Smooth bootstrapping of copula functionals
研究了小样本情形下Copula泛函估计的光滑Bootstrap方法。它既可以用来测量估计量的分布,也可以用来增加数据。讨论了Copula域核密度和分布估计中的一些问题,如如何避开有界域、选择何种带宽矩阵以及如何进行平滑等。此外,我们研究如何顺利引导影响潜在的依赖结构或泛函的问题,并在哪些条件下,它不。我们提供了具体的例子和模拟,突出优势和警告的方法。
2022-03-25 stat.CO stat.ME
Double bootstrapping for visualising the distribution of descriptive statistics of functional data
我们提出了一个双重引导程序,以减少覆盖误差的置信区间的描述性统计独立和同分布的功能数据。通过一系列的蒙特卡罗模拟,我们比较了有限样本的性能的单和双自助程序估计的分布的描述性统计量的独立和同分布的功能数据。在较长的计算时间的成本,具有相同的引导方法的双引导减少了置信水平误差,并提供比单引导更好的覆盖精度。加拿大气象站数据集的说明,双引导程序提供了一个工具,可视化的功能数据的描述性统计分布。
2021-02-01 stat.AP stat.CO stat.ME
A Reproducing-Kernel-Based Nonparametric Test for Conditional Independence of Functional Data
针对函数型数据,提出基于联合条件协方差算子的核检验方法,推导渐近分布并构造检验统计量,应用于活动和生物特征数据集及宏观经济数据集。
2026-09-22 stat.ME
Hypotheses Testing from Complex Survey Data Using Bootstrap Weights: A Unified Approach
标准的统计方法,没有考虑到调查设计的复杂性,可能会导致错误的推论时,应用于调查数据,由于不平等的选择概率,聚类,和其他设计功能。特别是,使用标准方法进行假设检验的实际第一类错误率可能远大于标称显著性水平。在检验假设时考虑调查设计特征的方法已经被提出,包括Wald检验和涉及参数估计的估计协方差阵的准得分检验。本文通过构造加权似然比似然比统计量的Bootstrap近似,给出了一种不需要计算协方差阵的统一的假设检验方法,并建立了Bootstrap检验的渐近有效性.此外,我们还考虑了分类数据的假设检验,并提出了一个bootstrap过程来检验双向表中的简单拟合优度和独立性。在仿真研究中,与朴素似然比检验和拟得分检验相比,该方法的第一类错误率更接近其名义显著性水平。一个应用程序,从教育调查的数据下的逻辑斯谛回归模型。
2021-03-03 stat.ME
Linear Process Bootstrap Unit Root Test
Phillips-Perron检验是应用最广泛的单位根检验之一,它具有很高的幂次,但在移动平均噪声存在时,它会产生尺寸失真。作为一种补救措施,本文提出了一种非参数自助单位根检验,专门针对移动平均噪声。通过引导功能中心极限定理,这种bootstrapapapapapproach的一致性建立在一般假设下,允许一个大家庭的非线性时间序列。在模拟中,这种自举测试消除了Phillips-Perron测试的尺寸失真,同时保留了其高功率。
2016-10-20 stat.ME
Wild bootstrap for mean response inference in functional linear regression models
Kent State University(肯特州立大学);University of California, Berkeley(加州大学伯克利分校);Iowa State University(爱荷华州立大学)
针对函数线性回归中残差自助法无法处理异方差、配对自助法计算成本高的问题,提出野自助法,兼具计算快速和适用范围广的优点,并给出截断水平选择方法。
