Likelihoods for fixed rank nomination networks
许多收集社交网络数据的研究使用的调查方法会导致信息被审查、缺失或不完整。例如,流行的固定排名提名(FRN)计划,经常用于学校和企业的研究,要求研究参与者提名和排名最多的联系人或朋友,离开其他关系的存在不确定。然而,大多数统计模型都是根据完全可观察的二元网络来制定的。使用此类模型对FRN数据进行统计分析忽略了数据的删失和排序性质,可能导致误导性统计推断。为了研究这种可能性,我们将从完全二进制网络的可能性中获得的参数估计值与从FRN方案中获得的可能性进行比较,因此认识到数据的排名和删失性质。我们通过分析和模拟表明,二元似然性可以提供误导性的推断,至少对于某些模型参数,这些参数将网络关系与个体和个体对的特征联系起来。我们还比较了这些不同的可能性在几个青少年社交网络的数据分析。对于其中的一些网络,从二进制和FRN似然参数估计导致不同的结论,表明FRN数据分析的方法,占FRN调查设计的重要性。
2012-12-26 stat.ME
L-Estimation of Population Quantiles Using Ranked Set Sampling
University of Manitoba(曼尼托巴大学);University of Isfahan(伊斯法罕大学);The George Washington University(乔治华盛顿大学)
本文提出两种基于秩集抽样的L估计方法,用于估计人口分位数,通过分解秩集设计构造了可扩展的计算方法,并在模拟和实际数据中验证了其效率优势。
2026-05-02 math.ST stat.ME stat.TH
Efficient Bayesian Inference for Benter Models on Ranked Data
Reed College(里德学院)
该研究针对本特(Benter)模型拟合的挑战,提出基于α稳定和指数辅助变量的两部分增广方案,实现高效贝叶斯估计,经模拟与真实排序数据验证,可准确恢复参数并覆盖名义可信区间。
2026-08-26 stat.ME
Lagrangian Inference for Ranking Problems
Harvard University(哈佛大学);Pennsylvania State University(宾夕法尼亚州立大学);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院)
本文提出一种新的组合推断框架,用于在排序问题中进行一般不确定性量化,基于Bradley-Terry-Luce模型,推断局部和全局排序属性,并通过数值实验验证方法的最优性。
2021-10-01 cs.LG math.ST stat.ML
Causal Inference with Ranking Data: Application to Blame Attribution in Police Violence and Ballot Order Effects in Ranked-Choice Voting
虽然排名是社会科学研究的核心,但人们对如何在实验研究中分析排名数据知之甚少。本文提出了一个潜在结果框架,当结果数据是排序数据时进行因果推断。它介绍了一类因果被估量量身定制的排名结果,并开发估计和推理的方法。此外,它将框架扩展到部分排名的数据。我表明,部分排名可以被认为是一个选择问题,并提出非参数的处理效应的界限。使用的方法,我重新分析了最近的研究归咎于斯蒂芬·克拉克枪击案,发现人们对官员参与枪击事件的态度是强大的上下文信息。我还应用该框架研究了2022年三次RCV选举中的投票顺序效应,提出了RCV模式排名的新理论。最后,我提出三个应用在国际关系。
2023-01-11 stat.AP stat.ME
Two-Sample Inference in Highly Dispersed Negative Binomial Models
总体均值差异的双样本推断通常依赖于中心极限定理近似。当数据来自负二项分布时,Shilane等人(2010)的先前工作表明,正态近似在单样本推断中通常不可靠,并提出了替代技术。我们试图将这些方法推广到高分散负二项模型中关于样本均值差异的两样本推断问题。我们证明了正态近似在两个样本设置中更加稳健,并且即使在不适合单独使用任何一个样本时也可以经常应用。我们还提供了一个直观的推广伯恩斯坦不等式的两个样本的情况下。这两种方法的简单混合可以提高边界和小样本设置的覆盖率。我们随后调查的覆盖质量的置信区间和样本量的考虑,在各种各样的模拟研究。总的来说,我们证明了正态近似在近似平均差的分布方面比相应的单样本理论更稳健。
2012-03-05 stat.ME
Doubly Robust Inference with Non-probability Survey Samples
