Semiparametric tail-index estimation for randomly right-truncated heavy-tailed data
当处理截断分布的参数信息时，截断数据分布函数的半参数估计（Wang，1989）比非参数估计更有效。在此基础上，给出了随机右截断Pareto型分布尾指数的估计量，并证明了其相合性和渐近正态性.通过仿真研究，证明了该估计器的有限样本行为。我们指出，在偏差和均方误差的根，我们的估计比那些基于非参数估计方法。最后给出了一个艾滋病发病诱导时间的实际数据集的应用。
2021-06-02 math.ST stat.TH
Nonparametric inference for Poisson-Laguerre tessellations
本文提出两种非参数估计器用于泊松-拉格uer尔 tessellations的分布函数推断，并证明其在观测窗口扩展时的强一致性。
2025-01-15 math.ST stat.ME stat.TH
Bayesian nonparametric estimation of Tsallis diversity indices under Gnedin-Pitman priors
Tsallis熵是Patil和Taillie（1982）首次提出的广义多样性指数，随后由Keylock（2005）在群落生态学中重新发现。贝叶斯非参数估计的香农熵和辛普森的多样性下均匀和对称的Dirichlet先验已经提倡作为一种替代极大似然估计的基础上的频率计数，这是负偏的欠采样制度。在这里，我们提出了一个完全通用的贝叶斯非参数估计下Gnedin-Pitman先验，一个大家庭的随机离散分布最近深入研究的后验预测物种丰富度和发现概率估计Tsallis多样性指数的整个类。我们提供先验和后验分析。通过实例和实际数据集的应用表明，该方法易于实现，灵活，克服了以前的频率论和贝叶斯解决方案的局限性。
2014-11-25 math.ST stat.ME stat.TH
Nonparametric Testing under Random Projection
非参数推理的一个共同挑战是当数据量很大时其高计算复杂性。在本文中，我们开发了计算效率的非参数检验采用随机投影策略。在特定的核岭回归设置，一个简单的基于距离的检验统计量的建议。值得注意的是，我们推导出的最小数量的随机预测，这是足以实现测试的最优性方面的极大极小率。进一步建立了一种不需要规则性先验知识的自适应测试方法。一个技术贡献是建立经验核特征值的尾和的范围的上界。仿真和实际数据分析进行支持我们的理论。
2018-02-17 math.ST stat.ME stat.ML
Gini estimation under infinite variance
本文研究了具有厚尾数据生成过程的基尼系数估计问题，即均值有限方差无穷大的稳定分布类（即尾部指数为$α\in(1,2)$）.我们表明，在这种情况下，基尼系数不能可靠地估计使用传统的非参数方法，因为向下的偏见，出现在肥尾。这对正在进行的关于经济不平等的讨论具有重要意义。我们首先讨论如何非参数估计的基尼指数经历了一个相变的对称结构的渐近分布，作为数据分布转移的吸引域的轻尾分布的厚尾之一，特别是在无限的方差的情况下。我们还展示了非参数基尼偏差如何随着$α$值的降低而增加。然后，我们证明了极大似然估计优于非参数方法，需要一个小得多的样本量，以达到效率。最后，对于厚尾数据，我们给出了一个简单的修正机制，以非参数估计的小样本偏差为基础的模式和平均值之间的距离，其渐近分布。
2017-12-17 q-fin.RM stat.ME
Consistent nonparametric estimation for heavy-tailed sparse graphs
我们研究了图子作为随机块模型的非参数推广，并展示了如何在这个框架下获得稀疏网络的紧表示估计。我们的算法和分析在几个方面超越了以前的工作。首先，我们放松了生成图子的有界性假设，转而处理任意可积图子，这样我们就可以处理度分布中具有长尾的网络。其次，再次激发现实世界中的应用，我们放松通常的假设，即graphon定义在单位区间，允许潜在的位置图，其中潜在的位置生活在一个更一般的空间，我们表征这些graphon和他们的底层位置空间的可识别性。我们分析了三种算法。首先是一个最小二乘算法，它给出了一个近似，我们证明是一致的所有平方可积的graphons，与最好的随机块模型近似生成graphon方面表示的错误。接下来，我们分析一个基于割范数的推广，它适用于任何可积图子（不一定是平方可积的）。最后，我们表明，基于度的聚类工作时，底层的度分布是无原子的。与前两个算法不同，第三个算法在多项式时间内运行。
2016-02-24 math.PR math.ST stat.TH
