Adaptive Confidence Sets for Nonparametric Density Estimation under Local Differential Privacy
Columbia University（哥伦比亚大学）；University of Toronto（多伦多大学）
该研究针对局部差分隐私下的非参数密度估计，推导了自适应诚实置信集实现光滑速率自适应的阈值条件，构造了符合要求的私有置信集，明确了不同正则性参数下的自适应可行性。
2026-10-14 math.ST stat.TH
On Uniform Confidence Intervals for the Tail Index and the Extreme Quantile
本文给出了尾指数和极值分位数的一致置信区间的两个结果。首先，我们证明了不可能在局部非参数尾部分布族上构造一个长度最优的置信区间来满足正确的均匀覆盖。其次，根据不可能的结果，我们构造诚实的置信区间是一致有效的，通过将最坏情况下的偏差在局部非参数族。该方法适用于模拟数据和国家卫生统计中心的国家人口动态统计的真实数据集。
2022-10-23 math.ST stat.TH
Adaptive confidence intervals for the tail coefficient in a wide second order class of Pareto models
研究了在二阶Pareto模型中，当二阶系数未知时，尾部系数的诚实自适应置信区间的构造问题.将该问题转化为二阶参数的检验问题。通过构造一个合适的模型和相应的检验统计量，我们为一阶参数提供了一个统一的、自适应的置信区间。我们还提供了一个几乎匹配的下界，证明了结果是minimax最优的对数因子。
2014-09-17 math.ST stat.TH
Adaptive nonparametric confidence sets
我们构造了各种统计模型中希尔伯特空间值参数的诚实置信区域。置信集可以以任意自适应估计为中心，并且具有最佳适应于给定模型选择的直径。后一种调整必然在范围上受到限制。我们回顾了自适应置信区域的概念，并将自适应置信区域的直径的最佳比率与极小极大比率联系起来，用于测试和估计。应用包括有限正态均值模型、白噪声模型、密度估计和随机设计回归。
2006-05-17 math.ST stat.TH
Safe and Sharp Honest Inference for Nonparametric Estimation via Empirical Bernstein Calibration
University of Hamburg（汉堡大学）；Kiel University（基尔大学）；Ruhr University Bochum（波鸿鲁尔大学）
本文提出经验伯恩斯坦置信区间（EBCI），通过用经验伯恩斯坦尾部控制替代标准正态临界值校准，在原始估计尺度上控制随机变异性，从而避免归一化偏差放大，实现覆盖精度和区间长度的最优权衡。
2026-06-17 math.ST stat.TH
Confidence bands in density estimation
给定一个未知连续密度$f:\mathbb{R}\to\mathbb{R}$的样本，我们构造自适应置信带，该置信带对$t$ -Hölder球联合的“通用”子集$0<t\le r$中的所有密度都是诚实的，其中$r$是一个固定但任意的整数。我们的结果不成立的例外（“非一般”）密度集在相关的Hölder范数拓扑中是无处稠密的。在证明过程中，我们还得到了线性小波和核密度估计的极大值的极限定理，这是独立的兴趣。
2010-02-25 math.ST stat.TH
The Well-Tempered Likelihood: Honest Confidence Intervals for Misspecified Models
Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（史丹福直线加速器中心）；Massachusetts Institute of Technology（麻省理工学院）；Institut des Hautes Études Scientifiques（高等科学研究所）；CEA Paris-Saclay（巴黎萨克雷原子能委员会）
研究针对粒子物理等领域模型错误设定时标准置信区间失效的问题，提出适度似然性方法，通过除以拟合优度统计量，使置信区间自我限制，给出分箱和不分箱公式并经实例验证。
