An algorithm for the multivariate group lasso with covariance estimation
本文研究了考虑相关误差项的多元线性回归模型的一个组Lasso估计。一个块坐标下降算法被用来计算这个估计。我们用分类数据和多变量时间序列数据进行了模拟研究，这些数据是预测变量之间自然分组的典型设置。我们的模拟研究表明，所提出的组套索估计的替代估计相比，具有良好的性能。我们说明了一个基因表达的时间序列数据集的方法。
2015-12-16 stat.CO stat.ME
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
Depth-based estimation for multivariate functional data with phase variability
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Northeastern University（东北大学）
本文提出了一种基于深度的方法，用于估计多变量函数数据中的主模式函数，考虑了相位变化和时间扭曲的影响，并通过模拟和真实数据验证了方法的鲁棒性。
2026-01-30 stat.CO stat.ME
Convex Optimization Methods for Dimension Reduction and Coefficient Estimation in Multivariate Linear Regression
本文研究了多元线性回归迹模正则化最小二乘估计的凸优化方法。最近由Yuan等人[22]提出的所谓的因子估计和选择（FES）方法同时进行参数估计和因子选择，并且已被证明在大样本和有限样本中都具有良好的特性。然而，由于高维数和迹范数约束，计算估计在实践中可能非常具有挑战性。在本文中，我们探索了Nesterov平滑方法[20]和内点方法的一种变体，用于计算惩罚最小二乘估计。然后使用一组随机生成的实例比较这些方法的性能。我们表明Nesterov平滑方法的变体[20]通常大大优于SDPT3版本4.0（beta）[19]中实现的内点方法。此外，前一种方法的内存效率要高得多。
2009-04-04 stat.CO stat.ME
Mixed-type multivariate response regression with covariance estimation
当响应向量的元素是混合类型的，例如一些连续的和一些离散的，我们提出了一种新的方法，用于多变量响应回归和协方差估计。我们的方法是基于一个模型，假设可观察的混合型响应向量是连接到一个潜在的多元正态响应线性回归通过一个链接函数。我们探讨了该模型的性质，并表明其参数是可识别的合理条件下。我们不施加任何参数限制的协方差的潜正常比其他的正定性，从而避免假设不可观察的变量，这可能是难以验证的实践。为了适应这种普遍性，我们提出了一种新的算法近似极大似然估计，工程"现成的"与许多不同的组合的响应类型，以及规模的响应向量的维度。我们的方法通常给出更好的预测和参数估计比拟合不同的响应类型的单独的模型，并允许近似似然比测试的相关假设，如响应的独立性。所提出的方法的实用性说明在模拟和一个生物医学和一个基因组数据的例子。
2022-03-03 stat.CO stat.ME
Convex Reparameterization and Self-Concordant Algorithms for Multivariate Regression with Covariance Estimation
School of Statistics, University of Minnesota Twin Cities（明尼苏达大学双城分校统计学院）；Department of Applied Mathematics & Statistics, Stony Brook University（石溪大学应用数学与统计系）
该研究提出结合协方差估计的多元回归的凸重参数化方法，证明其缩放高斯损失为标准自协调，推导两种算法，模拟及蛋白质表达应用显示其预测误差相近且稠密精度矩阵时速度显著提升。
2026-08-20 stat.CO stat.ME
Regularized estimation for highly multivariate spatial Gaussian random fields
Universidad Técnica Federico Santa María（费德里科Santa María技术大学）；Technische Universität Berlin（柏林工业大学）；Universidad de Chile（智利大学）
本文提出一种LASSO正则化框架，通过在Cholesky因子中引入稀疏性，自动识别无关变量对，减少估计误差。通过Geo化学数据集验证方法的有效性，使传统方法无法处理的空间预测成为可能。
