MOVER confidence intervals for a difference or ratio effect parameter under stratified sampling
临床试验中通常采用分层，以减少协变量失衡的机会，并提高处理效应估计的精度。本文提出了一种利用方差估计恢复（MOVER）方法构造分层抽样下差异或比率效应参数置信区间的一般框架。我们考虑差异的加性方差和加性CI方法，其中加权差异的CI，或每组中加权效应的CI，或加权差异的方差被计算为相应的特定于层的统计量的加权和。通过Fieller和对数比率法推导出该比率的CI。在跨层效应恒定的假设下，权重可以是随机量，但对于固定权重，不需要此假设。这些方法可以很容易地应用于不同的终点，因为它们只需要点估计值、CI和方差估计值来测量分层中每个组的兴趣。最后用两个实例说明了该方法。在一个例子中，我们推导出二元结果的风险差和风险比的MOVER CI。在另一个例子中，我们比较了时间事件结局分层分析中的限制平均生存时间和里程碑生存。仿真结果表明，建议的MOVER CI一般优于标准的大样本CI，和加性CI方法的性能略好于加性方差方法。
2021-10-25 stat.AP stat.ME
Regularization and Variance-Weighted Regression Achieves Minimax Optimality in Linear MDPs: Theory and Practice
The University of Tokyo（东京大学）；OMRON SINIC X（欧姆龙 SINIC X 研究院）；DeepMind（深度思维）；Google Research（谷歌研究院）；Peking University（北京大学）；Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）；University of Alberta（阿尔伯塔大学）
针对线性MDP中MDVI算法缺乏理论保证的问题，提出方差加权最小二乘MDVI（VWLS-MDVI）达到极小极大最优样本复杂度，并给出实用算法DVW提升深度RL性能。
2026-10-06 cs.LG stat.ML
Model-Agnostic Bounds for Augmented Inverse Probability Weighted Estimators' Wald-Confidence Interval Coverage in Randomized Controlled Trials
Michigan State University（密歇根州立大学）
本文推导了AIPW估计量Wald置信区间覆盖率的非渐近Berry-Esseen型界，并分析了方差估计量的偏差，解释了交叉拟合为何能改善覆盖率。
2026-06-24 math.ST stat.ME stat.TH
Statistical Inference for Stochastic Gradient Descent: Beyond Finite Variance
Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系）
针对随机梯度下降中梯度方差可能无限的问题，提出一种基于联合弱收敛和自正则化统计量的模型无关置信域构建方法，并通过子采样校准实现渐近有效推断。
2026-08-03 cs.LG stat.ME stat.ML
Jackknife variance estimation for common mean estimators under ordered variances and general two-sample statistics
具有共同均值但可能不同的有序方差的样本出现在各个领域，例如实验室间实验、现场研究或传感器数据分析。有序方差下的共同均值估计量通常采用随机权重，这取决于样本均值和无偏方差估计量。当样本估计量与序约束一致或不一致时，它们采取不同的形式，这使得甚至基本的分析（例如估计其方差）变得复杂。我们建议使用折刀，其一致性是建立一般光滑的两样本统计引起的连续Gâteux或Fréchet可微泛函，更一般地说，渐近线性两样本统计，使我们能够研究一大类常见的均值估计。进一步证明了所考虑的共同均值估计满足一个中心极限定理（CLT）。我们调查的准确性所产生的置信区间的模拟和说明的方法，通过分析几个数据集。
2019-01-29 math.ST stat.AP stat.TH
Statistical Inference after Kernel Ridge Regression Imputation under item nonresponse