2026-07-24 hep-ex hep-ph physics.data-an
Honest calibration assessment for binary outcome predictions
二进制回归或机器学习方法的概率预测应该被校准：如果预测事件发生的概率为$x$，则它应该以近似的频率实现，这意味着所谓的校准曲线$p(\cdot)$应该等于单位区间内所有$x$的恒等式$p(x) = x$。我们提出了诚实的校准评估的基础上，新的置信带的校准曲线，这是有效的，只受自然假设的等渗性。除了测试完美校准的经典拟合优度原假设外，我们的波段还有助于反演拟合优度测试，其拒绝允许一个足够好的指定模型的结论。我们表明，我们的波段有一个有限的样本覆盖率的保证，比现有的方法窄，并适应本地平滑的校准曲线$p$和本地方差的二进制观测。在一个应用模型预测的婴儿具有低出生体重，边界提供了翔实的见解模型校准。
2022-11-02 econ.EM math.ST stat.ME
Honest Confidence Bands for Isotonic Quantile Curves
我们提供了保序分位数曲线的非参数单变量回归与保证给定的覆盖概率的置信带。该方法是Duembgen和Johns（2004）等渗中值曲线置信带的改编。
2022-07-05 math.ST stat.ME stat.TH
Kernel Meets Sieve: Post-Regularization Confidence Bands for Sparse Additive Model
我们开发了一种新的程序，用于构建稀疏添加剂模型的组件的置信带。我们的程序是基于一个新的核-筛混合估计，结合了两个最流行的非参数估计方法在文献中，核回归和样条方法，是在自己的权利感兴趣。现有的稀疏可加模型拟合方法主要基于筛法估计，而非参数模型置信带的研究主要基于核估计或局部多项式估计。我们的核-筛混合估计结合了两个世界中最好的，使我们能够提供一个简单的过程，在高维稀疏加性模型中构建置信带。通过研究高斯过程的逼近，证明了置信带是渐近诚实的。在合成数据和真实世界的神经科学数据上提供了彻底的数值结果来证明该理论的有效性。
2018-02-12 math.ST stat.ML stat.TH
Asymptotically Honest Confidence Regions for High Dimensional Parameters by the Desparsified Conservative Lasso
在本文中，我们考虑保守的Lasso，我们认为它比Lasso更正确地惩罚，并展示了如何在van de Geer et al.（2014）的意义上对其进行去分解，以构建渐近诚实（均匀）的置信带。特别是，我们开发了一个预言不等式的保守Lasso只假设存在一定数量的时刻。这是通过Marcinkiewicz-Zygmund不等式完成的。我们允许异方差非亚高斯误差项和协变量。接下来，我们解parsify保守的Lasso估计，并推导出渐近分布的测试，涉及越来越多的参数。我们的模拟结果表明，去parsised保守的Lasso估计的参数比去parsised Lasso更精确，具有更好的大小属性，并产生具有优越的覆盖率的置信带。
2017-11-12 math.ST stat.TH
On Adaptive Confidence Sets for the Wasserstein Distances
在密度估计模型中，我们探讨了自适应诚实的信心，Wasserstein距离$W_p$，$p\geq1$，并与未知的规则性测量的Besov尺度密度测量半径集的构建问题。作为采样域，我们专注于$d-$维环面$\mathbb{T}^d$，在这种情况下$1\leq p\leq 2$，和$\mathbb{R}^d$，其中$p=1$。我们确定的必要条件和充分条件存在的自适应置信集的直径的顺序的规则依赖的$W_p$-极大极小估计率。有趣的是，似乎这种适应的直径的可能性取决于底层空间的尺寸。在低维情况下，$d\leq 4$可以适应任何规律。在更高的维度中，当且仅当底层的前缀属于宽度至少为$d/(d-4)$的某个区间时，自适应才是可能的。这与通常的$L_p-$理论形成对比，在通常的理论中，与维度无关，自适应要求λ位于小的固定宽度窗口中。对于允许这些自适应集存在的配置，我们明确地通过风险估计的方法构建置信区域，以自适应估计为中心。这些是Wasserstein距离自适应不确定性量化的统计方法中的第一个结果。我们的分析和方法更广泛地扩展到弱损失，如Sobolev范数距离与负光滑指数。
