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
Multistage Estimators for Missing Covariates and Incomplete Outcomes
我们研究多个缺失的协变量和部分观察到的反应的问题。我们开发了一个新的框架来处理复杂的缺失协变量的情况下，通过逆概率加权，回归调整，和一个乘法稳健的程序。我们将我们的框架应用于三个经典问题：来自生存分析的Cox模型、缺失响应和来自因果推断的二元处理。我们还讨论了如何处理这些情况下缺失的协变量，并开发相关的识别理论和渐近理论。我们将我们的程序应用于模拟和阿尔茨海默病数据集，并获得有意义的结果。
2021-11-03 stat.ME
Minimum Wasserstein distance estimator under covariate shift: closed-form, super-efficiency and irregularity
KLATASDS-MOE, School of Statistics, East China Normal University（华东师范大学统计学院）；Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）
本文提出了一种在协变量偏移下具有闭式解的W估计器，通过最优传输理论解释最近邻方法，并在特定情况下展现出超效率和统一性。
2026-01-12 stat.ME stat.ML
Asymptotic theory for the Cox model with missing time-dependent covariate
通常通过Cox模型评价不定常协变量与生存时间之间的关系。不定常协变量通常作为研究过程中定期收集的纵向数据提供。然而，一个常见的问题是缺少协变量数据的发生。在这种情况下，最近的Cox模型估计方法联合建模生存和纵向协变量。然而，这种方法的理论依据仍然缺乏。本文证明了联合模型中极大似然估计的存在性和相合性。估计量的渐近分布以及渐近方差的一致估计。
2006-07-03 math.ST stat.TH
Weighted empirical likelihood for quantile regression with nonignorable missing covariates
本文提出了协变量不可分离的分位数回归模型中回归参数的经验似然加权估计。建议的估计是计算简单，实现半参数效率，如果完全观察到的变量的缺失概率被正确指定。理论上量化了所提出的估计器相对于完整案例分析估计器的效率增益，并通过仿真和真实数据应用进行了说明。
2017-10-07 stat.ME
Kernel meets sieve: transformed hazards models with sparse longitudinal covariates
针对时变协变量仅被间歇观测的变换风险模型，本文提出结合核加权对数似然与筛最大似然的估计方法，建立其渐近理论，并通过数值模拟和武汉新冠数据验证了方法的优越性与实用性。
2023-09-18 math.ST stat.ME stat.TH
Nonparametric regression with nonparametrically generated covariates
我们使用协变量分析非参数回归估计的统计特性，这些协变量是不可直接观察的，但在初步步骤中已经从数据中估计出来。这些所谓的生成协变量出现在许多应用中，包括两阶段非参数回归，估计联立方程模型或截尾回归模型。然而，到目前为止，似乎没有一般的理论，他们对最终估计的统计性质的影响。我们的论文提供了这样的结果。我们推导出一个随机扩展，其特征在于生成步骤对最终估计量的影响，并使用它来获得一致性和渐近分布占所生成的协变量的存在率。
2012-07-24 math.ST stat.TH
Heterogeneous extremes in the presence of random covariates and censoring
本文在含随机协变量与删失的框架下研究极端事件分析，提出一类乘积极限积分估计量，推导其渐近性质，通过模拟与真实数据验证有限样本表现，提升了极值模型的通用性与实用价值。
2024-08-13 math.ST stat.TH
Inference in covariate-adjusted bipartite network models
Central China Normal University（华中师范大学）；Zhaoqing University（肇庆大学）
本文提出了一种联合建模双分网络中节点异质性和协变量的通用模型，通过矩估计法估计参数，并展示了在某些条件下矩估计量的一致性和渐近正态性。
2026-03-31 math.ST stat.TH
Conditional density estimation with covariate measurement error
