Bootstrap confidence bands for spectral estimation of Lévy densities under high-frequency observations
本文提出了一种构造Lévy密度非参数谱估计的均匀置信带的Bootstrap方法。我们假设我们在频率$1/Δ> 0$上观察$n$离散观测，并使用高频设置，其中$Δ= Δ_{n} \to 0$和$nΔ\to \infty$作为$n \to \infty$。我们采用了光谱（或傅立叶为基础的）估计的Lévy密度，并开发新的实现高斯乘数（或野生）和经验（或埃夫隆的）引导构建置信带的频谱估计的紧凑的集合上，不相交的起源。我们提供的条件下，建议的置信带是渐近有效的。我们的置信带被证明是渐近有效的一类广泛的Lévy过程。我们还开发了一个实用的方法来选择带宽，并进行仿真研究，调查有限样本性能的建议的置信带。
2017-05-29 math.ST stat.TH
Confidence bands for densities, logarithmic point of view
设$f$是概率密度，$C$是$f$远离零的区间。Bickel和Rosenblatt（1973）通过建立$f_n$的核估计的一致误差的极限分布，给出了$f$在$C$上的渐近水平$1-α\in]0,1[$的置信带$B_n$。每个置信区间的工会给$B_n$有一个渐近水平等于一;逐点中等偏差原则允许证明，所有这些区间共享相同的对数渐近水平。现在，只要$f_n$的点态和一致中偏差原理都存在，它们就具有相同的渐近性。以这一观察为出发点，我们提出了一种新的方法，用于$f$的置信带的建设，使用中等偏差原则的基础上。这种方法的优点如下：（i）它能够构造具有相同宽度的置信带（或甚至更小的宽度）作为由Bickel和Rosenblatt（1973）提供的置信带，但其具有更好的渐近水平;（ii）以该方式构造的任何置信带与所有置信区间具有相同的对数渐近水平，其构成该置信带;（iii）其允许以相同的方式处理所有维度;（iv）其使得能够通过引入截断操作来解决为$f$在其上$f$消失的紧凑集合上（或在所有$\bb R^d$上）提供置信带的问题。
2006-06-21 math.ST stat.TH
Density estimation with quadratic loss: a confidence intervals method
在以前的文章中，提出了一个最小二乘回归估计过程：首先，我们condiser一个家庭的功能和研究的性质，估计在每个一维模型定义的这些功能之一，然后我们展示了如何聚集这些估计。本文的目的是把这种方法推广到密度估计的情况。我们首先给出一个一般概述的方法，适用于密度估计问题。然后，我们表明，这导致自适应估计，这意味着估计达到最佳可能收敛速率（高达$\log$因子）。最后给出了改进和推广该方法的方法。
2006-03-14 math.ST stat.TH
Honest adaptive confidence bands and self-similar functions
置信带是未知函数f的置信集，包含估计量的某个超范数距离内的所有函数。在密度估计、回归和白噪声模型中，我们考虑构造自适应置信带的问题，置信带的宽度在一系列Hölder类上以最佳速率收缩。虽然存在自适应估计量，但一般来说自适应置信带不存在，为了继续下去，我们必须对f设置进一步的条件。我们讨论了以前的方法来解决这个问题，并表明它是必要的限制f从根本上更小的类的功能。然后，我们考虑自相似函数，其Hölder范数在大尺度和小尺度上是相似的。我们表明，这样的功能可以被认为是典型的功能，一个给定的Hölder类，自相似性的假设是必要的和充分的自适应频带的建设。最后，我们表明，这一假设使我们能够解决欠平滑的问题，创建带是诚实的同时为任何Hölder范数的功能。
2012-01-16 math.ST stat.TH
Adaptive confidence bands for Markov chains and diffusions: Estimating the invariant measure and the drift
作为一个出发点，我们证明了一个功能中心极限定理的估计的不变测度的几何遍历哈里斯经常马尔可夫链在多尺度空间。这允许构造置信带的不变密度与最佳的（欠平滑）$L^{\infty}$直径通过使用小波投影估计。此外，我们的设置适用于漂移估计离散观察固定的观察距离的扩散。我们证明了一个功能的中心极限定理的漂移函数的估计，并通过使用一个完全的数据驱动的估计，最后构造自适应置信带的漂移。
2016-07-07 math.ST stat.TH
Confidence Interval for the Mean of a Bounded Random Variable and Its Applications in Point Estimation