2026-06-16 math.ST stat.ME stat.TH
The nonparametric bootstrap for the current status model
证明了在当前状态模型中直接自举分布函数的非参数极大似然估计(MLE)会导致不一致的置信区间。然而,我们表明,自举的泛函的极大似然估计可以用来产生有效的间隔。为此,我们证明了自举极大似然估计在$L_p$ -距离中以正确的速率收敛。我们还讨论了应用这一结果的当前状态回归模型。
2017-09-20 stat.ME
On the failure of the bootstrap for Chatterjee's rank correlation
本文证明标准自助法在 Chatterjee 秩相关下失效,其属于渐近正态但自助法不一致的统计量,建议使用 Chatterjee 原始提案或 Lin and Han (2022) 的解析渐近方差估计量进行有效推断。
2023-04-05 econ.EM math.ST stat.TH
Bootstrapping Empirical Processes of Cluster Functionals with Application to Extremograms
在时间序列的极值分析中,不仅尾部行为是人们感兴趣的,而且序列相关性也起着至关重要的作用。Drees和Rootzén(2010)建立了一般经验过程的极限定理,这些经验过程被称为簇泛函,可以用来分析混合时间序列的极值行为的各个方面。然而,通常极限分布太复杂而不能直接构造置信区域。因此,我们建议一个乘数块自助模拟集群泛函的经验过程。结果表明,在与Drees和Rootzén(2010)所使用的几乎相同的条件下,有条件地对数据,自助过程收敛到相同的极限分布。这些一般结果被应用于构建Davis和Mikosch(2009)引入的经验极值的置信区域。在模拟研究中,我们的乘子块引导方法构造的置信区间与Davis等人提出的平稳引导方法相比毫不逊色。(2012年)。
2015-11-02 math.ST stat.ME stat.TH
Functional delta-method for the bootstrap of quasi-Hadamard differentiable functionals
函数δ方法提供了一个方便的工具,用于从相应的经验过程的渐近分布导出统计泛函的插入式估计量的渐近分布。此外,它提供了一个工具,从经验过程的自举一致性导出插件估计的自举一致性。最近的研究表明,采用拟Hadamard可微性的概念,可以大大地扩大渐近分布的泛函δ方法的应用范围。在这里,我们在一般情况下表明,这种扩大进行的自举。也就是说,对于拟阿达玛可微泛函,插入式估计量的自举一致性来自相应经验过程的自举一致性。这种扩大往往需要自举的经验过程在分布上的依分布收敛。一个非均匀的超范数后者并不成问题,这将通过实例加以说明。
2016-05-04 math.ST stat.TH
The independence process in conditional quantile location-scale models and an application to testing for monotonicity
本文研究了位置-尺度环境下的非参数分位数回归模型。研究了基于协变量和估计残差的经验独立过程的渐近性质。特别地,证明了它的渐近展开和弱收敛于高斯过程.研究结果一方面可用于检验区位-尺度模型的有效性;另一方面,它们允许在条件分位数位置-尺度模型中导出各种规格检验。详细研究了条件分位数曲线的单调性检验。对于位置-尺度模型的有效性检验以及单调性检验,建议采用Kolmogorov-Smirnov和Cramer-von Mises型检验统计量的光滑残差自助版本。我们给出严格的证明自助版本的弱收敛结果。在模拟研究中证明了测试的性能。
2016-09-25 math.ST stat.TH
Bootstrapping not under the null?