当相关辅助信息可从概率调查样本中获得时,我们建立了非概率调查样本统计推断的一般框架。我们开发了一个严格的程序,估计倾向得分的单位在非概率样本,并构造双重稳健估计的有限总体均值。方差估计讨论下提出的框架。仿真研究的结果表明,我们提出的估计与现有的方法相比,鲁棒性和效率。所提出的方法是用来分析一个非概率调查样本收集的皮尤研究中心的辅助信息,从行为风险因素监测系统和当前的人口调查。我们的研究结果说明了一个一般的方法来推断与非概率样本和突出的重要性和有用的辅助信息的概率调查样本。
2018-05-16 stat.ME
Flexible Inference for Winners with Conditional Validity
University of Michigan(密歇根大学);The Pennsylvania State University(宾夕法尼亚州立大学);University of Southern California(南加州大学)
研究针对选择赢家后估计受赢家诅咒影响的问题,引入灵活条件推断方法,通过自适应指数随机化校正过度乐观,实现与标准前 k 选择相近的质量且置信区间更短,广泛适用于多种非参数设置。
2026-07-22 math.ST stat.ME stat.TH
Can statistical models capture Mamdani's success? Social choice, ranked-choice voting, and model fit, with an application to the 2025 New York City Democratic Primary
Reed College(里德学院);Department of Statistics, University of Washington(华盛顿大学统计学系);Department of Political Science, University of Washington(华盛顿大学政治学系);Center for Statistics and the Social Sciences, University of Washington(华盛顿大学社会统计中心);School of Social Work, University of Washington(华盛顿大学社会工作学院)
本文探究社会选择与统计建模的关联,将可理性化理论扩展至现实投票情境,发现可理性化模型对2025年纽约市民主党初选投票数据拟合差,非可理性化模型可捕捉选民偏好,为选举分析提供新视角。
2026-08-26 stat.AP
Improved estimator of the entropy and goodness of fit tests in ranked set sampling
熵是许多统计和工程问题中最适用的不确定性度量之一。在统计文献中,熵用于计算Kullback-Leibler(KL)信息,这是用于执行拟合优度检验的有力平均值。秩集抽样(RSS)在大量的文献研究问题中似乎提供了许多总体参数的改进估计。它是针对感兴趣的变量难以测量或测量成本高的情况而开发的,但在小的子样本中进行排名很容易。本文介绍了两种熵的估计,并对它们进行了比较,同时对简单随机抽样(SRS)中的熵的估计在有偏和均方误差根(RMSE)意义下进行了比较。据观察,RSS计划将改善这种估计。利用熵的最佳估计量和均值的估计量以及基于RSS方案的方差的两个有偏估计量和无偏估计量来估计KL信息,并对指数性和正态性进行拟合优度检验。计算所需的临界值和功率。还观察到,RSS估计器将增加功率。
2011-06-09 stat.CO
On uncertainty and information properties of ranked set samples
秩集抽样是一种在工业统计、环境与生态研究等方面有着广泛应用的抽样设计。在参数推断中,秩集样本比相同大小的简单随机样本提供了更多关于潜在分布未知参数的Fisher信息。在本文中,我们考虑的不确定性和信息含量的排序集样本在完美和不完美的排名情况下的香农熵,Rényi和Kullback-Leibler(KL)的信息措施。证明了在这些信息测度下,秩集抽样设计比同规模的简单随机抽样设计具有更好的效果。在排序集合抽样中,信息量也是集合大小的单调函数。此外,排名误差对数据的信息含量的影响进行了研究。
2013-01-18 math.ST stat.ME stat.TH
Robust estimators for the log-logistic model based on ranked set sampling
针对排序集抽样下的 log-logistic 分布,提出基于密度幂散度的形状与尺度参数稳健估计量,推导其渐近分布并通过模拟验证其抗污染性和效率竞争力。
2024-04-04 math.ST stat.TH
Statistical summaries of unlabelled evolutionary trees and ranked hierarchical clustering trees