本文导出了有界随机变量均值的置信区间的一个显式计算公式。此外，我们已经开发了多级点估计方法估计的均值与指定的精度和置信水平的基础上提出的置信区间。
2010-11-25 math.PR math.ST stat.AP
A New Approach to Tests and Confidence Bands for Distribution Functions
我们引入新的拟合优度检验和相应的置信带的分布函数。他们的灵感来自多尺度的测试方法，并基于规范化的统一经验过程$\mathbb{U}_n (t)/\sqrt{t(1-t)}$和它的自然限制过程，规范化的布朗桥过程$\mathbb{U}(t)/\sqrt{t(1-t)}$的迭代对数的精炼定律。新的检验和置信带完善了Berk和Jones（1979）和Owen（1995）的程序。粗略地说，后者的方法在分布的尾部区域的高功率和准确性基本上被保留，而在中心区域获得相当大的。拟合优度检验在涉及稀疏性的信号检测问题中表现良好，如Ingster（1997）、Donoho and Jin（2004）和Jager and Wellner（2007），但在连续替代方案下也表现良好。我们对置信带的分析揭示了潜在的$ϕ$ -分歧的影响。
2022-10-25 math.ST stat.TH
Spectral bootstrap confidence bands for Lévy-driven moving average processes
本文研究了基于Lévy驱动的滑动平均过程的高频观测值，构造驱动Lévy过程的Lévy密度的Bootstrap置信区间的问题.使用Lévy密度的谱估计，我们提出了一种新的实现的乘数和经验的bootstrap构造置信带的紧凑集远离原点。我们还提供了置信带渐进有效的条件。
2022-11-12 math.ST stat.ME stat.TH
Inverse set estimation and inversion of simultaneous confidence intervals
针对气候与医学风险评估中的逆集估计问题，提出通过反演同时置信带非渐近地构造多水平置信集，并给出非参数自举算法，适用于稠密与非稠密域。
2023-07-11 math.ST stat.ME stat.TH
Informational Confidence Bounds for Self-Normalized Averages and Applications
我们提出了自归一化平均值的偏差界和应用估计与一个随机数的意见。结果依赖于剥离参数的指数鞅技术，代表了一种替代方法的混合物。详细介绍了强盗问题和上下文树估计的激励示例。
2013-09-13 math.ST stat.TH
Uniform Confidence Band for Optimal Transport Map on One-Dimensional Data
本文针对实数分布间的最优传输映射，推导了估计误差一致范数的极限分布，并据此构建了基于核平滑自助法的一致置信带，提供了渐近覆盖概率保证。
2024-02-15 math.ST stat.TH
Asymptotic confidence bands for the histogram regression estimator
Universität Hamburg（汉堡大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出了一种适用于异方差噪声下多变量非参数回归模型的直方图估计器渐近置信带构造方法，能够处理Hölder正则性低于一的不光滑回归函数。
2026-02-27 math.ST stat.ME stat.TH
Confidence Bands for the Logistic and Probit Regression Models Over Intervals
本文给出了当预测变量被限制在给定区间内时，logistic和probit回归模型的双侧和单侧同时双曲带的构造方法。基于最大似然估计的渐近性质构造频带。过去的文章已经考虑过为logistic模型建立双侧渐近置信带，例如Piegorsch和Casella（1988）。然而，由Piegorsch和Casella给出的置信带是保守的，在一个单一的区间限制下，它是在这篇文章中示出的，他们的频带可以锐化使用这里提出的方法。此外，在文献中还没有出现构建logistic模型单侧置信带的方法，也没有在预测变量的有限范围内为概率单位模型构建置信带的工作。本文提供了计算这些区域中的临界点的方法。
2016-04-05 math.ST stat.ME stat.TH
Confidence bands for exponential distribution functions under progressive type-II censoring