2021-11-17 math.ST stat.TH
Adaptive confidence sets for matrix completion
本文研究了矩阵完备化的诚实置信集和自适应置信集的存在性问题。我们考虑两种统计模型：迹回归模型和伯努利模型。在迹回归模型中，我们证明了即使在误差方差未知的情况下，也存在适应矩阵秩未知的诚实置信集。与此相反，我们证明了在伯努利模型中，诚实和自适应的信心集存在时，误差方差是已知的先验。在我们的证明过程中，我们得到了一些复合假设测试问题中出现的低秩推理的极大极小率的界。
2017-02-06 math.ST stat.TH
Honest Bayesian confidence sets for the L2-norm
我们研究了构建贝叶斯可信集的问题，这些可信集是诚实的，并且对于在[D; 2D]之间具有规律性的Sobolev类的尺度上的L2损失是自适应的，对于一些给定的D，在白噪声信号模型的上下文中。我们考虑一个由正则性超参数表示的先验分布尺度，分别用边际似然经验贝叶斯和分层贝叶斯方法选择超参数。接下来，我们考虑一个球中心周围的相应的后验均值与规定的后验概率。我们通过理论和实例表明，经验贝叶斯和分层贝叶斯可信集都为某些行为奇怪的事实提供了误导性的、过度自信的不确定性量化。在此基础上，我们构造了一种新的基于风险估计的经验贝叶斯方法，该方法给出了正确的不确定性量化和最优规模。
2014-04-23 math.ST stat.TH
Honest confidence regions and optimality in high-dimensional precision matrix estimation
我们提出了稀疏精度矩阵的估计方法和统计推断，其低维参数在高维设置的参数$p$的数量可以远远大于样本量。我们发现，新的估计达到极大极小率在上确界范数和低维分量的估计有高斯极限分布。这些结果保持一致的一类精度矩阵行稀疏的小顺序$\sqrt{n}/\log p$和频谱一致有界的，下一个亚高斯尾部假设的边缘上的真正的底层分布。因此，我们的结果导致一致有效的置信区域的精度矩阵的低维参数。假设持有估计量导致变量选择，而不施加不可表示性条件。该方法的性能证明在模拟研究和实际数据。
2016-07-20 math.ST stat.TH
Honest Physical-Support Inference after Latent Dictionary Learning: Collision Singularities and Minimax Resolution
Institute of Data Science and Information Computing, National Chung Hsing University（国立中兴大学数据科学与信息计算研究所）
研究潜在字典学习后对活跃物理射线的推断方法，通过高斯训练-测试实验，保留兼容字典剖析测试表示，投影到支持空间，刻画相关特性，产生真实分辨率自适应支持陈述并指导训练与测试测量分配。
2026-07-21 cs.LG math.ST stat.TH
Assumption-Lean Honest Inference for $Z$-functionals
本文提出一个假设精简框架，通过自归一化统计量与检验反转构造Z-泛函的一致有效置信集，并给出非渐近宽度分析，在高维非稀疏回归中优于Wald和bootstrap方法。
2025-07-10 math.ST stat.TH
Estimation and confidence sets for sparse normal mixtures
对于高维统计模型，研究人员已经开始关注可以被描述为具有相对较少的适度大系数的情况。这种情况导致了一些非常微妙的统计问题。特别是，Ingster和Donoho和Jin考虑了稀疏正态均值检验问题，其中他们描述了精确的分界或检测边界。Meinshausen和Rice已经证明，甚至可以一致地估计可检测区域的子集上的非零坐标的分数，但没有回答可检测区域的哪些部分可以进行一致估计的问题。在本文中，我们开发了一种新的方法来估计的非零手段的问题，其中的非零手段是适度大的分数。我们发现，由Ingster和Donoho和金所描述的检测区域原来是该区域，它是可以一致地估计非零坐标的预期分数。进一步发展了这一理论，并导出了极大极小收敛速度。构造了一个在这种情况下达到最佳收敛速率的过程。此外，该过程还提供了一个诚实的下限置信区间，同时最小化这样的间隔的预期长度。模拟是用来使比较与Meinshausen和赖斯的工作，其中一个程序，但没有讨论的收敛速度。更一般的高斯混合模型的扩展也给出了。
