Pesticide concentration monitoring: investigating spatio-temporal patterns in left censored data
鉴于对环境安全的主要关切以及增加公共健康风险的可能性,监测农药浓度对公共当局非常重要。该过程的一个重要方面在于从大量收集的数据中定位异常信号。这类数据通常是复杂的,因为它受到量化的限制,导致左删失的观察,并从抽样程序,这是不规则的时间和空间跨越测量站。本手稿处理的问题,正是检测农药浓度水平的时空集体异常,并介绍了一种新的方法来处理时空异质性。后者结合了一个变点检测程序,适用于一系列的最大日值在所有站,和一个聚类步骤,旨在空间分割的站。定量限在变点程序中处理,假设一个潜在的左删失参数模型,分段平稳。空间分割考虑到地理条件,并可能是基于河流网络,风向等,与时间段和空间集群,最终可以分析数据,并确定上下文异常。拟议的程序详细说明了一个数据集,包含丙硫威浓度水平在中央卢瓦尔河谷地区的地表水。
2022-12-20 stat.AP
Nonparametric Causal Feature Selection for Spatiotemporal Risk Mapping of Malaria Incidence in Madagascar
现代疾病绘图利用大量高分辨率空间数据产品,在地质统计框架内将环境和/或社会经济因素作为协变量或“特征”加以反映,以改进对疾病风险的预测。特征选择是构建这些模型的重要步骤,有助于减少过拟合和计算复杂性,并提高模型的可解释性。仅选择与响应变量具有因果关系的特征可能会提高预测和概括性,但从非干预性时空数据中识别这些因果特征是一个具有挑战性的问题。在这里,我们研究的因果特征选择过程中估计在马达加斯加的疟疾发病率的性能。为这项任务设计的研究过程结合了PC算法与时空预白化和基于内核的独立性测试扩展到容纳聚合数据。这个案例研究揭示了一个明显的优势,因果特征选择的前向时间估计任务中的样本预测精度,但不是在时空插值任务,与阈值的尖峰和板相比,线性和非线性回归模型。与没有特征选择相比,因果特征选择在可用数据量相对于模型复杂性较低的设置中最有益。
2021-03-15 stat.AP
Nonparametric robust monitoring of time series panel data
在许多应用中,需要一个控制程序来检测一组串行相关过程中的潜在偏差。通常,过程被噪声破坏,并且没有关于受控数据的先验信息可用于该目的。本文提出了一种通用的非参数监控方案,用于监控具有时变均值和方差的面板。该方法是基于控制图设计的块自助,它不需要参数假设的数据分布。该程序是定制的,以应付强噪声,潜在的缺失值和缺乏控制系列,这是解决了智能开发的信息在面板中。我们的方法是通过支持向量机程序来完成的,以估计所遇到的偏差(如逐步移位或功能漂移)的大小和形式。这个计划,虽然在性质上是通用的,是能够处理一个重要的应用数据问题:控制偏差的一个子集的太阳黑子数观测的一部分,国际太阳黑子数,长期太阳活动的世界参考。
2020-10-22 stat.AP stat.ME
A causal interactions indicator between two time series using extreme variations in the first eigenvalue of lagged correlation matrices
Miralta Finance Bank S.A.(Miralta金融银行);University of Reading(雷丁大学);Indian Institute of Science Education and Research (IISER)(印度科学教育与研究所)
本文提出基于滞后相关矩阵最大特征值变异性的双时间序列因果交互识别方法,经实验验证其检测时序结构变化的效果优于Granger因果检验,可用于金融市场风险相关的因果推断。
2025-11-18 q-fin.PM stat.AP
An empirical process framework for covariate balance in causal inference
我们提出了一个新的角度来评估匹配过程,考虑到他们所属的功能类的复杂性。在这个视角下,我们通过有限样本浓度不等式提供了匹配后协变量平衡的理论保证。我们应用这个框架粗精确匹配以及匹配使用的倾向得分,并建议如何将其应用到其他算法。模拟研究被用来评估的程序。
2023-01-02 math.ST stat.TH
Sequential monitoring with conditional randomization tests