2026-04-08 stat.CO stat.ME
A note on extension of sliced average variance estimation to multivariate regression
这篇论文已被撤回，因为电子统计杂志的编辑拒绝了这篇论文。
2008-05-16 stat.ME
Estimation of a multivariate von Mises distribution for contaminated torus data
University G. Fortunato（乔瓦尼·富尔纳托大学）；Department of Mathematics, University of Trento（特伦托大学数学系）
本文提出利用加权似然方法对受污染环面数据进行多维von Mises分布的稳健估计。
2026-03-03 stat.ME
Multivariate Density Estimation with Missing Data
多元密度估计是统计学中的一种流行技术，具有广泛的应用，包括允许条件方差异方差的回归模型。当多变量向量中的一个或多个变量的观测值缺失时，估计问题变得更具挑战性。提出了一种灵活的混合类的核密度的张量积，它可以很容易地实现使用吉布斯抽样的插补方法，并显示出具有优越的性能相比，目前在文献中的一些crackiting插补方法。使用几个模拟的数据方案和应用程序，以夫妇的案例研究提供了数值说明。
2018-08-14 stat.ME
Identification in Bayesian Estimation of the Skewness Matrix in a Multivariate Skew-Elliptical Distribution
Harvey et al.（2010）将Sahu et al.（2003）的贝叶斯估计方法扩展到具有一般偏度矩阵的多元偏椭圆分布，并将其应用于具有更高矩的贝叶斯投资组合优化。虽然他们的方法是划时代的，因为它可以处理资产收益之间的偏度依赖关系，并将更高的时刻到投资组合优化，它不能识别偏度矩阵中的所有元素，由于吉布斯采样器中的标签切换。为了处理这个识别问题，我们建议修改他们的采样算法，通过对多元斜椭圆分布的偏度矩阵施加正下三角约束和改进的可解释性。此外，我们提出了一个贝叶斯稀疏估计的偏度矩阵与马蹄之前，以进一步提高精度。在仿真研究中，我们证明了所提出的方法与识别约束可以成功地估计的真实结构的偏度依赖，而现有的方法遭受的识别问题。
2021-08-09 q-fin.PM stat.CO stat.ME
Combining local and global smoothing in multivariate density estimation
通过一种将传统的局部平滑与全局平滑相结合的方法来处理多元密度估计的非参数估计，但不施加刚性结构。仿真工作提供了令人鼓舞的迹象的有效性的方法。基于密度的聚类的应用程序说明了一种可能的用途。
2016-10-07 stat.ME stat.ML
A Bayesian Framework for Regularized Estimation in Multivariate Models Integrating Approximate Computing Concepts
本文在贝叶斯框架下统一了多变量模型的正则化估计，连接贝叶斯推断与近似计算，提出均值收缩和正则化LDA的新算法，并通过数值实验验证。
2025-09-12 stat.ME
Weighted likelihood estimation of multivariate location and scatter
讨论了一种新的方法来获得加权似然估计的多元位置和分散。提出了一种加权方案，该方案是基于马氏距离的分布，而不是在假设的模型的数据的分布。该策略允许避免影响非参数密度估计的维数灾难，该灾难涉及通过Pearson残差Markatou et al（1998）构建权重。然后，基于加权似然离群检测规则和鲁棒降维技术的发展。数值研究和实际数据的例子说明了该方法的有效性。
2017-06-19 stat.ME
Multivariate Tail Estimation: Conditioning on an extreme event
我们考虑规则变化的随机向量。我们的目标是以非参数的方式估计一些与极端事件有关的特征，如尾部依赖系数。我们引入了一个准谱分解，可以提高估计的效率。估计量的渐近正态性是基于尾经验过程的弱收敛。理论结果得到了模拟研究的支持。
2015-02-25 stat.ME
Efficient estimation of high-dimensional multivariate normal copula models with discrete spatial responses
