Composite Estimation for Quantile Regression Kink Models with Longitudinal Data
扭结模型被开发用于分析回归函数为两阶段线性但相交于未知阈值的数据。在纵向数据的分位数回归中,以前的工作假设未知的阈值参数或扭结点在不同的分位数上是异质的。然而,扭结效应发生的位置往往是相同的,在不同的分位数,特别是在相邻的分位数水平的区域。忽略这种同质性信息可能导致估计的效率损失。有鉴于此,我们提出了一个复合估计的公共扭结点,通过吸收多个分位数的信息。此外,我们也发展了一个超级似然比检验来检验在给定分位数水平下的扭结效应。基于分位数秩和检验,还建立了常见扭结点的检验反演置信区间。仿真研究表明,所提出的复合扭折估计比最小二乘估计和单分位数估计更具竞争力。我们说明了这项工作的实际价值,通过分析的身体质量指数和血压数据集。
2020-09-04 stat.ME
Real-Time Regression Analysis of Streaming Clustered Data With Possible Abnormal Data Batches
本文提出了一种基于二次推理函数(QIF)的增量学习算法,用于分析具有相关结果的流数据集,如纵向数据和聚类数据。我们提出了一个可再生的QIF(RenewQIF)方法的可再生估计和增量推理的范式内,其中参数估计递归更新与当前数据和历史数据的汇总统计,但没有使用任何历史主题级的原始数据。我们比较我们的可再生估计方法与离线QIF和离线广义估计方程(GEE)的方法,处理整个累积的主题级数据,并从理论上和数值上表明,我们的可再生程序具有统计和计算效率。我们还提出了一种方法来诊断的同质性假设的回归系数通过序贯拟合优度测试作为筛选程序的异常数据批次的出现。我们通过扩展现有的Spark的Lambda架构来实现所提出的方法,用于统计推断和数据质量诊断。我们说明了所提出的方法,通过广泛的模拟研究和分析流汽车碰撞数据集从国家汽车抽样系统耐撞性数据系统(NASS CDS)。
2021-06-30 stat.ME
Mixture Quantiles Estimated by Constrained Linear Regression
Stony Brook University(石溪大学)
本文提出了一种通过约束线性回归估计混合分位数的方法,能够高效建模分布的中央部分和极端尾部。
2026-02-03 stat.ME
Homogeneity tests for Michaelis-Menten curves with application to fluorescence resonance energy transfer data
共振能量转移方法广泛用于评价活细胞中的蛋白质相互作用和蛋白质构象变化。荧光共振能量转移(FRET)测量作为受体:供体比率的函数的能量转移,产生FRET饱和曲线。通过Michaelis-Menten动力学对这些曲线进行建模,可以通过两个参数进行表征,这两个参数用于评估两种蛋白质之间的表观亲和力,并在不同的实验条件下比较这种亲和力。为了减少采样变异性的影响,在相同的生物条件下生成饱和曲线的几个统计样本。在这里,我们研究三个程序,以确定是否在一个集合中的统计样本是同质的,在这个意义上,他们是从同一个回归模型中提取。从假设检验的角度来看,我们考虑了F检验和基于自举检验的程序。第三种方法从模型选择的角度分析问题,并使用赤池信息准则(AIC)。虽然我们只考虑了Michaelis-Menten模型,但所有的统计过程都适用于任何其他非线性回归模型。我们比较了性能的同质性测试方法在Monte Carlo研究,并通过分析在活细胞中的FRET饱和曲线的二聚体复合物的CXCR 4,一个七跨膜受体的G蛋白偶联受体家族。我们发现,F检验,自助程序和模型选择方法一般导致类似的结论,虽然AIC给出了最好的结果时,样本量小,而F检验和自助方法更适合于大样本。在实践中,所有三种方法都易于同时使用,并显示出一致性,有助于得出样品均匀性的结论。
2011-05-04 q-bio.BM q-bio.QM stat.AP
Functional-Coefficient Quantile Regression for Panel Data with Latent Group Structure
本文考虑了具有个体效应的面板分位数回归中的函数系数模型的估计问题,其中考虑了大型面板观测值的横截面和时间依赖性。对异质分位数回归模型施加一种隐群结构,从而大大减少了需要估计的非参数函数系数的数目。通过对特定主题函数系数的局部线性分位数的初步估计,利用经典的凝聚聚类算法估计未知的组结构,并提出一种易于实现的比率准则来确定组数。估计的组数和结构是一致的。此外,分组后的局部线性平滑方法被引入到估计组特定的功能系数,和相关的渐近正态分布理论推导出与文献中的归一化率。开发的方法和理论进行了验证,通过模拟研究,并展示了应用程序的房价数据从英国地方政府区,揭示了不同的同质性结构在不同的分位数水平。
2023-03-23 econ.EM stat.ME
Debiased inference for a covariate-adjusted regression function
针对协变量调整回归函数的非参数推断问题,提出一种去偏局部线性估计量,可构建渐近有效置信区间与一致置信带,达最优收敛速度,并通过数值实验和空气污染对心血管死亡率影响的分析验证性能。
2023-12-15 stat.ME
Spatially and Robustly Hybrid Mixture Regression Model for Inference of Spatial Dependence