Identifiability and consistent estimation of nonparametric translation hidden Markov models with general state space
本文考虑隐马尔可夫模型，其中观测值是位于一般状态空间中的潜在状态和一些分布未知的独立噪声之和。结果表明，这些完全非参数的翻译模型是可识别的潜变量的分布和噪声的分布，主要是一个轻尾假设的潜变量。提出了两种非参数估计方法，并证明了在弱收敛拓扑下，相应的估计量是相合的。这些结果与数值实验说明。
2020-01-29 math.ST stat.TH
Nonparametric quantile regression for spatio-temporal processes
本文提出一种适用于时空超高维数据的非参数分位数回归方法，克服计算挑战，并建立统计推断理论，通过模拟和电力需求数据验证其性能。
2024-05-24 math.ST stat.ME stat.TH
On tail inference in iid settings with nonnegative extreme value index
本文在非负极值指数独立同分布假设下，从理论和数值上比较基于极值理论与非参数平滑的尾部概率及平均超出函数估计量，并给出有限样本均方误差比较。
2024-09-02 math.ST stat.TH
New Empirical Process Tools and Their Applications to Robust Deep ReLU Networks and Phase Transitions for Nonparametric Regression
Department of Statistics, The Pennsylvania State University（宾夕法尼亚州立大学统计系）
本文提出新的经验过程工具，用于在重尾噪声和复杂函数类下分析广泛的统计学习模型。主要贡献是推导出两种Dudley型最大不等式，这些不等式消除了如轻尾和函数类均匀有界等限制性假设。这些不等式扩展了经验过程理论在统计学习和非参数估计中的应用范围。利用新的界限，我们建立了深度ReLU网络估计器在Huber和分位数回归中的鲁棒性保证。特别是，我们证明了一个统一的非渐近子高斯集中界，即使在无限方差噪声下仍然有效，并对深度Huber估计器在所有噪声情况下的非渐近鲁棒性进行了全面分析。对于深度分位数回归，我们提供了第一个无渐近子高斯界，无需假设矩条件。此外，我们的框架还为非参数最小二乘估计器提供了误差界，同时容纳无限方差噪声、非Donsker函数类和近似误差。此外，与以往基于专门乘数过程的方法不同，我们的框架扩展到更广泛的经验风险最小化问题，包括非参数广义线性模型和``集合结构``模型。
2026-10-27 math.ST stat.TH
Robust Nonparametric Regression with Deep Neural Networks
本文研究了具有重尾误差分布的回归模型的深度神经网络稳健非参数估计的性质。在适当的回归函数光滑性条件和误差项温和条件下，利用带有ReLU激活的深度神经网络建立了一类稳健非参数回归估计的非渐近误差界.特别地，我们仅假设误差分布具有有限的p阶矩，其中p大于1。我们还表明，深度稳健回归估计是能够规避灾难的维数时，预测的分布支持一个近似的低维集。我们的误差界的一个重要特征是，对于网络宽度和网络大小（参数数量）不超过预测器维度d的平方的数量级的ReLU神经网络，我们的超额风险界次线性地依赖于d。我们的假设放宽了精确流形支持假设，这在实践中可能是限制性的和不切实际的。我们还放宽了一些关键的假设数据分布，目标回归函数和神经网络在最近的文献中所要求的。我们的模拟研究表明，鲁棒方法可以显着优于最小二乘方法时，误差具有重尾分布，并说明损失函数的选择是很重要的背景下，深度非参数回归。
2021-07-21 math.ST stat.TH
Nonparametric inference of gradual changes in the jump behaviour of time-continuous processes
在应用中，随机特征的性质通常是逐渐变化的，而不是突然变化的，也就是说：经过一段时间的恒定相位后，它们开始慢慢变化。在本文中，我们讨论了统计推断的检测和局部化的逐步变化的跳跃特征的离散观察伊藤半鞅。我们提出了一个新的措施的时间变化的跳跃行为的过程。相应的估计的统计不确定性进行了分析，推导出新的结果的弱收敛的序列经验尾积分过程和相应的乘子自助程序。
2017-04-13 math.ST stat.TH
Adaptive nonparametric estimation for compound Poisson processes robust to the discrete-observation scheme
