文有两个目的。首先，我们提出了一个鲁棒的后验分布的参数贝叶斯分层模型，可以大大减少错误指定的先验的影响。其次，我们进行了一个系统的比较标准的参数后验，建议鲁棒参数后验，和非参数贝叶斯后验，使用狄利克雷过程混合先验。与灵活的参数先验相结合，建议鲁棒后可以是一个更好的替代非参数贝叶斯方法。
2018-10-25 stat.ME
Defensive Model Expansion for Robust Bayesian Inference
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出防御性模型扩展方法，通过将非参数成分与参数模型结合，实现模型自动适应，从而在参数模型正确时恢复效率，在不正确时捕捉缺失信号，提升鲁棒贝叶斯推断性能。
2026-03-12 stat.ME
Non-parametric Bayesian inference via loss functions under model misspecification
King’s College London（伦敦国王学院）；McGill University（麦吉尔大学）；Imperial College London（帝国理工学院）；London School of Economics and Political Science（伦敦政治经济学院）
本文提出了一种基于损失函数的非参数贝叶斯方法，在模型不规范情况下构建有效的后验分布，并通过模拟验证了其恢复真实参数的能力。
2026-01-19 stat.ME
Bayesian Indirect Inference Using a Parametric Auxiliary Model
间接推理（II）是一种方法，用于在分析和计算上更容易处理的替代参数（辅助）模型的基础上估计棘手（生成）模型的参数。这种方法已经在经典文献中得到了很好的探讨，但在贝叶斯范式中受到的关注却少得多。本文的目的是比较和对比我们所说的参数贝叶斯间接推理（pBII）方法的集合。一类pBII方法使用近似贝叶斯计算（这里称为ABC II），其中汇总统计量是基于辅助模型，使用II中的思想形成的。在文献中提出的另一种方法，这里称为参数贝叶斯间接似然（pBIL），使用辅助似然作为替代的棘手的可能性。我们表明，pBIL是一个根本不同的方法ABC II。我们设计了新的理论结果pBIL提供额外的见解，它的行为，也与ABC II的差异。此外，我们更详细地研究了使用每种pBII方法所需的假设。本文中开发的结果，见解和比较说明了简单的例子和其他两个实质性的应用。第一个实质性的例子涉及执行复杂的分位数分布的基础上模拟数据的推断，而第二个是用于估计一个三变量随机过程的参数描述的演变的大型寄生虫在主机的基础上的真实数据。我们创建了一个新的框架，称为贝叶斯间接似然（BIL），其中包括pBII以及一般的ABC方法，以便可以建立方法之间的连接。
2015-05-13 stat.ME
Bayesian semi-parametric inference for clustered recurrent events with zero-inflation and a terminal event/4163305
复发性事件数据在临床研究中很常见，当受试者纵向随访时，经常发生终末事件。随着具有异质性来源人群的大型实用性试验的日益普及，参与者通常嵌套在诊所中，并且可能对复发过程敏感或结构上不敏感。这些复杂性需要新的建模策略，以适应潜在的零事件膨胀以及分层数据结构的终端和非终端事件过程。在本文中，我们开发了一个贝叶斯半参数模型，以联合特征的零膨胀的复发事件过程和终端事件过程。我们使用一个点质量混合的非齐次泊松过程来描述经常性的强度，并引入共享的随机效应从不同的来源来桥接非终端和终端事件过程。为了实现鲁棒性，我们考虑非参数Dirichlet过程建模的剩余的加速失效时间模型的生存过程以及集群特定的脆弱性分布，并开发一个马尔可夫链蒙特卡罗算法的后验推理。我们证明了我们提出的模型与竞争模型相比，通过模拟的优越性，并将我们的方法应用到一个务实的集群随机试验中的老年人跌倒伤害预防。
2022-12-05 stat.ME
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
Parametric-Rate Inference for One-Sided Differentiable Parameters
假设一个人有一个参数的集合，由一个（可能是无限维的）集合索引。给定从某个分布生成的数据，目标是估计在该分布下评估的该集合中的最大参数。当最大化参数不唯一时，这个估计问题通常是不规则的，因此标准的渐近技术通常在这种情况下失败。我们提出了一种技术，用于开发参数率置信区间的数量感兴趣的这些非常规设置。我们证明了当最大化参数是唯一的时，我们的估计是渐近有效的，从而使得正则估计是可能的。我们将我们的技术应用到最近的一个例子，从文献中，其中一个希望报告的最大绝对相关性之间的预先指定的结果和p预测。我们的技术的简单性，使以前开放的情况下，P增长与样本量的分析。具体来说，我们只要求log（p）的增长速度慢于n的平方根，其中n是样本量。我们表明，与以前的方法不同，我们的方法可扩展到大量的数据集：点估计和置信区间可以在O（NP）时间内构建。