Delft Institute of Applied Mathematics (DIAM), Delft University of Technology(代尔夫特理工大学应用数学研究所);Department of Informatics and Telecommunications, National and Kapodistrian University of Athens(雅典国立卡波蒂斯坦大学信息学与电信系)
本文提出了一种通用的Bootstrap检验框架,用于在原假设下进行重采样,并展示了其在多种假设检验中的应用和优势。
2025-12-11 math.ST stat.ME stat.TH
Robust Change-Point Detection for Functional Time Series Based on $U$-Statistics and Dependent Wild Bootstrap
本文将 Wilcoxon 两样本检验推广至函数时间序列,提出利用完整函数信息且抗异常值的稳健变点检验,并通过 Hilbert 空间 $U$-统计量极限定理与相依野自助法确定渐近分布和临界值。
2023-06-04 math.ST stat.ME stat.TH
Distance covariance for random fields
研究了随机场$(X,Y)$的基于距离相关的独立性检验。我们考虑的情况下,当$(X,Y)$被观察到的晶格与等距网格大小和当$(X,Y)$被观察到在随机位置。我们在这两种情况下提供样本距离相关性的渐近理论,并显示自举一致性。后一个事实允许人们建立一个测试的独立性的$X$和$Y$的基础上考虑这些字段的离散化。我们说明了模拟研究涉及分数布朗和无穷方差稳定场的自举检验的性能。独立性检验适用于在日本整个地区观测的日本气象数据。
2022-05-04 math.ST stat.TH
Gaussian and bootstrap approximations for functional principal component regression
George Mason University(乔治梅森大学)
本文通过适当算子缩放建立函数主成分回归估计器的高斯和bootstrap近似,解决了传统认为无法直接进行统计推断的问题,并展示了其在检验斜率函数显著性方面的强大性能。
2026-07-27 math.ST stat.ME stat.TH
A bootstrap functional central limit theorem for time-varying linear processes
我们提供了一个功能中心极限定理的广泛的一类光滑函数可能非因果的多元线性过程的时变系数。由于极限过程依赖于未知量,我们提出了一个局部块引导过程,以规避这种不便,在实际应用中。特别是,我们证明了一个非常广泛的一类过程的自举有效性。数值例子说明了我们的结果。
2022-09-30 math.ST stat.TH
Trading off Accuracy for Speedup: Multiplier Bootstraps for Subgraph Counts
我们提出了一类新的乘数引导计数泛函,范围从一个快速的,近似的线性引导适合稀疏,大规模的图形二次引导程序,提供更小,更密集的图形精确。对于快速,近似的线性自举,我们表明,$\sqrt{n}$一致的推理的计数功能是可以实现的,在一定的计算制度,依赖于稀疏水平的图形。此外,即使在更具挑战性的制度,我们证明,我们的引导程序提供了有效的覆盖范围和消失的置信区间。对于二次引导,我们建立了一个埃奇沃思展开,并表明,这个过程提供了高阶精度在适当的稀疏条件下。我们补充我们的理论结果与模拟研究和实际数据分析,并验证我们的程序提供了国家的最先进的性能几个泛函。
2022-04-07 math.ST stat.ME stat.ML
Volterra bootstrap: Resampling higher-order statistics for strictly stationary univariate time series
我们关注的是时间序列泛函的非参数假设检验。众所周知,流行的自回归筛选自助法,在一般情况下,是无效的统计数据的(渐近)分布取决于阶数高于2的时刻,无论数据是否来自线性时间序列或非线性。受非线性系统理论的启发,我们通过引入基于Volterra级数表示的过程的高阶自举方案来规避这种非有效性。为了有效地估计这种表示的系数,我们依赖于再生核希尔伯特空间中的Volterra算子的替代公式。我们执行多项式核回归,它与输入维度呈线性关系,与非线性程度无关。我们说明了建议的Volterra表示为基础的自举程序在模拟研究中,我们认为严格平稳的线性和非线性过程的适用性。
2020-10-20 stat.ME
