Two-Step Estimation and Inference with Possibly Many Included Covariates
我们研究的影响,包括许多协变量在第一步估计进入两步估计程序。我们发现,一阶偏差出现时,\textit{included}协变量的数量是“大”相对于样本量的平方根,使标准的推理程序无效。我们表明,刀切是能够估计这一“许多协变量”的偏见一致,从而提供了一个新的自动偏差校正两步点估计。刀切法还一致地估计了原始两步点估计量的标准误差。对于推理,我们开发了一个有效的后偏差校正自助近似,占额外的变异性引入的折刀偏差校正。我们发现,刀切偏差校正点估计和自助后偏差校正推理表现出色的模拟,提供了重要的改进,传统的两步点估计和推理程序,这是不稳健的,包括许多协变量。我们将我们的研究结果应用于一系列不同的处理效应、政策评估和其他应用微观经济学环境。特别是,我们详细讨论了生产函数和边际处理效应估计。
2018-07-26 econ.EM math.ST stat.ME
Semiparametric estimation for space-time max-stable processes: F -madogram-based estimation approach
最大稳定过程已被扩展到量化极端的时空数据的依赖。由于时空之间的相互作用,时空数据往往是复杂的分析。因此,描述这些依赖关系是统计学领域的关键挑战之一。本文提出了一种基于时空F-madogram的半参数推断方法,用于在网格数据下估计时空最大稳定过程的参数。该方法的性能进行了研究,通过各种模拟研究。最后,我们应用我们的推理过程来量化的极端行为的雷达降雨数据在佛罗里达州的一个地区。
2019-05-20 math.PR stat.AP stat.ME
Estimation of the linear fractional stable motion
本文研究了线性分式稳定运动在高、低频情况下的参数推断。对称线性分数稳定运动是一个三参数族,它构成了标度分数布朗运动的自然非高斯模拟。它完全由尺度参数$σ>0$、自相似参数$H \in (0,1)$和驾驶稳定运动的稳定性指数$α\in (0,2)$表征。该模型的参数估计的启发平稳增量Lévy移动平均过程,最近已在\cite{BLP}研究的极限理论。更具体地说,我们结合(负)功率变化统计和经验特征函数,以获得相合估计$(σ, α, H)$。给出了大数定律和一些完全可行的弱极限定理。
2018-02-18 stat.ME
Parameter estimation in models generated by SDE's with symmetric alpha stable noise
本文考虑由Levy过程生成的统计模型中的向量参数估计。提出了一种改进的一步估计器,可用于改进任何其他估计器。提出了求解最优化问题的组合数值方法。开发了相应的软件,并进行了测试和比较。
2021-03-10 stat.AP stat.ME
CRPS M-estimation for max-stable models
最大稳定随机场为多元极值的相关性提供了规范模型。由于缺乏易处理的似然性,用这种模型进行推断一直是一个挑战。相比之下,有限维累积分布函数(CDF)往往是现成的和自然的工作。出于这一事实,在这项工作中,我们开发了一个M-估计框架的最大稳定模型的基础上连续排名概率得分(CRPS)的多元CDF。我们首先建立条件的一致性和渐近正态性的CRPS为基础的估计在一般情况下。然后,我们实现他们在最大稳定的设置,并提供易于计算的表达式,他们的渐近协方差阵。所得到的点和渐近置信区间估计示出了流行的模拟模型。他们享有准确的覆盖率,并提供了一种替代复合可能性为基础的方法。
2013-07-27 stat.ME
Where Bayes tweaks Gauss: Conditionally Gaussian priors for stable multi-dipole estimation
我们提出了一个非常简单但功能强大的推广先前描述的模型和算法估计多个偶极子从磁/脑电图数据。具体而言,推广包括在一组条件线性/高斯变量的标准差上引入对数均匀超先验。我们使用数值模拟和实验数据集表明,近似的后验分布保持非常稳定的超参数的值范围很广,几乎消除了对超参数的依赖。
2020-06-07 q-bio.QM stat.AP stat.ME