基于位置和尺度参数均未知的指数分布的渐进II型截尾样本，利用参数的置信区域和Kolmogorov-Smirnov型统计量，给出了潜在分布函数的置信带.简单的显式表示的边界和置信带的覆盖概率的解析推导，和频带的性能进行比较，通过数据的例子的带宽和面积。作为一个副产品，一个新的置信区域的位置-尺度参数获得。有序数据，如顺序顺序统计量，以及其他潜在的位置规模分布的家庭的相关模型的结果进行了讨论。
2021-06-04 math.ST stat.ME stat.TH
Kernel Meets Sieve: Post-Regularization Confidence Bands for Sparse Additive Model
我们开发了一种新的程序，用于构建稀疏添加剂模型的组件的置信带。我们的程序是基于一个新的核-筛混合估计，结合了两个最流行的非参数估计方法在文献中，核回归和样条方法，是在自己的权利感兴趣。现有的稀疏可加模型拟合方法主要基于筛法估计，而非参数模型置信带的研究主要基于核估计或局部多项式估计。我们的核-筛混合估计结合了两个世界中最好的，使我们能够提供一个简单的过程，在高维稀疏加性模型中构建置信带。通过研究高斯过程的逼近，证明了置信带是渐近诚实的。在合成数据和真实世界的神经科学数据上提供了彻底的数值结果来证明该理论的有效性。
2018-02-12 math.ST stat.ML stat.TH
Fast and Fair Simultaneous Confidence Bands for Functional Parameters
使用置信区域量化不确定性是统计推断的中心目标。尽管如此，与估计和假设检验相比，功能数据分析中的置信带方法仍然不发达。在这项工作中，我们提出了一个新的方法来构建同时的功能参数估计的置信带。我们的团队拥有许多积极的品质：（1）它们不基于重采样，因此计算速度快，（2）它们是在频带域的分区上的平衡假阳性率的公平性约束下构造的，这有助于典型的全局解释，但也有助于新颖的局部解释，以及（3）它们不需要对全协方差函数的估计，因此可以用于片段函数数据的情况。模拟显示了优秀的有限样本行为，我们的乐队相比，现有的替代品。我们的乐队的实际用途是证明在两个案例研究运动生物力学和片段的增长曲线。
2022-11-11 math.ST stat.ME stat.TH
Confidence bands for a log-concave density
我们提出了一种新的方法来推断对数凹分布：而不是使用最大似然法，我们建议将对数的约束在一个适当的非参数置信集的cdf $F$。这种方法的优点是它自动提供了统计不确定性的测量，因此克服了最大似然估计的显著局限性。特别是，我们展示了如何构建具有有限样本保证置信水平的密度的置信带。我们在这里介绍的$F$的非参数置信集具有吸引人的计算和统计特性：它允许通过凸规划的差异将现代优化工具带到这个问题上，并且它导致最佳的统计推断。我们发现，由此产生的置信带的宽度收敛在接近参数$n^{-\frac{1}{2}}$率时，日志密度是$k$ -仿射。
2022-05-06 math.ST stat.ME stat.TH
Unbiased Statistical Estimation and Valid Confidence Intervals Under Differential Privacy
提出一种基于BLB和CoinPress广义算法的差分隐私方法，可在高维下生成无偏参数估计和有效置信区间。
2024-02-14 cs.CR math.ST stat.ME
Confidence intervals for high-dimensional inverse covariance estimation
我们提出的方法统计推断低维参数稀疏精度矩阵在高维设置。我们的方法导致一个非稀疏估计的精度矩阵，其条目具有高斯极限分布。在真精度矩阵项的稀疏性假设和正则性条件下，分析了亚高斯观测下新估计的渐近性质。保持去稀疏化估计量的不变保证了相关联的图形模型中的边选择。所提出的方法的性能示出在模拟研究。
2015-08-11 math.ST stat.ME stat.TH
Nonparametric Inference via Bootstrapping the Debiased Estimator
在本文中，我们提出了通过自举的去偏核密度估计（密度估计）和去偏局部多项式回归估计（回归分析）构造置信带。Calonico等人（2018 b）最近采用了使用去偏估计量的想法，通过显式估计随机变化来构建给定点处密度函数（和回归函数）的置信区间。我们扩展了他们的想法，使用去偏估计，并进一步提出了一个自举方法，同时构建置信带。这种改进方法的优点是，我们可以很容易地从传统的带宽选择器选择平滑带宽和置信带将是渐近有效的。我们证明了自举置信带的有效性，并将其推广到密度水平集和逆回归问题。仿真研究证实了建议的置信带/集的有效性。我们将我们的方法应用于天文数据集，以显示其适用性