分布变换（DT）是用于估计具有离散响应的高维多元正态copula模型的计算方法之一。它的优点是在连续边际copula模型的理论下可以方便地推导出似然函数，但对该方法的适用性还没有明确的分析。我们调查的小样本和渐近有效性的方法估计高维多元正态Copula模型与单变量Bernoulli，泊松，负二项利润，并显示DT近似导致有偏估计时，有更多的离散。对于一个高维离散响应，我们实现了最大模拟似然方法，这是基于评估的多维积分的可能性与随机化的准蒙特卡罗方法。效率计算表明，我们的方法几乎是有效的极大似然充分指定的高维多元正态copula模型。这两种方法都说明了空间聚集计数数据集，它表明，有一个很大的增益，通过最大模拟似然法的效率。
2015-01-20 stat.AP stat.CO stat.ME
Derivative Estimation of Multivariate Functional Data
针对现有导数估计方法局限于单变量函数型数据的问题，提出DMFPCA和DMKL两种方法估计多元函数型数据导数的主成分与得分，模拟显示DMFPCA性能更优，应用于冠脉造影数据可辅助冠心病分类。
2024-11-27 stat.ME
Nonparametric estimation of multivariate hidden Markov models using tensor-product B-splines
对于由潜在状态驱动的多变量时间序列，隐马尔可夫模型（HMRM）构成了一个强大的框架，可以灵活地适应手头的情况。然而，在实践中，为多变量观测向量选择适当的发射分布可能具有挑战性。例如，边缘数据分布可能不会立即揭示州内分布形式，而且不同的数据流可能在不同的支持下运行，使得使用多元正态分布的常见方法不充分。在这里，我们探讨了一个非参数估计的排放分布在一个多元HMM的张量积B样条的基础上。在两个模拟研究中，我们展示了我们的建模方法的可行性，并展示了参数分布的不适当选择的潜在陷阱。为了说明其实用性，我们提出了一个案例研究，在该案例中，我们使用HMM对2020年欧洲杯期间守门员传球的长度和角度组成的二元时间序列进行建模，研究比赛动态对球队战术的影响。
2023-02-13 stat.ME
Multivariate Nonparametric Estimation of the Pickands Dependence Function using Bernstein Polynomials
风险分析中的许多应用，特别是在环境科学中，需要估计多变量极大值之间的相关性。这样做的一种方法是通过推断潜在极值copula的Pickands依赖函数。一个非参数估计被构造为样本等价的多元扩展的madogram。Pickands依赖函数的家庭上的形状约束考虑到通过一个特定类型的伯恩斯坦多项式的表示。大样本理论的估计和它的有限样本性能进行了评估与模拟研究。该方法是通过分析集群组成的7个气象站，记录每周最大的每小时降雨量在法国从1993年到2011年。
2016-04-15 stat.ME
Multivariate Poisson intensity estimation via low-rank tensor decomposition
Auburn University（奥本大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of California, San Diego（加州大学圣迭戈分校）
本文提出基于矩阵和张量的方法估计非均匀点过程的多变量强度函数，通过函数空间中的无限维矩阵或张量实现最优偏差方差权衡，提高估计精度并降低计算成本。
2026-05-15 stat.ME
A Parameter Estimation Method for Multivariate Aggregated Hawkes Processes
在用点过程对数据建模时，通常假设事件不能同时发生。这就产生了一个问题，因为真实世界的数据往往包含同步观测，这是由于记录能力的限制和存储大量精确数据的费用造成的聚合或舍入。为了更好地理解过程之间的关系，我们考虑使用多变量Hawkes过程对聚合事件数据进行建模，该过程提供了相互激励行为的描述，并在地震学和金融等领域得到了广泛的应用。在这里，我们概括现有的单变量聚合Hawkes过程的参数估计的方法，多变量的情况下，使用蒙特卡罗期望最大化（MC-EM）算法，并通过模拟研究表明，这个问题的替代方法可以严重偏差，与多变量MC-EM方法优于他们的MSE在所有考虑的情况下。
2021-08-27 stat.ME
Small Area Estimation via Multivariate Fay-Herriot Models with Latent Spatial Dependence