插补是处理缺失数据的常用技术。我们考虑一个非参数方法填补使用核岭回归技术，并提出一致的方差估计。建议的方差估计是基于一个线性化的方法，采用熵的方法来估计密度比。当在核岭回归插补中利用Sobolev空间时，建立了插补估计的根-n相合性，从而使我们能够发展所提出的方差估计。合成数据实验证实了我们的理论。
2021-01-29 stat.ME stat.ML
Bias, variance, and confidence intervals for efficiency estimators in particle physics experiments
本文研究粒子物理实验中效率估计的偏差、方差和置信区间，针对泊松试验次数、加权样本及超泊松方差等特殊条件，提出广义Wilson区间并分析其覆盖率。
2022-07-27 astro-ph.HE hep-ex physics.data-an
Co-variance Operator of Banach Valued Random Elements: U-Statistic Approach
本文提出基于U-统计量的Banach值随机元素协方差算子，研究其渐近分布与大样本性质，并在混合条件下为Hilbert空间值相依数据推导了估计量的渐近分布。
2023-11-17 math.PR math.ST stat.TH
A U-statistic estimator for the variance of resampling-based error estimators
我们重新讨论了二进制分类中的误差估计在U-统计方面的restaurant程序。特别是，我们利用的事实，差错率估计，涉及所有的学习测试分裂是一个U-统计量。因此，它在所有无偏估计量中具有最小方差，并且是渐近正态分布的。此外，如果总样本量至少是双倍学习集大小加2，则存在此最小方差的无偏估计量。在这种情况下，我们展示了这样一个估计量，它是另一个U-统计量。它享有，再次，各种最优属性，并产生一个渐近精确的假设检验的平等差错率时，两个学习算法进行比较。我们的陈述适用于弱非退化假设下的任何确定性学习算法。
2013-12-18 math.ST stat.ML stat.TH
Asymptotics of Randomly Weighted u- and v-statistics: Application to Bootstrap
本文主要研究u-统计量和v-统计量的加权自助法的渐近性质。我们推导出的一致性加权自助u-和v-统计量，基于独立同分布。和非I.I.D.观察，从一些更一般的结果，我们首先建立的总和随机加权阵列的随机变量。本文的一些结果推广了u-统计量的相合性以及随机变量阵列和的相合性的一些著名结果。我们还采用了一种新的方法来调理，以获得一个有条件的CLT的加权自助u-和v-统计量，假设相同的条件，为经典的中心极限定理定期u-和v-统计量。
2012-10-21 math.ST stat.TH
Gini's mean difference and variance as measures of finite populations scales
我们认为基尼的平均差异统计量作为替代的经验方差的设置中的有限总体简单的随机样本不更换。特别是，我们讨论了特定的（在有限总体上下文中）估计策略的规模的人口，有关的替代统计下可能存在的离群值的数据。本文还提出了一个广泛的比较调查性质的基尼均值差统计量和经验方差。它包括两个统计量的渐近性质：渐近正态性，一项Edgeworth展开和Bootstrap近似的学生化版本的统计。统计的方差和其他参数的估计也在研究中，在那里我们利用辅助信息的情况下，其可用性的人口要素。理论结果与模拟研究。
2014-06-09 math.ST stat.TH
On the Conservativeness of Robust Variance Estimators in Propensity Score Weighted Cox Models
Tokyo Medical University（东京医科大学）；Juntendo University Graduate School of Medicine（顺天堂大学研究生院医学部）；Juntendo Shizuoka Hospital（顺天堂静冈医院）
研究评估了在倾向分数加权Cox模型中使用非ATE加权方案时稳健方差的性能，发现其不一定是保守的，建议使用考虑权重估计的方差估计器。
2026-04-16 stat.ME
Change-point detection based on weighted two-sample U-statistics
本文研究了短程相关数据下基于加权两样本U统计量的变点检验的大样本行为，证明了其向极值分布的收敛性，并发现加权检验在变点靠近边界时优于非加权版本，但在中心处功效较弱。
2022-02-09 math.PR math.ST stat.TH
Weighted KS Statistics for Inference on Conditional Moment Inequalities