有根和排序二叉树是非常重要的数学对象,用于建模层次数据和进化关系,在许多领域,包括进化生物学和遗传流行病学的应用。贝叶斯系统发育推断通常通过马尔可夫链蒙特卡罗方法探索树的后验分布,然而评估不确定性和总结此类树的分布或样本仍然具有挑战性。虽然标记的系统发育树已被广泛研究,但相对较少的文献存在于越来越有用的未标记的树,例如当人们试图总结用不同方法或从不同样品和环境中获得的树木样品时,并希望评估这些总结的稳定性和普遍性。在我们的论文中,我们利用最近提出的距离度量的未标记的排名二叉树和未标记的排名家谱(配备分支长度)定义的弗雷歇平均值和方差作为这些树分布的摘要。我们提供了一个有效的组合优化算法计算的Frechet平均从一个样本或分布上的未标记的排名树的形状和未标记的排名家谱。我们展示了汇总统计数据对于研究流行树分布以及比较2020年COVID-19流行期间不同地点的SARS-CoV-2进化树的适用性。
2021-06-04 q-bio.PE stat.ME
Spectral MLE: Top-$K$ Rank Aggregation from Pairwise Comparisons
Stanford University(斯坦福大学);Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文探讨了基于偏好的顶$K$秩聚合问题。假设一个项目集合被成对地重复比较,并且人们希望基于部分显示的偏好恢复强调排名最高的$K$项目的一致排序。我们专注于布拉德利-特里-卢斯(BTL)模型,假设一组潜在的偏好分数的基础上的所有项目,配对比较的几率只取决于所涉及的项目的相对分数。在随机和非自适应抽样的情况下,我们描述了最大极小值限制的可识别性的顶部$K$排名项目。我们的研究结果突出了一个分离的措施,量化的$K^{\text{th}}$和$(K+1)^{\text{th}}$排名项目之间的偏好得分的差距。可靠的顶级$K$排名所需的最小样本复杂性与分离度量成反比,而与其他偏好分布度量无关。为了接近这个极大极小的限制,我们提出了一个近线性时间的排名计划,称为\emph{Spectral MLE},返回的指数的顶部$K$项目按照一个仔细的分数估计。简而言之,谱MLE从具有最小平方损失的初始得分估计(通过谱方法获得)开始,然后在坐标方向MLE的帮助下连续地细化每个分量。令人鼓舞的是,光谱MLE允许在最小的样本复杂性下完美地识别顶部$K$项目。数值实验进一步证实了谱极大似然估计的实用性。
2015-05-28 cs.DS cs.IT cs.LG
Repro Samples Method for Finite- and Large-Sample Inferences
本文提出了一种新的,通用的,有效的模拟启发的方法,称为{ \it再现样本方法},进行统计推断。该方法研究了人工样本的性能,称为{ \it repro samples},通过模仿真实观察到的样本,以实现不确定性量化和构建置信度集的参数的兴趣与保证的覆盖率。精确和渐近推理。一个有吸引力的特点,开发的一般框架是,它不依赖于大样本中心极限定理,是似然自由。因此,它是有效的复杂的推理问题,我们不能解决的大样本中心极限定理。所提出的方法适用于广泛的问题,包括许多开放的问题,解决方案以前是不可用的,例如,那些涉及离散或非数值参数。为了减少这样的推理问题的大计算成本,我们开发了一个独特的匹配方案,以获得一个数据驱动的候选集。此外,我们显示了所提出的框架的优势,在经典的奈曼-皮尔逊框架。我们证明了所提出的方法在整个文件中的各种模型的有效性,并提供了一个案例研究,解决了一个开放的推理问题,如何量化的不确定性未知数量的组件在一个正常的混合模型。为了评估我们的再现样本方法的经验性能,我们进行模拟和研究实际数据的例子与现有的方法进行比较。虽然发展涉及的设置大样本中心极限定理不适用,它也有直接的扩展的情况下,中心极限定理确实持有。
2022-06-13 math.ST stat.ME stat.TH
Bayesian Mixture Modelling with Ranked Set Samples
针对不完美排序集抽样下有限混合模型参数估计问题,提出结合EM算法与Metropolis within Gibbs Sampling的贝叶斯估计方法,效果优于简单随机抽样法,并应用于老年女性骨病估计。
2023-06-13 math.ST stat.ME stat.TH
An Equal-Probability Partition of the Sample Space: A Non-parametric Inference from Finite Samples
Independent Researcher(独立研究者)
本文研究有限样本对任意连续分布的推断问题,提出基于次序统计量的等概率划分非参数方法,证明N个排序样本划分的N+1区间期望概率均为1/(N+1),并对比ECDF探讨其在密度、尾估计等鲁棒推断中的意义。
2025-07-29 cs.LG stat.ME stat.ML
Bayesian mixture of Plackett-Luce models for partially ranked data
