Joint Estimation of Multi-phase Traffic Demands at Signalized Intersections Based on Connected Vehicle Trajectories
准确的交通需求估计是信号交叉口动态评价和优化的关键。现有的基于互联车辆（CV）数据的研究仅针对单个相位设计，并且没有充分研究过饱和交通条件下的实时交通需求估计。因此，本研究提出了一种基于CV数据的信号交叉口逐周期多相位交通需求联合估计方法，该方法同时考虑了欠饱和和过饱和交通条件。首先，在给定实时观测CV轨迹的情况下，推导出多阶段交通需求的联合加权似然函数，该函数考虑了初始队列，并通过将每个排队CV视为独立的观测值来放松先进先出假设.然后，使用历史CV的样本量来推导交通需求的联合先验分布。最后，提出了一种基于最大后验概率的联合估计方法（即，JO-MAP方法）被开发用于基于周期的多相位交通需求估计。所提出的方法进行评估，使用模拟和经验数据。仿真结果表明，该方法可以产生可靠的估计不同的渗透率，到达模式，和业务需求。联合估计的特点使得该方法对CV的穿透率要求较低，同时考虑了先验分布，可以显著提高估计精度。实证结果表明，该方法实现了准确的基于周期的交通需求估计的MAPE为12.73%，优于其他四种方法。
2022-10-19 math.ST stat.TH
Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference
University of Liège（列日大学）
在许多科学领域，复杂的现象是由随机参数模拟器建模的，通常具有高维参数空间和难以处理的可能性。在这种情况下，执行贝叶斯推理可能具有挑战性。在这项工作中，我们提出了一种新的方法，使摊销推断的任意子集的参数，而不诉诸数值积分，这使得解释后更方便。我们的方法是有效的，可以实现与任意神经网络架构。我们证明了该方法的适用性的参数推断的双黑洞系统的引力波观测。
2021-11-09 astro-ph.IM cs.LG stat.ML
Uncertainty Estimations by Softplus normalization in Bayesian Convolutional Neural Networks with Variational Inference
TU Kaiserslautern（凯泽斯劳滕工业大学）；MindGarage；Imperial College London（帝国理工学院）；NeuralSpace；Luleå University of Technology（吕勒奥理工大学）
我们介绍了一种新的不确定性估计贝叶斯卷积神经网络与变分推理的分类任务。通过在最后一层对Softplus函数的输出进行归一化，我们以连贯的方式估计任意和认知的不确定性。权重的后验概率分布由Bayes by Backprop推断。首先，我们展示了这种可靠的变分推理方法可以作为各种网络架构的基本构造。在监督学习设置（MNIST，CIFAR-10，CIFAR-100）的多个数据集上，这种变分推理方法在相同的体系结构中实现了与频率论推理相当的性能，而两个必要的，不确定性和正则化的度量自然地结合在一起。其次，我们研究了我们提出的任意性和认知不确定性的度量是如何推导出来的，并在上述数据集上进行了验证。
2019-05-14 cs.CV cs.LG cs.NE
Quasi-Bayesian Estimation and Inference with Control Functions
针对内生离散选择模型，本文提出结合频率学派非参数控制函数估计与贝叶斯结构参数估计的准贝叶斯方法，分析其渐近性质并通过自助法获得渐近有效置信区间。
2025-05-19 econ.EM stat.ME
Density Estimation via Bayesian Inference Engines
University of Technology Sydney（悉尼科技大学）
我们解释如何有效的自动概率密度函数估计可以使用当代贝叶斯推断引擎，如那些基于无掉头采样和期望传播。广泛的模拟研究表明，建议的密度估计有很好的比较性能和规模非常大的样本量由于分箱策略。此外，该方法是完全贝叶斯和所有的估计都伴随着逐点可信区间。随附的R语言包便于使用新的密度估计。
2021-09-26 cs.LG stat.ML
Inference, Prediction, and Entropy-Rate Estimation of Continuous-time, Discrete-event Processes
W. M. Keck Science Department of Pitzer, Scripps, and Claremont McKenna College（皮泽学院、斯克里普斯学院和克莱蒙特·麦肯纳学院W.M.凯克科学系）；University of California at Davis（加州大学戴维斯分校）