2016-05-24 stat.ME
Robust Parametric Inference for Finite Markov Chains
我们考虑的问题，在一个参数有限马尔可夫链模型的统计推断和开发一个强大的估计参数定义的转移概率通过最小化一个合适的（经验）版本的流行的密度功率发散。基于一阶平稳马尔可夫链的长观测序列，定义了参数的最小密度幂离估计（MDPDE），并在适当的条件下严格推导了其渐近性质和鲁棒性质. MDPDE的性能说明了理论以及经验有限马尔可夫链模型的一些常见的例子。并结合两个马尔可夫链序列的参数比较，讨论了它在统计假设稳健性检验中的应用。对于多重马尔可夫链、高阶马尔可夫链和具有时间依赖转移概率的非平稳马尔可夫链，也简要讨论了MDPDE的几个扩展方向和相关的推论.最后，我们的建议被应用于分析企业信用评级迁移数据的三个国际市场。
2021-03-21 math.PR stat.ME
Non-parametric causal inference for bivariate time series
我们引入了新的量，探索性的因果关系推断之间的二元时间序列。这些量被称为倾向和倾向，在计算上很容易应用，直接遵循概率因果关系的假设，不依赖于时间序列生成过程的任何假设模型，也不依赖于任何嵌入程序;这些功能可以提供比现有时间序列因果关系工具更清晰的结果解释。偏好和倾向是基于用于计算概率的结构化方法来计算的。
2016-01-27 physics.data-an stat.ME
Parametric Sequential Causal Inference in Point Parametrization
假设分配一系列治疗以影响最后一次治疗后发生的感兴趣的结果。治疗之间存在时间依赖性协变量，可能是早期治疗的治疗后变量和后续治疗的混杂因素。在这篇文章中，我们开发了一个参数的方法来推断的因果效应的治疗顺序的结果称为顺序的因果效应。我们构造了一个点参数化的条件分布的结果，所有的治疗和时间依赖的协变量，其中的点参数的点效应的治疗被视为单点治疗。我们（1）通过处理的点效应识别处理的净效应，（2）通过对处理的点效应的约束来表达处理的净效应模式，（3）表明所有顺序因果效应都由处理的净效应决定。据此，我们（1）通过处理的点效应用极大似然估计处理的净效应，（2）通过对处理的点效应和处理的分配条件的约束来改进估计，（3）利用处理的净效应的估计来获得序贯因果效应的估计。其结果是，我们得到无偏一致的最大似然估计的顺序因果效应，即使是长的治疗序列。为了说明我们的方法，我们研究的因果关系的影响，各种序列的娱乐性药物的CD4细胞计数的HIV患者。
2015-05-27 stat.ME
On inference in parametric survival data models
University of Oslo（奥斯陆大学）；Norwegian Computing Centre（挪威计算中心）
研究参数生存数据模型中最大似然估计及其他估计量在真危险率与参数危险率不同时的估计问题，探讨模型外情形下的极限分布、模型鲁棒性及模型无关视角的影响。
2026-03-23 stat.ME
Fast and scalable non-parametric Bayesian inference for Poisson point processes
研究了泊松点过程强度函数的非参数贝叶斯估计问题。观测值是区间$[0,T]$上Poisson点过程的$n$独立实现。我们提出了两个相关的方法。在这两种方法中，我们将强度函数建模为形成间隔$[0,T]$的分区的$N$箱上的分段常数。在第一种方法中，强度函数的系数被分配独立的伽马先验，导致封闭形式的后验分布。在理论方面，我们证明了作为$n\rightarrow\infty,$的后验渐近集中在“真实”，数据生成强度函数在$h$ -Hölder正则强度函数（$0 < h\leq 1$）的最佳速率。在第二种方法中，我们采用伽玛马尔可夫链的强度函数的系数之前。后验分布不再以封闭形式提供，但可以使用吉布斯采样器的直接版本进行推断。这两种方法都能很好地扩展样本量，但第二种方法对选择$N$的敏感性要低得多。我们的方法的实际性能首先证明通过合成数据的例子。我们比较我们的第二种方法与其他现有的方法在英国煤矿灾害数据。此外，我们将其应用于美国大规模枪击事件数据和唐纳德特朗普的Twitter数据。
2020-03-29 stat.ME
Bayesian Non-Parametric Inference for Infectious Disease Data