Testing independence of functional variables by an Hilbert-Schmidt independence criterion estimator
我们提出了Hilbert-Schmidt独立准则的估计量,该估计量是通过对通常估计量进行适当修改而获得的。在独立性假设和备择假设下,得到了该估计量的渐近正态性。一个新的测试的独立性的随机变量值到度量空间,然后介绍了一个模拟研究,允许比较建议的测试,以现有的一个提供
2022-06-23 math.ST stat.TH
A Bootstrap Hypothesis Test for High-Dimensional Mean Vectors
本文提出一类基于 $\ell_p$-统计量的自助法假设检验,无需强混合或高阶矩条件,并开发了修正及自归一化版本,通过偏差校正提升有限样本精度,数值实验验证了其有效性。
2023-09-03 math.ST stat.ME stat.TH
Kernel-based Tests for Joint Independence
我们调查的问题,测试是否$d$随机变量,这可能是或可能不是连续的,共同(或相互)独立。我们的方法建立在两个变量的希尔伯特-施密特独立准则(HSIC)的想法,但允许任意数量的变量。我们将$d$维联合分布和边缘值的乘积嵌入到再生核希尔伯特空间中,并定义$d$变量Hilbert-Schmidt独立准则(dHSIC)为嵌入之间的平方距离.在总体情况下,dHSIC的值为零当且仅当$d$变量联合独立,只要内核是特征的。基于dHSIC的经验估计,我们定义了三种不同的非参数假设检验:置换检验、自举检验和基于Gamma近似的检验。我们证明了置换检验达到了显着性水平,自助检验达到了逐点渐近显着性水平和逐点渐近一致性(即,它能够检测大样本限制中的任何类型的固定依赖性)。Gamma近似没有这些保证;但是,它的计算速度非常快,并且对于小$d$,它在实践中表现良好。最后,我们将测试应用于因果发现中的一个问题。
2016-11-04 math.ST stat.ML stat.TH
Bootstrap inference in functional linear regression models with scalar response under heteroscedasticity
针对异方差函数线性回归模型,提出去偏配对Bootstrap方法,建立中心极限定理,实现更有效的置信区间与假设检验。
2024-05-23 math.ST stat.TH
Inference for function-on-function regression: central limit theorem and residual bootstrap
Kent State University(肯特州立大学)
本文研究了函数-函数回归模型的渐近推断,通过基于函数主成分分析的估计器,改进了中心极限定理并引入残差自助法以提升置信区间校准,通过数值实验验证了其优越性。
2026-03-12 math.ST stat.ME stat.TH
A Ball Divergence Based Measure For Conditional Independence Testing
本文提出基于球散度的条件独立性度量及其一致估计量,并构造模型-X框架和局部野生自助两种检验方法,在有限样本和渐近意义下控制第一类错误并提升功效。
2024-07-31 math.ST stat.ME stat.TH
Hypothesis Testing for Functional Linear Models via Bootstrapping
本文提出一种基于函数型主成分分析和自助最大统计量的函数型线性模型斜率函数检验方法,通过将斜率检验转化为高维向量检验以规避不适定问题,并证明在纳入全部经验主成分时检验仍保持渐近有效性和一致性。
2024-04-01 math.ST stat.ME stat.TH
An independence test for functional variables based on kernel normalized cross-covariance operator
我们提出了一个独立性检验的随机变量值到度量空间使用的检验统计量通过适当的中心和重新标度的平方Hilbert-Schmidt范数的归一化互协方差算子的经验估计得到。在独立性假设下,得到了该统计量的渐近正态性,从而得到了一种新的函数型随机变量独立性的检验方法。提供了一个模拟研究,可以比较拟议的测试到现有的。
2022-11-10 math.ST stat.TH
Bootstrapping Max Statistics in High Dimensions: Near-Parametric Rates Under Weak Variance Decay and Application to Functional and Multinomial Data