2008-03-28 math.ST stat.TH
Significance-First Splitting: Aligning Treatment Heterogeneity Detection with Honest Estimation
TripAdvisor, UK（TripAdvisor英国公司）
针对现有树方法在CATE估计中的权衡痛点，提出融合显著性分裂与诚实样本拆分的混合算法，兼顾交互识别灵敏度与合法置信区间覆盖性能。
2026-07-15 cs.LG stat.ME stat.ML
On adaptive inference and confidence bands
研究了在$\mathbb{R}$或$[0,1]$上属于Hölder类嵌套尺度的未知密度$f$的自适应置信带的存在性问题.而诚实的自适应推理在这个问题上是不可能的一对Hölder球$Σ(r),Σ(s),r\ne s$，固定半径，一个非参数的可扩展性条件下，自适应置信带可以被证明存在。它进一步表明，这个条件是必要的和充分的诚实的渐近置信带的存在，它是严格弱于最近在Giné和Nickl [安。38（2010）1122- 1170]。在Hölder球$Σ(s)$上的自然先验下，不可能进行诚实推理的例外集具有极小的概率。如果不知道Hölder球半径的上界，则必须付出适应的代价，并且对于标准程序来说，接近最佳的适应是可能的。这些研究结果的一般理论的适应性推理的影响进行了讨论。
2012-02-23 math.ST stat.TH
Locally Adaptive Confidence Bands
我们开发诚实和局部自适应的概率密度置信带。它们在非均匀平滑度的情况下提供了大幅改善的置信度声明，并且易于实现和可视化。这篇文章有助于局部自适应推理的概念性工作，因为直接修改全局设置对统计目的造成了严重的障碍。除此之外，我们引入了一个统计概念的本地Hölder正则性，并证明了相应的强版本的本地自适应性。为了不排除原型密度，我们大大放松了自相似条件的直接本地化。永久排除考虑的密度集被证明是病态的，在严格的数学意义上。在技术层面上，诚实性验证的关键组成部分是通过Slepian比较不等式来识别渐近最不利的平稳情况。
2016-11-23 math.ST stat.TH
Minimax and adaptive inference for branching ratios under long memory
Faculty of Engineering, Universidad del Desarrollo（发展大学工程学院）
针对长记忆霍克斯过程的分支比率推断，提出极小极大下界与块分散估计器，并给出自适应规则及诚实置信区间。
2026-10-01 math.ST stat.AP stat.TH
Asymptotic confidence sets for the jump curve in bivariate regression problems
本文基于两个单侧核估计的旋转差，构造了光滑图像函数中单个边缘的均匀和逐点渐近置信集。利用M-估计的方法，我们证明了边缘函数的位置、斜率和高度的估计的一致性，并对对比度过程进行了统一的线性化。然后，均匀置信带依赖于分数过程的高斯近似以及高斯过程上确界的反集中结果，而逐点置信带基于渐近正态性。有限样本性能的逐点建议的方法进行了研究，在模拟研究。最后给出了一个实际图像处理的例子。
2019-03-23 math.ST stat.TH
Adaptive Confidence Sets for Binary Regression without Design Smoothness
该研究针对无设计光滑性的二元回归，构造了渐近诚实、速率最优的自适应置信集，回答了Mukherjee与Sen2018年提出的问题。
2026-08-04 math.ST stat.TH
A sharp adaptive confidence ball for self-similar functions