我们考虑估计一个易出错的协变量上的响应条件的密度。基于现有的两种不含协变量测量误差的核密度估计，提出了一种修正现有的测量误差估计的方法.在不同类型的测量误差分布下，导出了合成估计量的渐近性质。此外，我们调整现有的带宽选择方法开发的无误差的数据，以获得新的估计带宽。进行了大量的仿真研究，以比较所提出的估计与朴素的估计，忽略测量误差，这也提供了经验证据的有效性，所提出的带宽选择方法。一个真实的数据例子被用来说明这些方法在实际场景下的实现。我们开发了一个R包lpme来实现所有考虑的方法，我们在附录H中通过一个R代码示例演示了这些方法。
2020-01-08 stat.ME
Estimation in functional linear quantile regression
This paper studies estimation in functional linear quantile regression in which the dependent variable is scalar while the covariate is a function, and the conditional quantile for each fixed quantile index is modeled as a linear functional of the covariate. Here we suppose that covariates are discretely observed and sampling points may differ across subjects, where the number of measurements per subject increases as the sample size . Also, we allow the quantile index to vary over a given subset of the open unit interval, so the slope function is a function of two variables: (typically) time a…
2013-02-27 math.ST stat.ME stat.TH
Quantile regression when the covariates are functions
本文讨论了解释变量取值于函数空间且响应为标量的分位数回归的线性模型。我们提出了一个样条估计的功能系数，最大限度地减少惩罚L1型标准。然后，我们研究了该估计量的渐近性态。惩罚性是获得解的存在性和收敛性的首要条件。
2007-03-02 math.ST stat.TH
Semiparametric estimation of GLMs with interval-censored covariates via an augmented Turnbull estimator
Universitat Politècnica de Catalunya·BarcelonaTech（加泰罗尼亚理工大学）
本文提出了一种基于似然的方法GELc，用于估计具有区间截断协变量的广义线性模型，并通过模拟研究和实际应用验证了其有效性。
2026-01-13 q-bio.QM stat.ME
Heteroskedasticity-robust inference in linear regression models with many covariates
我们考虑在线性回归模型，是强大的异方差和存在许多控制变量的推断。当控制变量的数目以与样本量相同的速率增加时，协方差阵的通常异方差稳健估计是不一致的。因此，基于这些估计量的测试即使在大样本中也会发生尺寸失真。提出了这种设置的另一种协方差矩阵估计量，补充了Cattaneo，Jansson和Newey（2018）最近的工作。我们提供了高层次的条件，我们的方法提供（渐近）大小正确的推理，以及更原始的条件，为三种特殊情况。仿真结果和经验说明推断工会保费。
2020-09-28 math.ST stat.TH
Adaptive kernel estimation of the baseline function in the Cox model, with high-dimensional covariates
本文的目的是提出一种新的核估计的基线函数在一般的高维Cox模型，我们得到的非渐近收敛速度。为了构造我们的估计量，我们首先通过Lasso过程估计Cox模型中的回归参数。然后，我们将此估计器插入到经典的基线函数的核估计器中，通过平滑累积基线函数的所谓Breslow估计器获得。我们提出并研究了一个自适应的过程来选择带宽，在黄金enshluger和Lepski（2011）的精神。我们状态的非渐近预言不等式的最终估计，这揭示了减少的收敛速度时，协变量的尺寸增长。
2015-07-06 stat.AP stat.ME
Estimation in additive models with highly or nonhighly correlated covariates
通过规范化DNA微阵列数据和预测利率，我们探讨了具有高度相关协变量的加性模型的非参数估计。我们介绍了两种新的方法来估计加性成分，整合估计和池回拟合估计。前者是为高度相关的协变量而设计的，而后者则适用于非高度相关的协变量。建立了估计量的渐近正态性。仿真结果证明了所提出的估计器的有限样本行为，并给出了实际数据的例子来说明该方法的价值。
2010-10-02 math.ST stat.TH
