Simulations for estimation of heterogeneity variance $τ^2$ in constant and inverse variance weights meta-analysis of log-odds-ratios
研究间方差的一些常用估计量$τ^2$基于Cochran $Q$统计量,用于检验Meta分析中的异质性。我们介绍了新的点和区间估计的$τ^2$的对数优势比。这些包括新的DerSimonian-Kacker型矩估计的基础上的一阶矩的$Q_F$,$Q$统计与有效样本量的权重,和新的中位数无偏估计量。我们通过模拟研究了$τ^2$的这些新估计量的偏倚和覆盖率,为了比较的目的,研究了一些基于具有逆方差权重的$Q$统计量的著名估计量的偏倚和覆盖率,$Q_{IV}$,例如Mandel-Paule,DerSimonian-Laird和限制最大似然估计量,以及基于Kulinskaya-Dollinger(2015)改进的$Q_{IV}$近似的估计量。
2022-08-01 stat.ME
Adjusted Nelson--Aalen estimators by inverse treatment probability weighting with an estimated propensity score
本文在竞争风险框架下研究基于估计倾向评分的逆概率加权调整Nelson–Aalen估计量,推导其影响函数与渐近性质,并证明倾向评分估计带来的额外变异通常较小。
2025-05-11 stat.ME
Practical Tikhonov Regularized Estimators in Reproducing Kernel Hilbert Spaces for Statistical Inverse Problems
正则化核方法,如支持向量机(SVM)和支持向量回归(SVR)构成了一个广泛和灵活的一类方法,理论上研究得很好,通常用于非参数分类和回归问题。由于这些方法都是基于一个Tikhonov正则化,这也是常见的反问题,本文研究使用正则化核方法的反问题,在一个统一的方式。正则化核方法基于再生核希尔伯特空间(RKHS)的使用,其导致非常好的计算性质。结果表明,类似的属性仍然是真实的,在解决统计逆问题,标准的软件实现开发的普通回归问题仍然可以用于逆回归问题。这些方法的一致性和收敛速度的风险是在相当弱的假设和收敛速度的估计显示在某种程度上更强的假设。这些方法的适用性证明在模拟。
2013-05-06 stat.ME
Biased-sample empirical likelihood weighting: an alternative to inverse probability weighting
逆概率加权(IPW)被广泛应用于许多领域,当数据受到不代表性,缺失,或选择偏见。使用IPW的一个不可避免的挑战是,如果某些概率非常接近于零,则IPW估计量可能非常不稳定。为了克服这个问题,在文献中已经开发了至少三种补救措施:稳定化、阈值化和修整。然而,最终的估计量仍然是IPW型估计量,并且不可避免地继承了朴素IPW估计量的某些弱点:它们仍然可能是不稳定的或有偏的。我们提出了一个偏置样本的经验似然加权(ELW)的方法,作为IPW服务相同的一般目的,同时完全克服了IPW型估计的不稳定性,通过规避使用逆概率。ELW权重总是定义良好且易于实现。从理论上证明了ELW估计是渐近正态的,并且对于缺失数据问题和不等概率抽样问题,它比IPW估计及其稳定化版本更有效。在有替换的不等概率抽样下也建立了它的渐近正态性。我们的模拟结果和一个真实的数据分析表明,ELW估计是平移等变的,几乎无偏的,通常优于IPW型估计的均方误差。
2021-11-25 stat.ME
Sequential Estimation using Hierarchically Stratified Domains with Latin Hypercube Sampling
本文提出一种自适应顺序分层估计方法,结合拉丁超立方采样,通过分层细化降低方差,数值实验显示方差衰减可达N^{-2}。
2023-11-12 stat.ME
Sparse Sliced Inverse Regression via Cholesky Matrix Penalization
我们介绍了一种新的稀疏切片逆回归估计称为Cholesky矩阵惩罚和自适应版本实现稀疏估计的中心子空间的尺寸。新的估计使用的协变量的协方差阵的Cholesky分解,并包括在目标函数中的正则化项,以实现稀疏的计算效率的方式。我们建立的理论值的调谐参数,实现估计和变量选择的一致性的中心子空间。此外,我们提出了一个新的投影信息准则来选择我们提出的估计的调整参数,并证明了新的标准有利于选择的一致性。Cholesky矩阵惩罚估计量继承了Matrix Lasso和Lasso切片逆回归估计量的优点,在数值研究中具有优越的性能,并可适用于文献中的其他充分维方法。
2021-04-20 stat.ME