Purdue University(普渡大学);Indiana University(印第安纳大学);Amazon(亚马逊);Peking University(北京大学)
在本文中,我们提出了一个空间稳健混合回归模型来研究一个响应变量和一组解释变量之间的关系在空间域上,假设的关系可能会表现出复杂的空间动态模式,不能被捕获的常数回归系数。我们的方法集成了强大的有限混合高斯回归模型与空间约束,同时处理空间非平稳性,局部同质性和离群污染。与现有的空间回归模型相比,我们提出的模型假设存在一些不同的回归模型,这些模型是基于表现出类似的响应-预测关系的观测值估计的。因此,所提出的模型不仅考虑了空间趋势的非平稳性,而且还将观测结果聚类为几个不同的同质组。这提供了一个优势,在解释与几个固定的子过程识别,捕捉响应和预测变量之间的主要关系。此外,该方法采用了强大的程序来处理回归离群值和空间离群值的污染。通过这样做,我们稳健地将空间域分割成具有相似回归系数的不同局部区域和纯粹是离群值的零星位置。设计了严格的统计假设检验程序来检验这种分割的显著性。在许多合成数据集和真实数据集上的实验结果表明,与其他鲁棒的有限混合回归,空间回归和空间分割方法相比,我们提出的方法具有鲁棒性,准确性和有效性。
2021-09-28 cs.LG stat.ME
Bayesian Spatial Homogeneity Pursuit for Survival Data with an Application to the SEER Respiratory Cancer Data
在这项工作中,我们提出了一个新的贝叶斯空间同质性追踪方法的比例风险模型下的生存数据检测空间聚集模式的基线风险和回归系数。特别地,假设回归系数和基线风险在空间上具有空间均匀性模式。为了捕捉这种同质性,我们开发了一个地理加权中餐厅的过程之前,同时估计系数和基线危害及其不确定性措施。设计了一种有效的马尔可夫链蒙特卡罗(MCMC)算法。使用模拟数据的性能进行评估,并进一步应用到路易斯安那州的呼吸道癌症的真实数据分析。
2021-02-23 stat.AP stat.ME
Sparse estimation for case-control studies with multiple subtypes of cases
对几种亚型病例的病例对照研究分析越来越普遍,例如在癌症流行病学中。对于匹配的设计,我们表明,一个自然的策略是基于分层的条件逻辑斯谛回归模型。然后,考虑到潜在的同质性亚型的情况下,我们适应的想法,数据共享套索,这是最近提出的估计回归模型在分层设置。对于不匹配的设计,我们比较了基于L1-范数惩罚多项式逻辑斯谛回归的两种标准方法。我们描述了这两种方法之间的正式联系,从中可以得到实际的指导。我们发现,这些方法之一,这是基于对称制定的多项式逻辑斯谛回归模型,实际上减少到一个数据共享套索版本的其他。因此,这两种方法的相对性能主要取决于病例亚型之间存在的同质性水平:更确切地说,当同质性为中度至高度时,不建议使用对照品作为参比品的非对称制剂。从合成数据获得的实证结果,证实了适当占潜在的同质性匹配和不匹配的设计下的好处。我们还介绍了EPIC队列中嵌套的病例对照研究分析的初步结果,其目的是确定与乳腺癌亚型发生相关的代谢物。
2019-01-18 stat.ME
A Small-Uniform Statistic for the Inference of Functional Linear Regressions
本文提出了一种“小均匀”统计量用于函数线性回归模型中函数PCA估计量的推断。已有文献表明了两种极端的行为:一方面,FPCA估计在其范数拓扑中不收敛于分布;另一方面,FPCA估计确实具有逐点渐近正态分布.我们的统计量在这两个极端之间采取了中间立场:经过适当的速率归一化后,我们的小均匀统计量被构造为有限维子空间上FPCA估计器的分式规划问题的最大化者,并且其维度将随着样本量的增加而增加。我们展示了我们的标量统计量在概率上收敛到高斯过程的上确界的速率。小均匀统计量在假设检验中有应用。模拟结果表明,我们的统计量具有可比性略好的权力比Cardot,Ferraty,Mas和Sarda(2003)的两个统计量的假设检验的属性。
2021-02-22 math.ST stat.ME stat.TH
High-dimensional robust approximated M-estimators for mean regression with asymmetric data
随着数据维数的增加,非对称性和异方差或污染现象经常出现。在超高维数据分析中,这种不规则的设置通常被忽略的理论和计算的方便。在本文中,我们建立了一个框架,估计在高维回归模型中使用惩罚稳健近似二次M-估计(PRAM)。该框架允许一般设置,如随机误差缺乏对称性和均匀性,或协变量不是亚高斯。为了减少均值回归中由于数据的不规则性而可能引起的偏差,PRAM采用了一个损失函数,其稳健性参数随样本量的增加而变化。在理论上,我们首先证明,在超高的维度设置,PRAM估计有本地估计的一致性在极大极小率享受的LS-Lasso。然后,我们证明了具有适当的非凸惩罚的PRAM实际上与局部预言解一致,从而获得了它的预言性质。在计算上,我们证明了六个PRAM估计使用三种类型的损失函数近似(胡贝尔,Tukey的双权和柯西损失)结合两种类型的罚函数(拉索和MCP)的性能。我们的模拟研究和实际数据分析表明,令人满意的有限样本性能的PRAM估计在一般的不规则设置。
2022-07-18 math.ST stat.TH
Modified likelihood ratio tests in heteroskedastic multivariate regression models with measurement error