High-dimensional Linear Regression for Dependent Data with Applications to Nowcasting
最近的研究集中在高维线性回归的$\ell_1$惩罚最小二乘（Lasso）估计，其中协变量$p$的数量远远大于样本量$n$。然而，很少有研究探讨的性质时，误差和/或协变量是序列依赖的估计。在这项研究中，我们调查的Lasso估计的理论性质的线性回归与随机设计和弱稀疏性下的系列相关和/或nonsubGaussian误差和协变量。在传统的情况下，其中的错误是独立和同分布的，并有有限的指数矩，我们表明，$p$可以在最多的权力$n$，如果错误只有有限的多项式矩。此外，由于误差和协变量的序列相关性，收敛的收敛速率变慢。我们还考虑了使用Lasso估计的模型选择的符号一致性，当误差或协变量或两者都存在序列相关性时。采用函数相关测度的框架，我们描述了如何收敛速度和选择一致性的估计依赖于依赖措施和矩条件的误差和协变量。仿真结果表明，在不相关变量的存在下，Lasso回归可以比混合频率数据采样回归（MIDAS）和Dantzig选择器更强大。我们将Lasso方法得到的结果应用于混合频率数据的临近预报，其中序列相关误差和协变量的大量是常见的。实证结果表明，Lasso程序优于MIDAS回归和自回归模型与外生变量的预测和临近预报。
2022-05-02 math.ST stat.AP stat.ME
Two likelihood-based semiparametric estimation methods for panel count data with covariates
本文考虑了半参数回归模型中具有"面板计数“数据的计数过程均值的估计。基本模型假设是计数过程的条件均值函数的形式为$E\{\mathbb{N}(t)|Z\}=\exp(β_0^TZ)Λ_0(t)$，其中$Z$是协变量向量，$Λ_0$是基线均值函数。"面板计数“观察方案涉及在随机数$K$的随机时间点观察个体的计数过程$\mathbb{N}$;这些时间点的数量和位置可能因个体而异。研究了基于非齐次泊松过程假设的未知参数$(β_0,Λ_0)$的半参数极大似然估计和极大似然估计。伪似然估计量相当容易计算，而最大似然估计量从计算的角度来看带来了更多的挑战。我们研究的渐近性质，这两个估计假设的比例平均模型成立，但下降的泊松过程的假设，用于推导估计。特别是，我们建立了渐近正态性的回归参数$β_0$的估计在适当的假设。结果表明，我们的估计程序是强大的，在这个意义上说，估计收敛到真理，无论潜在的计数过程。
2007-12-05 math.ST stat.TH
Uniform Asymptotic Theory for Local Likelihood Estimation of Covariate-Dependent Copula Parameters
University of South Alabama（南阿拉巴马大学）
本文提出了一种统一渐近理论，用于协变量依赖Copula模型中Copula参数的局部最大似然估计，通过局部多项式近似和经验过程技术，建立了参数估计的统一收敛性和一致性。
2026-01-04 math.ST stat.TH
Covariate Assisted Entity Ranking with Sparse Intrinsic Scores
本文扩展 BTL 模型以处理协变量无法完全解释且内在分数稀疏的实体排序问题，给出可识别条件、惩罚 MLE 速率、去偏推断、拟合优度检验与排名置信区间。
2024-07-09 math.ST stat.ME stat.ML
Communication-Efficient Distributed Estimator for Generalized Linear Models with a Diverging Number of Covariates
School of Applied Sciences, Beijing Information Science and Technology University（北京信息科技大学应用科学学院）；School of Statistics, Renmin University of China（中国人民大学统计学院）；School of Statistics and Mathematics, Central University of Finance and Economics（中央财经大学统计与数学学院）
分布式统计推断最近引起了极大的关注。在“大$n$，发散$p_n$“的框架下，对广义线性模型建立了极大似然估计、一步极大似然估计和聚集估计方程估计的渐近有效性，其中协变量$p_n$的维数对某些$0<α<1$以多项式速率$o(n^α)$增长到无穷大.然后提出了一种新的方法，通过两轮通信获得大规模分布式数据的渐近有效估计。在这种新颖的方法中，对服务器数量的假设更加宽松，因此对于现实世界的应用程序来说是实用的。仿真和一个案例研究表明，所提出的估计令人满意的有限样本性能。
2020-08-13 cs.DC cs.LG stat.ME
Debiased inference for a covariate-adjusted regression function