Fay-Herriot模型是直接调查估计的标准模型，其中真正感兴趣的数量，超总体平均值是潜在的，并且通过使用辅助协变量来改进其估计。在小面积估计的背景下，这些估计可以通过借用跨空间区域的强度或同时考虑多个结果来进一步改进。我们在这里提供了两个公式来执行小面积估计与Fay-Herriot模型，包括多变量的结果和潜在的空间依赖。我们考虑两个模型配方，其中一个结果的空间依赖结构是可分离的和一个帐户的交叉依赖，通过使用广义多元条件自回归（GMCAR）结构。GMCAR模型显示在一个国家级的例子，以产生较小的均方预测误差，相对于等效的人口普查变量，比可分离的模型和国家的最先进的多变量模型与非结构化的依赖性之间的结果和没有空间依赖性。此外，GMCAR和可分离模型在对美国社区调查的县级数据进行小面积估计时，均方预测误差小于最先进的模型。
2013-10-27 stat.ME
Retrospective score tests versus prospective score tests for genetic association with case-control data
针对回顾性病例对照遗传数据，本文提出基于回顾性似然和随机效应模型的局部最强聚合评分检验，并证明利用疾病患病率可提升检验效能。
2025-07-26 stat.ME
Nonparametric multivariate regression estimation for circular responses
本文研究了具有圆响应的回归函数的非参数估计和R_d值预测量。局部多项式型估计的建议和研究。导出了它们的渐近偏差和方差的表达式，并给出了选择渐近局部最优带宽矩阵的准则。有限样本的行为，建议的估计评估通过模拟和他们的表现也说明了一个真实的数据集。
2020-04-13 stat.ME
On Weighted Multivariate Sign Functions
多元符号函数常用于稳健估计和推理。我们建议使用数据相关的权重与这些功能。建议的加权符号函数保留了理想的鲁棒性，同时显着提高效率的估计和推理相比，未加权的多元符号为基础的方法。使用加权符号，我们展示了鲁棒的位置估计和鲁棒的主成分分析方法。我们扩展了使用鲁棒多变量方法的范围，包括鲁棒充分的降维和功能异常检测。一些数值研究和实际数据的应用表明，所提出的方法的有效性。
2020-12-25 stat.ME
Nonparametric estimation of multivariate copula using empirical bayes method
在金融、保险、系统可靠性等领域，通常感兴趣的是通过使用copula对多变量分布建模来测量变量之间的相关性。具有参数假设的copula模型易于估计，但当这些假设是错误的时，可能会有很大的偏差，而经验copula是非光滑的，通常不是真正的copula，使得在实践中对相关性的推断具有挑战性。作为一种妥协，经验伯恩斯坦copula提供了一个光滑的估计，但估计的调谐参数仍然难以捉摸。在本文中，通过使用所谓的经验棋盘copula，我们建立了一个分层的经验贝叶斯模型，使估计的光滑copula函数的任意尺寸。基于多元Bernstein多项式的估计量本身是一个真正的copula，其维数变化程度的选择是依赖于数据的。我们还表明，建议copula估计提供了一个更准确的估计，可以得到在封闭形式的多变量相关措施。我们调查的渐近和有限样本性能的估计，并比较它与一些非参数估计，通过模拟研究。投资组合风险管理的应用，以及量化的估计不确定性。
2021-12-20 stat.ME
Global-local shrinkage priors for modeling random effects in multivariate spatial small area estimation
Hiroshima University（广岛大学）；Chiba University（千叶大学）
本文提出一种基于全局-局部先验的多变量空间小区域估计模型，通过灵活收缩随机效应和引入空间依赖性，提高估计效率与鲁棒性。
2026-09-01 stat.ME
Joint estimation of conditional quantiles in multivariate linear regression models. An application to financial distress
本文提出了一种最大似然方法来联合估计线性回归框架中多元响应变量的边缘条件分位数。我们考虑了Kotz等人（2001）提出的多元非对称Laplace分布的一个轻微的重新参数化，并利用其位置-尺度混合表示来实现一个新的估计模型参数的期望最大化算法。其思想是将非对称拉普拉斯分布和众所周知的单变量分位数回归模型之间的联系扩展到多变量环境，即当涉及多变量因变量时。该方法考虑了多个响应之间的关联，并研究响应和解释变量之间的关系如何在响应的边际条件分布的不同分位数之间变化。一个惩罚版本的期望最大化算法也提出了解决问题的变量选择。我们的方法的有效性进行了分析，在模拟研究中，我们还提供证据的效率增益所提出的方法相比，通过单独的单变量分位数回归估计。一个真正的数据应用程序，最后提出了研究的主要决定因素，在一个样本的意大利企业的财务困境。