在许多心理学和行为学实验中,为了研究特定人群的偏好/选择取向,经常需要对多个选项进行序数判断。Plackett-Luce模型是最流行且最常应用的参数分布之一,用于分析有限项目集的排名。本工作介绍了一个贝叶斯有限混合Plackett-Luce模型来解释未观察到的部分排名数据的样本异质性。我们描述了一种有效的方法,将潜在的组结构中的数据增强方法和推导现有的极大似然程序作为特殊情况下,所提出的贝叶斯方法。利用最大\textit{a posteriori}估计的期望最大化算法和吉布斯抽样迭代过程的组合可以进行推断。我们还研究了几个贝叶斯标准选择最佳的混合配置和描述诊断工具,用于评估排名分布的健身条件和无条件的排名项目的数量。利用新的贝叶斯参数Plackett-Luce混合物表征样本异质性的几个应用程序来说明模拟和真实的偏好排名数据。我们比较我们的方法与频率论的方法和贝叶斯非参数混合模型都假设Plackett-Luce模型作为一个混合成分。我们对真实数据集的分析揭示了准确诊断检查对于适当深入理解部分排名数据的异质性的重要性。
2016-10-06 stat.ME
Repro Samples Method for a Performance Guaranteed Inference in General and Irregular Inference Problems
Rutgers, The State University of New Jersey(新泽西州立罗格斯大学);University of Cincinnati(辛辛那提大学)
本文提出重现实例方法,用于解决一般和不规则推断问题,通过三步程序和独特匹配方案提升计算效率并解决未知参数不确定性问题。
2026-02-10 math.ST stat.ME stat.TH
Multiple Observers Ranked Set Samples for Shrinkage Estimators
分级集抽样(RSS)被用作一种强大的数据收集技术,用于测量研究变量需要昂贵和/或繁琐的过程的情况,而抽样单元可以容易地分级(例如,骨质疏松症研究)。本文针对线性回归、随机约束回归和逻辑斯谛回归的系数估计中的共线性问题,提出了多观测站RSS数据下岭型和Liu型收缩估计.通过广泛的数值研究,我们表明,收缩方法与多观察员RSS的结果更有效的系数估计。开发的方法,最后应用到骨矿物质数据分析的骨疾病状态的妇女年龄在50岁及以上。
2021-10-15 math.ST stat.CO stat.ME
A Characterization Based On Products of Order Statistics
基于顺序统计量的乘积,给出了幂函数分布的一个新的刻画。这个结果可以被认为是最近一些收缩结果的推广。我们注意到,在这个新的结果中,产品由独立样本的顺序统计量组成。例如,这些类型的结果与排序集抽样的一些方案有关。
2012-10-28 math.ST stat.TH
Indirect Statistical Inference with Guaranteed Necessity and Sufficiency
University of Chinese Academy of Sciences(中国科学院大学);Chinese Academy of Sciences(中国科学院);University of Wisconsin, Madison(威斯康星大学麦迪逊分校);Yale University(耶鲁大学)
本文提出基于指数变换次序统计量相对误差的间接推断框架,证明其充要性,相比绝对误差方法收敛更快,适用于连续随机变量分布检验。
2025-09-24 math.ST stat.TH
Finite- and Large- Sample Inference for Model and Coefficients in High-dimensional Linear Regression with Repro Samples
University of Cincinnati(辛辛那提大学);Rutgers University(罗格斯大学)
本文提出基于可重复样本框架的高维线性回归模型和系数推断方法,通过Fisher反推技术构建置信集,解决模型选择不确定性及有限样本性能问题。
2025-11-27 math.ST stat.CO stat.ME
Rejoinder to "Equi-energy sampler with applications in statistical inference and statistical mechanics"
对Kou,Zhou和Wong的“等能量采样器及其在统计推断和统计力学中的应用"一文的反驳[数学ST/0507080]
2006-11-08 math.ST stat.TH
Statistical inference for discretely sampled stochastic functional differential equations with small noise