2019-06-04 math.ST stat.ME stat.TH
A novel algorithm for confidence sub-contour box estimation: an alternative to traditional confidence intervals
对于非线性模型，因子估计过程是一项非常具有挑战性的任务。即使研究人员成功地估计了模型因子，他们仍然必须估计它们的置信区间，这可能需要很高的计算成本才能将它们转化为信息度量。文献中的一些方法试图估计估计搜索空间内的区域，其中因子可能共同存在并拟合真实数据（置信度轮廓），然而，随着因子数量的增加，其估计过程提出了几个问题。因此，在本文中，我们专注于估计的一个子区域内的置信轮廓，我们称之为置信子轮廓盒（CSB）。我们提出了两个主要的算法CSB估计，以及其解释和验证。考虑到我们估计CSB的方式，我们期望并验证了这种新的置信区间的一些有用的性质：用户定义的不确定性水平，非对称区间，与每个因素的区间长度相关的敏感性评估，以及识别真正的影响因素。
2019-10-08 stat.ME
Confidence Bands for Multiparameter Persistence Landscapes
本文在统计环境下研究多参数持续同调不变量——多参数持续景观，推导其泛函中心极限定理以计算置信带，提供了首批统计推断方法之一，并在合成数据机器学习任务中验证了其应用。
2025-04-01 cs.CG math.AT math.ST
confidence-planner: Easy-to-Use Prediction Confidence Estimation and Sample Size Planning
Poznan University of Technology（波兹南理工大学）；Polish Academy of Sciences（波兰科学院）；MNM Bioscience（MNM生物科学公司）
机器学习应用，特别是在医学和社会科学领域，正慢慢受到越来越多的审查。与临床和社会研究中执行的样本量规划类似，立法者和资助机构可能期望在影响社会的机器学习应用中进行统计不确定性估计。在本文中，我们提出了一个易于使用的python包和web应用程序，用于估计预测置信区间。该软件包提供了八种不同的程序，以确定和证明样本量和预测的信心，从保持，自助，交叉验证，逐步验证实验。由于该软件包直接构建在已建立的数据分析库上，因此它可以无缝集成到预处理和探索性数据分析步骤中。与本文相关的代码可在https://github.com/dabrze/confidence-planner上获得。
2023-01-12 cs.LG stat.ME
Confidence Interval Construction and Conditional Variance Estimation with Dense ReLU Networks
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；Hong Kong University of Science and Technology（香港科技大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出基于残差的框架，利用密集ReLU网络在非参数回归中实现条件方差估计，放宽噪声假设并推导非渐近界，同时开发了具有覆盖率理论保证的稳健自助法置信区间构造方法。
2025-01-01 cs.LG stat.ML
Conformal confidence intervals with an application to small area estimation
University of Southampton（南安普顿大学）；Statistisk sentralbyrå（挪威中央统计局）；Istituto nazionale di statística（意大利国家统计研究所）
该研究提出一种新型共形推理方法，生成样本内结果未知期望的共形置信区间，填补经典回归与共形推理的空白，并将其应用于小区域估计问题。
2026-08-05 stat.ME
CoinDICE: Off-Policy Confidence Interval Estimation
University of Alberta（阿尔伯塔大学）；DeepMind（深度思维）；Google Research（谷歌研究院）
我们研究了强化学习中的高置信度行为不可知的偏离策略评估，其目标是估计目标策略值的置信区间，仅允许访问未知行为策略收集的静态经验数据集。从$Q$ -函数的线性规划公式的函数空间嵌入出发，我们得到了一个具有广义估计方程约束的优化问题。通过将广义经验似然方法应用于所得到的拉格朗日量，我们提出了CoinDICE，一种新的和有效的算法计算置信区间。理论上，我们证明了所得到的置信区间是有效的，在渐近和有限样本制度。从经验上讲，我们在各种基准测试中表明，置信区间估计比现有方法更严格，更准确。