在临床试验中,通常采用序贯监测,以便在维持I型差错率的同时,提前停止和做出其他临时决定。然而,顺序监测通常仅在群体模型的上下文中描述。我们描述了一种计算方法来实现顺序监测的随机化为基础的上下文中。特别是,我们讨论了一种新的技术,用于计算近似的条件测试后,限制随机化程序,然后应用这种技术来近似的联合分布顺序计算的条件随机化测试。我们还描述了信息分数的基于随机化的模拟的计算。我们将这些技术应用于一个受限制的随机化过程,Efron的[Biometrika 58(1971)403- 417]偏硬币设计。这些技术需要推导出随机化过程的某些条件概率和条件协方差。我们采用组合数学的技术来推导这些有偏见的硬币设计。
2012-05-28 math.ST stat.TH
Sequential monitoring of response-adaptive randomized clinical trials
临床试验是复杂的,通常涉及多个目标,如控制I型差错率,增加检测治疗差异的能力,分配更多的患者接受更好的治疗等。在文献中,反应自适应随机化(RAR)程序(通过顺序地改变随机化程序)和顺序监测(通过顺序地改变分析程序)已被提出在一定程度上实现这些目标。在本文中,我们提出了顺序监测反应适应随机临床试验,并研究了它的性质。证明了新方法的序贯检验统计量按分布收敛于一个布朗运动。此外,我们证明了序贯检验统计量渐近满足Jennison和Turnbull(\citeyearJT 00)中定义的典型联合分布。因此,通过选择适当的边界,理论上可以实现I类误差和其他目标。这些结果为在实践中顺序监测反应适应性随机临床试验打开了一扇大门。我们还可以从模拟研究中观察到,所提出的程序在处理功效、总样本量和总失败数方面汇集了两种技术的优势,同时保留了第一类错误。此外,我们通过重新设计一个著名的母婴HIV传播的临床试验来说明所提出的程序的特点。
2010-10-19 math.ST stat.TH
A Potential Tale of Two by Two Tables from Completely Randomized Experiments
因果推理完全随机治疗对照研究的二元结果进行了讨论,从费舍尔,奈曼和贝叶斯的观点,使用潜在的结果框架。提供了Fisher精确检验基于随机化的依据。指出因果效应常数的关键假设往往是不现实的,并且只适用于极端情况,提出了一些新的渐近和贝叶斯推理程序。所提出的程序利用内在的非加性的单位级因果效应,可以应用于线性和非线性被估量,并主导现有的方法,理论上验证,也通过模拟研究。
2015-01-10 math.ST stat.TH
On causal extrapolation of sequences with applications to forecasting
本文提出了一种单边半无穷序列表示双边带限序列的迹的概念的外推方法;这一特征确保了这种外推的唯一性和使用这种外推进行预测的可能性。这导致更一般的序列没有这个功能的基础上最小化的观测路径和可预测的序列之间的均方误差的预测方法。这些过程涉及计算这个可预测的路径;该过程可以被解释为因果平滑。相应的平滑序列允许对未来时间进行独特的外推,可以将其解释为最佳预测。
2018-02-07 math.OC math.ST stat.TH
Monitoring Procedures to Detect Unit Roots and Stationarity
当分析时间序列时,一个重要的问题是确定时间序列是平稳的还是随机游动。放松这些概念,我们考虑的问题,以决定有利于I(0)-或I(1)-财产。固定样本的统计检验的问题,在文献中得到了很好的研究。在本文中,我们提供了第一个结果的问题,以监测顺序的时间序列。我们的停时是基于核加权方差比统计的顺序版本。本文建立了I(1)过程的渐近分布,I(1)过程是一类丰富的平稳过程,可能受局部非参数选择的影响。此外,我们考虑两个有趣的变点模型,其中的时间序列改变其行为后,一定比例的观察,并得出相关的限制法律。我们的蒙特卡罗研究表明,所提出的检测程序有很高的权力时,解释为一个假设检验,并决定往往可以很早。
2010-01-12 math.ST stat.AP stat.TH
Estimation of Causal Invertible VARMA Models
我们提出了一个重新参数化的向量自回归移动平均(VARMA)模型,允许估计的因果关系和可逆性的约束下的参数。与因果可逆VARMA模型相关联的参数约束是高度复杂的。目前还没有程序,可以保持在估计VARMA过程中的约束,除了在特殊情况下的向量自回归(VAR),其中一些时刻基于因果估计。即使在VAR的情况下,可用的基于似然的估计量也不是因果的。基于完全似然的极大似然估计不依赖于初始观测值,满足因果可逆约束,但在复杂约束下的似然优化是一个棘手的问题。VAR的常用贝叶斯过程通常具有因果集之外的后验质量,因为先验不受因果参数集的约束。我们为这个问题提供了一个精确的数学解。一个$m$ -变量$(p, q)$过程包含$(p+ q) m^2 + \binom{m+1}{2}$参数,这些参数必须被约束到欧几里得空间的一个子集,以保证因果性和可逆性.本文通过用正定矩阵和正交矩阵参数化整个块Toeplitz矩阵空间的方法,隐式地描述了这个空间.参数化与动力系统文献中经常使用的多项式的Schur稳定性和相关的Stein变换有关。作为我们研究的一个重要副产品,我们推广了动力系统中的一个经典结果,给出了Schur稳定矩阵多项式的一个刻画。