本文对多元异方差变量误差回归模型的似然比检验进行了改进。允许误差项遵循椭圆分布类中的多元分布,其具有正态分布作为特殊情况。我们推导出Skovgaard调整后的似然比统计量,它遵循卡方分布具有很高的准确度。我们进行了模拟研究,并表明,所提出的测试显示优越的有限样本的行为相比,标准的似然比检验。我们说明了我们的研究结果的实用性,在应用环境中使用的数据集从世界卫生组织MONICA投影心血管疾病。
2013-03-15 math.ST stat.TH
CARD: Classification and Regression Diffusion Models
The University of Texas at Austin(德克萨斯大学奥斯汀分校);McCombs School of Business(麦库姆斯商学院)
在给定其协变量$\boldsymbol x$的情况下,学习连续或分类响应变量$\boldsymbol y$的分布是统计学和机器学习中的基本问题。基于深度神经网络的监督学习算法在预测给定$\boldsymbol x$的$\boldsymbol y$的均值方面取得了很大进展,但它们经常因无法准确捕捉其预测的不确定性而受到批评。在本文中,我们介绍了分类和回归扩散(CARD)模型,它结合了去噪扩散为基础的条件生成模型和预训练的条件均值估计,以准确地预测$\boldsymbol y$给定$\boldsymbol x$的分布。我们展示了杰出的能力,CARD在条件分布预测与玩具的例子和现实世界的数据集,实验结果表明,CARD在一般优于国家的最先进的方法,包括贝叶斯神经网络的设计用于不确定性估计,特别是当条件分布的$\boldsymbol y$给定$\boldsymbol x$是多模态的。此外,我们利用生成模型输出的随机性,在分类任务的实例级别上获得更细的模型置信度评估粒度。
2022-12-06 cs.LG stat.CO stat.ME
High-dimensional low-rank matrix regression with unknown latent structures
Shanghai Jiao Tong University(上海交通大学);Tongji University(同济大学);University of Hong Kong(香港大学);University of Macau(澳门大学)
针对多个体高维矩阵回归,提出张量结构同质性追踪框架,以共享子空间与个体载荷建模系数矩阵,并采用缩放梯度下降估计,兼顾共享信息与个体差异,提升收敛速度与可解释性。
2025-10-25 stat.ME
Community Network Auto-Regression for High-Dimensional Time Series
对大规模网络节点的响应进行建模是一项重要的任务,在实践中经常出现。提出了一种社区网络向量自回归(CNAR)模型,该模型利用网络结构来刻画高维时间序列的相关性和社区内同质性。CNAR模型通过允许不同网络社区的异构网络效应,大大提高了网络向量自回归(Zhu et al,2017,NAR)模型的灵活性和通用性。此外,非社区相关的潜在因素也包括在内,以解释未知的横截面依赖。网络社区的数量可以随着网络的扩展而发散,这导致估计发散的模型参数数量。我们得到了一组平稳条件,并开发了一个有效的两步加权最小二乘估计。建立了估计量的相合性和渐近正态性。理论结果表明,当误差具有因子结构时,两步估计比一步估计提高了一个数量级。CNAR模型的优点进一步说明了各种合成和真实的数据集。
2020-07-10 stat.ME
Fusion regression methods with repeated functional data
针对重复函数型数据,提出两种基于融合惩罚的回归方法,利用邻域或分组结构获得简约系数函数,并通过模拟和脑电图数据验证。
2024-09-20 math.ST stat.ME stat.TH
Spatial Clustering Regression of Count Value Data via Bayesian Mixture of Finite Mixtures
本文提出贝叶斯有限混合之混合空间聚类回归模型,利用 Markov 随机场先验识别 Poisson 回归系数的空间同质性,并辅以理论、MCMC 算法、模拟和佐治亚州数据验证。
2023-06-04 stat.AP stat.CO stat.ME
High-dimensional inference on jumps in nonparametric time series regression models
Washington University in Saint Louis(圣路易斯华盛顿大学);Tsinghua University(清华大学);University of Bristol(布里斯托大学)
研究高维异质非参数时间序列条件均值函数中跳跃的同时推断,提出两个统一检验,推导跳跃估计量协方差结构近似并建立高斯近似,模拟和实证表明方法在多种依赖性下有效,能揭示显著非平滑效应。
2026-07-14 econ.EM stat.ME
HNCI: High-Dimensional Network Causal Inference
University of Southern California(南加州大学)
本文提出高维网络因果推断(HNCI)方法,通过线性回归和同质性追求,为受试者平均直接处理效应(ADET)和干扰效应邻域大小提供有效的置信区间与置信集,并具备理论保证。
2024-12-24 cs.LG stat.ME stat.ML