2018-08-03 stat.ME
Multivariate trend-cycle extraction with the Hodrick-Prescott filter
Hodrick-Prescott滤波器是提取宏观经济时间序列趋势周期最常用的方法之一。在本文中，我们提供了一个多变量推广的Hodrick-Prescott滤波器，看似无关的时间序列的方法的基础上。首先，我们推导出封闭形式的表达式连接的信号噪声矩阵比的参数的模型的VARMA表示。然后，我们表明，可以使用最近推出的方法，称为“矩估计通过聚合（Meta）”的参数估计。该方法取代了传统的多元似然估计的过程，只需要估计单变量过程。这使得估计更简单，更快，更好地表现数值。我们证明了我们的估计方法是一致的，渐近正态分布的建议框架。最后，我们提出了一个实证应用程序，重点是几个欧洲国家的工业生产。
2015-08-23 stat.ME
Multivariate selfsimilarity: Multiscale eigen-structures for selfsimilarity parameter estimation
本文针对多元自相似过程参数估计缺乏稳健方法的问题，基于小波谱多尺度特征结构提出高效估计程序，并发布开源工具箱，在多通道脑电癫痫预测中验证了其有效性。
2024-04-02 eess.SP stat.ME
Semiparametric Estimation of Cross-covariance Functions for Multivariate Random Fields
空间参考多变量数据的流行促使研究人员开发一个多个空间过程的联合建模过程。这通常涉及使用多变量空间协方差函数对任意位置对的边际和跨进程依赖性进行建模。然而，构建非负定的灵活的多变量空间协方差函数具有挑战性。在这里，我们提出了一个半参数的方法来估计多变量空间协方差函数的近似Matérn边缘和高度灵活的交叉协方差函数，通过他们的谱表示。我们的交叉协方差函数中的灵活性是由于底层相干函数的基于B样条的规范而产生的，这反过来又允许我们捕获非平凡的交叉谱特征。然后，我们开发了一个基于似然的估计过程，并进行了多次仿真研究，以证明我们的方法的性能，特别是在相干函数估计。最后，我们分析了颗粒物浓度（$\text{PM}_{2.5}$）和风速数据在美国东北部地区，在那里我们说明了我们提出的方法优于常用的全双变量Matérn模型和线性模型的空间预测的协区域化。
2019-11-06 stat.AP stat.ME
Sparse Estimation of Multivariate Poisson Log-Normal Models from Count Data
Virginia Tech（弗吉尼亚理工大学）
由于响应的离散性，使用多变量计数响应对数据进行建模是一个具有挑战性的问题。单变量计数响应的现有方法不能容易地扩展到多变量的情况下，因为多个响应之间的依赖性需要适当地容纳。本文提出了一个计数响应的多元Poisson对数正态回归模型。该回归模型利用多个计数响应之间的关联性，通过有效的蒙特卡罗期望最大化算法同时估计潜变量的回归系数和逆协方差阵，提高了模型的预测性能.仿真研究和实际数据的应用进行了系统的评估所提出的方法与传统方法相比的性能。
2016-08-12 cs.LG stat.ME
Weighted least squares estimation by multivariate-dependent weights for linear regression models
Southwest Jiaotong University（西南交通大学）
本文提出一种基于多元依赖权重的加权最小二乘估计方法，用于改善多元线性回归模型中异方差性问题的估计精度和预测性能。
2026-01-15 stat.ME
A Nonparametric Approach for Multiple Change Point Analysis of Multivariate Data
变点分析在很多领域都有应用。一般的问题涉及的一组时间有序的观察分布的变化的推断。顺序检测是一种在线检测，其中新数据不断到达并进行自适应分析。我们关注的是相关但不同的离线版本，其中对整个序列进行回顾性分析。对于任意维数的多变量观测集，我们考虑了变点个数和变点位置的非参数估计。对于（0，2）中的某个α，我们不对分布变化的性质或超出α阶绝对矩存在的任何分布假设做任何假设。估计是基于层次聚类，我们提出了分裂和凝聚算法。分裂的方法，提供相合估计的数量和位置的变化点在标准的规律性假设。我们比较所提出的方法与竞争的方法在模拟研究。聚类分析的方法应用于评估性能，并允许简单的位置估计的比较，即使估计的数量不同。我们的结论与遗传学，金融和时空分析中的应用。