Inference procedures in sequential trial emulation with survival outcomes: comparing confidence intervals based on the sandwich variance estimator, bootstrap and jackknife
本研究通过模拟比较了序贯试验模拟中生存结局的多种置信区间构建方法,发现LEF自助法在小样本、低事件率场景下覆盖率最佳且计算高效,而三明治方差估计器在大样本、中高事件率时最优。
2024-07-12 stat.ME
Estimation of the attributable fraction for time to event outcomes using an inverse probability of exposure weighted Kaplan-Meier estimator
人群归因分数旨在量化如果人群中没有个体暴露于特定暴露,本可以避免的结果(例如疾病)的病例比例。因此,这一数量在流行病学和公共卫生方面发挥着至关重要的作用,特别是在指导政策、干预措施或评估特定接触造成的疾病负担方面。已经提出了各种统计方法来估计可归因分数使用观测数据。当使用事件发生时间数据时,其中几个公式会产生无效结果。其他有效的公式是可用的,但仍然很少使用。我们提出了一个新的估计的归因分数,这是概念上简单,易于实现,使用常见的统计软件。我们提出的估计量利用卡普兰-迈耶估计量来解决删失和潜在的非比例风险,以及逆概率加权来控制混杂。提出了非参数自举法来产生推论。一个模拟研究是用来说明和比较我们提出的估计几个替代方案。结果显示了许多常用的传统方法的偏差和我们的估计在其工作假设下的有效性。
2022-12-19 stat.ME
The empirical distribution of sequential LS factors in Multi-level Dynamic Factor Models
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);ITAM(墨西哥自治技术研究院);Duke University(杜克大学)
本文探讨了多级动态因子模型中顺序最小二乘因子的渐近分布近似问题,通过蒙特卡洛实验验证了主成分因子分布的适用性,并提出了最优的均方误差估计方法。
2026-02-17 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
Interim Monitoring of Sequential Multiple Assignment Randomized Trials Using Partial Information
提出利用部分信息估计SMART中平均结果的估计量,推导提前停止检验程序,在控制I类错误和达到名义功效的同时减少预期样本量。
2023-02-15 stat.ME
Variance Estimation for the Inverse Probability of Treatment Weighted Kaplan Meier Estimator
Gilead Sciences(吉利德科学)
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
Estimation methods for elementary chirp model parameters
本文提出了基本chirp模型参数的估计方法,推导了最小二乘和近似最小二乘估计量的渐近性质,并设计了顺序估计过程以解决多分量模型的初始值难题,数值实验验证了其优越性。
2022-10-11 stat.CO stat.ME
Ridge Estimation of Inverse Covariance Matrices from High-Dimensional Data
本文研究了高维情形下精度矩阵的岭估计,其中变量个数相对于样本量较大。我们首先回顾了两个原型岭估计,并指出,他们利用的罚款不符合共同岭处罚。随后,从一个共同的岭惩罚,解析表达式推导出两个可选的岭估计精度矩阵。的替代估计相比,关于特征值收缩和风险的原型。在图形建模的背景下,替代品也比较图形套索。的比较可能会有理由更喜欢拟议的替代估计。
2015-09-24 stat.ME
Finite Sample Complexity of Sequential Monte Carlo Estimators
本文给出了静态空间上序贯蒙特卡罗采样器的有限样本误差的界。我们的方法明确地将算法的性能与所选分布序列的属性和相关马尔可夫核的混合属性联系起来。这使我们能够给出第一个有限样本比较其他蒙特卡罗计划。我们得到了各种目标分布的序贯蒙特卡罗近似的复杂性的界限,包括有限空间,产品措施,和对数凹分布,包括贝叶斯逻辑斯谛回归。所得到的界限是在一个对数因子内的类似界限可获得马尔可夫链蒙特卡罗。
2022-08-18 math.PR stat.CO stat.ME