针对协变量调整回归函数的非参数推断问题，提出一种去偏局部线性估计量，可构建渐近有效置信区间与一致置信带，达最优收敛速度，并通过数值实验和空气污染对心血管死亡率影响的分析验证性能。
2023-12-15 stat.ME
The conditionality principle in high-dimensional regression
考虑一个高维线性回归问题，其中协变量的数量大于观测值的数量，关注点是估计给定协变量的响应变量的条件方差。一个有条件和无条件的框架被认为是，条件是相对于协变量，这是辅助参数的利益。近年来，当协变量的边缘分布为正态分布且均值和方差已知时，在无条件框架下得到了一个相合估计。在目前的工作中，一定的贝叶斯假设检验的条件框架下，它表明，贝叶斯风险是一个常数。这意味着在条件框架中不存在一致的估计量。然而，当协变量的边缘分布是正态的，上述相容估计的条件误差收敛到零，概率收敛到1。由此可见，即使在条件设置中，关于从属统计量的边缘分布的信息也可能对统计推断产生重大影响。在高维回归模型的背景下，实际意义是，额外的观察，其中只有协变量，是潜在的非常有用的，不应该被忽略。这一发现与半监督学习问题最相关，因为协变量信息很容易获得。
2019-03-27 math.ST stat.TH
A global kernel estimator for partially linear varying coefficient additive hazards models
本文针对变系数可加风险模型提出一种全局核估计方法，以替代传统局部邻域估计，并通过理论证明、大规模模拟和癌症基因组学应用验证其更高效率和更优性能。
2024-01-18 stat.ME
Maximum Likelihood Estimation in Markov Regime-Switching Models with Covariate-Dependent Transition Probabilities
本文研究了一类具有隐马尔可夫状态的模型的极大似然估计。我们调查的ML估计的一致性和局部渐近正态性的模型在一般条件下，允许自回归动态的可观察的过程中，马尔可夫制度序列与协变量相关的转移阵矩阵，和可能的模型误设定。蒙特卡洛研究检查了ML估计量在正确指定和错误指定模型中的有限样本性质。最后讨论了该方法的应用实例。
2021-12-06 econ.EM math.ST stat.TH
Accounting for unobserved covariates with varying degrees of estimability in high dimensional biological data
高维生物数据中的一个重要现象是存在未观测到的协变量，这些协变量可能对测量的响应产生重大影响。当这些因素也与关注的协变量（即疾病状态）相关时，忽略它们可能导致第一类错误和虚假错误发现率估计值增加。我们表明，根据这种相关性的强度和潜在因素的观测数据的信息量，以前提出的估计的利益，试图占未观察到的协变量的协变量的影响是渐近偏置，这证实了以前的从业者的意见，这些估计往往会产生膨胀的检验统计量。然后，我们提供了一个估计，纠正偏差，并证明它具有相同的渐近分布的普通最小二乘估计时，每个协变量的观察。最后，我们使用以前发表的DNA甲基化数据来证明我们的方法可以比以前发表的方法更准确地估计哮喘对甲基化的直接影响，这些方法低估了哮喘与潜在细胞类型异质性之间的相关性。我们的重新分析表明，在这些数据中，由于哮喘引起的甲基化的大部分变异实际上是通过细胞组成介导的。
2018-01-31 stat.ME
Simultaneous confidence bands for nonparametric regression with partially missing covariates
本文考虑了协变量随机缺失的非参数回归的基于逆选择概率的加权局部线性估计。导出了估计量与真实回归函数之间的最大偏差的渐近分布，并构造了渐近精确的同时置信带。回归函数的估计被证明是oracally有效的意义上说，它是一致的不可区分的，当选择概率是已知的。有限样本性能通过模拟研究，支持我们的渐近理论。通过对加拿大2010/2011年青年学生调查数据集的分析，证明了所提出的方法。
2020-02-28 stat.ME
Model Averaging for Generalized Linear Model with Covariates that are Missing completely at Random
本文考虑协变量完全随机缺失的广义线性模型的估计。本文提出了一种模型平均估计方法，并在一定的假设条件下证明了相应的模型平均估计量是渐近最优的。仿真结果表明，在大多数情况下，该方法具有更好的性能比其他替代方案。
2017-10-25 math.ST stat.TH
Double Debiased Covariate Shift Adaptation Robust to Density-Ratio Estimation
Mizuho-DL Financial Technology Co., Ltd.（瑞穗DL金融科技有限公司）；Nagoya University Graduate School of Medicine（名古屋大学医学部）