我们提出了一个框架，贝叶斯非参数估计的新的感染发生率假设的流行病是部分观察。所开发的方法依赖于将新感染发生的速度建模为仅取决于时间的函数。提出了两种不同类型的先验分布，即使用阶跃函数和B样条。该方法使用模拟和真实数据集进行说明，我们表明，流行病的某些方面，如季节性和超级传播事件，而不必明确地将它们纳入参数模型。
2014-12-15 stat.AP stat.CO stat.ME
A simple recipe for making accurate parametric inference in finite sample
构造检验或置信区域来长期控制错误率可能是统计学中最重要的问题之一。然而，统计学中大多数方法的理论依据是渐进的。举个例子，自举法尽管简单且使用广泛，但它是一种渐近方法。一般来说，在有限样本中，没有关于推理过程的精确性的主张。在本文中，我们提出了一种替代的参数引导。我们设置了一般条件，从理论上证明了在有限样本下可以进行精确推理。
2019-01-20 math.ST stat.ME stat.TH
Non-Parametric Bayesian Inference for Partial Orders with Ties from Rank Data observed with Mallows Noise
Department of Statistics, University of Oxford（牛津大学统计系）
本文提出了一种基于马洛斯噪声观测的非参数贝叶斯方法，用于处理带有并列的偏序数据，通过聚类并列元素来建模社会等级结构。
2024-08-26 stat.ME
Non-parametric Quantile Regression and Uniform Inference with Unknown Error Distribution
本文研究了协变量存在未知分布测量误差时的条件分位数回归函数非参数估计与一致推断，提出反卷积核估计量构建一致置信带，并通过模拟与实际数据验证了方法的有效性。
2025-04-02 econ.EM stat.ME
Inference for bivariate extremes via a semi-parametric angular-radial model
本文提出一种基于半参数角-径模型的多元极值推断新框架，克服了现有方法在依赖形式和参数假设上的局限，提供评估联合尾部行为的统一范式及不确定性和拟合优度评估技术，在模拟和海洋气象数据上表现良好。
2024-07-09 stat.AP stat.ME
Robust Inference Using the Exponential-Polynomial Divergence
基于密度的最小发散程序代表参数统计推断中的流行技术。它们结合了强大的鲁棒性和高（有时是全）渐近有效性。在基于密度的最小距离方法中，基于Bregman散度的方法具有一个吸引人的特性，即散度的经验公式不需要使用任何非参数平滑技术，如核密度估计。基于密度功率发散（DPD）的方法代表了这一研究领域的当前标准。在本文中，我们将提出一个更广义的分歧，包括DPD作为一个特殊的情况下，并产生几个新的选项，提供更好的鲁棒性和效率之间的妥协。
2020-12-21 stat.ME
Non-Parametric Simulation of Multivariate Extreme Events via Spectral Bootstrap
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；Univ Brest（布雷斯特大学）；Sorbonne Université（索邦大学）；Université Claude Bernard Lyon 1（里昂第一大学）
本文提出一种非参数模拟方法，通过多变量广义极值分布的频谱表示，生成额外的极值数据以提升极值推断的可靠性，适用于高维极值场景的风险评估。
2026-04-10 stat.ME
Inference for quantile-parametrized families via CDF confidence bands
Indian Statistical Institute, Kolkata（印度统计学院）；Department of Statistics & Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系）
本文提出了一种通过CDF置信带构造置信集的新推断方法，适用于量化参数化分布族，无需分布假设，通过分位数函数实现，适用于小样本和大样本数据。
2025-11-28 stat.ME
Some recent developments in statistics for spatial point patterns