推断模型，预测未来，估计离散时间的熵率，离散事件过程是很好的基础。然而，一类更广泛的离散事件过程在连续时间中运行。在这里，我们提供了新的方法来推断，预测和估计它们。该方法依赖于扩展的贝叶斯结构推理，利用神经网络的通用逼近能力。基于复杂的合成数据的实验，该方法具有竞争力的国家的最先进的预测和熵率估计。
2020-05-07 cond-mat.stat-mech cs.IT cs.LG
Estimation and inference for area-wise spatial income distributions from grouped data
估计收入分配在衡量空间上的不平等和贫困方面发挥着重要作用。现有的收入分布研究主要集中在对一个国家或地区的收入分布进行单独估计，而对多个收入分布的同时估计尽管具有重要的实际意义，却没有进行讨论。在这项工作中，我们开发了一种有效的方法，同时估计和推断区域的空间收入分布考虑到地理信息的分组数据。基于分组数据的多项似然函数，我们提出了一个空间状态空间模型的参数化收入分布的区域参数。我们提供了一个有效的贝叶斯方法来估计和推断区域方面的潜在参数，这使我们能够计算收入分布，如平均收入和基尼指数，不仅为抽样地区，但也为地区没有任何样本由于潜在的空间状态空间结构的面积汇总措施。所提出的方法证明了使用日本明智的分组收入数据。仿真研究表明，该方法的优越性，一个粗糙的传统方法，估计收入分布分开。
2019-07-03 stat.ME
Truncated Neural Likelihood Estimation for Simulation-Based Inference in State-Space Models
School of Mathematics, University of Edinburgh（爱丁堡大学数学学院）
本文提出了一种改进的截断神经似然估计（T-SNL）方法，解决了传统序列神经似然（SNL）在状态空间模型中推断时存在的样本需求大、扩展性差和不可 amortization 的问题，从而提高了推断的准确性、稳定性与鲁棒性。
2026-05-20 cs.LG stat.CO stat.ML
Active Sequential Posterior Estimation for Sample-Efficient Simulation-Based Inference
Google Research（谷歌研究院）；HEC Montréal（蒙特利尔高等商学院）
针对基于模拟的推断存在样本需求大、难扩展至高维场景的问题，提出主动序贯神经后验估计方法，通过主动学习评估参数效用，以低开销提升样本效率，在交通等高维场景及SBI基准上均优于现有方法。
2024-12-07 cs.LG stat.ML
Bayesian and Maximum Likelihood Estimation for Gaussian Processes on an Incomplete Lattice
本文提出了一种新的方法来估计大格点上具有缺失值的平稳高斯过程的贝叶斯和极大似然参数估计。我们提出了一个MCMC方法的贝叶斯推断，和极大似然推理的蒙特卡罗期望最大化算法。我们的方法使用数据增广和循环嵌入的协方差阵，并提供精确的推断参数和缺失数据。使用模拟数据和应用卫星海洋表面温度在太平洋，我们表明，我们的方法提供了准确的推断尺寸高达512 × 512的格子，并优于两个流行的方法：复合似然和谱近似。
2014-02-18 stat.CO stat.ME
Moment-based parameter estimation in binomial random intersection graph models
二项随机交叉图可以用作大型稀疏网络的简约统计模型，其中一个参数用于平均度，另一个参数用于传递性，即节点的邻居被连接的趋势。本文讨论了这些参数的估计，从一个单一的观察实例的图，使用矩估计的基础上观察到的程度和频率的2星和三角形。假设观测数据集是由从$n$节点的完整集合中采样的$n_0$节点的集合诱导的子图。我们证明了所提出的估计的一致性，显示相对估计误差是小的概率为$n_0 \gg n^{2/3} \gg 1$。作为一个副产品，我们的分析证实，经验传递系数的图是以高概率接近的理论聚类系数的模型。
2018-06-24 cs.SI math.PR math.ST
Efficient Simulation-Based Minimum Distance Estimation and Indirect Inference
给定一个来自参数模型的随机样本，我们展示了如何基于适当的非参数密度估计（即，基于模拟的最小距离估计）可以构造，在温和的假设下，是渐近正态的，方差协方差矩阵等于Cramer-Rao界。
2010-06-28 math.ST stat.TH