针对协变量偏移下重要性加权依赖密度比估计并引入偏差的问题，提出结合回归函数与 double machine learning 的双重稳健估计量，证明其渐近性质与一致性，并通过模拟验证有效性。
2024-10-26 cs.LG econ.EM stat.ME
A Quantile Regression Model for Failure-Time Data with Time-Dependent Covariates
由于生存数据随着时间的推移而发生，因此我们希望考虑的重要协变量通常也会随着时间的推移而变化。这些协变量称为时间依赖性协变量。分位数回归允许协变量随分位数变化，从而为生存数据提供灵活的建模。本文提出了一种新的含有时间依赖协变量的分位数回归模型，用于分析右删失下的生存数据。我们的简单估计技术假设存在工具变量。此外，我们提出了Robins和Rotnitzky（1992）意义下的双稳健估计。估计的渐近性质进行了严格的研究。通过模拟研究证明了煤样的性质。使用斯坦福心脏移植数据集证明了所提出的方法的实用性。
2014-04-30 stat.ME
Maximum likelihood abundance estimation from capture-recapture data when covariates are missing at random
针对捕获-再捕获实验中协变量随机缺失问题，本文提出最大经验似然丰度估计方法，证明其渐近正态性与卡方极限分布，并通过模拟和香港黄腹山鹪莺数据验证其均方误差更小、置信区间覆盖率更准确。
2025-07-19 stat.ME
On the use of G-computation in small randomized controlled trials with many covariates
Ghent University（根特大学）；Debre Markos University（德布雷马尔科斯大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
本研究探讨在协变量众多的小型随机对照试验中G计算估计量的偏差，提出高维理论并模拟评估补救措施，为有限样本下应用提供指导。
2026-09-30 stat.AP stat.ME
Robust and efficient estimation in the presence of a randomly censored covariate
针对右删失协变量，提出兼具双重稳健与半参数高效性的估计量，并在 R 包 sparcc 中实现，用于分析 Enroll-HD 亨廷顿病症状轨迹。
2024-09-18 stat.ME
Asymptotic Theory of Rerandomization in Treatment-Control Experiments
尽管完全随机化可确保协变量平均平衡，但随着协变量数量的增加，观察到治疗组和对照组协变量分布之间存在显著差异的机会增加。重新随机化丢弃不满足预定协变量平衡标准的随机化，通常会导致更好的协变量平衡和更精确的因果效应估计。以前的理论推导出有限样本理论的假设下，相等的治疗组大小，高斯协变量和结果分布，或加性因果效应的重新随机化，但不是一般的抽样分布的平均因果效应的均值差估计。为了补充现有的结果，我们开发的渐近理论重新随机化没有这些假设，这揭示了一个非高斯渐近分布的估计，特别是一个线性组合的高斯随机变量和截断高斯随机变量。该分布遵循，因为重新随机化仅影响潜在结果在协变量空间上的投影，但不影响相应的正交残差。我们还证明，完全随机化相比，重新随机化降低了渐近抽样方差和分位数范围的差异，均值估计。此外，我们的工作允许构建准确的大样本置信区间的平均因果效应，从而揭示了进一步的优势，完全随机化的重新随机化。
2017-08-12 math.ST stat.AP stat.TH
Randomization-based joint central limit theorem and efficient covariate adjustment in stratified $2^K$ factorial experiments
随机区组析因实验广泛应用于工业工程、临床试验和社会科学中。研究人员经常使用线性模型和协方差分析来分析实验结果;然而，有限的研究已经解决了由此产生的推论的有效性和稳健性，因为线性模型的假设可能无法通过随机区组析因实验中的随机化来证明。本文建立了随机区组$2^K$析因试验中常用（未调整）析因效应估计的一个新的有限总体联合中心极限定理.我们的定理是在一个基于随机化的推理框架下得到的，利用了向量形式的Wald-Wolfowitz-Hoeffding定理的一个线性秩统计量的扩展。它对模型误设、区组数量、区组大小和区组间的倾向得分具有稳健性。为了提高估计和推理效率，我们提出了四种协变量调整方法。我们表明，在温和的条件下，协变量调整的阶乘效应估计是一致的，联合渐近正态的，一般比未调整的估计更有效。此外，我们提出了Neyman型保守估计的渐近协方差，以方便有效的推断。模拟研究和临床试验数据分析证明了协变量调整方法的益处。
2022-08-03 stat.ME