2014-06-18 math.ST stat.TH
Sequential change point tests based on U-statistics
我们提出了一个一般框架的序贯检验程序的基础上$U$ -统计,其中包含作为一个例子的序贯检验的基础上的差异,平均值,但也包括一个强大的序贯Wilcoxon变点过程。在这个框架内,我们考虑几个监测计划,考虑到不同的意见,在给定的时间点作出决定。与最初提出的计划,考虑到所有观察的监测期间,我们还考虑了修改后的移动和版本,以及一个页面监控计划的版本。后者对于早期的变化几乎同样好,而对于后期的变化则是有利的。对于所有建议的程序,我们提供的极限分布下的原假设,产生的阈值来控制渐近I型错误。此外,我们表明,所提出的测试有渐近功率1。在模拟研究中,我们通过其经验的大小,功率和检测延迟,这是进一步说明了通过温度数据集的顺序程序的性能进行比较。
2019-12-18 math.ST stat.TH
Context-Adaptive Thresholding for Conditionally Representative Monitoring and Classification
RWTH Aachen University(亚琛工业大学);Institute of Statistics and AI Center(统计与人工智能中心)
针对分类器条件分布缺乏代表性的问题,提出上下文自适应阈值化方法,通过调整阈值保持误报率并提升代表性,经非参数估计实现,在FICOS信用评分上媲美最先进方法。
2026-09-23 math.ST stat.ML stat.TH
The costs and benefits of uniformly valid causal inference with high-dimensional nuisance parameters
本文综述高维冗余参数下一致有效因果推断的研究,分析其双重稳健性等优势及方差膨胀的成本,提出的双重选择结果回归估计量兼具一致渐近无偏性与更低方差。
2021-05-05 math.ST stat.ME stat.TH
Generalized coarsened confounding for causal effects: a large-sample framework
本文提出广义粗化混杂框架,将混杂变量聚类后估计处理效应与方差,建立一般渐近理论、一致性条件及偏差校正方法,并应用于两项观察性研究。
2025-07-03 math.ST stat.AP stat.ME
Confounder selection via iterative graph expansion
University of Michigan(密歇根大学);University of Cambridge(剑桥大学)
本文提出一种无需预设因果图的混杂因子选择方法,通过迭代扩展因果图并寻找初级调整集来控制混杂,确保方法的正确性和完备性。
2025-09-02 math.ST stat.ME stat.TH
Dynamic Treatment Effects under Functional Longitudinal Studies
针对函数型纵向数据(FLD)结合动态治疗方案(DTRs)的因果推断空白,本文构建群体水平框架,定义潜在结果,推导关键公式并验证,为复杂纵向数据的因果分析提供方法。
2024-11-29 math.ST stat.ME stat.TH
Limited-Information Maximum Likelihood based Model Selection Procedures for Binary Outcomes
不可测协变量是因果推断中的重要问题之一。即使存在一些不可测量的协变量,一些工具变量方法,如两阶段残差包含(2SRI)估计,或有限信息极大似然(LIML)估计,可以获得因果效应的无偏估计,尽管存在非线性结果,如二元结果,但它要求我们不仅指定正确的结果模型,而且还指定正确的治疗模型。因此,检测正确的模型是一个重要的过程。在本文中,我们提出了两个模型选择过程:AIC型和BIC型,并确认其性质。建议的模型选择程序是基于LIML估计。我们证明了所提出的BIC型模型选择过程具有模型选择一致性,并通过仿真数据验证了所提出的模型选择过程的性质.