近年来,bootstrap方法因其在高维问题中近似“最大统计量”定律的能力而引起人们的关注。这种统计量的主要示例是$\mathbb{R}^p$中的$n$随机向量的样本平均值的坐标方向最大值。该统计量的现有结果表明,自举可以工作时,$n\ll p$,和近似率(Kolmogorov距离)已获得只有对数依赖$p$。尽管如此,该设置的一个挑战性方面是,已建立的速率倾向于像$n^{-1/6}$一样作为$n$的函数进行缩放。本文的主要目的是证明,提高率是可能的,当额外的模型结构。具体来说,我们表明,如果坐标明智的观察方差表现出衰减,那么几乎$n^{-1/2}$率可以实现,独立于$p$。此外,这个无量纲速率的一个令人惊讶的方面是,它甚至在衰变非常弱的时候也成立。最后,我们提供的例子表明,这些想法可以应用到推理问题处理功能和多项式数据。
2019-07-20 math.ST stat.ME stat.TH
Functional Sieve Bootstrap for the Partial Sum Process with Application to Change-Point Detection
本文提出函数筛子自助法(FSB)估计部分和过程分布,并用于基于CUSUM统计量的函数时间序列均值变点检验,证明其渐近有效性和有限样本性能。
2025-04-28 math.ST stat.TH
Testing for a General Class of Functional Inequalities
本文提出了检验非参数函数不等式约束的一般方法。我们的框架在一个统一的框架中包括许多非参数检验问题,在拍卖模型,博弈论模型,工资不平等和显示偏好中有许多可能的应用。我们的测试涉及核型估计$(1\leq p <\infty )$的$L_{p}$泛函的单侧版本,并且通常易于实现,主要是由于其求助于自举方法。自举过程是基于非参数自举应用于基于核的检验统计量,估计“接触集。“我们提供了正则性条件,在该条件下,自助检验在一大类分布上一致渐近有效,包括检验统计量的极限分布退化的情况。我们的自举测试在Monte Carlo实验中表现出良好的功率特性,我们提供了一个一般形式的本地功率函数。作为一个例子,我们考虑测试拍卖理论的影响,为我们的测试提供了原始条件,并通过将我们的测试应用于真实数据来证明其有用性。我们在工资不平等的背景下用第二个经验说明来补充这个例子。
2015-06-17 math.ST stat.ME stat.TH
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
Kernel-based method for joint independence of functional variables
本文研究了$d$函数随机变量是否联合独立的问题,并利用$d$变量希尔伯特-施密特独立准则($d$ HSIC)的修正估计量,将HSIC推广到$d \geq 2$的情形。在联合独立假设和备择假设下,得到了该估计量的渐近正态性。仿真研究表明,所提出的测试有限样本的良好性能。
2022-08-14 math.ST stat.TH
Empirical Likelihood for Nonsmooth Functionals
Decision, Risk, and Operations Division, Columbia Business School(哥伦比亚商学院决策、风险与运营部)
本文提出一种改进的经验似然方法,用于处理非光滑函数,通过几何方法减少对光滑性假设的依赖,解决了传统方法在非光滑情况下的校准问题。
2026-03-29 cs.LG stat.ME
A Bootstrap Method for Spectral Statistics in High-Dimensional Elliptical Models
针对高维椭圆模型中谱统计推断bootstrap方法研究不足的问题,扩展原有IC模型的bootstrap方法以适配椭圆模型,理论上证明其可一致逼近线性谱统计量分布,实证显示对非线性谱统计量也表现良好。
2023-05-04 math.PR math.ST stat.ME
A Bootstrap Method for Goodness of Fit and Model Selection with a Single Observed Network
