具有对数凹新息的半参数时间序列模型：极大似然估计及其一致性

Rank-Based Testing for Semiparametric VAR Models: a measure transportation approach

We develop a class of tests for semiparametric vector autoregressive (VAR) models with unspecified innovation densities, based on the recent measure-transportation-based concepts of multivariate {\it center-outward ranks} and {\it signs}. We show that these concepts, combined with Le Cam's asymptotic theory of statistical experiments, yield novel testing procedures, which (a)~are valid under a broad class of innovation densities (possibly non-elliptical, skewed, and/or with infinite moments), (b)~are optimal (locally asymptotically maximin or most stringent) at selected ones, and (c) are robus…

半参数混合模型的建立

Model Building for Semiparametric Mixtures

多元混合模型拟合中的一个重要而又困难的问题是混合模型复杂度的确定。我们开发的理论和一个统一的框架，找到一个多元混合分布的非参数最大似然估计，从而估计混合的复杂性。多元混合提供了一种灵活的方法来拟合高维数据，同时通过组分密度的数量，位置和形状提供数据简化。该方法的核心思想是将混合最大化问题转化为具有多个线性不等式约束的凹优化问题，并利用“罚函数“将其转化为无约束问题。我们建立了参数估计的存在性，并证明了所提出的算法的收敛性。证明了“筛参数”在降低混合物模型维数中的作用。我们推导出分析机器，通过筛选参数，建立一个集合的半参数混合模型，包括多变量的情况下，。该方法的性能显示与应用程序的几个数据集，包括cdc15细胞周期酵母微阵列数据。

递归非线性脉冲响应函数的无带宽推断

Bandwidth-Free Inference for Recursive Nonlinear Impulse Response Functions

针对半参数递归构造的一阶推断理论缺口，提出用结构残差经验分位数替代创新分位数的估计量，建立联合渐近线性表示，实现无需分位数平滑的无带宽推断。

学习计数的时间序列的新息率中的异质性的潜在模式

Learning a latent pattern of heterogeneity in the innovation rates of a time series of counts

我们开发了一个贝叶斯分层半参数模型的现象有关的时间序列的计数。该模型的主要特点是它能够学习的过程创新率，这是软集群通过时间的帮助下，放置在模型层次结构的顶部的狄利克雷过程的分布的异质性的潜在模式。该模型的概率预测能力在匹兹堡的犯罪数据分析中进行了测试，取得了良好的效果。

基于非参数极大似然估计的独立分量分析

Independent component analysis via nonparametric maximum likelihood estimation

独立成分分析（ICA）模型是一种非常流行的半参数模型，其中我们观察到随机向量$X = AS$的独立副本，其中$A$是非奇异矩阵，而$S$具有独立分量。本文提出了一种新的方法，利用非参数极大似然估计解混矩阵$W = A^{-1}$和$S$各分量的边缘分布。具体来说，我们研究的投影的经验分布的ICA分布具有对数凹边缘的子集。我们表明，从估计的分解矩阵的角度来看，它没有区别是否正确地指定的对数-ε。该方法进一步证明了理论结果和模拟研究。

通过得分匹配实现的最优凸 $M$-估计

Optimal convex $M$-estimation via score matching

本文针对线性回归提出一种基于得分匹配非参数扩展的数据驱动凸损失函数构建方法，该半参数估计量在所有凸 $M$-估计量中达到最小渐近协方差，在保证计算高效与鲁棒性的同时几乎不损失统计效率。

重新审视带对数凹性假设的两样本位置偏移模型

Revisiting the two-sample location shift model with a log-concavity assumption

本文针对两样本位置偏移模型，提出在对数凹性假设下利用对数凹密度估计构建无调节参数的一步估计量，并通过模拟证明零截断版本在实际中表现最佳。

分类时间序列聚类为未知类数的一种基于完美模拟的方法

Clustering Categorical Time Series into Unknown Number of Clusters: A Perfect Simulation based Approach

Pamminger和Fruadith-Schnatter（2010）考虑了一种贝叶斯方法，用于假设固定数量的聚类，对分类时间序列进行基于模型的聚类。但是，选择聚类数的流行方法，例如贝叶斯信息准则（BIC），在分类时间序列上下文中被证明有严重的问题。在本文中，我们通过采用Bhattacharya（2008）引入的贝叶斯半参数混合模型方法来规避选择聚类数的困难，该方法假设聚类数是一个随机数，但由聚类数（可能很大）限制。我们采用Mukhopadhyay和Bhattacharya（2012）的完美模拟方法进行后验模拟，以完全解决底层马尔可夫链蒙特卡罗（MCMC）方法的收敛问题。重要的是，在我们的主要完美模拟算法中，有必要完美地模拟一组具有对数凹全条件密度的连续随机变量的联合分布。我们提出并发展了一种新的和有效的完美的模拟方法，联合分布与对数凹充分条件。这种完美的抽样方法是独立的利益，以及因为在一个非常大的和重要的一类贝叶斯应用程序的完整的条件原来是对数凹。我们将考虑将我们的模型和方法应用于奥地利工资流动性数据，也由Pamminger和Fruadith-Schnatter（2010）分析，并采用Mukhopadhyay等人（2011），Mukhopadhyay等人（2012）开发的方法，将获得聚类的后验模式以及聚类的后验分布的最高后验分布可信区域。

多变量非参数时间序列相依建模的Copula方法

A copula approach for dependence modeling in multivariate nonparametric time series

本文研究了在可能包含时间序列过去值的协变量存在的情况下，两个（或多个）时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差，但标准化新息的分布不受协变量的影响，并且在时间上是稳定的。联合分布的时间序列，然后确定的条件均值，条件方差和边缘分布的创新，我们估计nonparametrically，和copula的创新，它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明，在适当的假设下，这些copula估计是渐近等价的估计，将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。