Sequential design for surrogate modeling in Bayesian inverse problems
本文针对贝叶斯反问题中的代理建模提出CSQ和IP-SUR两种序贯设计策略,利用SUR框架实现不确定性逐步减少,并通过多个测试案例验证其有效性。
2025-01-02 stat.ME
The regularized tau estimator: A robust and efficient solution to ill-posed linear inverse problems
线性逆问题是普遍存在的。通常,测量值不遵循高斯分布。此外,具有大条件数的模型矩阵可以通过使其不适定而使问题进一步复杂化。在这种情况下,流行的估计器的性能可能会显着恶化。我们已经开发了一个新的估计,这是在高斯误差的存在下,同时也对离群值的鲁棒性都接近最优。此外,它获得了有意义的估计时,问题是不适定的,通过包括$\ell_1$和$\ell_2$正则化。我们估计的计算涉及最小化非凸目标函数。因此,我们不能保证在合理的时间内找到全局最小值。因此,我们提出了两个算法,收敛到一个很好的局部最小值在一个合理的(和可调)的时间量,作为一个近似的全球最小值。我们还分析了正则化项的引入如何影响我们的估计量的统计特性。我们确认高鲁棒性对离群值和渐近有效性高斯分布的鲁棒性,如影响函数,灵敏度曲线,偏差,渐近方差和均方误差的措施。我们使用数值实验验证了理论结果,并表明所提出的估计优于最近提出的方法,特别是对于越来越多的离群值污染。本着可重复研究的精神,所有算法的Python代码都可以在线获得。
2016-05-23 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
A comparative study of augmented inverse propensity weighted estimators using outcome-oriented covariate selection via penalization with outcome-adaptive lasso
本文比较 AIPW 估计量中 PS 模型采用 OAL、结果模型采用不同惩罚协变量选择的效果,发现两端均使用具 oracle 性质的面向结果选择时性能最佳。
2025-01-12 stat.ME
Inverse Probability Weighting: from Survey Sampling to Evidence Estimation
本文研究逆概率加权估计量的弱悖论,提出基于贝叶斯筛和共轭分层模型的两种贝叶斯估计方法,并通过模拟与后验相合性证明其在调查抽样、证据估计和因果推断中的优势。
2025-04-14 stat.ME
Inverse Probability Weighted Estimators of Vaccine Effects Accommodating Partial Interference and Censoring
估计疫苗的群体水平效应具有挑战性,因为可能存在干扰,即,一个个体的结果可能取决于另一个个体的疫苗接种状况。部分干扰发生在个体可以被划分为组,使得干扰只发生在组内。在没有干扰的情况下,逆概率加权(IPW)估计通常用于推断暴露或治疗的因果效应。Tchetgen Tchetgen和VanderWeele(2012)提出了一种修正的IPW估计量,用于存在部分干扰的因果效应。出于在孟加拉国的霍乱疫苗研究,本文认为Tchetgen Tchetgen和VanderWeele IPW估计的扩展设置的结果是受右删失使用逆概率的删失权重(IPCW)。使用比例风险脆弱性模型估计删失权重。IPCW估计量的大样本性质的推导,并提出了模拟研究证明估计量的性能在有限样本。然后,这些方法用于分析霍乱疫苗研究的数据。
2019-10-08 stat.AP stat.ME
Sequential estimation of Spearman rank correlation using Hermite series estimators
在这篇文章中,我们描述了一个新的Hermite系列基于序贯估计斯皮尔曼秩相关系数,并提供算法适用于平稳和非平稳设置。为了处理非平稳设置,我们引入了一种新的,指数加权的斯皮尔曼秩相关估计,它允许跟踪的二元数据流的局部非参数相关。据我们所知,这是第一个算法提出估计时变斯皮尔曼秩相关,不依赖于移动窗口的方法。我们通过真实的数据和模拟研究,展示了良好的实际性能,探讨了厄米级数为基础的估计的实际有效性。特别是模拟研究揭示了竞争力的性能相比,现有的算法。这项工作的潜在应用是多方面的。基于Hermite级数的Spearman秩相关估计可用于快速、鲁棒的在线相关计算。可能的机器学习应用包括在海量数据集上的快速特征选择和分层聚类等。
2021-07-06 stat.CO stat.ME stat.ML
Analysis of Large Scale Web Experiments Using Sequences of Estimators