Estimation of Tempered Stable Lévy Models of Infinite Variation
提出了半参数回火稳定Lévy模型估计的一种新方法。估计过程结合迭代近似半参数矩估计方法,截断实现二次变差(TRQV),和一个新发现的小时间高阶近似的最佳阈值的TRQV的回火稳定过程。该方法是通过模拟测试估计的波动率和Blumenthal-Getoor指数的广义CGMY模型,以及集成的波动率的Heston型模型与CGMY跳跃。该方法优于文献中提出的其他有效的替代方案时,与Lévy过程(即,波动率是恒定的),或者当跳跃强度指数$Y$大于$3/2$时存在随机波动率。
2022-02-24 econ.EM q-fin.ST stat.ME
Parameter Estimation for Partially Observed Stable Continuous-State Branching Processes
Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, UNAM(墨西哥国立自治大学应用数学和系统研究所);Concordia University(康科迪亚大学)
本文提出利用子领主表示方法,为连续状态分支过程提供参数估计新框架,并提出动态模拟方法生成离散时间轨迹。
2025-12-15 stat.ME
Two-step estimation of latent trait models
本文提出将两步估计法应用于潜特质模型,先估计测量模型再固定参数估计结构模型,并通过模拟与应用实例证明其优于一步法和三步法,具有良好实用性与概念优势。
2025-08-25 stat.ME
A non-convex regularization approach for stable estimation of loss development factors
本文利用非凸正则化方法得到了保险赔款准备金中损失发展因子的稳定估计。在非凸正则化方法中,我们重点讨论了对数调整绝对偏差(LAAD)惩罚的使用,并讨论了LAAD惩罚回归模型的优化,我们证明了在温和的条件下,用坐标下降算法收敛。这样做的好处是,可以获得回归系数的相合估计量,同时又可以选择变量,这与损失发展系数的稳定估计有关。我们校准我们提出的模型使用多线保险数据集从财产和意外伤害保险公司,我们观察到报告的总损失沿事故年份和发展时期。与其他回归模型相比,我们的LAAD惩罚回归模型提供了非常有前途的结果。
2020-12-07 stat.AP stat.ME
Flexible Two-point Selection Approach for Characteristic Function-based Parameter Estimation of Stable Laws
稳定分布是一种很好地描述各个科学领域中的胖尾行为和标度现象的有吸引力的模型之一。矩量法的基础上的方法产生一个简单的程序,估计稳定的法律参数的要求,使用矩点的特征函数,但点的选择只是很差的解释,并没有详细说明。本文提出了一种新的基于特征函数的矩量法,通过引入合理点的选取技术,使矩量法具有更好的实用性。我们的方法优于其他国家的最先进的方法,表现出封闭形式的表达的所有四个参数的稳定的法律。最后,通过几个金融资产的数据说明了该方法的适用性。数值结果表明,我们的方法是有利的经验数据建模时,稳定分布。
2020-05-23 stat.ME
Three-step estimation of latent Markov models with covariates
本文提出了一种改进的带协变量的隐类模型的三步估计方法,可用于估计纵向数据的隐马尔可夫模型。我们提出的三步估计方法是基于一个初步的聚类的样本单位的基础上的特定时间的反应。这种方法是一个有用的估计工具,当大量的响应变量在每个时间场合观察。在这种情况下,通常基于期望最大化算法的完全极大似然估计可能具有一些缺点,这主要是由于模型似然的许多局部最大值的存在。此外,期望最大化算法可能特别慢地收敛,并且对于复杂的LM模型可能变得不稳定。当响应变量的个数趋于无穷大时,我们证明了所提出的三步估计的相合性。我们还显示了仿真研究的结果,旨在评估所提出的替代方法的性能方面的全似然法。最后,我们说明了一个应用程序,一个真正的数据集上的健康状况的老年人在意大利养老院。
2014-02-05 stat.ME