2021-12-29 math.ST stat.ME stat.OT
Causal Identification for Complex Functional Longitudinal Studies
针对现代医学实时监测中连续时间测量产生的函数纵向数据,本文基于粗化数据框架并结合随机过程与测度论,提出一种非参数因果识别框架,推广了经典公式并适用于受死亡和删失影响的时变结果,填补了现有方法空白。
2025-08-13 math.PR math.ST stat.ME
Discovering Causal Relationships using Proxy Variables under Unmeasured Confounding
School of Data Science, Fudan University(复旦大学数据科学学院);School of Computer Science, Peking University(北京大学计算机学院)
针对未测量混杂下的因果检验,本文提出仅用单个NCO的非参数核检验及结合NCE的可识别性恢复方案,并通过模拟与真实数据验证有效性。
2025-10-20 math.ST stat.ME stat.ML
Estimating Time-Varying Direct and Indirect Causal Excursion Effects with Longitudinal Binary Outcomes
构建及时的适应性干预措施,例如通过移动应用程序提供提示以促进和维持行为变化,需要了解随时间变化的调节效应,以告知我们何时以及如何提供干预选项。微随机试验(MRT)已成为一种顺序随机设计,以收集必要的数据进行效果估计。现有文献(Qian等人,2020; Boruvka等人,2018; Dempsey等人,2020)定义了一个一般类别的因果被估量,称为“因果偏移效应”,以评估随时间变化的调节效应。然而,在纵向二元结局的序贯治疗环境中,关于如何解决潜在的组间处理效应异质性和组内干扰的统计学文献有限。在本文中,基于集群概念化的潜在结果,我们定义了一个更大的类的直接和间接的因果偏移效应的近端和滞后的二元结果,并提出了一个新的推理过程,解决效果的异质性和干扰。我们提供了理论保证的一致性和渐近正态性的估计。大量的模拟研究证实了我们的理论经验,并表明所提出的程序提供了一致的点估计和区间估计的有效覆盖。最后,我们分析了多机构MRT研究的数据集,以评估移动提示对二进制研究参与结果的时变调节效应。
2022-12-02 math.ST stat.ME stat.TH
Sharp variance estimator and causal bootstrap in stratified randomized experiments
Tsinghua University(清华大学);North Carolina State University(北卡罗来纳州立大学);Duke University(杜克大学)
本文提出了一种精确方差估计和两种因果Bootstrap方法,用于更准确地近似分层随机实验中加权差异均值估计量的抽样分布,以解决小样本或结果偏斜时传统Neyman型方差估计器过于保守和正态近似失效的问题。
2025-05-17 math.ST stat.AP stat.ME
Bayesian Model Averaging in Causal Instrumental Variable Models
University of Warwick(华威大学)
gIVBMA通过贝叶斯模型平均方法在因果工具变量模型中实现工具变量的鲁棒选择和非高斯数据处理,提高了因果推断的灵活性和准确性。
2026-02-27 econ.EM math.ST stat.ME
Posterior Uncertainty for Targeted Parameters in Bayesian Bootstrap Procedures
McGill University(麦吉尔大学)
本文提出了一种广义的链接贝叶斯抽样方法,用于处理贝叶斯抽样中目标参数的后验不确定性,具有良好的频繁性质和可信区间覆盖性。
2026-02-02 math.ST stat.CO stat.ME
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下,匹配和加权方法被广泛用于估计因果量,包括对治疗者的平均处理效应(ATT)。不幸的是,这些方法不一定能实现其目标,即使对照组的协变量的多变量分布与治疗组的协变量分布相同,使两组之间的协变量的一些(潜在的多变量)函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时,对观察到的协变量的调节失败,ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求,特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中,这意味着一组基函数,其中该回归曲面是线性的。然后在对照单位上选择权重,使得处理组和对照组在这些基函数上具有相等的平均值。因此,在加权后,治疗组和对照组的非治疗潜在结局的预期也必须相等,允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外,所产生的权重是(1)精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重,以及(2)等同于一种形式的稳定化反向倾向得分加权,尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST stat.AP stat.ME