本文研究了一个跳跃测度和跳跃强度未知的复合泊松过程在多个等间距时刻的运动.我们构造了一个纯粹的数据驱动估计的Lévy密度$ν$通过谱方法使用一般的Calderon-Zygmund积分算子，其中包括卷积和投影内核。假设最小的尾部假设，它被证明是估计$ν$在最小最大估计率下的损失$L^p(\mathbb{R})$，$p\in[1,\infty]$，并鲁棒的观察制度（高和低频率）Besov球。为了在极大极小意义上实现自适应，我们使用Lepskiovich的方法，因为它特别适合我们的一般性。从而证明了新的指数浓度不等式，其中包括经验特征函数的一致涨落的指数浓度不等式。这些都是独立的利益，因为是证明策略，用于处理一般的Calderon-Zygmund运营商，离开无处不在的二次结构，并表现出鲁棒性，没有多项式尾条件。这种普遍性的动机的一部分是一个新的见解，我们在这里也包括，此外，使我们能够统一的主要两种方法来构建相关文献中使用的估计。
2019-02-08 math.ST stat.TH
Nonparametric Inference for Extreme CoVaR and CoES
本文提出非参数方法估计极值CoVaR和CoES，基于上尾依赖性框架和调整因子，结合多变量极值理论进行渐近分析，并通过模拟和实际数据验证方法有效性。
2025-11-21 stat.ME
Conditional Diffusion for Nonparametric Instrumental Variable Quantile Regression
Institute of Data Science and Statistics, Shanghai University of Finance and Economics（上海财经大学数据科学与统计研究院）；School of Mathematics and Statistics, Wuhan University（武汉大学数学与统计学院）；School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）
本研究提出结合条件扩散建模的两阶段非参数工具变量分位数回归方法，建立了重尾分布下的理论保证，经模拟与实际数据验证，其性能优于现有方法且随维度提升优势更明显。
2026-08-11 cs.LG stat.ML
Nelson-Aalen tail product-limit process and extreme value index estimation under random censorship
在累积分布函数的Nelson-Aalen非参数估计的基础上，给出了随机右删失重尾数据下尾乘积极限过程的一个弱逼近.在这种情况下，一个新的一致的减少偏差估计的极值指数，并建立其渐近正态性，只有通过假设的二阶正则变化的基本分布函数。仿真研究表明，新提出的估计性能优于现有的。
2016-07-22 math.ST stat.TH
Nonparametric classification with missing data
本文针对缺失数据下的非参数分类问题，提出基于 anova 型正交分解的框架并推导出不依赖环境维数的 minimax 速率，同时设计 HAM 分类器，在至多多对数因子内达到该速率并通过数值实验验证其有效性。
2024-05-02 math.ST stat.ME stat.TH
Quantile Fourier Transform, Quantile Series, and Nonparametric Estimation of Quantile Spectra
IBM T. J. Watson Research Center（IBM T.J. 沃森研究中心）
本文提出非参数方法估计分位数谱及交叉谱，基于分位数离散傅里叶变换和分位数序列，利用滞后窗方法构建自协方差函数估计谱，通过平滑技术减少统计波动，通过模拟研究评估方法性能。
2025-11-25 stat.CO stat.ME
Nonparametric Depth and Quantile Regression for Functional Data
当响应和协变量都是函数时，我们研究了基于空间深度和分位数的非参数回归方法。与有限维数据的经典分位数回归一样，本文开发的回归技术提供了对功能协变量对功能响应的条件分布的不同部分（如中心和尾部）的影响的深入了解。基于深度和分位数的非参数回归对于检测函数回归中的异方差性是有用的。我们推导出非参数深度和分位数回归估计的渐近行为，它依赖于协变量空间中的小球概率。我们的非参数回归程序被用来分析一个数据集的人均国内生产总值对储蓄率的影响，为125个国家，和另一个数据集的影响，人均净可支配收入对卷烟销售在美国的一些州。
2018-02-07 stat.ME
Quantile Processes for Semi and Nonparametric Regression