Stable Probability Weighting: Large-Sample and Finite-Sample Estimation and Inference Methods for Heterogeneous Causal Effects of Multivalued Treatments Under Limited Overlap
在本文中,我试图驯服“巴苏的大象”(极端选择的观察数据)。我提出了新的实用的大样本和有限样本的方法来估计和推断异质因果效应(unconfoundedness下)的经验相关的背景下,有限的重叠。我开发了一个通用的原则,称为“稳定概率加权”(SPW),可以作为替代广泛使用的逆概率加权(IPW)技术,它依赖于强重叠。我表明,IPW(或其增强版本),有效时,是一个特殊的情况下,更一般的SPW(或其双重强大的版本),它调整治疗状态的条件概率的极值。SPW原理可以使用几种现有的条件矩模型的大样本参数、半参数和非参数程序来实现。此外,我提供了新的有限样本的结果,适用于当unconfoundedness是合理的细地层。由于IPW估计依赖于估计的倾向得分的有问题的倒数,我开发了一个“样本稳定概率加权”(FPW)的集合估计,在某种意义上是无偏的。我还提出了新的有限样本推断方法来检验一般类弱零假设。相关的计算方便的方法,可以用来构建有效的置信集和有限样本的置信分布,是独立的利益。我的大样本和有限样本框架扩展到多值处理的设置。
2023-01-19 econ.EM math.ST stat.AP
Sampling Requirements for Stable Autoregressive Estimation
研究了具有亚高斯新息的线性单变量自回归模型的参数估计问题。假设参数是可压缩的,我们分析的性能的$\ell_1$正则化最小二乘以及贪婪估计的参数和特征的采样权衡所需的稳定恢复在非渐近制度。特别是,我们表明,对于一个固定的稀疏水平,稳定的AR参数恢复时,样本的数量与AR阶次线性缩放是可能的。我们的研究结果改善了现有的采样复杂性的要求,AR估计使用LASSO,当稀疏水平的规模快于模型阶的平方根。我们进一步推导出稀疏水平上的充分条件,保证极小极大最优的$\ell_1$ -正则化最小二乘估计。将这些技术应用于模拟数据以及来自原油价格和交通速度数据的真实数据集,证实了我们在估计精度和模型选择方面的预测理论性能增益。
2017-01-17 cs.DM cs.IT math.IT
Two-step estimation of a multivariate Lévy process
基于描述多元Lévy过程相依结构的Lévycopula的概念,提出了一种新的估计方法.我们考虑一个参数模型的边际Lévy过程以及Lévy copula和估计参数的两个步骤的过程。我们首先估计边际过程的参数,然后在第二步中只估计依赖结构参数。对于无限的Lévy测度,我们截断小的跳跃,并将我们的统计分析建立在模型的大跳跃上。突出的例子将是一个二元稳定的\lp,它允许分析计算,因此,不同的方法进行比较。我们证明了渐近正态性的参数估计的两步程序,特别是,我们得到的Godambe信息矩阵,其逆是正常的极限法的协方差阵。仿真研究调查的效率损失,因为两步程序和截断。
2013-06-07 stat.ME
Stable Estimation of a Covariance Matrix Guided by Nuclear Norm Penalties
Rice University(莱斯大学);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出一种稳定估计协方差矩阵的方法,通过核范数惩罚引导经典样本协方差估计器,证明其一致性和渐近有效性,适用于判别分析和EM聚类等场景。
2013-11-22 cs.NA math.NA stat.ME
Tail Estimation via Sample Splitting: A Two-Sample Framework for Stable-like Distributions
Texas Christian University(德克萨斯基督教大学);University of Johannesburg(约翰内斯堡大学);Southern Methodist University(南方卫理公会大学)
本文提出一种基于样本分裂的半参数方法,利用稳定分布的两和闭包性质估计尾部指数,通过加权最小二乘和自助法实现高效计算,在重尾场景下兼具准确性与计算优势。