在非参数高斯数列空间模型中，构造了一个适应未知光滑性和Sobolev范数的$\ell^2$ -置信球$C_n$.置信球在适当定义的“自相似”参数空间上具有精确和诚实的渐近覆盖。信息论方法表明，这种“自相似性”条件是最弱的可能。
2015-07-08 math.ST stat.TH
Honest Inference for Stochastic Optimization
Carnegie Mellon University（卡内基梅隆大学）
本文研究了一种通用方法，用于构建随机优化解的置信集，将经验风险最小化作为特殊情况。由于对应的估计量在参数维度增加、目标函数非光滑或存在约束时表现出非标准的极限行为，随机优化的统计推断面临重大挑战。本文提出了一种简单且统一的方法，能够保证在规则和不规则情况下都有效，并提供对置信集有效性和保守性的统一处理。特别地，所展示的宽度分析表明置信集能够自适应地调整到未知的实例特定规则性程度。该方法被应用于多个高维和不规则的统计问题，并提供了所有统计应用的数值结果。
2026-05-20 econ.EM math.ST stat.ME
Honest variable selection in linear and logistic regression models via $\ell_1$ and $\ell_1+\ell_2$ penalization
本文研究了有限样本下$\ell_1$和$\ell_1+\ell_2$型惩罚方案的正确变量选择问题。变量选择的渐近一致性立即从这个分析。我们专注于逻辑和线性回归模型。以下问题是我们的论文的核心：给定一个置信水平$1-δ$，在设计矩阵的假设下，对于信号的强度以及调谐参数的值，我们可以在给定的置信水平下识别真实的模型？形式上，如果$\widehat{I}$是真实变量集$I^*$的估计，我们研究条件下，$\mathbb{P}(\widehat{I}=I^*)\geq 1-δ$，对于给定的样本量$n$，参数$M$和置信$1-δ$的数量。我们发现，在可识别的模型，这两种方法可以恢复系数的大小$\frac{1}{\sqrt{n}}$，小的乘法常数和对数因子的$M$和$\frac{1}δ$。对于我们在这里考虑的模型，对于变量选择问题，$\ell_1+\ell_2$惩罚优于$\ell_1$的优点是次要的。尽管前一估计是唯一的，并且随着$\ell_2$部分的调谐参数的增加，对于高度相关的数据矩阵变得更加稳定，但是该参数值的过大增加可能妨碍变量选择。
2008-12-16 math.ST stat.TH
Simultaneous confidence sets for ranks using the partitioning principle - Technical report
医疗中心或大学等机构的排名是基于一个指标，并伴随着不确定性措施，如标准差，置信区间应计算，以评估这些排名的质量。我们考虑的问题，同时构建置信区间的中心的排名的基础上观察到的样本。本文提出了一种基于多重检验的新方法，该方法利用了划分原则，并对划分进行了似然比（LR）检验。该算法的复杂度是超指数的。我们提出了几种方法和快捷方式来降低这种复杂性。我们还提供了一个多项式算法，它通过线性化LR检验的临界值，为多重检验产生一个非常好的括号。我们表明，Tukey的诚实的显着差异（HSD）测试可以被写为一个分区过程。新的方法具有很好的性能，在这个意义上，它打开了一扇门，在一个简单而容易的方式来构建新的方法，可以贸易的指数复杂性与测试的力量，反之亦然。与Tukey的HSD检验相比，当中心彼此接近或数据中的不确定性较高时，LR检验似乎给出更好的结果，这在模拟研究期间得到了证实。
2017-08-09 stat.ME
Simultaneous Confidence Intervals for Ranks With Application to Ranking Institutions
当医疗中心或大学等机构的排名基于提供标准误差的指标时，应计算置信区间以评估这些排名的质量。我们考虑的问题，同时构建置信区间的平均值的排名的基础上观察到的样本。为此，文献中唯一可用的方法使用蒙特卡罗模拟，并且是高度反保守的，特别是当均值彼此接近或具有联系时。提出了一种基于Tukey诚实显著性差异检验（HSD）的新方法。我们的新方法是相反的保守时，没有关系。通过适当地将这两种方法重新缩放到标称置信水平，它们令人惊讶地表现得非常相似。然而，当机构的数量大于30到50时，蒙特卡罗方法是不可扩展的，因此保持反保守性。我们提供了大量的模拟来支持我们的主张，并比较了这两种方法的同时覆盖范围和效率。我们提供了一个数据分析64家医院在荷兰和比较这两种方法。我们的新方法的软件可以在CRAN的ICRanks软件包中在线下载。补充材料包括补充R代码的模拟和证明本文提出的命题。