本文提出了条件矩不等式模型的置信区域，该模型使用Kolmogorov-Smirnov统计量，并采用截断逆方差加权和增加截断点.新的加权不同于文献中提出的在两个重要方面。首先，基于KS检验和我提出的加权函数的置信区域以比基于广泛模型类别中有界加权函数的现有程序更快的速度收敛到已识别集。这提供了一个理论上的理由，在这种情况下，逆方差加权，并与条件矩等式中的最佳加权只影响渐近方差的类似结果。第二，新的权重改变了KS统计量本身的渐近行为，包括收敛速度，这就需要一个新的渐近理论来选择临界值，我提供了这个理论。为了进行这些比较，我得出收敛速度的置信区域，我提出了新的结果，现有的估计收敛速度下的一般条件。一系列例子说明了这些条件的广泛适用性。蒙特卡罗研究检验了置信区域的有限样本行为。
2011-12-05 stat.AP
On general weighted cumulative residual (past) extropy of extreme order statistics
Central University of Jharkhand（贾坎德中央大学）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
本文提出了一种用于极端顺序统计量的加权累积残余extropy和加权累积过去extropy，用于刻画不确定性，并建立了新的可靠性模型特征化结果。
2026-04-16 math.ST stat.TH
Non-Asymptotic Guarantees for Robust Statistical Learning under Infinite Variance Assumption
University of Macau（澳门大学）；Zhuhai UM Science & Technology Research Institute（珠海澳大科技研究院）；Peking University（北京大学）
在统计学和机器学习中，对于具有重尾和有界方差数据的模型，人们对开发鲁棒估计器的兴趣激增，而很少有工作施加无界方差。本文提出了两类稳健估计：岭对数截尾M估计和弹性网对数截尾M估计。第一个估计器应用于凸回归，如分位数回归和广义线性模型，而另一个估计器应用于高维非凸学习问题，如通过深度神经网络的回归。模拟和实际数据分析证明了对数截尾估计相对于标准估计的稳健性。
2022-10-11 cs.LG math.ST stat.ML
A bootstrap method for estimating bias and variance in statistical multispecies models using highly disparate data sets
多区域海洋生态系统的统计多物种模型使用各种数据来源，利用复合或加权似然函数估计参数，并提出相关的加权问题和如何获得方差估计数的问题。无论用于获得点估计的方法如何，都需要一种方法来进行方差估计。一个自举技术引入这种模型的不确定性的评估，考虑到固有的空间和时间的相关性的数据集，从而避免了许多模型规格的问题，这是通常转移到海森的方差估计程序的可能性估计程序的假设。该技术被证明在一个真实的数据集，并用于寻找估计偏差和不同的聚集水平的影响，在人口动态模型。
2012-02-15 stat.AP
Bootstrapping Two-phase Sampling
本文提出了一种无替换的非参数二阶段分层抽样方法。在这种设计中，已知加权似然估计量的渐近方差比在实践中经常做出的方便的独立性假设下的渐近方差小。然而，方差估计尚未得到很好的研究，半参数模型的方差可能没有一个封闭的形式。受半参数推断的启发，我们建立了具有几种校正变量的自助反概率加权经验过程的条件弱收敛性。现有的Bootstrap经验过程理论应用的两个主要障碍是由于抽样设计导致的样本依赖和有偏，以及布朗桥过程的线性组合的复杂极限过程。为了解决这些问题，所提出的引导权重采取与来自每个阶段和层的随机性相对应的两个权重的乘积的形式。我们应用我们的自助加权似然估计，并建立两个Z-定理的一般半参数模型，其中冗余参数可以估计在一个定期或非定期率。我们发现不同的自助校准方法提出的调查抽样文献产生不同的自助渐近分布。
2014-09-24 math.ST stat.TH
Consistency of the jackknife-after-bootstrap variance estimator for the bootstrap quantiles of a studentized statistic