2020-10-22 cs.LG stat.ML
Confidence Distribution and Distribution Estimation for Modern Statistical Inference
本文介绍了置信分布的新概念、新方法和现代统计学中的分布推断。这个讨论应该是感兴趣的人谁愿意深入的统计推断方法和利用分布估计在实践中。我们还包括在讨论中的主题广义信念推断，一种特殊类型的现代分布推理，并将其与置信分布的概念。并提供了几个实际的数据实例供实践者参考。我们希望所选内容涵盖这一主题的大部分发展。
2021-09-04 stat.ME
Asymptotic confidence bands for copulas based on the transformation kernel estimator
在本文中，我们建立渐近的同时置信带的转换核估计Copula引进Omelka等人。（2009年）。为了这个目的，我们证明了一个统一的带宽法律的重对数的最大偏差，这个估计从它的期望，光滑条件下的copula函数。我们还研究了偏差，它以相同的精确率渐近一致地趋于零。最后给出了一些模拟实验来支持我们的结果
2016-08-19 stat.ME
Asymptotic confidence bands for copulas based on the local linear kernel estimator
本文基于Chen和Huang [1]提出的局部线性核估计建立了Copula函数的渐近同时置信带。为此，我们证明了光滑条件下的Copula函数，一个统一的带宽法律的重对数的最大偏差，这个估计从它的期望。我们还表明，偏置项一致收敛到零的精确率。这些波段的性能在模拟研究中示出。并给出了一个基于伪面板数据的应用程序。
2015-09-30 stat.ME
Asymptotic Distribution and Simultaneous Confidence Bands for Ratios of Quantile Functions
两种分布的中位数或其他合适的分位数之比广泛用于医学研究，以比较治疗组和对照组，或在经济学中，当重复的横断面数据可用时，比较各种经济变量。受贫困研究中引入的所谓增长发生率曲线的启发，我们认为分位数函数的比率是比较两种分布的更合适和更翔实的工具。我们提出了一个估计的分位数函数的比率，并开发相应的同时置信带，它允许评估的分位数函数比率的某些功能的意义。导出的同时置信带依赖于分位数函数比率的渐近分布，并且不需要重新采样技术。在模拟中证明了同时置信带的性能。对乌干达1999年、2002年和2005年支出数据的分析表明了我们方法的相关性。
2017-10-24 econ.EM stat.AP stat.ME
Pointwise confidence estimation in the non-linear $\ell^2$-regularized least squares
Google DeepMind（谷歌DeepMind）；Sapient Intelligence（智睿智能）
本文研究 $\ell^2$ 正则化非线性最小二乘的非渐近逐点预测置信界，利用逆 Hessian 加权范数刻画测试点与训练数据的相似性，并提出近梯度成本的计算方法，实证优于 bootstrap。
2025-06-10 cs.LG stat.ML
Estimation of Gini Index within Pre-Specied Error Bound
基尼系数是一种广泛使用的衡量经济不平等的指标。本文提出了一种构造基尼指数置信区间的一般理论，该理论具有一定的置信系数和一定的宽度。固定样本量方法不能同时达到指定的置信系数和指定的宽度。本文提出了一种纯序贯的基尼系数区间估计方法，具有一定的置信系数和固定的误差范围。证明了该方法的最优性，即一阶渐近有效性和渐近一致性。所有的理论结果都是在不假设数据的任何特定分布的情况下得出的。
2015-03-27 stat.ME
Adaptively Robust Small Area Estimation: Balancing Robustness and Efficiency of Empirical Bayes Confidence Intervals
基于著名的Fay-Herriot模型的经验贝叶斯小区域估计可能会产生不可靠的估计时，边远地区存在。现有的鲁棒方法对离群值或模型误设通常是低效的，当假设的分布是合理的。本文提出了一个简单的修改标准的经验贝叶斯方法，自适应平衡鲁棒性和效率。该方法采用伽玛发散代替边缘对数似然，并通过追求面积参数的经验贝叶斯置信区间的有效性来优化控制鲁棒性的调整参数。我们提供了一个渐近理论的假设分布和存在的边远地区的正确规范下的方法。我们调查的数值性能，所提出的方法，通过模拟和应用小面积估计的平均犯罪人数。