2013-10-15 stat.ME
On the estimation of the number of components in multivariate functional principal component analysis
本文通过模拟研究探讨多元函数主成分分析中主成分个数的选择，发现传统方差解释阈值方法不可靠，建议谨慎使用。
2025-01-26 stat.ME stat.ML
A Componentwise Estimation Procedure for Multivariate Location and Scatter: Robustness, Efficiency and Scalability
本文提出了一种新的稳健且高效的估计方法，用于估计椭圆对称分布的位置和散射矩阵，通过最小密度幂分歧方法改进，具有良好的鲁棒性和可扩展性。
2025-11-20 stat.ME
Recursive bias estimation for multivariate regression smoothers
本文提出了一种实用而简单的完全非参数多元平滑方法，它适用于真实回归函数的基本平滑性。我们的估计是很容易计算的连续应用现有的基础平滑（而不需要选择一个最佳的平滑参数），如薄板样条或内核平滑。对于小维度（3 < d < 8）和中等样本量（n < 800），所得平滑器具有比基础平滑器或竞争结构约束模型（GAM）更好的样本外预测能力。此外，我们的估计仍然是有用的，当（d> 10），据我们所知，没有其他自适应完全非参数回归估计是可用的，没有约束的假设，如加性。在一个真实的例子，波士顿住房数据，我们的方法减少了20%的样本预测误差。CRAN提供了一个R软件包ibr，用R语言实现了所提出的多变量非参数方法。
2011-06-07 stat.ME
Fast estimation of multivariate stochastic volatility
在本文中，我们开发了一个贝叶斯过程估计多变量随机波动率（MSV）的状态空间模型。基于逆Wishart分布和多元奇异Beta分布的乘法模型，提出了一种灵活的序列波动率更新的波动率的演变。计算速度快，由此产生的估计过程是特别适合于在线预测。在模型选择的背景下，三个性能指标进行了讨论：对数似然准则，标准化的一步预测误差的平均值，序贯贝叶斯因素。最后，所提出的方法被应用到一个数据集，包括8个汇率相对于美元。
2007-11-29 q-fin.ST stat.AP stat.ME
Estimation of within-study covariances in multivariate meta-analysis
当将研究组合在一起时，多变量荟萃分析可以适用于多种结局和多个治疗组的各种情况。在多变量荟萃分析中，效应量之间的研究内相关性通常被认为是已知的，但实际上并不总是已知的。本文提出了一种通用的方法来近似多变量荟萃分析中效应量的研究内协方差，并将该方法分别应用于多个结局和多个治疗组的一个结局的情景。
2020-03-11 cs.NA math.NA q-bio.QM
Multivariate Generalized Gaussian Distribution: Convexity and Graphical Models
本文研究了多元广义高斯分布（MGGD）和椭圆对称分布（ES）下的协方差估计。与此问题相关的极大似然优化是非凸的，但它已被证明，其全局解往往可以通过简单的不动点迭代计算。我们的第一个贡献是一个新的分析这种可能性的基础上测地凸，需要较弱的假设。我们的第二个贡献是稀疏约束下的结构协方差估计的广义框架。我们表明，只要MGGD形状参数大于一半，稀疏模式是弦，优化可以制定为凸最小化。这些包括，例如，极大似然估计的带状逆协方差在多变量拉普拉斯分布，这是与时变自回归过程。
2013-09-01 stat.ME
Two-step estimation of a multivariate Lévy process
基于描述多元Lévy过程相依结构的Lévycopula的概念，提出了一种新的估计方法.我们考虑一个参数模型的边际Lévy过程以及Lévy copula和估计参数的两个步骤的过程。我们首先估计边际过程的参数，然后在第二步中只估计依赖结构参数。对于无限的Lévy测度，我们截断小的跳跃，并将我们的统计分析建立在模型的大跳跃上。突出的例子将是一个二元稳定的\lp，它允许分析计算，因此，不同的方法进行比较。我们证明了渐近正态性的参数估计的两步程序，特别是，我们得到的Godambe信息矩阵，其逆是正常的极限法的协方差阵。仿真研究调查的效率损失，因为两步程序和截断。