网络模型应用于许多领域,其中数据可以表示为一对参与者之间的交互系统。虽然统计和机械网络模型越来越能够捕捉这些参与者之间的各种依赖关系,但这些依赖关系意味着缺乏独立性。这对分析此类数据提出了统计挑战,特别是当只有一个观察到的网络时,并且通常会导致难以处理的可能性,而不管建模范式如何,这限制了现有网络统计方法的应用。我们探索了一个二次抽样引导程序,作为拟合优度和模型选择的基础上,一个单一的观察网络,规避了这种可能性的棘手性。我们的方法是基于从单个观察到的网络形成的灵活的restaurant分布,允许更精细和更高的维度比较比简单的点估计的数量的兴趣。我们包括工作的例子模型选择,模拟和评估的拟合优度,与复制发散模型适合酵母(酿酒酵母)蛋白质-蛋白质相互作用的数据从文献中。所提出的程序产生一个灵活的reserve分布,可以根据任何一个人的选择统计,可以采用无论选择的模型。
2018-06-28 stat.CO stat.ME
Sequential block bootstrap in a Hilbert space with application to change point analysis
研究了一种新的函数型数据结构变化检验方法。该方法以希尔伯特空间理论为基础,利用Bootstrap迭代法推导出临界值。因此,需要一个新的关于希尔伯特空间中块自助法的泛函中心极限定理.该测试也可用于检测随机向量的边缘分布的变化,并通过模拟研究进行补充。我们的方法适用于水文数据从德国。
2015-09-15 math.ST stat.TH
Testing exogeneity in the functional linear regression model
提出了一种新的检验统计量来检验函数线性回归模型的外生性。与有限维线性回归设置中的Hausman型检验相反,不可能直接扩展到函数线性回归模型。相反,我们提出了一个检验统计量的基础上的两个估计量的预测的平方差的总和,用于检验功能线性回归模型中的外生性的原假设。我们得到了零值下的渐近正态性和一般替代下的相合性。此外,我们证明了剩余的自举程序的自举一致性结果。在模拟中,我们研究了有限样本性能的测试方法,并说明了基于引导的方法的优越性。特别是,自助方法变得更加强大的正则化参数的选择。
2022-08-14 math.ST stat.TH
Bootstrap uniform central limit theorems for Harris recurrent Markov chains
本文的主要目的是建立一致有界函数类上Harris递归马尔可夫链的Bootstrap一致泛函中心极限定理。我们证明了该结果也可以推广到无界的情况。为了避免一些复杂的混合条件,我们利用众所周知的再生性质的马尔可夫链。证明了在原子情形下,Radulović(2004)提出的关于$L^{2}$空间中被函数支配的马尔可夫链的Bootstrap一致中心极限定理的证明可以被显著简化.最后,我们证明了在马尔可夫背景下Fréchet可微泛函的Bootstrap一致中心极限定理.
2016-01-07 math.ST stat.TH
Bootstrap confidence intervals: A comparative simulation study
本文通过蒙特卡洛模拟比较五种Bootstrap置信区间方法,发现Studentized方法覆盖率最佳,贝叶斯方法区间最短,所有方法在自相关场景下表现良好。
2024-04-19 stat.CO
Change-Point Detection and Bootstrap for Hilbert Space Valued Random Fields
研究了随机场中流行病变化存在性的检验问题。为了能够处理边缘分布的一般变化,引入了基于希尔伯特空间理论的Cramér-von Mises类型检验。证明了$ρ$ -混合希尔伯特空间值随机场的一个泛函中心极限定理.为了避免长期方差的估计和获得临界值,Shao的依赖野生自助法适用于这种情况。为此,联合功能中心极限定理的原始和自助样本。最后,通过一个简短的仿真研究补充了理论结果。
2016-10-20 math.ST stat.TH
On a Probability Inequality for Order Statistics with Applications to Bootstrap, Conformal Prediction, and more
University of Pennsylvania(宾夕法尼亚大学);Carnegie Mellon University(卡内基梅隆大学)
本文探讨了在非独立和非同分布条件下顺序统计量的概率不等式,并展示了其在自助法、符合预测等中的应用。
2026-04-16 math.ST stat.ME stat.TH
Conditional Independence Testing in Hilbert Spaces with Applications to Functional Data Analysis
针对函数型变量的条件独立性检验难题,本文提出基于残差内积的统计量,证明岭回归可在弱特征值条件下一致控制第一类错误,并用于函数型线性模型截断点推断和 EEG 图模型边检验。
2022-05-27 math.ST stat.ME stat.TH