分位数曲线的集合提供了条件分布的全貌。在不同分位数水平下，估计曲线的适当居中和缩放版本产生所谓的分位数回归过程（QRP）。本文在一般的级数逼近框架下建立了QRP问题的弱收敛性，包括增维线性模型、非参数模型和部分线性模型。在最后一类模型中得到了一个有趣的结果，其中参数和非参数估计量是渐近独立的。我们的一般过程收敛结果的应用包括构造非交叉分位数曲线和估计条件分布函数。由于独立的兴趣，我们得到了一系列的Bahadur表示与指数界的尾概率的所有剩余条款。这类界在分析分而治之下的统计推断过程中是潜在有用的。
2017-07-21 math.ST stat.TH
Polynomial rates via deconvolution for nonparametric estimation in McKean-Vlasov SDEs
针对McKean-Vlasov随机微分方程的交互函数估计，本文提出基于反卷积的方法，在交互函数尾部指数衰减假设下实现多项式收敛速率，并通过不变密度复变换分析提供理论支撑。
2024-10-30 math.ST stat.TH
A method of moments estimator of tail dependence
在多变量极值的世界中，依赖结构的估计仍然是一个挑战和有趣的问题。一个程序的二元情况下，开辟了道路，以类似的方式处理问题，在一个真正的多元设置。我们考虑一个半参数模型，其中稳定的尾部依赖函数是参数化的。给定一个来自二元分布函数的随机样本，问题是估计未知参数。提出了一种矩估计方法，其中稳定尾部依赖函数的非参数、基于秩的估计的某个积分与相应的参数版本匹配。在很弱的条件下，证明了该估计是相合的且渐近正态的。此外，参数和非参数估计之间的比较导致半参数模型的拟合优度检验。估计的性能示出了一个离散的谱测度，出现在一个因素型模型，并为基于似然的方法打破。第二个例子是某些亚椭圆分布的稳定尾部依赖函数族。
2008-11-14 math.ST stat.TH
Bandwidth selection for nonparametric modal regression
在核密度估计的基础上估计局部模式的条件密度的背景下，我们表明，现有的核密度估计开发的带宽选择方法是不适合模式估计。我们提出了两种方法来选择适合于回归设置中的模式估计的带宽。使用合成数据和现实生活中的数据集进行了数值研究，以证明所提出的方法的性能相比，几个良好的接收带宽选择方法的密度估计。
2017-11-01 stat.CO stat.ME
Nonparametric estimation of simplified vine copula models: comparison of methods
在过去的十年中，简化的葡萄藤copula模型一直是一个活跃的研究领域。他们从边际密度和二元copula密度的乘积中构建了一个高维概率密度。除了参数模型外，人们还提出了几种对葡萄系Copula函数进行非参数估计的方法。在这篇文章中，我们扩展了这些方法，并在广泛的模拟研究和实际数据应用中进行比较。我们确定了几个因素驱动的相对性能的估计。最重要的是依赖的强度。没有一种方法被认为是一致优于所有其他方法。总体而言，核估计表现最好，但做差于惩罚B样条估计时，有弱的依赖性和没有尾部依赖。
2017-04-05 stat.ME
Nonparametric estimation of conditional value-at-risk and expected shortfall based on extreme value theory
我们提出了一个金融资产的一系列收益的条件分布的条件风险价值（CVaR）和条件预期亏损（CES）的非参数估计。收益率序列和条件协变量（可能包括滞后收益率和其他外生变量）被假设为强混合，并遵循非参数条件位置-规模模型。将位置和规模的第一阶段非参数估计与Pickands（1975）提出的分布尾部的广义Pareto近似相结合，给出CVaR和CES的最终估计。我们提供了适当的归一化下的估计的一致性和渐近正态性。我们还提出了一个蒙特卡罗研究，揭示了他们的有限样本性能的结果。实证可行性的模型和估计量进行了调查，通过回测练习，使用五种农产品的期货合同的回报。
2016-12-23 stat.ME
A nonparametric empirical Bayes framework for large-scale multiple testing
我们提出了一个灵活的和可识别的版本的两组模型，出于分层贝叶斯的考虑，其特点是一个经验空和半参数混合模型的非空情况。我们使用一个计算效率高的预测递归边际似然方法来估计模型参数，甚至非参数混合分布。这导致了一个非参数的经验贝叶斯检验过程，我们称之为PR测试，阈值的基础上估计的本地错误发现率。仿真和实际数据的例子表明，与现有的方法相比，PR测试的非零密度的仔细处理可以得到一个更好的适合在尾部的混合分布，这反过来，可以导致更现实的结论。
2011-10-01 stat.CO stat.ME