埃夫隆[J.罗伊。中央集权主义者Soc.Ser.B54（1992）83- 111]提出了一种计算效率高的方法，称为自举后折刀法，用于估计独立数据的自举估计量的方差。对于相依数据，Lahiri最近提出了一种自举后折刀法[Econometric Theory 18（2002）79- 98]。本文证明了对于相依和独立数据，Bootstrap分位数方差的Jackknife-after-Bootstrap估计是相合的。模拟研究的结果也被提出。
2006-02-15 math.ST stat.TH
Nonparametric Variance-Penalized Actor-Critic: Statistical Inference for Risk-Sensitive Reinforcement Learning
University of Houston（休斯顿大学）；Texas Tech University（德克萨斯理工大学）
本文提出非参数方差惩罚演员-评论家框架，用自举和随机缩放的在线估计器替代第二评论家，实现风险敏感强化学习的统计推断，并在HTS制造案例中显著降低变异性。
2026-09-15 cs.LG stat.ML
Evaluating the Conservativeness of Robust Sandwich Variance Estimator in Weighted Average Treatment Effects
该研究针对因果推断中IPW估计量的稳健三明治方差估计量常给出窄置信区间的问题，明确其保守性条件，提出保守性评估新标准，并通过模拟与真实数据验证结果。
2023-12-13 stat.ME
Tail Behaviour of Weighted Sums of Order Statistics of Dependent Risks
设$X_{1},\ldots ,X_{n}$是$n$实值相关随机变量。在Mitra和Resnick（2009）的启发下，我们推导了$X_{1},\ldots ,X_{n}$的顺序统计量$X_{1:n}\leq \cdots \leq X_{n:n}$的加权和的尾渐近展开式，在一般情况下，$X_{n:n}$的分布函数是长尾或快速变化的，并且$% X_{1},\ldots ,X_{n}$在它们的尾概率方面可能不可比。我们还提出了两个例子和我们的结果在风险理论中的应用。
2014-08-06 math.PR stat.AP
Statistical foundations for assessing the difference between the classical and weighted-Gini betas
贝塔系数是资本资产定价模型中的一个关键量。在统计学语言中，贝塔系数可以被看作是市场上金融回报率与所考虑的资产回报率之间的回归线的斜率。CAPM的保险对应模型，称为加权保险定价模型（WIPM），产生了所谓的加权基尼系数。根据基础回归函数的形式，上述两个贝塔值可能重合，也可能不重合，这在设计投资组合和分配风险资本时具有深远的意义。为了促进这些任务，在本文中，我们开发大样本统计推断的结果，在一个简单的方式，意味着置信区间，和假设检验，两个贝塔的平等。
2017-09-10 math.ST stat.TH
Eigenvalues approximation of integral covariance operators with applications to weighted $L^2$ statistics
针对加权$L^2$型拟合优度检验等场景中协方差算子特征值求解难的问题，提出用Rayleigh-Ritz方法逼近特征值，并验证了其在临界值计算、检验统计量理论比较等方面的实用性。
2024-08-15 cs.NA math.NA math.ST
Semiparametric estimation in the normal variance-mean mixture model
本文研究半参数方差均值混合模型参数的统计推断问题。这类混合物最近在统计和金融建模中变得相当流行。我们设计了一个半参数估计程序，首先估计的平均值的基础正态分布，然后恢复非参数的密度相应的混合分布。我们说明了我们的程序模拟和真实数据的性能。
2017-05-22 stat.OT
On inference validity of weighted U-statistics under data heterogeneity
基于在线排序算法性能评估中一种新的相关性度量方法的研究所面临的挑战，本文探讨了加权U统计量不确定性评估的有效性。在没有任何普遍采用的假设下，我们验证了Efron的引导程序和一个新的重新启动程序的推理有效性。具体来说，在其充分的一般性，我们的理论允许内核和权重不对称和数据点不相同的分布，这些都是历史上没有解决的新问题。例如，为了实现严格的推广，我们必须仔细控制U-统计量中“退化”项的顺序，这些统计量在非独立同分布的经验测度下不再退化。数据我们的结果适用于激励任务，给出了可以进行可靠的统计推断的区域。