实验测试在Web应用程序的优化中至关重要,因此A/B测试已被广泛采用作为确定许多Web应用程序的最佳内容的方法。虽然一些测试平台提供了顺序有效的推断,但大部分在线测试仍然使用传统的统计测试,这些测试不允许临时“窥视”数据或将测试扩展到超过其建议的样本量。在本文中,我们开发的结果有用的大规模实验的序贯分析。特别是,研究了极大似然序列和广义矩估计量方法的性质。这导致了对二元结果的比值比和相对风险的新测试。对于连续和有序的结果,我们开发了平均差检验和曲线下面积(AUC)的非参数检验。此外,提出了这些测试的多变量版本。
2017-10-03 stat.ME
Causal inference with recurrent data via inverse probability treatment weighting method (IPTW)
倾向得分法正越来越多地用于减少观察性研究中处理效应的估计偏倚。以前的研究表明,倾向得分方法一致地估计了事件发生时间数据的边际风险比。然而,经常性的数据经常出现在生物医学文献中,并且当数据在本质上是经常性的时,很少有研究使用倾向得分方法。本文的目的是将现有的倾向得分方法扩展到经常性数据设置。我们通过一系列的蒙特卡罗模拟来说明我们的方法。模拟结果表明,没有删失的存在下,IPTW估计,使我们能够一致地估计每个事件的边际风险比。在行政删失制度下,稳定化的IPTW估计得到边际风险比的有偏估计,且偏差程度取决于被删失的受试者比例。对于方差估计,朴素方差估计往往倾向于大大低估IPTW估计的方差,而稳健方差估计显著降低方差的估计偏差。
2019-11-15 stat.ME
Statistically Efficient Bayesian Sequential Experiment Design via Reinforcement Learning with Cross-Entropy Estimators
Nourish Ingredients;CSIRO’s Environment(CSIRO环境部);BIMLOGIQ;CSIRO’s Data61(CSIRO Data61)
本文提出基于交叉熵估计器的强化学习方法,用于贝叶斯序列实验设计,克服了传统期望信息增益估计的指数样本复杂度,能更准确地估计高EIG值,并支持连续/离散空间及不可微模型,从而学习更优的设计策略。
2024-02-05 cs.LG stat.ME
Asymptotically Optimal Sequential Confidence Interval for the Gini Index Under Complex Household Survey Design with Sub-Stratification
Department of Mathematics, Karwar, 342037, India(卡瓦尔数学系);School of Management and Entrepreneurship, Karwar, 342037, India(卡瓦尔管理与创业学院)
本文提出两种方法,通过在复杂调查设计下实现Gini指数估计量的渐进最优性,结合模拟和实证分析验证其有效性。
2026-02-25 stat.ME
Regularized calibrated estimation of propensity scores with model misspecification and high-dimensional data
倾向得分法广泛用于估计观察性研究的处理效应。一种流行的方法是基于逻辑斯谛回归通过极大似然然估计倾向得分,然后应用逆概率加权估计或扩展来估计处理效应。然而,一个具有挑战性的问题是,这种包括双重鲁棒方法的逆概率加权方法即使在逻辑模型如通过常规技术检查的那样看起来足够时也可能表现不佳。此外,在处理大量协变量时,适当估计倾向得分的难度越来越大。为了解决这些问题,我们研究校准估计作为替代极大似然估计拟合逻辑倾向得分模型。我们发现,与可能的模型误设定,最大限度地减少校准估计的预期校准损失涉及减少预期的似然损失和相对误差的测量,控制逆概率加权估计的均方误差。此外,我们提出了一个正则化的校准估计最小化的校准损失与Lasso惩罚。我们开发了一种新的Fisher评分下降算法计算建议的估计,并提供了一个高维分析所产生的逆概率加权估计的人口手段,利用控制校准估计的相对误差。我们提出了一个模拟研究和实证应用,以证明所提出的方法相比,极大似然和正则化的优势。
2017-10-23 stat.ME
Towards a sparse, scalable, and stably positive definite (inverse) covariance estimator