2022-06-27 stat.ME
Confidence Sets for a level set in linear regression
回归建模是统计学的主要工具，有大量关于回归函数估计的文献。近年来人们认识到，在回归分析中，最终目标可能是估计回归函数的水平集，而不是估计回归函数本身。已发表的工作估计水平集迄今主要集中在非参数回归，特别是点估计。本文考虑了线性回归水平集置信集的构造问题。特别是，$1-α$水平的上限，下限和双侧置信集的正态误差线性回归构建。结果表明，这些置信集可以很容易地从相应的$1-α$水平的同时置信带构造。本文还指出，该构造方法同样适用于均值响应通过单调连接函数依赖于线性预测量的其它参数回归模型，包括广义线性模型、线性混合模型和广义线性混合模型。因此，本文提出的方法具有广泛的适用性。最后给出了实例说明该方法。
2022-07-26 stat.ME
Minimum Area Confidence Set Optimality for Simultaneous Confidence Bands for Percentiles in Linear Regression
本文提出最小面积置信集（MACS）准则用于比较和构建线性回归中百分位的同时置信带，发现非对称SCBs在面积上显著优于对称SCBs，并提出高效计算临界常数的方法。
2023-09-13 stat.ME
Tuning Confidence Bound for Stochastic Bandits with Bandit Distance
UC San Diego（加州大学圣地亚哥分校）；West Virginia University（西弗吉尼亚大学）
我们提出了一种新的修改标准的置信上限（UCB）方法的随机多臂强盗（MAB）问题，调整的置信界的基础上，它的距离到其他的一个给定的强盗。我们的UCB距离调谐（UCB-DT）制定，使改进的性能，通过防止MAB算法专注于非最佳的土匪，这是一个众所周知的缺陷标准UCB的预期遗憾。标准UCB的“距离调整”是使用建议的距离度量完成的，我们称之为“强盗距离”，该距离度量是可参数化的，因此可以根据问题要求进行优化以控制从探索到利用的过渡率。我们的经验表明，增加性能的UCB-DT与许多现有的国家的最先进的方法，使用UCB配方的MAB问题。我们的贡献还包括开发一个概念工具，称为“勘探讨价还价点”，它提供了深入了解勘探和开发之间的权衡。我们认为，勘探讨价还价点提供了一个直观的角度来看，是有用的比较分析的性能UCB为基础的方法。
2021-10-06 cs.LG stat.ML
Uniform confidence bands for joint angles across different fatigue phases
本研究针对函数时间序列多重变点检测开发均值函数一致置信带，聚焦跳跃幅度超阈值Δ的分段，结合生物力学背景助力理解跑步运动员疲劳状态下下肢关节活动范围，为关节运动动态与疲劳关系研究提供工具。
2025-02-12 stat.ME
Quantifying Uncertainty in Classification Performance: ROC Confidence Bands Using Conformal Prediction
针对测试数据随机性导致ROC曲线结论可信度不足的问题，提出基于共形预测的ROC曲线置信带构建算法，覆盖iid和non-iid两种测试场景，经理论与实验验证可有效量化分类性能不确定性。
2024-05-21 stat.ME
Confidence Intervals and Simultaneous Confidence Bands Based on Deep Learning
Tel Aviv University（特拉维夫大学）
针对深度学习预测不确定性评估不足及现有方法无效或过于保守的问题，提出一种非参数自助法，有效分离数据不确定性与优化噪声，构建准确的点态置信区间和同时置信带，并成功应用于右删失生存数据的生存曲线。
2024-06-20 cs.LG stat.ML
Upper Confidence Bounds for Combining Stochastic Bandits
Boston University（波士顿大学）；Google Research（谷歌研究院）
我们提供了一个简单的方法来结合随机强盗算法。我们的方法是基于一个“元UCB”的程序，对待每一个$N$个人土匪算法的武器在一个更高级别的$N$武装土匪问题，我们解决了一个变种的经典UCB算法。我们最后的遗憾只取决于后悔的基础算法与最好的遗憾在事后。这种方法提供了一个简单和直观的替代策略的CORRAL算法对抗土匪，而不需要的稳定性条件CORRAL上的基础算法。我们的研究结果在几个设置匹配的下限，我们提供了经验验证我们的算法错误指定的线性强盗和模型选择问题。