研究了带小噪声的多维随机时滞方程漂移和扩散系数的参数估计问题。延迟结构被写为相对于延迟测量的积分形式。我们的对比度函数是基于局部高斯近似的转移概率密度的过程。当离差系数趋于零时,样本量趋于无穷大时,我们证明了最小对比度估计的相合性和渐近正态性。
2023-03-20 math.ST stat.TH
Top-$K$ Ranking from Pairwise Comparisons: When Spectral Ranking is Optimal
KAIST(韩国科学技术院);Electronics and Telecommunications Research Institute(电子与电信研究所);UIUC(伊利诺伊大学厄巴纳-香槟分校)
我们探讨了顶- $K$秩聚合问题。假设一个项目的集合被重复地成对比较,我们的目标是恢复一个一致的排序,集中在顶部的$K$排名的项目的基础上部分显示的偏好信息。我们调查布拉德利-特里-卢斯模型,其中一个排名项目,根据他们的感知效用建模为嘈杂的意见,他们的潜在的真实效用。我们的主要贡献有两方面。首先,在一个一般的比较模型中,项目对进行比较的先验,我们获得了可靠的恢复的顶部$K$排名项目的样本量的上限和下限。其次,更重要的是,扩展的结果,以一个随机比较模型,项目对比较独立地选择与一定的概率,我们表明,在略有限制的制度,推导出的界限之间的差距减少到一个常数的因素,因此揭示了谱方法可以实现最小最大最优的(顺序明智的)样本大小所需的顶部- $K$排名。也就是说,我们证明了一个谱方法单独足以实现最优性和有利的计算复杂性方面,因为它不需要一个额外的阶段的最大似然估计,一个国家的最先进的计划采用实现最优性。我们证实了我们的主要结果的数值实验。
2016-03-14 cs.IT cs.LG cs.SI
Revealing subgroup structure in ranked data using a Bayesian WAND
排名数据出现在许多应用领域,从癌症上调基因的排名到学术统计期刊的排名。当排名者没有报告所有实体的完整排名时,可能会出现并发症;例如,他们可能在看到一些或所有实体后才报告排名最高的$M$实体。了解排名是否同样提供信息,以及某些实体是否被有效地判断为可交换,也是有用的。当数据中存在重要的子组结构时,汇总(总体)排名等摘要可能会产生误导。本文提出了一个灵活的贝叶斯非参数模型,用于识别排序数据中的异质结构和排序器可靠性。该模型是一个加权自适应嵌套Dirichlet(WAND)过程混合Plackett-Luce模型和推理收益通过一个简单而有效的吉布斯抽样计划后验抽样。后验分布中丰富的信息使我们能够推断出排名组之间和实体组之间(排名组内)结构的许多细节,这与许多其他(贝叶斯)分析相反。我们还研究了如何使用后验预测检查来识别模型拟合的缺乏。使用几个模拟研究和实际数据的例子说明了该方法。
2018-10-25 stat.AP stat.ME
Ranked Set Sampling in Survival Analysis
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本研究开发了适用于平衡RSS设计的统一生存分析框架,提出了基于排名的生存估计方法和推断工具,提升了在不完美排名和删失情况下的效率。
2025-12-27 stat.ME
The ordering of future observations from multiple groups
在许多情况下,对不同群体进行比较是非常有意义的。考虑某些处理的效率的排序是一个例子。我们提出了非参数预测推理(NPI)的排序的实值未来的观察从多个独立的群体。不确定性使用NPI下概率和上概率进行量化,用于这些组的下一个未来观测以特定方式排序的事件。这些NPI的上、下限概率的几个应用进行了探讨,包括多组推理,诊断准确性和排序集抽样。
2020-09-28 stat.ME
Information content of partially rank-ordered set samples
部分秩序集抽样是秩集抽样的一种推广,它不要求排序者对每个集合中的抽样单元进行完全排序,从而具有更大的灵活性来执行必要的判断排序过程。PROS抽样在从环境和生态研究到医学研究的不同领域有着广泛的应用,并且在估计总体均值方面优于秩集抽样和简单随机抽样。本文研究了PROS样本的Fisher信息含量和不确定性结构,并将其与基本总体中相同大小的简单随机样本(SRS)和秩集样本(RSS)样本的Fisher信息含量和不确定性结构进行了比较。我们根据香农熵、雷尼熵和Kullback-Leibler(KL)判别测度研究了不确定性结构。几个例子,包括FI的PROS样本的位置-尺度分布家族以及回归模型进行了讨论。
2015-04-28 math.ST stat.ME stat.OT
Bayesian Plackett--Luce latent block models for ranked data