Nonparametric estimation of the volatility function in a high-frequency model corrupted by noise
本文考虑模型Y_{i,n} = \int_0^{i/n} σ（s）dW_s+τ（i/n）ε_{i，n}和\tilde Y_{i,n} =σ（i/n）W_{i/n} +τ（i/n）ε_{i，n}，i=1，. n，其中W_t表示一个标准布朗运动，ε_{i，n}是中心独立同分布的. E（ε_{i，n}^2）=1且四阶矩有限的随机变量。此外，σ和τ是未知的确定性函数，W_t和（ε_{1，n}，.ε_{n，n}）为独立过程。基于协方差结构的谱分解，我们导出了σ^2和τ^2的系列估计，并研究了它们的MISE的收敛速度与其光滑性的关系。为此，具体的基函数和相应的Sobolev椭球的介绍，我们表明，我们的估计是最佳的极大极小意义上。我们的工作是由微结构噪声模型的动机。我们的主要发现是，微结构噪声ε i，n引入了1/2的不适定性度，与ε i，n的尾部行为无关。该方法是说明了一个小的数值研究。
2010-04-06 math.ST stat.ME stat.TH
Nonparametric inference about increasing odds rate distributions
为了改进寿命分布的非参数估计，我们建议使用增加几率率（IOR）模型作为其他流行但限制性更强的“不利衰老”模型（例如增加风险率模型）的替代方案。由于IOR模型与重尾分布和浴缸分布兼容，这扩展了某些方法在阶数限制下进行统计推断的适用范围。本文研究了返回误差约束下的累积分布函数的强一致相合估计量。数值证据表明，这种估计往往优于经典的经验分布函数时，基本模型不属于IOR家庭。我们还研究了两种不同的测试，旨在检测IOR属性的偏差，并建立了它们的一致性。这些测试的性能也通过模拟评估。
2022-12-10 stat.ME
A Distributionally Robust Optimization Framework for Extreme Event Estimation
传统的极端事件估计方法依赖于精心选择的参数模型渐近证明极值理论（EVT）。这些方法虽然功能强大且理论上有基础，但可能会遇到困难的偏差-方差权衡，特别是当数据量太小时，这种权衡会加剧，从而降低尾部估计的可靠性。在本文中，我们研究了一个框架的基础上，最近激增的文献分布鲁棒优化。这种方法可以被看作是一种非参数替代传统EVT，通过施加一般形状的信念，而不是参数假设的尾巴，并使用最坏情况下的优化作为一种解决方案，以处理非参数的不确定性。我们解释了这种方法如何绕过EVT中的偏差方差权衡。另一方面，我们面临着保守性方差权衡，我们描述如何解决。我们还展示了所涉及的优化问题的计算工具，并比较我们的性能与传统的EVT在一系列的数值例子。
2023-01-03 math.OC math.ST stat.ME
Single-index models for extreme value index regression
针对协变量高维时EVI非参数回归的维数灾难问题，在帕累托型尾分布下将单指标模型应用于EVI回归，提出惩罚极大似然估计并推导其渐近性质，数值研究验证了模型有效性。
2025-08-20 math.ST stat.TH
Matching-Based Nonparametric Estimation of Group Average Treatment Effects
针对组平均处理效应估计中极端倾向得分导致的估计不稳定和外推偏差问题，本文提出基于匹配的非参数估计方法及偏差校正匹配估计量，并证明了其一致性、双重稳健性和渐近正态性，同时提供开源R包MatchGATE实现。
2025-08-25 stat.ME
Fast nonparametric spectral density estimation from irregularly sampled data
针对完全不规则采样的连续过程，提出基于加权非均匀傅里叶和的快速非参数谱密度估计器，兼具抗混叠、稳定可扩展和理论偏差分析。
2025-10-05 cs.NA math.NA stat.ME
Bootstrap estimators for the tail-index and for the count statistics of graphex processes
Graphex过程解决了传统随机图模型中的一些问题，特别是提供了既可投射又允许稀疏的模型。大多数关于graphex过程的文献从概率的角度研究它们。用于推断这些过程的参数的技术--所谓的\textit{graphon} --仍然是边缘性的;例外的是考虑参数化的图子族的一些论文。非参数估计仍然未被考虑。在本文中，我们提出了一个选定的选择泛函的graphon估计。我们的估计源自graphex过程的子抽样理论，因此可以被看作是一种形式的自助程序。