2020-12-24 cs.LG stat.ML
Accurate confidence interval estimation for non-centrality parameters and effect size indices
我们最近提出了一个稳健效应量指数（RESI），它与检验统计量的非中心性参数有关。RESI优于普通索引，因为（1）它广泛适用于许多类型的数据;（2）它可以依赖于一个强大的协方差估计;（3）它可以适应滋扰参数的存在。我们为RESI提供了一个相合估计量，但是，没有为RESI建立置信区间（CI）估计程序。在这里，我们使用统计理论和模拟来评估几个CI估计程序的RESI的三个估计。我们的研究结果表明：（1）与常见的效应量相比，稳健估计对真实效应量是一致的;（2）非中心性参数效应量的常见CI程序无法覆盖名义水平的真实效应量。使用鲁棒估计器以及所提出的自助CI通常是准确的，适用于对RESI进行一致的估计和有效的推断，特别是当模型假设可能被违反时。基于RESI，我们提出了一个通用的效应量分析框架，使得效应量和置信区间可以很容易地以方差分析（ANOVA）表格格式报告，适用于各种模型
2021-11-10 stat.ME
Inference in a class of optimization problems: Confidence regions and finite sample bounds on errors in coverage probabilities
本文介绍了三种方法进行非渐近推断的部分识别参数的解决方案，一类最优化问题。其中出现的优化问题的应用包括形状限制下的估计，离散游戏模型的估计，以及基于分组数据的估计。部分识别的参数的特点是，除了结构参数的限制，涉及未知的人口手段观察到的随机变量。推断包括寻找结构参数函数的置信区间。我们的理论提供了有限样本下界的覆盖概率的置信区间下三组假设的强度增加。在大多数经济学应用中，样本量适中，随着假设的加强，界限变得更紧。我们讨论的人口参数的估计，界限取决于和对比我们的方法与其他方法获得置信区间部分确定的参数。蒙特卡罗实验结果和经验例子说明了我们的方法的实用性。
2022-12-01 econ.EM 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
Edgington's Method for Random-Effects Meta-Analysis Part I: Estimation
Epidemiology, Biostatistics and Prevention Institute, Department of Biostatistics, University of Zurich（苏黎世大学流行病学、生物统计与预防研究所生物统计系）
本文扩展基于组合p值函数的元分析估计框架，通过置信分布方法纳入异质性估计不确定性，提出调整后的Edgington方法，模拟显示多数场景下95%置信区间接近名义覆盖率，点估计偏差小。
2026-06-25 stat.ME
Segmentation and Estimation of Change-point Models: False Positive Control and Confidence Regions
为了分割一个序列的独立随机变量在一个未知数的变化点，我们引入了新的程序，是基于阈值的似然比统计。我们还研究了基于似然比统计量的变点的置信区域和变点与参数值的联合置信区域。讨论了分段阵列计算全息数据的应用。
2018-10-15 math.ST stat.TH
Adaptive Confidence Bands
我们表明，不存在自适应置信带曲线估计，除非在非常严格的假设。相反，我们建议构造覆盖代理函数f^ \star的自适应频带，该代理函数接近但比f简单。代理函数捕捉了f中的重要特征。我们建立了下限的宽度为f^ \star的任何置信带，并构建了一个程序，达到有限样本的下界内的一个小的常数因子。
2007-01-18 math.ST stat.TH
Adaptive confidence bands in the nonparametric fixed design regression model
在本文中，我们考虑了固定设计回归模型中自适应置信带的存在性问题，将Hoffmann和Nickl（2011）中的思想适用于当前情况。在证明过程中，我们证明了超范数自适应估计也存在于回归中。
2012-07-19 math.ST stat.TH
A simple method to construct confidence bands in functional linear regression