Specification testing in nonparametric AR-ARCH models
本文考虑了具有条件异方差的自回归时间序列模型,其中条件均值和条件方差函数均为非参数模型。对创新与过去时间序列值无关的模型假设进行了检验。该测试基于经验特征函数的加权$L^2$距离。在独立性的原假设下得到了渐近分布,并证明了对固定方案的一致性。一个光滑的自回归残差自助程序的建议,其性能在模拟研究。
2016-10-11 math.ST stat.TH
Testing Conditional Mean Independence Using Generative Neural Networks
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Maryland, College Park(马里兰大学帕克分校);Washington University in St Louis(圣路易斯华盛顿大学)
本文提出一种基于深度生成式神经网络和自举法的条件均值独立性(CMI)检验方法,通过精心构造检验统计量克服非参数估计误差影响,在高维及多元响应场景中表现出色且保持非平凡势。
2025-01-28 cs.LG stat.ML
Nonparametric Bootstrap Inference for the Targeted Highly Adaptive LASSO Estimator
高度自适应LASSO目标最小损失估计(HAL-TMLE)是统计模型中的路径可微参数的有效插入式估计器,其最小(并且可能仅)假设真实滋扰功能参数(即,数据分布的相关部分)是有限的。它依赖于滋扰功能参数的初始估计(HAL-MLE),通过最小化经验风险的参数空间的约束下,候选函数的截面变化范数由一个常数,其中这个常数可以选择与交叉验证。在这篇文章中,我们建立了HAL-TMLE的非参数自举,固定在一个大于或等于交叉验证选择器的值的截面变异范数的值,提供了一个一致的方法来估计HAL-TMLE的正态极限分布。为了优化有限样本覆盖率的非参数引导置信区间,我们提出了一种选择方法,该方法是基于运行的非参数引导的所有值的截面变异范数大于交叉验证选择的一个,随后确定一个值,在该值处得到的置信区间的宽度达到一个平台。我们展示了我们的方法:1)平均治疗效果的非参数估计,基于对每个单位的协变量向量,二元治疗和结果的观察,以及2)数据分布的多变量密度平方积分的非参数估计。此外,我们还提出了模拟结果,这两个例子证明了优秀的有限样本覆盖率的基于引导的置信区间。
2020-02-07 math.ST stat.ME stat.TH
Randomized incomplete $U$-statistics in high dimensions
研究了高维$U$统计量均值向量的推断问题。在大数据时代,$U$ -统计量的维度$d$和观测的样本量$n$往往都很大,并且$U$ -统计量的计算要求过高。依赖于数据的推理过程,如$U$ -统计的经验引导,在计算上甚至更昂贵。为了克服这样的计算瓶颈,通过对$U$ -统计量的较少项进行采样而获得的不完全$U$ -统计量是有吸引力的替代方案。在本文中,我们引入了随机不完全$U$ -统计量与稀疏权重的计算成本可以独立的顺序的$U$ -统计量。我们推导出非渐近高斯近似误差界的随机不完全$U$ -统计在高维,即在维数$d$的情况下,可能远远大于样本量$n$,为非退化和退化的内核。此外,我们提出了通用的引导方法不完全$U$ -统计,计算要求远低于现有的引导方法,并建立有限样本有效性的建议引导方法。我们的方法说明了应用程序的高维随机向量的成对独立性的非参数检验在较弱的假设下比那些出现在文献中。
2019-01-27 math.PR math.ST stat.CO
The bootstrap in kernel regression for stationary ergodic data when both response and predictor are functions
考虑双泛函非参数回归模型$Y=r(X)+ε$,其中响应变量$Y$是希尔伯特空间值,协变量$X$取值于伪度量空间.数据满足遍历性标准,该标准可以追溯到Laib和Louani(2010),并以三角形阵列排列。因此,我们的模型也适用于从空间过程中获得的样本,例如,对于某些$N\in\mathbb{N}_+$,由规则格点$\mathbb{Z}^N$索引的平稳随机场。本文考虑了回归算子$r$的Nadaraya-Watson型核估计,并研究了它在希尔伯特空间上的极限律.此外,我们调查了一个天真的和野生的自举过程中的双功能设置,并证明其渐近有效性。这是非常有用的,因为基于渐近高斯分布构建置信集通常很困难。
2018-06-26 math.ST stat.TH