2021-01-04 math.ST stat.TH
Robust nonparametric estimation via wavelet median regression
在本文中，我们开发了一个非参数回归方法，同时适应范围广泛的功能类的回归函数和强大的误差分布，包括那些重尾，甚至可能没有方差或手段。我们的方法是首先使用局部中位数的非参数回归与未知的噪声分布的问题转化为一个标准的高斯回归问题，然后应用小波块阈值的过程来构建一个估计的回归函数。它示出的估计同时达到最佳的收敛速率在很宽的范围内的Besov类，没有先验知识的平滑的基本功能或先验知识的误差分布。该估计器还自动适应底层函数的局部光滑性，并获得局部自适应极小极大率估计函数在一个点。在我们的发展中的一个关键技术成果是分位数耦合定理，它给出了一个紧界的分位数之间的耦合样本中位数和正常变量。这个中位数耦合不等式可能是独立的利益。
2008-10-27 math.ST stat.TH
Nonparametric Change-Point Detection and Inference for High-Dimensional Distributions
Tiangong University（天津工业大学）；Nankai University（南开大学）
针对高维分布中均值协方差不变但分布改变且受影响坐标未知的问题，提出基于标准秩比较的非参数变点检测方法，结合和/最大扫描与柯西组合适应稀疏性，无需矩假设，可扩展多变点检测，模拟和实际数据验证有效。
2026-09-15 stat.ME
Nonparametric Estimation for a Log-concave Distribution Function with Interval-censored Data
针对混合案例区间删失数据下的潜在事件时间估计问题，提出对数凹分布函数假设下的非参数极大似然方法，建立估计量性质并开发R包，相比现有方法更具灵活性与平衡性能。
2024-11-29 stat.CO stat.ME
Robust nonparametric hypothesis tests for differences in the covariance structure of functional data
我们开发了一组强大的，非参数假设检验，检测几个人口的功能数据的协方差算子之间的差异。这些测试称为FKWC测试，基于功能数据深度等级。这些测试工作良好，即使当数据是重尾，这是在模拟和理论上都显示。这些测试提供了几个其他的好处，他们有一个简单的分布下的原假设，他们是计算成本低，他们拥有变换不变性的属性。我们发现，在一般的备择假设下，这些测试是一致的温和的，非参数假设。作为这项工作的结果，我们引入了一个新的功能深度函数，称为L2-root深度，它可以很好地检测协方差核之间的幅度差异。我们提出了一个分析的FKWC测试使用L2根深度下的本地替代品。在模拟中，当真正的协方差核具有严格的正特征值时，我们表明这些测试具有比竞争对手更高的功率，同时仍然保持其标称大小。我们还提供了计算样本量和执行多重比较的方法。
2021-06-18 stat.ME
A Nonparametric Goodness-of-Fit Test for High-Dimensional Generalized Gaussian Distributions via Nearest-Neighbor Graphs
Faculty of Science, Department of Statistics, Cumhuriyet University（居米舍特大学理学院统计学系）
本文提出基于最近邻图和适应性零原理的非参数检验方法，用于评估高维广义高斯分布模型的拟合优度，通过稳健标准化和交叉边计数实现，具有高维扩展性和几何解释。
2026-04-21 stat.CO 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
Nonparametric C- and D-vine based quantile regression
分位数回归是统计建模中重要性稳步增长的领域。它是线性回归的一种补充方法，因为计算一系列条件分位数函数可以更准确地建模变量之间的随机关系，特别是在尾部。我们介绍了一个非限制性的和高度灵活的非参数分位数回归方法的基础上C和D藤连接。藤连接允许对数据中的边缘分布和依赖结构进行单独建模，并且可以通过由树序列给出的图论模型来表示。通过这种方式，我们得到了一个分位数回归模型，它克服了分位数回归的典型问题，如分位数交叉或共线性，需要转换和变量的相互作用。我们的方法采用了两步提前排序的变量，通过最大化的树序列的条件对数似然，同时考虑到未来两个树的水平。此外，我们证明了非参数条件分位数估计是相容的。所提出的方法的性能进行评估，在低维和高维设置使用模拟和真实世界的数据。结果支持所提出的模型的优越的预测能力。
2021-11-16 stat.ME