本文回顾了在过去十年中获得的空间点过程统计的发展。这些发展包括新的类的空间点过程模型，如行列式点过程，模型结合了规律性和聚集，模型点随机分布在潜在的几何结构。关于参数推断的主要重点是各种类型的估计功能来自所谓的创新措施。这种估计函数的最优性进行了讨论，以及计算问题。还简要地讨论了定点过程的极大似然推断和贝叶斯推断。关于非参数推理，我们认为扩展功能汇总统计量的情况下，非齐次点过程以及新的方法，以模拟为基础的推理。
2016-09-04 stat.ME
Bayesian Inference for Non-Parametric Extreme Value Theory
由于所研究的罕见事件的低样本量和不准确的模型，在实践中难以对随机事件的极值进行统计推断。如果极值的先验知识是可用的，贝叶斯统计可以应用于降低样本的复杂性，但这需要一个已知的概率分布。通过使用极低概率的分位数（$10^{-2}$或更低）并依赖其渐近正态性，可以在不假设任何分布的情况下进行推断。尽管依赖于渐近的结果，它表明，贝叶斯框架，结合先验信息，可以减少所需的观测数量估计一个特定的分位数到一定程度的准确性。
2022-05-17 math.ST stat.ME stat.TH
A Bayesian semi-parametric approach for inference on the population partly conditional mean from longitudinal data with dropout
使用纵向数据的记忆轨迹研究，由于选择性的研究招募和流失，通常会导致高度非代表性的样本。另一个偏差来自练习效果，由于熟悉测试内容或上下文，练习效果会提高或保持成绩。这些挑战可能会使研究结果产生偏差，并严重扭曲对目标人群进行概括的能力。在这项研究中，我们提出了一种方法来估计有限的人口平均值的纵向结果条件是活着在一个特定的时间点。我们开发了一个灵活的贝叶斯半参数预测估计人口推断时，纵向辅助信息是已知的目标人群。我们评估结果的敏感性，不可检验的假设，并进一步比较我们的方法用于人口推断的模拟研究中的其他方法。所提出的方法的动机是15年的纵向数据从桦纵向队列研究。我们应用我们的方法来估计情景记忆中的寿命轨迹，目的是将研究结果推广到目标人群。
2021-03-22 stat.AP stat.ME
Bayesian Inference for Regression Copulas
我们提出了一个新的半参数分布回归平滑，是基于Copula分解的联合分布的响应值的向量。Copula是高维的，通过伪回归的反演来构造，其中条件均值和方差是使用正则化基函数建模的协变量的半参数函数。通过对基系数进行积分，得到协变量空间上的隐式copula过程，我们称之为“回归copula”。我们将其与非参数边际相结合来定义Copula模型，其中响应的整个分布（包括均值和方差）是协变量的光滑半参数函数。Copula估计使用哈密顿蒙特卡罗和变分贝叶斯，后者是可扩展到高维。使用真实数据的例子和模拟研究，我们说明了这些估计和copula模型的有效性。在一个实质性的例子中，我们估计半小时电力现货价格的分布作为需求和两个时间协变量的函数，使用径向基和马蹄正则化。Copula模型产生的分布估计是局部自适应的协变量，预测比基准模型更准确。
2020-01-24 stat.ME
Predictive inference for discrete-valued time series
本文针对离散值时间序列提出通过估计未来观测落入预设集合的概率进行预测推断，结合参数与非参数方法、渐近理论及自助法，并在INAR和INARCH模型上验证了方法性能。
2025-07-21 stat.ME
Perturbed Double Machine Learning: Nonstandard Inference Beyond the Parametric Length
Rutgers, The State University of New Jersey（新泽西州立罗格斯大学）；Zhejiang University（浙江大学）
本文提出扰动双机器学习方法，通过引入随机性提高干扰参数估计的鲁棒性，确保在干扰估计收敛速度较慢时仍能实现有效的非参数推断。
2026-02-21 stat.ME
Bayesian non-parametric inference for $Λ$-coalescents: consistency and a parametric method
研究了单位区间上概率测度参数化的具有常返突变的$Λ$ -聚结过程的$Λ$ -测度的贝叶斯非参数推断.给出了观测值为时间序列时后验一致性先验的可验证准则，并证明了当所有观测值同时发生时，任何非平凡先验都是不一致的.然后，我们表明，给定的数据集的大小$n \in \mathbb{N}$的可能性是恒定的$Λ$ -措施，其领先的$n - 2$时刻同意，并专注于推断截断序列的时刻。我们提供了一个大类的泛函，可以使用有限的计算给出了一个可信的区域后截断矩序列，和一个伪边缘梅特罗波利斯-黑斯廷斯算法采样后。最后，我们比较了效率的准确和嘈杂的伪边缘算法，并没有延迟接受加速使用模拟研究。