A product-limit estimator of the conditional survival function when cure status is partially known
针对治愈状态部分已知的右删失数据，提出混合治愈模型中条件生存函数的非参数估计量，证明其渐近性质与方差减小优势，并通过模拟与肉瘤患者真实数据验证了其优越性。
2024-02-10 stat.ME
Covariate Adjustment in Stratified Experiments
本研究针对分层实验提出协变量调整方法，发现传统回归调整在分层设计中可能低效，并推导出渐近最优的线性调整及可行估计量，提供精确推断方法以提升效率。
2024-07-20 econ.EM stat.ME
Regression with genuinely functional errors-in-covariates
测量误差对协变量的污染是多元回归中的一个经典问题，众所周知，如果不考虑这种污染，可能会导致参数估计量的实质性偏差。这种对统计推断的影响的性质和程度也被理解为主要取决于所讨论的测量误差的具体分布特性。在处理函数协变量时，测量误差迄今为止一直被建模为观测网格上的加性白噪声。这样的设置隐含地假设误差纯粹在离散采样阶段出现，否则模型只能在弱（随机微分方程）意义上看待，白噪声不是二阶过程。偏离这个简单的分布设置可能会对推理产生严重的后果，类似于多变量的情况，当前的方法论将崩溃。本文考虑了允许加性测量误差为有效随机过程的情形。我们提出了一种新的估计的斜率参数在一个功能性的线性模型，标量以及功能性的反应，在这个一般的测量误差规格的存在。建议的估计的灵感来自多元回归校准方法，但取决于最近的进展矩阵完成方法的功能数据，以处理非平凡（和未知）的误差协方差结构。所提出的估计量的渐近性质。我们使用模拟来探测所提出的斜率估计器的性能，并观察到它大大改善了基于错误观测的谱截断估计器，即，忽略测量误差。我们还研究了步态周期中髋关节和膝关节角度曲线的真实数据集上的估计量的行为。
2017-12-12 stat.ME
Efficient Inference for Covariate-adjusted Bradley-Terry Model with Covariate Shift
本文针对协变量偏移下的成对比较问题，提出基于Kullback-Leibler投影的协变量调整Bradley-Terry模型推断框架，开发了半参数高效估计方法，并应用于评估大语言模型与人类偏好的对齐。
2025-04-09 stat.ME
Transportable inference using target population summary statistics under covariate shift
Academy of Mathematics and Systems Science Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；Department of Biostatistics Mailman School of Public Health Columbia University（哥伦比亚大学麦尔曼公共卫生学院生物统计学系）；Department of Epidemiology & Biostatistics University of California at San Francisco（旧金山大学生物统计与流行病学系）
本文提出了一种基于目标人群协变量汇总信息的可移植推断方法，通过熵平衡和灵活建模实现对协变量偏移的更有效处理，提高了推断的灵活性和准确性。
2026-10-14 stat.ME
Substantive-Model-Compatible Multiple Imputation for Cox Regression with a Diverging Number of Covariates
Department of Biostatistics, University of Michigan, Ann Arbor（密歇根大学生物统计系）
本文提出了一种半参数多重插补框架，用于处理具有发散维度的Cox回归中缺失协变量的问题，通过Cox模型似然贡献驱动的高维SMC-FCS过程进行插补，并结合拒绝采样和岭正则化后验抽样以保持模型兼容性，最终通过Rubin规则结合去偏估计器和插补内部方差估计进行推断。
2026-05-20 stat.ME
Efficient nonparametric estimation of the covariate-adjusted threshold-response function, a support-restricted stochastic intervention
确定标志特定风险水平的生物标志物或治疗剂量阈值是一个重要问题，特别是在临床试验中。这种风险被视为阈值的函数，并可能对协变量进行调整，我们称之为阈值响应函数。扩展Donovan，Hudgens和Gilbert（2019）的工作，我们提出了协变量调整阈值响应函数的非参数有效估计器，该估计器利用机器学习和目标最小损失估计（TMLE）。我们还提出了一个更一般的估计，序贯回归的基础上，也适用于当有结果缺失。我们表明，对于给定的阈值的阈值响应可以被视为随机干预下的预期结果，其中所有参与者都被给予高于阈值的治疗剂量。我们证明了估计量是有效的，并刻画了它的渐近分布。给出了同时构造阈值响应函数及其逆函数的95%置信带的方法。此外，我们讨论了如何调整我们的估计时，治疗或生物标志物是随机缺失，是在临床试验中的情况下，有偏抽样设计，使用逆概率加权。这些方法在一组不同的模拟环境中进行评估，这些模拟环境具有罕见的结果和累积的病例对照抽样。该方法用于估计CYD14和CYD15登革热疫苗试验中病毒学确认的登革热风险的中和抗体阈值。