高维协方差估计和图形模型是统计学和机器学习领域的一个当代课题,具有广泛的应用。在这方面的一个重要的研究路线是缩小极值谱的协方差阵估计。在文献中的一个单独的研究线已经考虑稀疏逆协方差估计,这反过来又引起图形模型。然而,在实践中,需要同时良好调节且同时计算上易处理的稀疏协方差或逆协方差阵。在这三个主题的交汇处几乎没有研究。在本文中,我们考虑施加一个条件数约束的各种类型的损失使用的协方差和逆协方差阵估计。当损失函数可以被分解为一个正交不变函数的估计和它的内积与样本协方差阵的函数的总和,我们表明,解决方案的路径算法可以推导出,涉及一系列的常微分方程。路径算法是有吸引力的,因为它提供了整个家庭的估计的所有可能的值的条件数界,在相同的计算成本的一个单一的估计与一个固定的上限。一个重要的发现是,条件数约束,这原来是非常有用的正则化损失函数,不是正交不变的,可能会产生非正定的估计,可以有效地计算这种路径算法的邻近算子。作为一个具体的说明其实际的重要性,我们开发了一个运营商分裂算法,最近提出的凸伪似然基于图形模型选择方法,以及空调以及正定性的保证。
2016-06-27 stat.ME
The covariate-adjusted residual estimator and its use in both randomized trials and observational settings
我们经常试图在随机和观察环境中估计暴露对特定结果的因果影响。其中一种估计方法是协变量调整残差估计,它是为单独或集群随机试验设计的。在这篇手稿中,我们研究了这个估计的性质,并开发了一个新的估计,利用协变量调整和逆概率加权我们支持我们的理论结果与模拟研究和应用在传染病设置。协变量调整残差估计量是随机试验中平均处理效应的有效无偏估计量;但是,不能保证在观察性研究中无偏。我们的新估计,协变量调整残差估计与逆概率加权,是无偏的随机和观察设置下,一组合理的假设。此外,当这些假设成立时,它在观察性研究中提供了比逆概率加权更高的效率。协变量调整残差估计量在随机试验中有效,但不应用于观察性研究。具有逆概率加权的协变量调整残差估计量为随机化和观察性设置提供了一种有效的替代方法。
2019-10-24 stat.AP stat.ME
Model misspecification and bias for inverse probability weighting and doubly robust estimators
在因果推理文献中,属于一类半参数估计量的估计量被称为鲁棒的,如果它在至少一个工作模型被正确指定的假设下具有期望的性质。本文提出了一种粗略的分析方法来研究当所有工作模型都被错误指定时,平均因果效应的半参数估计的大样本偏差。我们将我们的方法应用到三个原型估计,两个逆概率加权(IPW)估计,使用错误指定的倾向得分模型,和一个双重稳健(DR)估计,使用错误指定的模型的结果回归和倾向得分。要分析的问题时,使用两个错误指定的模型是优于一个,我们推导出充要条件的DR估计有一个小的偏差比一个简单的IPW估计,当它有一个小的偏差比IPW估计与归一化权重。如果结果模型的误指定是中度的IPW和DR估计的偏差的比较表明,DR估计有一个较小的偏差比IPW估计。然而,所有的偏见包括PS模型的错误,我们建议研究人员在建模PS时要小心,只要涉及这样的模型。
2018-06-25 math.ST stat.ME stat.TH
On variance of the treatment effect in the treated using inverse probability weighting
在观察性研究的分析中,逆概率加权(IPW)通常用于一致地估计平均处理效应(ATE)或治疗患者的平均处理效应(ATT)。IPW ATE估计量的方差通常通过假设权重已知然后使用所谓的“稳健”(Huber-White)三明治估计量来估计,这导致保守的标准误(SE)估计。在这里,它表明,使用这种方法时,估计的方差的IPW ATT估计不一定会导致保守的SE估计。也就是说,假设权重是已知的,稳健三明治估计量可以是保守的或反保守的。因此,使用稳健SE估计的ATT的置信区间通常无效。相反,考虑权重估计的堆叠估计方程可以用于计算IPW ATT估计器的一致的封闭形式方差估计器。通过模拟研究和吸烟对基因表达的影响的数据分析,这两个方差估计进行了比较。
2020-11-24 stat.AP stat.ME
Nonparametric inverse probability weighted estimators based on the highly adaptive lasso
逆概率加权估计量是估计因果效应的最古老且可能最常用的一类程序。通过加权机制调整选择偏差,这些程序通过构建一个伪群体来估计感兴趣的影响,其中选择偏差被消除。尽管它们易于使用,这些估计需要正确的规范的加权机制的模型,是已知的效率低下,并遭受灾难的维度。我们提出了一类非参数逆概率加权估计,其中的加权机制估计通过欠平滑的高度自适应套索,一个非参数回归函数证明收敛在$n^{-1/3}$率的真正的加权机制。我们证明了我们的估计是渐近线性的,方差收敛到非参数有效界。与双稳健估计不同,我们的方法既不需要推导有效的影响函数,也不需要指定条件结果模型。我们的理论发展具有广泛的影响,在大型统计模型和各种问题设置的有效的逆概率加权估计的建设。我们评估我们的估计在模拟研究中的实际表现,并证明使用我们提出的方法与数据从一个大规模的流行病学研究。