2017-01-23 math.PR math.ST q-bio.PE
Semi-parametric Bayesian inference under Neyman orthogonality
McGill University（麦吉尔大学）
本文提出了一种基于奈曼正交性的贝叶斯推断方法，通过非参数模型和狄利克雷过程实现，展示了在因果推断中有效且稳健的边缘后验推断。
2026-02-23 math.ST stat.ME stat.TH
RPEM: Randomized Monte Carlo Parametric Expectation Maximization Algorithm
受量子蒙特卡罗方法的启发，通过始终使用无偏估计量，并利用Metropolis算法同时对离散和连续变量进行采样，提出了一种新的、快速、准确的高性能蒙特卡罗参数期望最大化（MCPEM）算法.我们将其命名为随机参数期望最大化（RPEM）。特别是，我们比较了RPEM与Monolix的SAEM和Certara的QRPEM的一个现实的两室伏立康唑模型与常微分方程（ODE）和使用模拟数据。我们发现，RPEM比SAEM和QRPEM快3到4倍，并且在重建总体参数时比它们更准确。
2022-12-23 stat.ME
Parametric inference for the discretely observed multivariate Hawkes process using particle Markov Chain Monte Carlo
School of Mathematics and Statistics, UNSW Sydney（新南威尔士大学数学与统计学院）；Defence Science and Technology Group（国防科学与技术集团）
针对离散观测的多元霍克斯过程，提出基于序贯蒙特卡洛的无偏似然估计，结合Metropolis-Hastings算法实现参数后验推断，在模拟和实际数据中优于现有方法。
2026-06-18 stat.ME
Adaptive Nonparametric Perturbations of Parametric Models with Generalized Bayes
Columbia University（哥伦比亚大学）；Technical University of Denmark（丹麦技术大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；University of Michigan（密歇根大学）
本文提出一种自适应非参数化修正方法，用于改进参数贝叶斯模型的鲁棒性和效率，通过广义贝叶斯方法避免非参数贝叶斯因子计算，应用于单细胞RNA测序数据中的基因表达因果效应估计。
2026-04-01 stat.ME stat.ML
An Equal-Probability Partition of the Sample Space: A Non-parametric Inference from Finite Samples
Independent Researcher（独立研究者）
本文研究有限样本对任意连续分布的推断问题，提出基于次序统计量的等概率划分非参数方法，证明N个排序样本划分的N+1区间期望概率均为1/(N+1)，并对比ECDF探讨其在密度、尾估计等鲁棒推断中的意义。
2025-07-29 cs.LG stat.ME stat.ML
A Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches
本文面向统计实践者系统介绍因果效应的贝叶斯估计，涵盖参数先验收缩、稀疏性、概率敏感性分析及非参数贝叶斯方法，并提供点处理、时变处理与开源代码示例。
2020-08-21 stat.ME stat.ML
Statistical inference for multivariate extremes via a geometric approach
本文提出基于极限集形状的多元极值几何统计建模与参数估计方法，可外推联合尾部并估计小概率，模拟和环境数据应用均验证其竞争力与良好拟合。
2023-11-02 stat.ME
The Cumulative Residual Mathai--Haubold Entropy and its Non-parametric Inference
Kuriakose Elias College（库里亚科斯·埃利西斯学院）；Indian Statistical Institute（印度统计研究所）
本文提出累积残差Mathai-Haubold熵及其动态版本，并基于生存函数的核密度估计开发非参数估计器，通过模拟和实际数据验证其有效性。