2018-03-30 math.ST stat.TH
An Asymptotic Test for Constancy of the Variance under Short-Range Dependence
本文提出了一种新的方法来检验非平稳时间序列的异方差性，该方法基于对数局部样本方差的基尼均值差。为了分析我们的检验统计量的大样本行为，我们建立了相依三角阵列U-统计量的新的极限定理。我们推导出的渐近分布的检验统计量下的原假设的一个恒定的方差，并表明，该测试是一致的对一大类的替代品，包括多个结构性突变的方差。我们的测试是适用的，即使在非平稳过程的情况下，假设一个局部平稳的平均函数。在一个广泛的模拟研究的测试和其相对较低的计算时间的性能。作为一个应用程序，我们分析了谷歌趋势数据，监测了主题“全球变暖”的相对搜索兴趣。"
2021-05-21 math.ST stat.TH
Debiased Inverse-Variance Weighted Estimator in Two-Sample Summary-Data Mendelian Randomization
孟德尔随机化（MR）已成为一种流行的方法，通过使用遗传变异作为工具变量来研究可改变的暴露对结果的影响。MR中的一个挑战是，每个遗传变异解释了暴露中相对较小比例的方差，并且存在许多这样的变异，这种设置被称为许多弱工具。为此，我们提供了一个理论表征的统计特性的两个流行的估计在MR，逆方差加权（IVW）估计和IVW估计与筛选仪器使用一个独立的选择数据集，在许多弱的工具。然后，我们提出了一个去偏IVW估计，一个简单的修改IVW估计，这是强大的许多弱工具，不需要筛选。此外，我们提出了两种工具选择方法，以提高效率的新估计时，选择数据集可用。扩展的去偏IVW估计处理平衡的水平多效性也进行了讨论。最后，我们在模拟和真实数据集上展示了我们的结果。
2020-10-10 stat.ME
Beyond the Mean: A Weighted k-Sample Omnibus Variance-Ratio Statistic for Covariate Balance Diagnostics
University of California, San Francisco（加州大学旧金山分校）
提出FVR统计量，将Rubin方差比推广至k组，用于检测协变量离散度不平衡，模拟显示其能有效跟踪估计偏差并已实现于Stata命令。
2026-09-24 stat.ME
A comparison of Kaplan--Meier-based inverse probability of censoring weighted regression methods
本文针对右删失导致结局缺失的回归问题，比较了三种基于Kaplan--Meier删失概率估计的逆加权回归方法，分析其渐近方差及三明治方差估计量的高估特性，发现最优方法取决于删失分布。
2024-12-10 stat.ME
Weighted envelope estimation to handle variability in model selection
包络方法可以在多变量统计问题中提供大量的效率增益，但在某些应用中，包络维数的估计可能会导致选择波动，从而可能会减轻这些增益。目前的信封方法没有考虑到这种选择可能导致的额外差异。在这篇文章中，我们规避维度选择波动通过加权包络估计的发展。理论证明了我们的估计和有效性的剩余自助估计其渐近方差。一个真实数据集上的模拟研究和分析说明了我们的加权包络估计的实用性。
2017-04-14 stat.ME
Variance Estimation for the Inverse Probability of Treatment Weighted Kaplan Meier Estimator
针对观察性研究中IPTW Kaplan-Meier估计量方差估计未考虑权重变异性的问题，本文基于估计的倾向得分进行严格渐近分析，提出插入式方差估计量，模拟证明其比XL方差估计量更准确。
2025-11-02 stat.ME
GAUGER: Generalized Regression Adjustment via Graph-Weighted Exposure-Level Residualization for Design-Based Inference Under Interference
Adobe Research（Adobe研究院）；UC Berkeley（加州大学伯克利分校）
针对干扰下因果效应估计问题，提出GAUGER框架，采用两步法，先利用强预测模型学习结果模式，再用图加权暴露水平残差化校准，所得估计器一致且方差可减，数值研究显示其比现有方法效率更高。
2026-07-24 stat.ME