2026-09-09 stat.ME
Testing and estimation of the index of stability of univariate and bivariate symmetric $α-$stable distributions via modified Greenwood statistic
Wroclaw University of Science and Technology(弗罗茨瓦夫科技大学);University of Wrocław(弗罗茨瓦夫大学);University of Nevada, Reno(内华达大学雷诺分校)
本文提出了一种用于单变量和双变量对称α-稳定分布的检验与估计方法,扩展了修改后的Greenwood统计量至双变量情形,并通过模拟研究证明其在区分高斯分布与接近2的α-稳定分布方面的有效性。
2026-04-17 math.PR stat.ME
Application of one-step method to parameter estimation in ODE models
本文研究Le Cam一步法在常微分方程模型参数估计中的应用。这种计算简单的技术可以作为一种替代流行的非线性最小二乘估计,这通常需要使用一个多步迭代算法和重复数值积分的ODE系统的数值评估。一步法从一个初步的$\sqrt{n}$相合估计量的参数的兴趣,然后把它变成一个渐进的(作为样本量$n\rightarrow\infty$)等效的最小二乘估计,通过一个数值上简单的程序。我们通过大量的模拟和真实数据的例子证明了一步估计的性能。该方法使研究人员能够获得点估计和区间估计。初步的$\sqrt{n}$ -相合估计量,我们使用依赖于非参数平滑,我们提供了一个数据驱动的方法来选择其调整参数,并支持它的理论。指出了一种易于实现的实用一步法方案。
2017-11-25 stat.ME
Stable Causal Estimation with Optimal Transport
Department of Statistics, University of Michigan(密歇根大学统计系)
针对观察性研究中重叠不足导致的估计量不稳定问题,提出基于最优传输的稳定传输估计量STE,其无需密度估计或倾向得分建模,在合成与真实数据集上表现出更优性能。
2026-10-16 stat.ME
Estimation for Unit Root Testing
我们重新评估和计算的迪基富勒(DF)和DF型测试。首先,我们表明,通常的一步的方法,基于“DF自回归”,很可能会受到误指定。其次,我们澄清了一个被忽视的两步估计的DF测试的方法。(In事实上,我们引入了一个新的两步DF自回归。这种方法总是正确地指定和有效的情况下。然而,在单位根检验的文献中,它不是被忽视就是被误用。通常采用的混合(正确的)两步法是低效的,甚至渐近。最后,我们进一步改进/robustify所提出的两步方法,通过使用丢失的初始观测。我们最后提出的方法是用于单位根测试,因为它是一个新的DF自回归,保留了丢失的观察。
2013-10-18 stat.CO stat.ME
Parameter Estimation in Hidden Markov Models with Intractable Likelihoods Using Sequential Monte Carlo
我们提出序贯蒙特卡罗算法的静态参数的极大似然估计的隐马尔可夫模型的一个棘手的可能性使用的想法,从近似贝叶斯计算。静态参数估计算法是基于梯度的,并且覆盖离线和在线估计。我们证明了他们的表现,估计参数的三个棘手的模型,即α-稳定分布,g-和-k分布,和随机波动率模型与α-稳定的回报,使用真实和合成数据。
2013-11-17 stat.CO stat.ME
A stable method for direct estimation of single-index terms in GAMs with an application to bike-sharing demand
Universidade de São Paulo(圣保罗大学)
本文提出了一种稳定直接估计GPLSIAMs的方法,通过使用模型矩阵和惩罚完全鱼尔信息矩阵动态更新单指数协变量的边界,在统一的迭代框架中实现快速计算有效自由度和点wise置信区间。
2026-10-14 stat.CO stat.ME