2021-07-03 math.ST stat.ME stat.ML
Sequential Ensemble Transform for Bayesian Inverse Problems
我们提出了顺序包络变换(SET)方法,一种从贝叶斯后验分布生成近似样本的方法。该方法探讨了后验分布,通过解决一系列离散的最优运输问题,产生一系列的运输计划,映射前样本后验样本。我们证明了当样本量趋于无穷大时,SET方法产生的Dirac混合分布序列弱收敛于真后验。此外,我们的数值计算结果表明,相比标准的序贯蒙特卡罗(SMC)方法,SET方法是更强大的马尔可夫突变内核的选择,并需要较少的计算工作,以达到类似的精度时,用于探索复杂的后验分布。最后,我们描述了自适应计划,允许完全自动化的SET方法的使用。
2020-09-20 stat.CO stat.ME
Online Sequential Monte Carlo smoother for partially observed stochastic differential equations
本文提出了一种新的算法来逼近部分可观测随机微分方程的光滑可加泛函。该方法依赖于最近的程序,该程序允许在线计算这样的近似,即,当接收到观测时,并且计算复杂度随着蒙特卡罗样本的数量线性增长。这种在线平滑器不能直接用于部分观测的随机微分方程的情况下,因为潜在数据的转移密度通常是未知的。我们证明了一个类似的算法仍然可以定义为部分观察到的连续过程,通过替换这个未知量的无偏估计量获得,例如使用一般泊松估计。我们证明了这个估计是一致的,并使用两个模型的数据说明了它的性能。
2017-03-06 stat.AP stat.ME
Convergence of random-weight sequential Monte Carlo methods
我们研究了一个序贯蒙特卡罗方法的性质,其中出现在算法中的粒子的重量是由一个积极的,无偏估计量估计。我们提出了广泛适用的收敛结果,包括一个中心极限定理,我们讨论了它们在统计物理应用的相关性。使用这些结果,我们表明,rescue步骤减少的影响的随机性的权重的渐近方差的估计。此外,我们探讨了序贯蒙特卡罗方法的收敛极限,重点是几乎必然收敛。我们构造了一个例子算法,我们可以证明依概率收敛,但不收敛几乎肯定,即使在非随机权重的情况下。
2022-08-25 math.PR stat.ME
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
Forward Smoothing using Sequential Monte Carlo
序贯蒙特卡罗(SMC)方法是一组广泛使用的用于非线性非高斯状态空间模型中的推断的计算工具。我们提出了一个新的SMC算法来递归地计算可加泛函的期望。本质上,它是Doucet等人(2000)提出的前向滤波后向平滑SMC算法的在线或仅前向实现。与标准路径空间SMC估计的渐近方差随时间平方增加,即使在有利的混合假设下,所提出的SMC估计的渐近方差只随时间线性增加。这种向前平滑过程使我们能够实现在线极大似然参数估计算法,不遭受粒子路径退化问题。
2010-12-24 stat.CO stat.ME
A new approach for open-end sequential change point monitoring
我们提出了一个新的顺序监测计划的参数变化的多元时间序列。与文献中提出的将训练样本的估计值与从剩余数据计算的估计值进行比较的程序相反,我们建议在训练样本之后的每个时间点划分样本。然后连续比较所有分离点之前和之后样本的估计值,计算其差异的最大范数。对于开放式的情况下,我们的方法产生一个渐近水平的$α$程序,这是一致的下,在参数的变化的替代。通过仿真研究,它表明,新的方法优于常用的程序的功率和我们的方法的可行性,通过分析两个数据的例子。
2020-07-27 math.ST stat.ME stat.TH
Covariate Balancing and the Equivalence of Weighting and Doubly Robust Estimators of Average Treatment Effects
Brandeis University(布兰迪斯大学);LMU Munich(慕尼黑大学);Michigan State University(密歇根州立大学)
本文证明在采用特定协变量平衡方法估计倾向得分时,IPW、AIPW和IPWRA估计量对ATE和ATT在数值上等价,并探讨了该等价性对工具变量和双重差分方法的简化意义。
2025-09-21 econ.EM stat.ME
Estimating Causal Effects for Binary Outcomes Using Per-Decision Inverse Probability Weighting