2023-03-03 stat.ME
Adaptive deep nonparametric regression from dependent data under covariate shift
Université Jean Monnet, ICJ UMR5208, CNRS, Ecole Centrale de Lyon, INSA Lyon, Universite Claude Bernard Lyon 1（里昂 Jean Monnet 大学，ICJ UMR5208，国家科学研究中心，里昂中央理工大学，里昂国家理工学校，里昂大学 Claude Bernard 1）
研究协变量转移下基于相关数据的深度非参数回归，提出稀疏惩罚深度神经网络（SPDNN）估计器，当密度比未知时经两步预训练，在Hölder光滑函数类中建立其非渐近误差界，能自适应达到最优收敛速率。
2026-07-23 cs.LG stat.ML
Analysis of Kernel Mean Matching under Covariate Shift
University of Alberta（阿尔伯塔大学）
在实际的监督学习场景中，训练样本和测试样本遵循不同的概率分布并不罕见，因此有必要校正采样偏差。针对一个特殊的协变量偏移问题，我们得到了核均值匹配（KMM）估计的高概率置信界，其收敛速度依赖于回归函数的一些正则性度量，也依赖于核的一些容量度量。通过比较KMM和自然插入估计，我们建立了前者的优越性，从而提供了具体的证据/理解下的协变量偏移的KMM的有效性。
2012-06-18 cs.LG stat.ML
A covariate adjustment for zero-truncated approaches to estimating the size of hidden and elusive populations
在本文中，我们考虑估计人口规模从一个来源的捕获-再捕获数据，也就是说，一个列表中的个人可能会被反复发现，其中的问题是有多少个人错过了名单。作为一个典型的例子，我们提供了2001年在曼谷进行的一项吸毒者研究的数据，其中的名单包括多次与治疗机构联系的吸毒者。存在1、2、3次$,...$接触的吸毒者，但不存在零接触的吸毒者，需要估计这一群体的规模。从统计学上讲，这些数据可以被认为是源于零截断计数分布。我们重新评估了Zelterman提出的在潜在的未观察到的异质性下具有鲁棒性的种群规模估计。我们证明了Zelterman估计可以被看作是一个极大似然估计的局部截断泊松似然，这是等价于一个二项式似然。该结果允许通过逻辑斯谛回归扩展Zelterman估计量，以包括协变量形式的观察到的异质性。我们还审查了Chao提出的估计量，并解释了为什么我们不能获得类似的结果，这个估计。Zelterman估计适用于两个案例研究，第一个吸毒者的研究从曼谷，第二个非法移民的研究在荷兰。我们的研究结果表明，新的估计应该使用，特别是，如果大量未观察到的异质性。
2009-08-17 stat.AP
Minimax Optimal Two-Stage Algorithm For Moment Estimation Under Covariate Shift
School of Statistics and Data Science（统计与数据科学学院）
针对协变量偏移下未知函数矩估计问题，提出一种两阶段算法，通过似然比重加权校准矩估计器，达到极小化最优界，并提供截断版本确保双重稳健性。
2025-06-30 cs.LG stat.ML
Sharp bounds for variance of treatment effect estimators in the finite population in the presence of covariates
在完全随机化实验中，有限总体中治疗效应估计量的方差通常不可识别，因此不可估计。虽然在文献中已经建立了一些方差的估计范围，但很少有协变量存在的情况下导出。本文分别考虑了完全服从和不完全服从的完全随机试验中均值差估计和Wald估计。当协变量可用时，这两个估计量的方差的精确界被建立。进一步得到了这类界的相合估计，可用于缩短置信区间和提高检验的功效。基于上界的一致估计量构造了置信区间，其覆盖率是一致渐近保证的。仿真进行了评估所提出的方法。所提出的方法也说明了两个实际数据分析。
2022-09-19 math.ST stat.ME stat.TH
Regression adjustment in covariate-adaptive randomized experiments with missing covariates
本研究针对协变量自适应随机化试验中协变量缺失问题，结合常用缺失处理与回归调整方法，推导估计量的渐近性质及一致方差估计，并通过数值研究提供建议，且结论在模型误设下仍有效。