An Improved Satterthwaite Effective Degrees of Freedom Correction for Weighted Syntheses of Variance
本文提出一种改进的 Satterthwaite 有效自由度近似方法，通过修正传统公式的分子和分母校正小自由度下的向下偏差，并推广了 von Davier 的非加权方法，更准确地近似任意权重的合成方差估计量。
2025-07-15 math.ST stat.ME stat.TH
General model-free weighted envelope estimation
包络方法被简洁地定位为一类在不改变传统目标的情况下提高多变量分析效率的程序\citep [第1页第一句]{cook 2018 introduction}。这一描述是真实的，但附加的警告是，通过包络方法获得的效率增益被模型选择波动性减轻到未知的程度。目前的大部分包络方法文献没有考虑到这种增加的方差，这种方差是由模型选择的不确定性引起的。最近在解释模型选择波动性方面取得了长足的进步：1）在多元回归的背景下，开发加权包络估计器，以直接解释这种变化; 2）开发模型选择标准，以便于在更一般的设置下一致地估计正确的包络模型。在本文中，我们统一这两个方向，并提供加权包络估计，直接占与模型选择的变异性，并适合于一般的多变量估计设置为向量值参数。我们的加权估计技术为从业者提供了强大的和有用的方差减少有限样本。理论证明我们的估计和有效性的非参数自助程序估计其渐近方差的建立。仿真研究和实际数据分析支持我们的主张，并证明了我们的加权包络估计的优势时，模型选择变异。
2020-02-03 stat.ME
A modified debiased inverse-variance weighted estimator in two-sample summary-data Mendelian randomization
针对两样本汇总数据孟德尔随机化中弱工具变量及小有效样本量导致的偏差，本文提出乘性修正的 mdIVW 估计量，偏差收敛更快、方差更小，并支持工具变量选择与平衡水平多效性。
2024-03-18 stat.ME
Simultaneously accounting for the winner's curse and sample structure in Mendelian randomization: bivariate rerandomized inverse variance weighted estimator
Tongji Medical College, Huazhong University of Science and Technology（华中科技大学同济医学院）；Guangzhou Medical University（广州医科大学）；Guangzhou First People’s Hospital（广州市第一人民医院）
本文提出双变量RIVW估计量，同时解决孟德尔随机化中的赢家诅咒和样本结构问题，提高因果效应估计的准确性。
2026-08-31 stat.ME
Valid Bayesian Inference based on Variance Weighted Projection for High-Dimensional Logistic Regression with Binary Covariates
针对高维基线协变量下二元结果相关分类处理效应的推断挑战，提出基于方差加权投影的正交得分及新型贝叶斯框架，提供一致收敛结果并通过模拟与真实数据分析验证方法有效性。
2024-11-26 math.ST stat.ME stat.TH
Breaking the Winner's Curse in Mendelian Randomization: Rerandomized Inverse Variance Weighted Estimator
全基因组关联研究的发展和汇总遗传关联数据的日益可用性使得具有汇总数据的双样本孟德尔随机化（MR）的应用日益流行。传统的双样本MR方法通常采用相同的样本来选择相关的遗传变异和构建最终的因果估计。由于众所周知的“赢家的诅咒”现象，这种做法往往导致有偏见的因果效应估计。为了解决这一根本性的挑战，我们首先从理论和实证两方面研究其因果效应估计的后果。然后，我们提出了一个新的框架，系统地打破赢家的诅咒，导致无偏的关联效应估计选定的遗传变异。在此基础上，我们提出了一种新的随机化逆方差加权估计，当选择和参数估计在同一样本上进行时，该估计是一致的。在适当的条件下，我们证明了因果效应的RIVW估计渐近收敛于一个正态分布，其方差可以很好地估计。我们通过蒙特卡罗实验和两个实证例子说明了我们的方法的有限样本性能。
2023-02-21 math.ST stat.ME stat.TH
Variance Estimation for Weighted Average Treatment Effects