Bootstrap for dependent Hilbert space-valued random variables with application to von Mises statistics
函数型数据的统计方法在许多应用中都很有意义。本文证明了取值于希尔伯特空间的随机变量的一个中心极限定理。假设随机变量在近历元依赖意义下是弱依赖的,其中底层过程满足某些混合条件。由于无穷维空间中的参数推断是困难的,我们证明了非重叠块引导是一致的。此外,我们展示了如何这些结果可以用于退化冯Mises统计。
2014-07-15 math.PR math.ST stat.TH
Bootstrap Consistency for Empirical Likelihood in Density Ratio Models
School of Management, University of Science and Technology of China(中国科学技术大学管理学院);Department of Statistics, The University of British Columbia(不列颠哥伦比亚大学统计系)
本文证明了密度比模型下经验似然Bootstrap估计量的极限分布与总体一致,将逐点收敛推广至弱收敛,为分位数和支配指数的重采样推断奠定理论基础,并通过模拟验证其准确性。
2025-10-23 math.ST stat.TH
Testing for practically significant dependencies in high dimensions via bootstrapping maxima of U-statistics
本文研究高维向量分量独立性检验,将原假设设为所有两两关联绝对值不超过某阈值,针对可由U-统计量估计的依赖性度量,提出了渐近和自助法水平α检验,并证明其minimax最优性。
2024-02-12 math.PR math.ST stat.TH
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
Online Inference in Distributional Temporal-Difference Learning
Yau Mathematical Sciences Center, Tsinghua University(清华大学丘成桐数学科学中心);School of Statistics and Data Science, Shanghai University of Finance and Economics(上海财经大学统计与数据科学学院)
该研究针对固定策略下回报分布泛函的在线推断,通过非参数分布时序差分学习估计回报分布,证明了Polyak–Ruppert平均估计量的收敛性,为光滑泛函提供自举推断依据,并建立非光滑泛函的局部渐近理论以开展推断。
2026-10-19 cs.LG stat.ML
Consistency of the bootstrap for asymptotically linear estimators based on machine learning
本文针对机器学习估计冗余函数的非/半参数可微泛函估计场景,给出bootstrap一致性的一般条件,覆盖多种估计器与bootstrap类型,并通过数值研究验证其在标准方法失效时的渐近有效性。
2024-04-18 math.ST stat.TH
Bootstrap based uncertainty bands for prediction in functional kriging
对空间相关函数数据的兴趣日益增加,导致了适当的地质统计技术的发展,该技术允许使用考虑到外源变量(标量或函数)影响的函数克里金法和外部漂移模型来预测未监测位置的曲线。然而,功能空间预测的不确定性评估仍然是一个悬而未决的问题。我们提出了一个半参数引导空间相关的功能数据,允许评估预测曲线的不确定性,确保空间依赖结构保持在引导样本。所提出的方法的性能进行评估,通过模拟研究。此外,该方法被示出在一个众所周知的数据集加拿大的温度和PM $_{10}$浓度在皮埃蒙特地区,意大利的一个真实的数据集。基于结果,可以得出结论,该方法是计算上可行的,适用于量化预测曲线周围的不确定性。如有要求,可提供包括R代码在内的补充材料。
2017-06-22 stat.ME
Bias Correction of Long-memory Estimator of Functional Time Series via the Prefiltered Sieve Bootstrap
Macquarie University(麦考瑞大学)
该研究针对函数型时间序列长记忆参数估计的偏差问题,提出基于预筛选筛自助法的校正程序,采用LPWN估计量作为初始估计,经模拟验证其能有效降低偏差并可提供参数置信区间。
2026-07-31 stat.ME