2025-08-13 math.ST stat.ME stat.TH
A general theory of regression adjustment for covariate-adaptive randomization: OLS, Lasso, and beyond
我们考虑随机试验中处理效应的估计和推断问题。在实践中，分层随机化，或更一般地说，协变量自适应随机化，通常用于设计阶段，以平衡与结局最相关的几个变量的治疗分配。然后，在分析阶段进行回归以调整剩余的不平衡，从而产生更有效的处理效应估计值。建立和统一的协变量自适应随机化下的普通最小二乘调整估计量的最新结果，本文提出了一个一般的回归调整理论，允许任意模型的误设定和大量的基线协变量的存在。我们证明了两个Lasso调整的处理效应估计量的理论，这两个估计量在各自的类中都是最优的。此外，提出了非参数一致方差估计，以促进有效的推论，其工作，无论使用的具体随机化方法。通过仿真研究和临床试验的例子证明了所提出的估计的鲁棒性和提高效率。该研究揭示了通过在协变量自适应随机实验中实施机器学习方法来提高处理效应估计效率。
2020-11-19 math.ST stat.ME stat.TH
Debiased regression adjustment in completely randomized experiments with moderately high-dimensional covariates
针对完全随机实验中协变量维数与样本量同阶的中高维问题，提出无需稀疏性假设的去偏回归调整估计量及推断方法，并证明其渐近正态性与效率优势。
2025-06-08 math.ST stat.ME stat.TH
Design-based theory for covariate adjustment in generalized pairwise comparisons
Mississippi State University（密西西比州立大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种基于设计的推断框架，用于估计随机实验中的广义因果效应，并探讨了回归调整和方差估计的稳健性。
2026-10-14 math.ST stat.ME stat.TH
Robust and Efficient Parameter Estimation based on Censored Data with Stochastic Covariates
随机截尾寿命数据以及一些相关的随机协变量的分析是非常重要的，在许多应用科学，如医学研究，人口研究和规划等，通常使用的参数估计技术下，这种设置是基于有效的，但非鲁棒的似然方法。本文基于最小密度幂离方法，提出了随机协变量删失数据的稳健参数估计。在纯数据下，所得估计相对于极大似然估计也具有竞争效率。强鲁棒性的估计相对于离群值的存在进行检查，并说明通过适当的模拟研究的背景下，删失回归随机协变量。此外，所提出的估计量的理论渐近性质也来自一般类的M-估计的估计方程的基础上。
2016-07-01 math.ST stat.AP stat.ME
Covariate Distribution Balance via Propensity Scores
本文提出了新的估计的倾向得分，旨在最大限度地提高协变量分布平衡不同的治疗组。启发式地，我们提出的程序试图通过使不同治疗组的潜在协变量分布尽可能接近来估计倾向评分模型。我们的估计是数据驱动的，不依赖于调谐参数，如带宽，承认一个渐进的线性表示，并可用于估计不同的治疗效果参数在不同的识别假设，包括unconfoundedness和本地处理效应。我们推导出的平均，分布，和分位数的处理效应的基础上提出的倾向得分估计的逆概率加权估计的渐近性质，并说明其有限样本性能通过蒙特卡罗模拟和两个实证应用。
2020-04-04 econ.EM math.ST stat.ME
Optimal Covariate Balancing Conditions in Propensity Score Estimation
治疗加权逆概率（IPTW）是一种常用的估计平均处理效应（ATE）的方法。然而，实证研究表明，IPTW估计可以是敏感的倾向得分模型的误设定。为了解决这个问题，研究人员提出通过直接优化治疗前协变量的平衡来估计倾向得分。虽然这些方法在经验上表现良好，但很少有人知道平衡条件的选择如何影响它们的理论性质。为了填补这一空白，我们首先描述的渐近偏差和效率的IPTW估计的协变量平衡倾向得分（CBPS）的方法的基础上，局部模型误设定。基于此分析，我们展示了如何最佳地选择协变量平衡函数，并提出了一个最佳的CBPS为基础的IPTW估计。该估计量具有双重稳健性;如果倾向得分模型或结局模型正确，则该估计量对于ATE是一致的。此外，建议的估计是局部半参数有效时，这两个模型被正确指定。为了进一步放宽参数假设，我们扩展我们的方法，使用筛估计方法。我们证明了所得到的估计量在一组弱得多的假设下是全局有效的，并且比现有的估计量具有更小的渐近偏差。最后，我们通过模拟和实证研究评估所提出的估计的有限样本性能。一个开放源码软件包可用于实施所提出的方法。
2021-08-03 math.ST stat.AP stat.ME