本文针对观察性研究中加权平均处理效应的方差估计，提出后加权自助法并推广野自助法，以避免阳性违反、提高效率，并通过模拟和NHANES数据给出实用建议。
2025-09-10 math.ST stat.ME stat.TH
Selecting the Number of Communities for Weighted Degree-Corrected Stochastic Block Models
针对加权网络社区数量选择问题，本文提出一种基于序贯检验和矩阵缩放的加权度校正随机块模型方法，无需完整似然建模，并在理论和实验上验证了其一致性。
2025-03-11 stat.ME stat.ML
Exact variance estimation for model-assisted survey estimators using U- and V-statistics
本文建立模型辅助估计与 U/V-统计量理论的联系，为广义回归等估计量提出精确方差估计方法，并在 American Community Survey 数据上验证。
2025-02-16 stat.ME
Simulations for the Q statistic with constant and inverse variance weights for binary effect measures
针对二分类效应测度，本文研究了使用常数权重（仅依赖臂水平样本量）的 Q_F 统计量作为逆方差权重 Q_IV 的替代，通过模拟评估其分布近似以用于异质性检验。
2023-04-08 stat.ME
The Case against Generally Weighted Moving Average (GWMA) Control Charts
我们反对使用一般加权移动平均（GWMA）控制图。我们的主要原因如下：1）GWMA控制图统计量没有递归公式，因此必须存储所有以前的数据并用于每个图表统计量的计算。2)马尔可夫性质不适用于GWMA统计量，因此必须使用计算机模拟来确定控制限和统计性能。3)一个适当设计的，更简单的指数加权移动平均（EWMA）图表提供了良好或更好的统计性能。4)在某些情况下，GWMA图表给予过去数据值比当前值更多的权重。
2021-07-01 stat.ME
On the estimation of complex statistics combining different surveys
本文提出利用线性化变量推导对齐权重，以结合不同调查信息估计复杂统计量，并通过模拟验证其能有效降低合并估计的方差。
2024-04-08 stat.ME
Ostrom-Weighted Bootstrap: A Theoretically Optimal and Provably Complete Framework for Hierarchical Imputation in Multi-Agent Systems
OWB是一种基于重采样的方法，能够实现精确最优性、贝叶斯后验均值解释、经验贝叶斯收缩、渐近效率和零NaN保证，适用于多智能体系统的分层填补。
2025-12-01 stat.AP stat.ME
Subscedastic weighted least squares estimates
本研究确定了可行加权最小二乘估计在固定权重下比普通最小二乘估计更有效的条件，为随机权重设计提供指导，并揭示稳健回归估计在异方差正态误差下的行为。
2025-05-27 math.ST stat.ME stat.TH
Variable-Complexity Weighted-Tempered Gibbs Samplers for Bayesian Variable Selection
University of Cambridge（剑桥大学）
针对高维贝叶斯变量选择中子集加权回火Gibbs采样器方差过高的问题，提出一种变复杂度采样器，在降低每次MCMC迭代计算量的同时减小了Rao-Blackwellized估计量的方差。
2023-04-06 cs.LG stat.CO stat.ME
Estimating Bayes factors from minimal summary statistics in repeated measures analysis of variance designs
在本文中，我开发了一个公式，估计贝叶斯因子直接从重复测量方差方差分析设计中产生的最小汇总统计量。该公式只需要知道$F$ -统计量、受试者数量和每例受试者重复测量次数，该公式基于贝叶斯因子的BIC近似值，这是使用线性模型进行贝叶斯计算的常见默认方法。除了提供计算的例子，我报告的模拟研究中，我证明了该公式相比，最近开发的，更复杂的方法，占重复测量之间的相关性。最小BIC方法为研究人员提供了一种简单的方法，可以从最小的汇总统计量集合中估计贝叶斯因子，为用户提供了一个强大的索引，不仅可以估计他们自己的数据的证据价值，还可以估计已发表的研究报告中的数据。