2025-12-10 math.ST stat.ME stat.TH
Non-parametric Causal Inference in Dynamic Thresholding Designs
Stanford University（斯坦福大学）
针对动态阈值设计中的因果推断问题，提出一种非参数局部线性回归估计量，用于识别边际政策效应，并嵌套静态回归间断设计参数。
2026-05-21 econ.EM stat.ME
On Measurement Bias in Causal Inference
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文讨论了因果推断中的测量误差问题，并着重介绍了几种消除这种误差引起的系统偏差的代数和图解方法。特别地，本文讨论了参数和非参数模型中部分可观测混杂因素的控制以及在这类模型中获得无偏效应估计的计算问题。
2012-03-15 cs.AI stat.ME
Notip: Non-parametric True Discovery Proportion control for brain imaging
计算机水平的推理程序被广泛用于大脑映射。这些方法将通过阈值化脑图获得的聚类的大小与使用随机场理论或排列计算的全局原假设下的上限进行比较。然而，通过这种类型的推断获得的保证-即，在集群中至少一个体素被真正激活-关于其中的信号的强度没有信息。因此，需要一种方法来评估集群内的信号量;然而，这种方法必须考虑到集群是基于数据定义的，这在推理方案中产生了循环。这促使使用事后估计，允许统计上有效的估计集群中的激活体素的比例。在fMRI数据的背景下，[25]中引入的全分辨率推断框架提供了激活体素比例的事后估计。然而，该方法依赖于参数阈值族，这导致保守的推断。在本文中，我们利用随机化方法来适应数据的特点，并获得更严格的错误发现控制。我们获得Notip，用于非参数真实发现比例控制：一种功能强大的非参数方法，可以在数据导出的聚类中对激活体素的比例产生统计上有效的保证。数值实验表明，在36个fMRI数据集上的检测数量与最先进的方法相比有很大的增益。在所提出的方法带来的好处的条件下进行了讨论。
2022-07-21 stat.AP stat.ME
Fast and Order-invariant Inference in Bayesian VARs with Non-Parametric Shocks
本文针对VAR模型中冲击的非高斯性，提出基于狄利克雷过程混合的加性误差结构，实现大型VAR中计算快速且顺序不变的贝叶斯非参数推断，并在金融危机和疫情期间展现出显著优势。
2023-05-26 econ.EM 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
Can parametric statistical methods be trusted for fMRI based group studies?
最广泛使用的任务功能磁共振成像分析使用的参数方法，取决于各种假设。虽然这些功能磁共振成像模型的个别方面进行了评估，他们还没有进行评估，在一个全面的方式与经验数据。在这项工作中，共200万随机任务fMRI组分析已进行使用静息状态fMRI数据，计算经验familywise错误率的软件包SPM，FSL和AFNI，以及一个标准的非参数排列方法。虽然存在一些变化，但对于5%的标称familywise错误率，参数统计方法对于体素推断是保守的，对于聚类推断是无效的;特别是，聚类定义阈值为p = 0.01的聚类大小推断产生高达60%的familywise错误率。我们进行了一些后续的分析和调查，表明无效的聚类推断的原因是空间自相关函数，不遵循假设的高斯形状。通过比较，非参数排列测试，这是基于少量的假设，被发现产生有效的结果体素以及集群明智的推断。使用真实的任务数据，我们比较了一个参数的方法和排列测试之间的结果，并发现两者之间使用聚类推理得出的结论有明显的差异。这些发现说明需要验证神经影像学领域中使用的统计方法。
2015-11-05 math.ST stat.AP stat.CO
Parametric inference for proportional (reverse) hazard rate models with nomination sampling
\noindent随机提名抽样（RNS）是一种基于等级的抽样技术，在涉及环境和生态应用的几项非参数研究中已被证明是有效的。本文研究了比例风险率模型和比例反向风险率模型中参数$\boldsymbolθ$未知向量的RNS估计。我们研究了极大似然法（ML）和矩量法（MM）的方法，并调查我们提出的基于RNS的估计相比，那些基于简单随机抽样（SRS）的相对精度。我们介绍了四种类型的RNS为基础的数据，以及必要的EM算法的ML估计，并评估相应的估计性能估计$\boldsymbolθ$。我们发现，总有一些设计参数的值，基于RNS的估计比基于SRS的估计更有效。推理的基础上不完善的排名也进行了探讨，它表明，即使在排名是不完善的，改善。理论结果增加了数值评估和案例研究。