Estimation and Inference of Time-Varying Auto-Covariance under Complex Trend: A Difference-based Approach
本文提出了一种基于差分的非参数方法，用于估计和推断局部平稳时间序列的时变自协方差函数，当它被具有突变和平滑变化的复杂趋势污染时。对于复杂趋势下的自协方差函数，构造了具有渐近正确覆盖概率的联合置信带。提出了一种仿真辅助的自举方法，用于SCB的实际构建。详细的模拟和一个真实的数据示例完成了我们的演示。
2020-03-10 math.ST stat.TH
Semiparametric plug-in estimation, sup-norm risk bounds, marginal optimization, and inference in BTL model
本文从半参数插件估计视角重新审视BTL模型中顶级排序问题的分量级估计与推断，利用扰动边际优化理论证明上确界范数估计的临界维度条件可从N>>p^2降至N>=C log p。
2025-04-22 math.ST stat.TH
Extreme Continuous Treatment Effects: Measures, Estimation and Inference
本文讨论了在与连续值处理相对应的不可观察潜在结果的反事实分布的深尾中处理效果的估计和推断。我们考虑两个措施的深尾特征：极端分位数函数和尾部均值函数定义为条件均值超过分位数水平。然后定义了极端分位数处理效应（EQTE）和极端平均处理效应（EATE），它们可以通过常用的无混淆条件进行识别，并借助极值理论进行估计。我们的极限理论是EQTE和EATE过程索引的一组分位数水平，因此有利于统一的推理。仿真结果表明，我们的方法在有限样本和实证应用说明了其实际价值。
2022-09-01 math.ST stat.TH
Estimation and inference for precision matrices of non-stationary time series
在本文中，我们考虑的估计和推断的精度矩阵的丰富的局部平稳和非线性时间序列的一类假设只有一个实现的时间序列观察。使用Cholesky分解技术，我们表明，精度矩阵可以直接估计通过一系列的最小二乘线性回归平滑时变系数。筛子的方法被用于估计，并被证明是有效的和最佳自适应的估计精度和计算复杂性方面。建立了一类基于非参数筛分估计的${\cal L}^2$检验的渐近理论。后者用于检验精度矩阵是对角矩阵还是带状矩阵。对一类广泛的非平稳非线性过程的二次型建立了高维高斯近似结果。
2019-03-25 math.ST stat.TH
Bias-Corrected Subspace Intersection: Minimax-Optimal Shared Subspace Estimation in Multi-View Data
University of Chicago（芝加哥大学）；the Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
针对多视图数据共享子空间估计，提出偏差校正子空间交集（BCSI）方法，消除AJIVE的二阶偏差，实现极小极大最优，并给出有限样本风险界与数值验证。
2026-09-09 cs.IT math.IT math.ST
Inference for Heterogeneous Effects using Low-Rank Estimation of Factor Slopes
我们研究了具有一般异质效应的面板数据模型，其中允许斜率在个体和时间上变化。我们采用的关键降维假设是，异质斜率可以表示为具有因子结构，使得高维斜率矩阵是低秩的，因此可以使用低秩正则化回归进行估计。我们提供了一个简单的多步估计程序的异质性影响。该程序利用样本分裂和正交化，以适应以下使用惩罚低秩估计推理。我们正式验证所得到的估计是渐近正常的，允许简单的建设推论语句{个人的时间特异性的影响和横截面平均这些影响}。我们说明了所提出的方法在模拟实验中，并通过估计最低工资对就业的影响。
2019-09-04 math.ST stat.TH
Distributed Estimation and Inference with Statistical Guarantees
本文研究了分治算法中的假设检验和参数估计。在一个统一的可能性为基础的框架，我们提出了新的测试统计量和点估计量通过聚合各种统计量的大小$n/k$，其中$n$是样本量的$k$子样本。在低维和高维的设置，我们解决了如何选择$k$作为$n$增长大的重要问题，提供了一个理论上的上限$k$，这样的信息损失，由于分而治之算法是可以忽略不计的。换句话说，所得到的估计量具有相同的推理效率和估计率作为一个实际上不可行的预言与访问完整的样本。最后给出了数值计算结果，验证了理论的正确性.