2018-12-11 stat.ME
An improvement of Tukey's HSD with application to ranking institutions
当医疗中心或大学等机构的排名基于提供标准误的指标时，应计算置信区间以评估这些排名的质量。我们考虑的问题，同时构建置信区间（CI）的排名中心的基础上观察到的样本。我们提出了一种新的方法的基础上Tukey的诚实的显着差异检验（HSD），这是第一种方法来产生有效的同时CI的行列。此外，我们引入了一个新的变种Tukey的HSD的顺序拒绝原则的基础上。新算法确保familywise错误控制，并产生同步置信区间的行列均匀短于Tukey的HSD提供的相同水平的显着性。我们说明了该方法，通过模拟和真实的数据分析，从64家医院在荷兰。我们的新方法的软件可以在线获得，包\texttt{ICRanks}可从CRAN下载。补充材料包括补充R代码的模拟和证明本文提出的命题。
2018-11-22 stat.ME
Asymptotic frequentist coverage properties of Bayesian credible sets for sieve priors
我们调查的频率覆盖属性的贝叶斯可信集一般的，自适应的，非参数的框架。众所周知，自适应和诚实的信心集的建设是不可能的一般。为了克服这个问题，我们引入一个额外的假设的功能参数，所谓的“一般抛光尾”的条件。然后，我们表明，在标准的假设下，分层和经验贝叶斯方法的结果在诚实的信心集筛类型的先验在一般情况下，我们表征其大小。我们应用派生的抽象结果的各种例子，包括非参数回归模型，密度估计使用指数族的先验，密度估计使用直方图先验和非参数分类模型，我们表明，它们的大小是近极大极小自适应相对于所考虑的特定半度量。
2019-02-04 math.ST stat.TH
A Revisit to De-biased Lasso for Generalized Linear Models
去偏lasso已成为一种流行的工具来绘制高维回归模型的统计推断。然而，模拟表明，对于广义线性模型（GLM），去偏套索不足以消除偏差，并产生不可靠的置信区间。这促使我们仔细研究去偏套索在高维GLM中的应用。当$p >n$时，我们检测到逆信息矩阵上的关键稀疏性条件在GLM设置中通常不成立，这可能解释了去偏置套索的低于标准的性能。即使在一个不太具有挑战性的“大$n$，发散$p$“的情况下，我们发现，去偏套索和极大似然方法往往产生置信区间与不满意的覆盖概率。在这种情况下，我们研究了一种替代方法，通过直接反转Hessian矩阵，而不施加矩阵稀疏性假设，进一步校正偏差。我们建立了所得估计的任何线性组合的渐近分布，这为推断奠定了理论基础。仿真结果表明，这种改进的去偏估计在消除偏差方面表现良好，并产生诚实的置信区间覆盖。我们通过分析一项前瞻性的基于医院的波士顿肺癌研究来说明这种方法，这是一项大规模的流行病学队列研究，旨在调查遗传变异对肺癌风险的联合影响。
2020-06-23 stat.ME
Adaptive confidence balls
自适应置信球构造为个人的分辨率水平，以及在多分辨率框架中的整个均值向量。有限样本下界给出的最小期望平方半径的置信球与预先指定的置信水平。置信球集中在基于特殊局部块阈值规则的自适应估计器上。该半径是从分析该自适应估计器的损失中得出的。此外，自适应诚实的信心球构造有保证的覆盖概率在所有的$\mathbb{R}^N$和期望的平方半径适应Besov机构的最大范围。
2006-05-17 math.ST stat.TH
Locally Adaptive Density Estimation on the Unit Sphere Using Needlets
考虑了利用Needlet标架从方向数据估计（d-1）维单位球面S^{d-1}上的概率密度函数f的问题。它表明，needlet系数的衰减支持附近的一个点的函数f只依赖于局部的Hölder连续性的f在x。然后，这是用来表明，在Baldi，Kerkyacharian，Marinucci和Picard引入的阈值needlet估计适应局部正则性的f。此外，基于阈值needlet估计，提出了一个自适应的置信区间的f，这是渐近诚实的适当类的局部Hölderian密度。