2022-09-18 stat.CO stat.ME
Tackling Interference Induced by Data Training Loops in A/B Tests: A Weighted Training Approach
Booth School of Business, University of Chicago（芝加哥大学布斯商学院）
针对推荐系统 A/B 测试中训练数据混合造成的干扰，论文提出 weighted training，通过估计样本属于处理或对照组的概率并使用加权损失，在不改变训练分布的估计量中实现最小方差，模拟显示其偏差和方差均更低。
2024-04-05 cs.LG econ.EM stat.ME
A randomization-based perspective of analysis of variance: a test statistic robust to treatment effect heterogeneity
在有限总体环境中考虑了Neyman原假设（无平均治疗效应）的Fisher随机化检验，该环境与两种以上治疗的完全随机化实验相关。从理论和计算两方面对使用$F$统计量进行此类检验的后果进行了检查，并认为在治疗效应异质性下，在Fisher随机化检验中使用$F$统计量可能会严重增加内曼原假设下的I型错误。提出了一种替代的检验统计量，导出了它在Fisher和Neyman原假设下的渐近分布，并证明了它的优点。
2017-07-24 math.ST stat.ME stat.TH
$V$-statistics and Variance Estimation
Cornell University（康奈尔大学）；University of Pittsburgh（匹兹堡大学）；Australian National University（澳大利亚国立大学）
本文发展了一个分析$V$ -统计量渐近性的一般框架。以往关于极限分布的文献主要集中在$n \to \infty$具有固定核大小$k$的情况。在一定的正则条件下，利用已有的$U$ -统计量的结果，证明了当$k$随$n$增长时的渐近正态性.在我们的方法的关键在于在数学上减少$U$ -统计量通过设计一个等价的内核$V$ -统计量。我们还提供了一个统一的治疗方差估计$U$和$V$ -统计观察连接到现有的方法，并提出了一个经验更准确的估计。诸如随机森林之类的包围方法，其中多个基础学习者被训练和聚合用于预测目的，作为贯穿本文的运行示例，因为它们是$V$统计的自然和灵活的应用。
2020-05-07 cs.LG stat.CO stat.ME
A Weighted Prognostic Covariate Adjustment Method for Efficient and Powerful Treatment Effect Inferences in Randomized Controlled Trials
本文提出加权预后协变量调整方法（Weighted PROCOVA），利用数字孪生生成器同时调整回归模型的均值和方差以解决异方差性问题，从而在随机对照试验中实现无偏、高效且更强效的治疗效应推断。
2023-09-25 stat.AP stat.ME stat.ML
On Variance Estimation of Random Forests with Infinite-Order U-statistics
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
无限阶U-统计量（IOUS）已被广泛用于子打包集成学习算法，如随机森林，以量化其不确定性。虽然IOUS的正态性结果已被广泛研究，但其方差估计方法和理论性质仍大多未被探索。现有的方法主要利用Hoeffding分解中的主导项优势属性。然而，当核大小较大或样本量较小时，这种观点通常会导致有偏估计。另一方面，虽然文献中存在一些无偏估计量，但它们之间的关系和理论性质，特别是比率相合性，从未被研究过。这些限制导致构造的置信区间的性能无法保证。为了弥合这些差距，在文献中，我们提出了一个新的观点Hoeffding分解方差估计，导致一个无偏估计量。我们的观点利用了峰值区域的优势，而不是主导项的优势。此外，我们建立了我们的估计与现有的几个无偏方差估计的联系和等价性。从理论上讲，我们是第一个建立这样的方差估计的比率一致性，这证明了覆盖率的置信区间从随机森林构造。数值上，我们进一步提出了一个局部平滑过程，以提高估计的有限样本性能。广泛的模拟研究表明，我们的估计享有较低的偏见和存档目标覆盖率。
2023-02-14 cs.LG stat.CO stat.ME