2015-09-17 math.ST stat.TH
Statistical Inference for High-Dimensional Robust Linear Regression Models via Recursive Online-Score Estimation
本文提出将递归在线得分估计（ROSE）框架扩展至非凸惩罚M估计，用于稳健高维线性回归的估计与推断，并证明估计量的一致性与渐近正态性，模拟和实际应用验证了其优越性。
2025-04-12 math.ST stat.ME stat.TH
Estimation and Inference with Proxy Data and its Genetic Applications
现有的高维统计方法主要是建立在分析个人层面的数据。在这项工作中，我们研究的估计和推断的高维线性模型，我们只观察“代理数据”，其中包括边际统计量和样本协方差阵，计算的基础上不同的个人。提出了一种基于代理数据的回归系数向量及其线性泛函的估计和推断的速率优化方法。此外，我们表现出内在的局限性，在代理数据为基础的推理：最小最大的最优估计率是慢于在传统的情况下，观察到的个人数据，测试和多重检验的权力不去一个信号强度趋于无穷大。这些有趣的发现说明通过模拟研究和分析的数据集有关的遗传协会的后肢肌肉重量在小鼠种群。
2022-01-11 math.ST stat.ME stat.TH
Adaptive Estimation and Statistical Inference for High-Dimensional Graph-Based Linear Models
我们考虑了高维图基线性模型的自适应估计和统计推断。在我们的模型中，回归系数的坐标对应于底层的无向图。此外，给定的图控制回归向量的分段多项式结构。在自适应估计部分，我们应用基于图的正则化技术，并提出了一个家庭的局部自适应估计称为Graph-Piecewise-Polynomial-Lasso。我们进一步研究了图分段多项式套索的一步更新问题的统计推断。我们发展了相应的理论，包括固定设计和亚高斯随机设计。最后，我们通过大量的模拟研究说明了我们的方法的优越性能，并以拟南芥微阵列数据集的应用作为结论。
2020-01-29 math.ST stat.ME stat.TH
Neyman Jackknife: Design-Based Variance Estimation for Causal Inference under Interference
Stanford University（斯坦福大学）
本文提出Neyman Jackknife框架，提供一种通用方法，用于在存在干扰的情况下保守估计因果推断中的变异数。该方法在经典设置中恢复与Neyman估计器和Newey-West HAC方差估计器相关的估计器，并通过数值实验表明其性能可与专门设计的基准方法相媲美。
2026-04-27 math.ST stat.ME stat.TH
Estimation and inference for minimizer and minimum of convex functions: optimality, adaptivity and uncertainty principles
该研究在非渐近局部极小极大框架下探究凸回归函数极小点与极小值的估计推断，提出自适应高效算法并给出下界，还建立了二者同时估计的不确定性原理。
2024-03-10 math.ST stat.ME stat.TH
Post-Selection Inference for Sparse Estimation
本文综述了稀疏估计中模型选择后的选择性推断，涵盖Lasso、前向逐步法和LARS的多面体与截断分布，并介绍Lasso显著性检验和LARS间距检验。
2023-10-10 math.ST stat.ME stat.TH
On statistical estimation and inferences in optional regression models
本文的主要研究对象是一个非常一般的回归模型在可选的设置-当一个观察过程是一个可选的半鞅依赖于一个未知的参数。众所周知，统计数据可以在没有通常条件的情况下呈现信息流/过滤。估计问题是通过结构最小二乘（LS）估计及其序列版本。本文的主要结果致力于这种LS-估计的强相合性。对于序贯LS-估计，证明了固定精度的性质。
2021-03-15 math.ST q-fin.ST stat.TH