针对微随机试验中IPW估计因果偏移效应方差过大的问题,提出两种逐决策IPW估计量(第二种结合半参数投影提升效率),适用于二元结局,证明其统计性质并验证其效率优势,可提升试验分析精度。
2024-08-15 stat.AP stat.ME
Sequential Nonparametric Regression
Carnegie Mellon University(卡内基梅隆大学);University of Chicago(芝加哥大学)
我们提出的算法非参数回归的设置中的数据是连续获得的。虽然传统的估计器选择的带宽取决于样本量,对于连续数据的有效样本量是动态变化的。我们提出了一个线性时间算法,调整每个新的数据点的带宽,并显示估计达到最佳的极小极大收敛速度。我们还提出了使用在线专家混合算法来适应未知的光滑的回归函数。我们提供的模拟证实了理论结果,并证明了方法的有效性。
2012-06-27 astro-ph.IM cs.LG stat.ME
A selective review of sufficient dimension reduction for multivariate response regression
本文综述了多元响应的充分降维估计。广泛的SDR方法的特点是逆回归SDR估计或正向回归SDR估计。逆回归族包括混合边际估计、投影回归估计和基于距离的估计。普通最小二乘,偏最小二乘,半参数SDR估计,另一方面,讨论作为估计从正向回归家庭。
2022-02-02 stat.CO stat.ME stat.ML
On the Role of Volterra Integral Equations in Self-Consistent, Product-Limit, Inverse Probability of Censoring Weighted, and Redistribution-to-the-Right Estimators for the Survival Function
本文揭示了第一类 Volterra 积分方程如何将右删失数据下生存函数的自洽、乘积极限、逆概率删失加权及向右重分配估计量联系起来,证明了这些估计量的内在等价性。
2023-10-20 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
Adaptive Experimental Design Using Shrinkage Estimators
Claremont McKenna College(克莱蒙特麦肯纳学院);University of New South Wales(新南威尔士大学)
本文提出了一种基于Stein-like收缩估计器的自适应实验设计方法,通过共享治疗效果信息减少估计误差,提升因果估计效率。
2026-07-31 math.ST stat.ME stat.TH
Prediction regions through Inverse Regression
从协变量中预测新的响应是回归中一个具有挑战性的任务,这给高维数据时代提出了新的问题。在本文中,我们感兴趣的逆回归方法从理论的观点。理论结果已经得出了著名的线性模型,但最近,灾难的维数增加了从业者和理论家的兴趣,这些结果的推广为各种估计,校准的高维背景。为了处理高维数据,本文采用了逆回归方法。当特征的数量超过观测的数量时,它是一种可靠和有效的方法。事实上,在某些条件下,处理与正向回归问题相关联的逆回归问题大大减少了要估计的参数的数量,并使问题易于处理。当响应和协变量都是多元时,本文研究了由逆回归构造的估计,主要结果是响应的显式渐近预测区域。所提出的估计器和预测区域的性能进行了分析,通过模拟研究,并与通常的估计器进行比较。
2018-07-09 math.ST stat.ME stat.TH
Efficiency combined with simplicity: new testing procedures for Generalized Inverse Gaussian models
广义逆高斯(GIG)族(也称为Hüssen Type A族)中的标准有效检验过程是似然比检验,因此依赖于GIG的三个参数的极大似然(ML)估计。GIG密度的特殊形式,涉及修改的贝塞尔函数,防止一般从ML估计,这是在复杂的数值逼近方法的代价获得的封闭形式的表达。相反,矩量法(MM)估计允许简洁的表达式,但测试的基础上,这些估计遭受缺乏效率相比,似然比检验。这就是为什么近年来,ML和MM估计之间的权衡已经被提出,导致更简单但不完全有效的估计和测试。在本文中,我们没有提出这样的权衡,而是两种方法的最佳组合,我们的测试继承效率从ML样的建设和简单性的滋扰参数的MM估计。这一目标将通过从一个新的角度,即通过Le Cam方法来解决问题来实现。除了提供简单有效的测试方法外,该方法的理论背景还允许我们为测试写出显式的功率表达式。蒙特卡罗模拟研究表明,在小样本量下,我们的简单程序至少与复杂的似然比检验一样好。最后,我们将我们的研究结果应用于两个真实的数据集。
2013-12-24 math.PR stat.ME