本文提出了一种简单的方法来构建置信带，在主成分分析（PCA）为基础的估计，为功能线性回归模型的斜率函数的标量响应变量和功能预测变量。基于PCA的估计量是具有估计的基函数的序列估计量，因此构造其有效置信带是一个非平凡的挑战。我们提出了一个置信带，旨在覆盖的斜率函数在"大多数"点与预先指定的概率（水平），并证明其渐近有效性在适当的正则性条件。重要的是，这是第一篇论文，推导出的PCA为基础的估计具有理论依据的置信带。我们还提出了一种实用的方法来选择基于PCA的估计中使用的截止水平，并进行数值研究，以验证所提出的置信带的有限样本性能。最后，我们将我们的方法应用于光谱数据，并讨论了我们的方法的扩展，其中存在额外的向量值回归的情况。
2017-05-01 math.ST stat.TH
Uniform confidence bands in deconvolution with unknown error distribution
本文提出了一种在反褶积中误差分布未知时构造均匀置信带的方法。我们主要关注基线设置，其中来自误差分布的辅助样本是可用的，并且误差密度是普通平滑的。辅助样本可以直接来自验证数据，或者可以由具有对称误差分布的面板数据构造。我们还提出了扩展的置信带的超光滑误差密度的情况下的结果。仿真研究表明，在有限样本的乘数自助置信带的性能。我们将我们的方法应用于外大陆架（OCS）拍卖数据，并绘制了石油和天然气区块矿产权共同价值密度的置信带。最后，我们提出了一个应用程序，我们的主要理论结果，具体到添加剂固定效应面板数据模型。作为面板数据分析的实证说明，我们绘制了智利制造业全要素生产率密度的置信带。
2017-07-22 math.ST stat.TH
Optimal Confidence Bands for Shape-Restricted Curves
设$Y$是$[0,1]$上满足$dY(t) = n^{1/2} f(t) dt + dW(t)$的随机过程，其中$n \ge 1$是给定的尺度参数（"样本量“），$W$是标准布朗运动，$f$是未知函数。利用适当的多尺度测试，我们构造的置信带$f$与保证给定的覆盖概率，假设$f$是保序或凸。这些置信带在计算上是可行的，并且在适当的意义上被证明是渐近最优的。
2013-12-23 math.ST stat.TH
Adaptation Bounds for Confidence Bands under Self-Similarity
在Gine和Nickl（2010）提出的自相似条件下，我们推导出置信带范围的界限，以适应带有噪声的非参数函数（如回归函数或密度）的未知规律性。我们发现，适应只能达到一个术语，取决于用于定义自相似性的常数的选择，这一术语变得任意大的保守选择的自相似性常数。我们构造了一个置信带，达到这个界限，直到一个不依赖于自相似常数的常数项。我们的研究结果表明，在选择和解释定义自相似性的常数时必须小心，因为自适应置信带对这个常数的依赖不能渐近消失。
2020-09-03 math.ST stat.TH
Honest Confidence Bands for Isotonic Quantile Curves
我们提供了保序分位数曲线的非参数单变量回归与保证给定的覆盖概率的置信带。该方法是Duembgen和Johns（2004）等渗中值曲线置信带的改编。
2022-07-05 math.ST stat.ME stat.TH
Estimation of a probability with optimum guaranteed confidence in inverse binomial sampling
序贯估计的概率$p$通过逆二项抽样被认为是。对于给定的$μ_1,μ_2>1$，估计量$\hat{p}$的准确性由置信水平$P[p/μ_2\leq\hat{p}\leq pμ_1]$来衡量。研究了对于$p$未知可以保证的置信水平$c_0$，即，使得对于所有$p\in(0,1)$都是$P[p/μ_2\leq \hat{p}\leq pμ_1]\geq c_0$。它表明，在一般类的随机或非随机估计的基础上逆二项抽样，有一个最大的$c_0$，可以保证任意$p$。给出了一个非随机估计量，在温和的条件下，在$μ_1$，$μ_2$上实现了最大保证置信度。
2010-10-11 math.ST stat.TH
Online estimation of the geometric median in Hilbert spaces : non asymptotic confidence balls
基于递归算法的估计过程是有趣的和强大的技术，能够快速处理（非常）大样本的高维数据。所收集的数据可能被噪声污染，使得鲁棒的位置指示符（诸如几何中值）可能优于平均值。在这种情况下，Cardot、Cénac和Zitt（2013年）开发了一种基于快速有效的平均非线性随机梯度算法的几何中值估计器。通过给出非渐近置信球，更精确地研究了该算法的非渐近性态。这个新结果是基于改进的$L^2$收敛速度的推导以及递归非线性Robbins-Monro算法的鞅项的指数不等式。
2015-01-27 math.ST stat.TH