Maximum Ideal Likelihood Estimation: A Unified Inference Framework for Latent Variable Models
本文提出最大理想似然估计（MILE），通过将潜变量视为参数直接利用完整数据联合分布，为潜变量模型提供统一推断框架，在传统方法失效时仍稳健，并具备理论保证与计算优势。
2025-10-06 math.ST stat.ME stat.TH
Inference Optimal Long Run Variance Estimation with Lugsail Kernels
Smith College（史密斯学院）；University of California, Riverside（加州大学河滨分校）
针对具有平稳序列依赖的数据，提出基于非标准固定平滑极限分布的Lugsail估计器最优带宽规则，改善偏差校正并优化推断。
2026-06-17 math.ST stat.ME stat.TH
Estimation and Inference in Ultrahigh Dimensional Partially Linear Single-Index Models
针对超高维部分线性单指标模型，提出轮廓部分惩罚最小二乘估计及参数F型检验与非参数函数设定检验，并通过模拟和实际数据验证其性能。
2024-04-06 math.ST stat.ME stat.TH
Estimation and inference for stochastic blockmodels
本文研究加权随机区组模型的非参数估计。我们首先表明，该模型意味着一组多线性限制的联合分布的边权重的某些子图涉及（在其最简单的形式）三胞胎和四胞胎的节点。从这个方程组系统的模型的未知组件可以恢复非参数，通常的标签模糊。我们引入一个简单的和计算吸引力的方式来做到这一点。然后，估算者遵循类比原则。提供了极限理论。我们发现，成分分布和他们的泛函，以及他们的密度函数（边缘权重是连续的情况下）都是估计的参数率。数值实验报告。
2022-03-09 math.ST stat.ME stat.TH
Robust variance estimation and inference for causal effect estimation
我们考虑一个纵向数据结构，包括基线协变量、随时间变化的治疗变量、中间时间依赖协变量和可能的不定常结果。先前的研究表明，在这种情况下，使用经验影响函数估计渐近线性估计量的方差会导致反保守估计，并增加正违规的幅度，导致覆盖率差和不受控制的I型错误。在本文中，我们提出了两种替代方法估计这些估计量的方差：（i）一个强大的方法，直接针对的影响函数的方差作为一个反事实的平均结果，和（ii）一个非参数的自助方法，理论上是有效的，降低了计算成本，从而增加了在非参数设置使用复杂的机器学习算法的可行性。这些方法的性能进行了比较，经验影响函数在不同水平的积极违规和治疗效果大小的模拟。
2018-10-06 math.ST stat.ME stat.TH
Two-Step Estimation and Inference with Possibly Many Included Covariates
我们研究的影响，包括许多协变量在第一步估计进入两步估计程序。我们发现，一阶偏差出现时，\textit{included}协变量的数量是“大”相对于样本量的平方根，使标准的推理程序无效。我们表明，刀切是能够估计这一“许多协变量”的偏见一致，从而提供了一个新的自动偏差校正两步点估计。刀切法还一致地估计了原始两步点估计量的标准误差。对于推理，我们开发了一个有效的后偏差校正自助近似，占额外的变异性引入的折刀偏差校正。我们发现，刀切偏差校正点估计和自助后偏差校正推理表现出色的模拟，提供了重要的改进，传统的两步点估计和推理程序，这是不稳健的，包括许多协变量。我们将我们的研究结果应用于一系列不同的处理效应、政策评估和其他应用微观经济学环境。特别是，我们详细讨论了生产函数和边际处理效应估计。
2018-07-26 econ.EM math.ST stat.ME
Uniform Post Selection Inference for LAD Regression and Other Z-estimation problems