A nonlinear population Monte Carlo scheme for the Bayesian estimation of parameters of $α$-stable distributions
$α$ -稳定分布类在信号处理、金融、生物等领域有着广泛的实际应用,因为它可以描述有趣而复杂的数据模式,如不对称或重尾,而不是简单而广泛使用的高斯分布。一般的$α$ -稳定分布的密度不能以封闭形式得到,这妨碍了估计其参数的过程。一个非线性人口蒙特卡罗(NPMC)计划,以近似的后验概率分布的参数的$α$稳定的随机变量给定一组随机实现后者。近似的后验分布是通过迭代算法计算的,它由参数空间中的样本集合和相关的非线性变换的重要性权重组成。现有的主要方法估计的$α$稳定参数的数值比较,包括传统的频率论技术以及马尔可夫链蒙特卡罗(MCMC)和似然无贝叶斯方法。通过计算机模拟表明,NPMC方法优于现有技术的参数估计误差和故障率的$α$的值的整个范围内,包括较小的值,大多数现有的方法无法正常工作。此外,它表明,准确的参数估计往往可以计算的基础上,少量的观察。此外,数值计算结果的基础上,一组真正的鱼位移数据提供。
2015-10-09 stat.ME
Large-scale estimation of random graph models with local dependence
一类随机图模型被认为是,指数族模型和潜在结构模型的功能相结合,保留他们的优点,同时减少他们每个人的弱点的目标。一个开放的问题是如何从大型网络中估计这样的模型。提出了一种新的大规模估计方法,利用这种模型的局部结构进行局部计算。其主要思想是,具有局部依赖的随机图可以分解成子图,这使得并行计算的子图,并提出了一个两步估计方法。第一步估计随机图的局部结构。第二步估计参数给定随机图的估计的局部结构。这两个步骤可以并行实施,这使得大规模的估计成为可能。两步估计方法的优点通过多达10,000个节点的模拟研究和具有10,000多个产品的大型亚马逊产品推荐网络的应用程序来证明。
2020-03-11 stat.CO stat.ME
Estimation of sparse linear dynamic networks using the stable spline horseshoe prior
动态网络的辨识是近年来控制领域中最具挑战性的问题之一。这样的系统由大规模互连系统组成,也称为模块。为了恢复完整的网络动态,两个关键步骤是拓扑检测,其中必须从数据中推断哪些连接是活动的,以及模块估计。由于一小部分连接在许多真实系统中是有效的,该问题也发现了与组稀疏估计的基本连接。特别地,在线性设置中,模块对应于期望具有零范数但在小部分样本中的未知脉冲响应。本文提出了一种新的线性动态网络辨识的贝叶斯方法,其中脉冲响应通过两个特定的先验分布的组合来描述。第一个是一个块版本的马蹄事先,具有重要的全球局部收缩功能的模型。第二个是稳定样条先验,它对模块的平滑指数衰减信息进行编码。由此产生的模型被称为稳定样条马蹄(SSH)先验。它实现了小脉冲响应的积极收缩,而较大的脉冲响应则方便地进行稳定的样条正则化。推理是由一个马尔可夫链蒙特卡罗计划,定制的动态上下文,并能够有效地返回采样形式的模块的后验。我们包括数值研究表明,新的方法可以准确地重建稀疏网络动态时,成千上万的未知脉冲响应系数必须从相对较小的数据集推断。
2021-07-23 cs.SY eess.SY stat.ME
Numerically stable online estimation of variance in particle filters
本文讨论序贯蒙特卡罗方法中的方差估计,也称为粒子滤波器。我们提出的方差估计量是H. P. Chan和T. L. Lai [隐马尔可夫模型中粒子滤波器的一般理论及其应用。安。统计员,41(6):2877-2904,2013],其允许通过追踪粒子的谱系历史在粒子滤波器的单次运行中估计方差。然而,由于粒子谱系退化,所提到的工作的估计变得数值上不稳定的顺序粒子更新的数量增加。因此,通过只追踪粒子谱系的一部分而不是全部,我们的估计器以偏差为代价获得了长期的数值稳定性。家谱跟踪的范围是由一个滞后调节,并在温和的,容易检查的模型假设,我们证明了偏差趋于零几何快速滞后增加。正如我们的数值结果所证实的那样,这使得对于中等颗粒样本量也可以严格控制偏差。
2017-01-04 stat.ME