2013-06-07 stat.ME
Copula-Based Density Estimation Models for Multivariate Zero-Inflated Continuous Data
针对多元零膨胀连续数据的离散—连续混合结构及并列数据问题，提出两种基于 copula 的密度估计模型和新型 rectified Gaussian copula，并通过高效参数估计与似然计算验证其优于传统方法。
2023-04-02 stat.ME stat.ML
Causal Effect Estimation for Multivariate Continuous Treatments
因果推断广泛应用于生物学、心理学和经济学等领域。在观察研究中，我们需要在估计因果效应之前对协变量进行平衡。本研究将一维熵平衡法扩展到多维，以平衡协变量。提出了估计多变量连续处理因果效应的参数和非参数方法，并给出了这两种估计的理论性质。仿真结果表明，该方法在各种情况下都优于其他方法。最后，我们应用该方法分析了吸烟时间和频率对医疗费用的影响。研究结果表明，吸烟频率会显著增加医疗费用，而吸烟时间不会显著增加医疗费用。
2022-05-18 stat.AP stat.ME
An utopic adventure in the modelling of conditional univariate and multivariate extremes
HEC Montréal（HEC蒙特利尔）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文针对条件单变量和多变量极值建模中的四个挑战，提出新的交叉验证方法、验证指标及联合超出行概率公式，探讨模型验证与自定义估计策略。
2023-12-21 stat.AP stat.ME
Nonparametric estimation of multivariate extreme-value copulas
极值copula出现在独立随机样本的分量最大值的渐近理论中。极值Copula由其Pickands依赖函数确定，该函数是单位单纯形上的函数，受到某些形状约束，这些形状约束来自称为谱测度的基础测度的积分变换。多元扩展提供了某些基于秩的非参数估计的Pickands依赖函数。的形状约束，估计本身应该是一个Pickands的依赖函数是强制执行的初始估计由其最佳最小二乘近似的Pickands的依赖函数的集合中具有离散的频谱测量支持在一个足够细的网格。证明了标准化估计的弱收敛性，并通过模拟实验研究了估计的有限样本性能。
2011-11-29 stat.ME
Neighborhood VAR: Efficient estimation of multivariate timeseries with neighborhood information
在数据科学中，向量自回归（VAR）模型在环境科学和其他应用中的多变量时间序列建模中很受欢迎。然而，这些模型在计算上是复杂的，参数的数量与时间序列的数量成二次比例。在这项工作中，我们提出了一个所谓的邻域向量自回归（NVAR）模型，有效地分析高维多元时间序列。我们假设时间序列具有潜在的邻域关系，例如，空间或网络，其中基于问题的固有设置。当此邻域信息可用或可以使用距离矩阵进行总结时，我们证明了我们提出的NVAR方法提供了一种计算效率高且理论上合理的模型参数估计。所提出的方法的性能进行了比较与其他现有的方法在模拟研究和流氮研究的实际应用。
2022-09-17 stat.AP stat.ME
Multivariate Spline Estimation and Inference for Image-On-Scalar Regression
最近的数据分析在生物医学成像研究的动机，我们认为一类图像的标量回归模型的成像响应和标量预测。我们建议使用灵活的多元样条三角剖分处理图像上的感兴趣的对象的不规则域，以及图像的其他特性。在一定的正则条件下，证明了所提出的系数函数的估计是根-n相合的和渐近正态的。我们还提供了一个一致的和计算效率高的估计的协方差函数。构造了系数函数的渐近逐点置信区间和数据驱动的同时置信走廊。我们的方法可以同时估计和推断的系数函数，同时将空间异质性和空间相关性。一个高效和可扩展的估计算法的开发。蒙特卡罗模拟研究进行检查所提出的方法，然后将其应用于空间归一化的正电子发射断层扫描数据的阿尔茨海默病神经影像倡议的有限样本性能。
2021-06-02 stat.ME
Moment based estimation for the multivariate COGARCH(1,1) process