在具有同方差误差的高维稀疏中位数回归模型中，我们给出了回归系数的一致有效置信区域。我们的方法是基于一个时刻方程，免疫对非正规估计的滋扰部分的中位数回归函数，通过使用奈曼的正交化。我们建立了目标回归系数的工具中位数回归估计是渐近正态分布均匀相对于底层稀疏模型，是半参数有效的。我们还将我们的方法推广到一般的非光滑Z-估计框架，目标参数$p_1$的数量可能远大于样本量$n$。我们扩展胡贝尔的结果渐近正态性的设置，证明一致的渐近正态性的估计超过$p_1$维矩形，同时构建置信带的所有$p_1$的目标参数，并建立渐近有效性的乐队一致的基本近似稀疏模型。关键词：工具;后选择推理;稀疏性;奈曼正交评分检验;一致有效推理; Z-估计。
2020-10-18 econ.EM math.ST stat.ME
Causal inference from $2^k$ factorial designs using the potential outcomes model
本文提出了一个从两水平析因设计中进行因果推断的框架。该框架利用的概念，潜在的结果，在于在中心阶段的因果推断和扩展奈曼的重复抽样方法的因果效应估计和随机化测试的基础上，费舍尔的尖锐的原假设的情况下，2-水平析因实验。该框架允许从有限的人口统计推断，允许定义和估计的被估量以外的“平均因子效应”，并导致更灵活的推理程序比那些基于普通最小二乘估计从线性模型。
2012-11-16 math.ST stat.AP stat.ME
Statistically and Computationally Optimal Estimation and Inference of Common Subspaces
针对多个对称低秩矩阵共享公共子空间的问题，提出基于投影梯度下降和谱平方和初始化的估计器，在强估计信噪比下达到最优 sinΘ 误差率，并在强推断信噪比下实现渐近正态分布的自适应置信区间。
2026-06-04 math.OC math.SP math.ST
Differentially Private Federated Learning: Servers Trustworthiness, Estimation, and Statistical Inference
Rutgers University（罗格斯大学）
本文研究了差分隐私联邦学习中的高维估计与推断挑战，分别在不可信和可信中央服务器场景下证明了估计困难并提出了针对线性回归的新型联邦估计算法及统计推断方法。
2024-04-25 cs.CR cs.LG math.ST
Deep Neural Networks for Estimation and Inference
University of Chicago Booth School of Business（芝加哥大学布斯商学院）
我们研究深度神经网络及其在半参数推理中的应用。我们为深度前馈神经网络建立了新的收敛速度。我们的新速率足够快（在某些情况下是最小最大最优的），使我们能够在深度学习的第一步估计之后建立有效的第二步推断，这也是文献中的新结果。我们的估计率和半参数推断结果处理当前的标准架构：全连接前馈神经网络（多层感知器），具有现在常见的整流线性单位激活函数和深度显式地随样本大小发散。我们还讨论了其他架构，包括固定宽度的深度网络。我们建立了这些深度网络的一般类的非参数回归型损失函数，其中包括作为特殊情况的最小二乘，逻辑回归，和其他广义线性模型的非渐近界。然后，我们应用我们的理论来开发半参数推断，专注于因果参数的具体性，如处理效应，预期福利，分解效果。在许多其他的半参数上下文中的推论可以很容易地得到。我们通过蒙特卡罗分析和直邮营销的实证应用证明了深度学习的有效性。
2019-09-18 cs.LG econ.EM math.ST
Dynamic Inference
传统的统计估计或一般的统计推断是静态的，在这个意义上，对感兴趣的量的估计不会改变该量的未来演变。然而，在一些序贯估计问题中，我们遇到了这样的情况，即要估计的数量的未来值取决于其当前值的估计。例子包括大投资者的股票价格预测，交互式产品推荐和多智能体系统中的行为预测。我们可以把这样的问题称为动态推理。在这项工作中，这个问题的贝叶斯概率框架下的配方，并推导出最佳的估计策略作为解决方案，以尽量减少整体的推理损失。通过股票趋势预测和车辆行为预测两个例子说明了最优估计策略是如何工作的。当动态推理的底层模型未知时，我们可以考虑动态推理的学习问题。这个学习问题可以潜在地统一几个熟悉的机器学习问题，包括监督学习，模仿学习和强化学习。
2021-11-30 cs.AI cs.LG math.OC