2013-12-09 stat.ME
Bootstrap confidence sets for spectral projectors of sample covariance
设$X_{1},\ldots,X_{n}$为i.i.d.。样本在$\mathbb{R}^{p}$中，均值为零，协方差矩阵为$\mathbfΣ$。在许多应用中，从这些观测中自然会出现将投影仪恢复到$\mathbfΣ$的本征空间上的问题。来自[Koltchinskii，Lounici，2015]的最新技术有助于研究在第$r$个特征值的子空间上的真实投影器$\mathbf{P}_r$与其经验对应物$\widehat{\mathbf{P}}_r$之间的Frobenius范数$\| \mathbf{P}_r - \widehat{\mathbf{P}}_r \|_{2}$中距离的渐近分布，其根据$\mathbfΣ$的有效秩。本文提供了一个自举过程，从给定的数据建立真正的投影机$\mathbf{P}_r$尖锐的信心集。该方法不依赖于$\| \mathbf{P}_r - \widehat{\mathbf{P}}_r \|_{2}$及其矩的渐近分布。适用于小样本量或中等样本量的$n$和大样本量的$p$。主要结果表明，所提出的方法的有效性有限样本的显式误差界的自助逼近的错误。这个界涉及到高维空间中高斯比较和高斯反集中的一些新的尖锐结果。数值结果证实了良好的性能的方法在现实的例子。
2017-03-02 math.PR math.ST stat.TH
De-biased Lasso for Generalized Linear Models with A Diverging Number of Covariates
对单核苷酸多态性与疾病之间的联合关联进行建模和推断引发了全基因组关联研究的兴趣。在激发波士顿肺癌生存队列（BLCSC）数据中，存在大量感兴趣的单核苷酸多态性，尽管小于样本量，但对它们与疾病结局的联合关联的推断提出了挑战。在类似的设置中，我们发现，去偏套索方法（van de Geer et al. 2014），它假设逆信息矩阵上的稀疏性，也不是标准的极大似然方法可以为广义线性模型产生具有满意覆盖概率的置信区间。在这种“大$n$，发散$p$“的情况下，我们提出了一种替代的去偏套索方法，通过直接反转Hessian矩阵，而不施加矩阵稀疏性假设，这进一步减少了偏差相比，原来的去偏套索，并确保有效的置信区间与标称覆盖概率。建立了参数估计的任意线性组合的渐近分布，为推论奠定了理论基础。仿真结果表明，改进的去偏估计方法能够很好地消除偏差，得到诚实的置信区间覆盖。我们使用所提出的方法来分析上述BLCSC数据，这是一项大规模的基于医院的流行病学队列研究，旨在研究遗传变异对肺癌风险的联合影响。
2021-11-16 stat.ME
Simultaneous inference for Berkson errors-in-variables regression under fixed design
在回归分析的各种应用中，除了相关观测值中的误差之外，预测变量中的误差也起着重要作用，并且需要并入统计建模过程中。本文考虑了一个具有固定设计回归变量和中心随机误差的Berkson型非参数测量误差模型，这与现有的许多工作不同，在这些工作中，预报变量被看作是带有随机噪声的随机观测值。基于一个估计，考虑到在预测误差和适当的高斯近似，我们得到%均匀的信心声明的功能的兴趣。特别是，我们提供了有限的样本范围的覆盖误差均匀的置信带，在那里我们规避使用极值理论，而依赖于最近的结果反浓度的高斯过程。在一个模拟研究中，我们研究了有限样本的均匀置信集的性能。
2020-09-02 math.ST stat.ME stat.TH
Confidence sets in sparse regression
考虑了具有$n$响应变量和$p$参数（可能是$p\ge n$）的高维线性模型的置信集构造问题.如果稀疏估计的速率不超过$n^{-1/4}$，则完全诚实的自适应推断是可能的，否则稀疏自适应置信集仅存在于稀疏估计器存在的参数空间的严格子集上。根据参数空间上的最小$\ell^2$ -分离条件，给出了参数向量具有固定稀疏度的置信集存在的充要条件.设计条件涵盖稀疏模型中使用的常见相干性假设，包括（可能相关的）亚高斯设计。