Estimating POT Second-order Parameter for Bias Correction
稳定的尾部依赖函数提供了极值依赖结构的完整表征。然而,稳定的尾部相关函数的估计往往会受到严重的偏差,其规模与峰值超过阈值(POT)的二阶参数。对于这个二阶参数,本文引入了一个惩罚估计,阻止它太接近零。本文建立了该估计量的渐近相合性,用它来修正稳定尾相依函数估计中的偏差,并说明了它在极值相依结构估计中的经验性质。
2022-12-16 stat.ME
Bayesian Cointegrated Vector Autoregression models incorporating Alpha-stable noise for inter-day price movements via Approximate Bayesian Computation
我们考虑一个统计模型对交易资产,基于协整向量自回归(CVAR)模型。我们扩展了标准的CVAR模型,将模型参数的估计存在的价格序列水平的变化,这是不准确的标准高斯误差修正模型(ECM)的框架建模。这涉及到开发一种新的矩阵变量贝叶斯CVAR混合模型,包括高斯误差日内和阿尔法稳定误差日间的ECM框架。为了实现这一目标,我们推导出一种新的共轭后验模型的比例混合的常态(SMiN CVAR)表示阿尔法稳定的日间创新。这些结果被推广到非对称模型的创新噪声在日间边界允许倾斜的阿尔法稳定模型。我们提出的模型和抽样方法是一般的,将目前的文献高斯模型作为一个特殊的子类,也允许价格序列水平的变化,无论是在随机估计的时间点或已知的先验时间点。我们专注于分析经常观察到的非高斯水平变化,这些变化可能对统计模型的估计性能产生重大影响,这些模型无法解释这种水平变化,例如在市场收盘和开盘时。我们比较我们的模型和估计方法的估计精度标准频率和贝叶斯程序的CVAR模型时,非高斯价格序列水平的变化存在于个别系列,如日间边界。我们适合一个双变量阿尔法稳定模型的日间跳跃和模型的影响,这样的跳跃估计的矩阵变量CVAR模型参数,使用基于Johansen程序和贝叶斯估计的可能性。我们说明了我们的模型和相应的估计程序,我们开发的合成和实际数据。
2010-08-01 q-fin.CP q-fin.ST stat.AP
Bootstrap-Based Regularization for Low-Rank Matrix Estimation
Agrocampus Ouest(西部农业学院);INRIA Saclay(法国国家信息与自动化研究所萨克莱分部);Université Paris-Sud(巴黎南大学);Stanford University(斯坦福大学)
我们开发了一个灵活的低秩矩阵估计框架,使我们能够通过一个简单的自举算法将噪声模型转换为正则化方案。有效地,我们的程序寻求一个自动编码的基础上观察到的矩阵是稳定的,相对于指定的噪声模型,我们称之为一个稳定的自动编码器的过程。在最简单的情况下,与各向同性噪声模型,我们的方法是等价的经典奇异值收缩估计。对于非各向同性噪声模型,例如,泊松噪声,该方法不减少奇异值收缩,而是产生新的估计,在实验中表现良好。此外,通过迭代我们的稳定自动编码方案,我们可以自动生成低秩估计,而无需指定目标秩作为调优参数。
2016-06-28 cs.LG stat.ME stat.ML
StepMix: A Python Package for Pseudo-Likelihood Estimation of Generalized Mixture Models with External Variables
Université de Montréal(蒙特利尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);Massachusetts Institute of Technology(麻省理工学院);Leiden University(莱顿大学);Institut universitaire en santé mentale de Montréal(蒙特利尔大学精神卫生大学研究所)
本文介绍开源 Python 包 StepMix,它在统一 EM 框架下实现带协变量与远端结局的广义混合模型的一步、两步及偏差校正三步伪似然估计,并兼容 scikit-learn 与 R。
2024-06-17 cs.LG stat.ME stat.ML