对于多变量COGestival过程，我们获得了显式表达式的二阶结构的“平方收益”的过程中观察到的等距网格。在此基础上，给出了其参数的广义矩估计方法。在适当的矩和强混合条件下，我们证明了所得到的估计是相合的和渐近正态的。详细讨论了模型参数强混合、平稳和可辨识的充分条件。我们在模拟研究中研究了估计量的有限样本行为。
2021-02-02 math.ST stat.ME stat.TH
Multivariate stochastic volatility modelling using Wishart autoregressive processes
提出了一种新的金融时间序列多元随机波动率估计方法。波动率精度协方差矩阵采用Wishart自回归过程，其估计采用两步法。第一步是对自回归参数的条件推断，第二步是基于Newton-Raphson迭代算法的无条件推断。所提出的方法，这主要是贝叶斯，是适合于中维数据，它的桥梁之间的差距封闭形式的估计和基于模拟的估计算法。一个由外汇汇率数据组成的例子说明了所提出的方法。
2013-11-03 q-fin.CP stat.ME
Nonparametric Multivariate L1-median Regression Estimation with Functional Covariates
当协变量取值于无穷维空间时，本文提出了多元条件分布的L1-中位数的非参数估计。多变量情况更适合于同时预测随机变量向量的分量，而不是分别预测它们中的每一个。在利用著名的Nadarya-Waston估计量估计条件L1-median函数时，我们证明了该估计量的强相合性和渐近正态性。我们还提出了一些模拟，并提供如何建立条件con？多元L1-中位数回归的置信椭圆。对化学计量实际数据进行了数值研究，比较了协变量X为曲线，X为随机向量时多元L1-中位数回归与边际中位数回归向量的异同。
2013-04-16 math.ST stat.ME stat.TH
Local-Polynomial Estimation for Multivariate Regression Discontinuity Designs
Institute of Economic Research Hitotsubashi University（一桥大学经济研究所）；Graduate School of Economics and Management, Tohoku University（东北大学经济管理学院）；Center for Spatial Information Science, The University of Tokyo（东京大学空间信息科学中心）
本文提出了一种多变量回归不连续设计的局部线性估计方法，用于捕捉边界处的异质性治疗效应，并在实证研究中展示了其更小的误差和更短的置信区间。
2026-01-23 econ.EM stat.AP stat.ME
Covariance estimation for multivariate conditionally Gaussian dynamic linear models
在多变量时间序列中，观测新息的协方差阵的估计在预测中起着重要的作用，因为它使得能够计算标准化的预测误差向量，以及它使得能够计算预测的置信界限。我们开发了一个在线的，非迭代贝叶斯算法的估计和预测。实验结果表明，对于一定范围的模拟时间序列，所提出的协方差估计器具有良好的性能收敛到未知观测协方差阵的真值。在一个模拟的时间序列，新的方法近似正确的估计，产生的非序贯蒙特卡罗模拟程序，这是在这里使用的黄金标准。特殊的，但重要的，向量自回归（VAR）和随时间变化的VAR模型说明考虑伦敦金属交易所的数据组成的现货价格的铝，铜，铅和锌。
2008-02-01 stat.AP stat.ME
Multivariate Density Estimation via Adaptive Partitioning (I): Sieve MLE
本文研究了多元密度估计的非参数方法。估计量是由二进制分区支持的分段常数密度函数。样本空间的分区通过最大化该分区上的对应直方图的似然来学习。本文分析了筛分极大似然估计的收敛速度，并得出结论：对于一类相对丰富的密度函数，筛分极大似然估计的收敛速度并不直接依赖于密度函数的维数。这表明，在某些条件下，这种方法不受维数灾难的影响，在这个意义上，即使在高维中也有可能接近参数率。我们还将此方法应用于几种特殊情况，并分别计算了显式的收敛速度。
2015-08-19 math.ST stat.ME stat.TH
Wasserstein-based Minimax Estimation of Dependence in Multivariate Regularly Varying Extremes
本文首次为多元线性因子模型中谱测度估计建立极小极大风险界，以Wasserstein距离导出非渐近收敛速率并证明最优性，提出两步估计量达到下界，弥合极值理论中偏差-方差权衡的空白。
2024-11-09 math.ST stat.ME stat.TH