2015-12-17 math.ST stat.AP stat.ME
Forests for Differences: Robust Causal Inference Beyond Parametric DiD
Institute of Mathematics and Computer Sciences at University of São Paulo, Brazil（巴西圣保罗大学数学与计算机科学学院）
本文提出非参数DiD-BCF模型，通过基于PTA的重新参数化统一估计ATE、GATE和CATE，并在模拟及美国最低工资政策应用中展现出处理非线性、选择偏差与效应异质性的优势。
2025-06-09 cs.LG stat.ME stat.ML
Semi-parametric inference based on adaptively collected data
UC Berkeley（加州大学伯克利分校）；Rutgers University（罗格斯大学）；MIT（麻省理工学院）；Data Science Center（数据科学中心）
针对自适应收集数据下标准估计量无法渐近正态的难题，本文在半参数广义线性回归背景下构建加权估计方程，给出渐近正态性条件与可探索性要求，并通过模拟验证理论。
2025-03-02 cs.LG math.ST stat.ME
A parametric distribution for exact post-selection inference with data carving
本文提出基于已知参数分布（正态与截断正态之和）构建枢轴量，解决数据切分选择后推断依赖昂贵MCMC方法的问题，实现计算简便的精确推断并发布Python包。
2023-05-21 cs.LG stat.ME stat.ML
Interpretable model-free inference of parametric variation across time-series data through large-scale feature extraction
The University of Sydney（悉尼大学）；Imperial College London（伦敦帝国理工学院）
提出一种无监督数据驱动方法，利用超过7000个时间序列特征库，从时间序列数据中推断未知生成过程的参数变化维度和性质，无需指定或拟合模型。
2026-06-12 physics.data-an q-bio.QM stat.ME
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
Likelihood-Based Inference for Semi-Parametric Transformation Cure Models with Interval Censored Data
本文研究了 BCTM 模型在区间删失数据下的统计特性，通过 EM 算法同时估计所有参数，并用模拟和戒烟研究数据验证了方法的稳健性与准确性。
2023-10-24 stat.CO stat.ME
Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach
University of Washington（华盛顿大学）
提出一种基于近似惩罚泊松似然的半参数回归方法，高效估计双随机空间点过程中的协变量效应，并证明在模型误设下估计的一致性和渐近正态性。
2026-06-06 stat.CO stat.ME stat.ML
Transformations in Semi-Parametric Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic likelihood，BSL）是一种在似然函数难以处理的情况下进行近似贝叶斯推断的常用方法。在合成似然方法中，似然函数通过模型模拟进行参数近似，然后使用标准的基于似然的技术来执行推断。高斯合成似然估计已成为无处不在的BSL文献，主要是因为它的简单性和易于实现。然而，它通常限制性太强，并可能导致较差的后验近似。最近，一个更灵活的半参数贝叶斯合成似然（semiBSL）估计已被引入，这是显着更强大的不规则分布的汇总统计量。在这项工作中，我们提出了一些扩展semiBSL。首先，我们考虑使用变换核密度估计的边缘分布的更灵活的估计。其次，我们提出了白化semiBSL（wsemiBSL）-显着提高semiBSL的计算效率的方法。wsemiBSL在每次算法迭代时使用近似白化变换来解相关汇总统计量。本文开发的方法显着提高了BSL算法的通用性和效率。
2020-07-03 stat.CO stat.ME