Sensitivity analysis for inverse probability weighting estimators via the percentile bootstrap
为了确定缺失数据问题和观察性研究中的被估量,通常将统计估计建立在“随机缺失“和“无未测量混杂因素”假设的基础上。然而,这些假设是无法验证的经验数据,并构成严重威胁的有效性定性结论的统计推断。敏感性分析询问如果无法验证的假设在一定程度上被违反,结论可能如何改变。在本文中,我们考虑了一个边际敏感性模型,这是一个自然的延伸Rosenbaum的敏感性模型,被广泛用于匹配的观察性研究。我们的目标是构建基于逆概率加权估计的置信区间,使得当数据生成分布在边际敏感性模型的集合中时,该区间渐近地至少具有被估量的名义覆盖。我们使用一个百分位自助和广义极大极小/极大极小不等式,将这个棘手的问题转化为一个线性分式规划问题,可以非常有效地解决。我们说明了我们的方法,使用一个真实的数据集来估计的因果关系的影响,鱼类消费对血液中的汞水平。
2018-10-08 math.ST stat.ME stat.TH
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
Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems
London School of Economics and Political Science(伦敦政治经济学院)
针对残差范数诊断在平滑反问题中可能遗漏结构化模型误差的问题,提出基于e-process的序列结构敏感诊断方法,通过空间残差模式专家组合实现任意有效I类错误控制,并在三个反问题中验证其比传统方法更早检测到错误拟合。
2026-07-03 stat.ME stat.ML
Uncertainty Quantification and Experimental Design for Large-Scale Linear Inverse Problems under Gaussian Process Priors
University of Bern(伯尔尼大学);University of Lausanne(洛桑大学)
我们考虑使用高斯过程(GP)先验知识求解贝叶斯框架中的反问题。众所周知,GP的计算复杂度在数据点的数量上成立方比例。我们在这里表明,在涉及积分算子的反问题的背景下,人们面临着额外的困难,阻碍大网格反演。此外,在该上下文中,协方差阵可能变得太大而无法存储。通过利用高斯测度的顺序分解的结果,我们能够引入后验协方差阵的隐式表示,该隐式表示通过仅存储低秩中间矩阵来减少内存占用,同时允许在不需要构建完整后验协方差阵的情况下即时访问各个元素。此外,它允许快速顺序包含新的观察。当考虑顺序试验设计任务时,这些特征至关重要。我们证明了我们的方法,通过计算连续的数据收集计划的偏移集恢复重力逆问题,其目标是提供高密度区域内的斯特龙博利火山,意大利的精细分辨率估计。通过将加权综合方差减少(wIVR)准则扩展到反问题来计算顺序数据收集计划。我们的研究结果表明,这一标准是能够显着减少的不确定性的偏移量,达到接近最低水平的剩余不确定性。总的来说,我们的技术允许概率模型的优势,承担在自然科学中产生的大规模逆问题。
2022-08-31 cs.LG stat.AP stat.CO
Conditional Variance Estimator for Sufficient Dimension Reduction
条件方差估计(CVE)是一种新的充分降维(SDR)方法,适用于具有连续预测变量和连接函数的可加误差回归。它是在预测变量可以被低维投影代替而不丢失信息的假设下运行的。与大多数基于矩的充分降维方法相比,条件方差估计是完全数据驱动的,不需要限制性线性和恒定方差条件,并且不基于逆回归。证明了CVE是一致的,其目标函数是一致收敛的。CVE优于平均方差估计,(MAVE),它的主要竞争对手,在几个模拟设置,保持在其他人的水平,而它总是优于通常的逆回归基于线性SDR方法,如切片逆回归。
2021-02-17 math.ST stat.ME stat.TH
Nearest neighbor density functional estimation from inverse Laplace transform
提出了一种利用$k$ -最近邻距离对一般密度泛函进行$L_2$ -相容估计的新方法,其中所考虑的密度泛函是每个点的密度的某个函数$f$的期望的形式.该估计量被设计为渐近无偏的,使用$k$ -最近邻球的归一化体积在大样本极限下收敛到Γ分布,并且自然地涉及函数$f.$的缩放版本的拉普拉斯逆变换。所提出的估计器的一些实例恢复了现有的基于$k$的最近邻的香农和雷尼熵以及Kullback的估计器。Leibler和Rényi分歧,并发现了许多其他泛函,如对数熵和分歧的新的一致估计。建议估计的$L_2$一致性建立了广泛的一类密度一般泛函,和收敛速度均方误差的函数的样本量光滑,有界密度。
2022-02-05 cs.IT math.IT math.ST