Warped Mixtures for Nonparametric Cluster Shapes
对单个弯曲或重尾聚类进行高斯混合拟合将报告数据包含许多聚类。为了产生更合适的聚类，我们引入了一个模型，该模型扭曲潜在的高斯混合产生非参数聚类形状。可能的低维潜在混合模型允许我们总结描述数据的高维簇（或密度流形）的属性。流形的数量以及每个流形的形状和尺寸都是自动推断的。我们推导出一个简单的推理方案，该模型分析集成了混合参数和翘曲函数。我们表明，我们的模型是有效的密度估计，表现优于无限高斯混合模型在恢复真正的集群数量，并产生可解释的摘要的高维数据集。
2013-03-21 stat.ML
Nonparametric Linear Discriminant Analysis for High Dimensional Matrix-Valued Data
本文提出了一种非参数线性判别分析方法，用于高维矩阵值数据的分类，通过非参数最大似然估计提升分类性能。
2025-12-17 stat.AP stat.ME stat.ML
Warped Mixtures for Nonparametric Cluster Shapes
University of Cambridge（剑桥大学）
对单个弯曲或重尾聚类进行高斯混合拟合将报告数据包含许多聚类。为了产生更合适的聚类，我们引入了一个模型，该模型扭曲潜在的高斯混合产生非参数聚类形状。可能的低维潜在混合模型允许我们总结描述数据的高维簇（或密度流形）的属性。流形的数量以及每个流形的形状和尺寸都是自动推断的。我们推导出一个简单的推理方案，该模型分析集成了混合参数和翘曲函数。我们表明，我们的模型是有效的密度估计，表现优于无限高斯混合模型在恢复的真实数量的集群，并产生可解释的摘要的高维数据集。
2014-08-09 cs.LG stat.ML
Bi-log-concave distribution functions
定性形状约束下的分布函数F或密度f=F'的非参数统计为经典的参数或完全非参数方法提供了一种有趣的替代方法。我们通过考虑一个新的形状约束对这一领域做出了贡献：如果log（F）和log（1 - F）都是凹的，则称F是双对数凹的。许多通常考虑的分布与此约束兼容。例如，任何C.D.F.具有对数凹密度f = F'的F是双对数凹的。但与后一种约束相反，双对数正态分布允许多峰密度。我们提供了各种表征。结果表明，结合任何非参数的置信带F与新的形状约束导致实质性的改善，特别是在尾部。为了查明这一点，我们表明，这些置信带意味着非平凡的任意时刻和F的矩母函数的置信界限。
2016-10-28 stat.ME
Nonparametric estimation of the preferential attachment function from one network snapshot
偏好依恋通常被用来解释那些重尾度分布的出现，这些重尾度分布是不断增长的网络表征各种现实世界现象的特征。在现实世界中不断增长的网络中验证这一假设是网络科学研究的一个重要前沿。传统的偏好连接估计方法需要在至少两个时间快照上观察到不断增长的网络。然而，许多公开的增长网络数据集只能作为单个快照提供，这使得应用网络科学家无法测量这些情况下的偏好依恋。我们提出了一个非参数的方法，称为PAFit-oneshot，从一个快照在不断增长的网络中估计优先连接。PAFit-oneshot修正了先前未被注意到的偏差，该偏差是在估计仅针对单个快照中观察到的程度的偏好依恋值时产生的。我们的工作提供了一种方法来测量在大量的公开可用的一个快照网络的优先连接。作为示范，我们估计在三个这样的网络的优先连接，并发现在所有情况下的次线性优先连接。PAFit-oneshot在R包PAFit中实现。
2021-06-21 cs.SI physics.data-an physics.soc-ph
Optimal nonparametric estimation of the expected shortfall risk
National University of Singapore（新加坡国立大学）；University of Tübingen（蒂宾根大学）
本文提出了一种鲁棒的非参数估计方法，用于最优估计预期短差风险，且在数据被恶意修改时仍能保持优良性能。
2026-02-12 math.PR math.ST q-fin.MF
Statistics for Tail Processes of Markov Chains
在高水平上，平稳的、有规律变化的马尔可夫链的渐近分布可以方便地由它的尾过程给出。后者采取几何随机游动的形式，增量分布取决于当前状态下过程的符号和向前或向后的时间流。尾过程的估计提供了一种分析极值的非参数方法。前向和后向增量分布之间的对偶性提供了可以在构建更有效的估计量时利用的额外信息。利用聚类泛函的经验过程理论，得到了这类估计量的大样本分布。通过蒙特卡罗模拟，涉及基于Copula的马尔可夫模型和随机递归方程的解决方案，他们的有限样本性能进行评估。估计适用于股票价格数据研究的对称性的存在或不存在的连续大的收益和损失。