2013-12-18 math.ST stat.TH
The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands
Division of Biostatistics, University of California, Berkeley（加州大学伯克利分校生物统计系）；University of Pennsylvania（宾夕法尼亚大学）
研究针对半参数推断开发V折刀切法，它计算高效且理论合理，仅需V次留一法重拟合，利用伪值经验离散度量化不确定性，给出有效置信区间和同时置信带，扩展理论到特定估计量，模拟证实其可靠推断。
2026-07-27 math.ST stat.CO stat.ME
An Honest Effect Size for Contingency Tables: Why Nothing Can Be Unbiased, Where to Put the Error Instead, and How to Route the Report
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
针对列联表效应量 Cramer's V 的无偏性不可能问题，提出将误差置于刀切法点估计和似然比投影区间，并给出引导规则与浏览器工具。
2026-09-23 stat.AP stat.ME
Nonparametric identification is not enough, but randomized controlled trials are
我们认为，随机对照试验（RCT）是特殊的，即使在设置中，平均处理效应确定的非参数unconfoundedness假设。这一主张来自Robins和Ritov（1997）的两个结果：（1）在至少一个连续协变量控制下，不存在在没有进一步假设的情况下一致一致的平均处理效应的估计量，（2）了解倾向得分产生一致相合估计量和诚实置信区间，其随着样本量的增加以参数速率缩小，而不管倾向得分函数有多复杂。我们强调后一点，并注意到成功进行的随机对照试验为研究者提供了倾向得分的知识。我们讨论了RCT协变量调整的现代发展，注意到统计模型和机器学习方法可以用来提高效率，同时保持有限样本的无偏性。我们的结论是，统计推断有可能从根本上更困难的观察设置比随机对照试验，即使所有的混杂因素进行了测量。
2021-09-27 stat.ME
Confidence Intervals for Seroprevalence
本文讨论标准血清阳性率调查中置信区间的构造。特别是，我们讨论的方法，用于构建置信区间的人口中感染疾病的个体的比例，使用样本的抗体测试结果和测量的测试的假阳性和假阴性率。我们首先记录不稳定的行为，在覆盖概率的标准沃尔德和百分位数的自举区间时，适用于这个问题。然后，我们考虑两个替代的区间集构造测试反演。第一组区间是近似的，使用所选检验统计量的有限样本分布的渐近或自助近似。我们考虑了几种检验统计量的选择，包括极大似然估计和广义似然比统计量。我们用模拟表明，在经验相关的参数值和样本量，这些区间的覆盖概率接近其标称水平，近似等尾。第二组区间包含真实参数值，其概率至少等于标称水平，但在有限样本中可能是保守的。
2021-10-04 stat.AP stat.ME
Program Evaluation and Causal Inference with High-Dimensional Data
在本文中，我们提供了有效的估计和诚实的置信带的各种治疗效果，包括局部平均值（LATE）和局部分位数治疗效果（LQTE）在数据丰富的环境。我们可以处理非常多的控制变量、内源性治疗接受、异质性治疗效果和功能价值结果。我们的框架涵盖了外源性接受治疗的特殊情况，无论是有条件的控制或无条件的随机对照试验。在后一种情况下，我们的方法产生有效的估计和诚实带（功能）平均治疗效果（ATE）和分位数治疗效果（QTE）。为了使信息推理成为可能，我们假设关键简化形式的预测关系是近似稀疏的。这个假设允许使用正则化和选择方法来估计这些关系，并且我们提供了用于后正则化和后选择推理的方法，这些方法在各种模型中都是一致有效的（诚实的）。我们表明，一个关键因素，使诚实的推理是使用正交或双鲁棒矩条件估计某些简化形式的功能参数。我们说明了使用所提出的方法与应用程序，以估计401（k）资格和参与对累积资产的影响。
2018-01-05 econ.EM math.ST stat.ME