2014-12-10 stat.ME
A continuous updating weighted least squares estimator of tail dependence in high dimensions
基于似然的过程是估计尾部相关参数的常用方法。然而，它们不适用于不可微模型，例如最近的最大线性结构方程模型。此外，它们在更高的维度上很难计算。一个自适应加权最小二乘程序匹配非参数估计的稳定的尾部依赖函数与相应的值的参数指定的建议产生一种新的最小距离估计。该估计量易于计算，适用于广泛的抽样方案和尾部相关模型。在大样本中，它是渐近正态的，具有显式和可估计的协方差阵。获得的最小距离形成拟合优度统计量的基础，其渐近分布是卡方。广泛的蒙特卡罗模拟证实了出色的有限样本性能的估计，并证明它是一个强大的竞争对手，目前可用的方法。估计，然后应用到解开在欧洲股票市场的尾部依赖的来源。
2016-01-19 stat.ME
Nonparametric contaminated Gaussian mixture of regressions
本文提出半参数和非参数污染高斯回归混合模型，通过EM和ECM算法实现鲁棒估计，用于观测聚类和异常值检测。
2026-01-10 stat.ME
Robust nonparametric regression based on deep ReLU neural networks
本文提出基于$\ell$-估计的深度ReLU神经网络稳健非参数回归方法，通过估计条件分布抵御污染和异常值，并在Hölder光滑性及复合结构假设下取得极小极大最优速率且规避维度灾难。
2023-10-31 stat.ME
Nonparametric estimation of the Patient Weighted While-Alive Estimand
Politecnico di Milano（米兰理工大学）；University of Copenhagen（哥本哈根大学）
本文提出患者存活期间事件估量，开发了高效估计方法，并通过实际案例展示其在复发事件中的应用优势。
2025-09-05 stat.AP stat.ME
Parametric and Nonparametric Tests for Speckled Imagery
合成孔径雷达（SAR）作为一种远程成像方法具有举足轻重的作用。SAR图像是由相干光照射获得的，图像中存在相干斑噪声。这种污染的统计建模是很好地描述根据乘法模型和其隐含的G 0分布。SAR图像的理解和场景元素识别是该领域的一个重要目标。特别地，寻求可靠的图像对比工具。针对SAR图像对比度评价新工具的提出，研究了基于随机散度的SAR图像对比度评价新方法。我们提出了几个分歧的措施，专门为G 0分布的数据。我们还介绍了一个非参数的方法的基础上的Kolmogorov-Smirnov距离为G 0数据。我们设计和评估基于这些措施的测试，并根据其测试的大小和功率量化其性能。使用蒙特卡罗模拟，我们提出了一个稳健性分析的检验统计量和极大似然估计几个程度的创新污染。据确定，拟议的测试的基础上三角形和算术几何措施优于Kolmogorov-Smirnov方法。
2012-07-10 cs.GR stat.CO
Turing--Entropic Tail Classification: A Nonparametric Approach to Tail Inference
Mississippi State University（密西西比州立大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出TENT非参数信息论框架，通过比较经验与理论尾部轮廓分类尾部衰减形式，可生成尾部参数估计，经模拟验证其在多尾部类别与抽样机制下的有限样本性能，还为扩展至连续数据提供了合理途径。
2026-08-10 math.ST stat.AP stat.TH
Identifying groups of variables with the potential of being large simultaneously
识别可能同时较大的变量组相当于找出多变量分布的哪些联合尾部相关系数为正。这些系数的非参数、基于秩的估计量的向量的渐近分布证明了算法中的停止准则是合理的，该算法以系统的方式从较小的组到较大的组搜索所有可能的变量组的集合。通过使用条件尾部相关系数，避免了停止准则中的容限水平应取决于组的大小的问题。或者，这样的停止标准可以基于尾部依赖系数的基于秩的估计的极限分布，量化联合生存函数的衰减速度。数值实验表明，该算法的有效性检测尾部依赖组的变量是最高的配对时，与一个标准的基础上的希尔型估计的系数的尾部依赖。
2018-02-27 stat.ME