University College Dublin(都柏林大学学院);Rinn Artificial Intelligence(Rinn人工智能);University of Oslo(奥斯陆大学)
该研究提出了一种联合划分评估者与项目的贝叶斯Plackett-Luce潜在块模型,通过模拟验证其不确定性表征能力,将其应用于TCGA泛癌基因排序,揭示组织驱动的样本结构并支持生物学解释。
2026-07-30 stat.AP stat.CO stat.ME
Partition-Mallows Model and Its Inference for Rank Aggregation
学习如何聚合排名列表多年来一直是一个活跃的研究领域,其进展在从生物信息学到互联网商务的许多应用中发挥了至关重要的作用。仅基于等级数据识别等级的可靠性问题引起了许多从业者的极大兴趣,但却很少受到研究者的关注。通过将排名的实体分成两个不相交的组,即,相关和不相关/背景的,并结合马洛模型的相关实体的相对排名,我们提出了一个框架,排名聚合,不仅可以区分质量差异的排名,但也提供了详细的排名信息的相关实体。所提出的方法的理论特性的建立,并通过仿真研究和实际数据的应用表明其优于现有的方法。扩展所提出的方法来处理部分排名列表和进行协变量辅助排名聚合进行了讨论。
2021-04-15 stat.ME
Predictive Inference Based on Markov Chain Monte Carlo Output
在贝叶斯推断中,预测分布通常是经由马尔可夫链蒙特卡罗(MCMC)或相关算法生成的样本的形式。在本文中,我们进行了系统的分析,如何作出和评估概率预测,从这样的模拟输出。基于适当的评分规则,我们开发了一个概念的一致性,允许评估充分的方法估计的平稳分布的模拟输出。然后,我们提供的渐近结果,占贝叶斯后验模拟器的显着特点,并推导出条件下,从文献中的选择满足我们的概念的一致性。重要的是,这些条件取决于所使用的评分规则,因此近似方法和评分规则的选择是交织在一起的。虽然对数规则需要相当严格的条件,连续排序概率得分(CRPS)在最小的假设下产生一致的近似。这些结果在模拟研究和经济数据的例子中得到了说明。总体而言,混合参数近似,利用贝叶斯模型的参数结构表现得特别好。在CRPS下,经验分布函数是一个简单而有吸引力的替代选择。
2020-06-24 stat.ME
Improving upon the effective sample size based on Godambe information for block likelihood inference
我们认为有效的样本量,Godambe信息的基础上,块似然推理,这是一个有吸引力的和计算上可行的替代全似然推理的大型相关数据集。参考高斯随机场具有恒定的平均值,我们探讨如何选择块影响这个有效的样本量。可以看出,将每个块内的空间点分散开,而不是将它们保持在一起,可以在保持计算简单性的同时获得相当大的收益。在AR(1)模型下得到了这一方向的分析结果。这样发现的见解促进了其他模型的研究,包括平面上的相关模型,其中封闭形式的表达式是棘手的。
2021-12-18 stat.ME
Accurate inference for a one parameter distribution based on the mean of a transformed sample
统计学中的大量推论都是基于对统计量服从正态分布的近似。这样做的误差通常为$O(n^{-1/2})$,当分布严重偏倚或偏斜时,误差可能非常大。本注释说明如何将此误差减少到$O(n^{-(j+1)/2})$,其中$j$是给定的整数。所考虑的情况是当统计量是连续单参数分布的样本值的平均值时,样本经过初始变换。
2010-09-11 stat.ME
Data Integration in Causal Inference
整合来自多个异质来源的数据已变得越来越流行,以实现大样本量和多样化的研究人群。本文回顾了因果推断方法的发展,该方法结合了从潜在异质性人群中通过潜在不同设计收集的多个数据集。我们总结了随机临床试验与观察性研究或历史对照的外部信息相结合的最新进展,当没有单个样本具有所有相关变量时,将样本组合起来应用于双样本孟德尔随机化,在隐私问题下使用真实世界数据进行比较有效性和安全性研究的分布式数据设置,贝叶斯因果推断和因果发现方法。
2021-10-03 stat.ME
Sample Empirical Likelihood Methods for Causal Inference
本文提出基于两样本经验似然函数的平均处理效应估计与推断框架,开发两种引入倾向得分的方法,所得估计量具双重稳健性,并推导了统计量极限分布以支持置信区间构建和假设检验。
2024-03-24 stat.ME
Simultaneous Inference for Centre-Outward Rankings of Random Objects
National University of Singapore(新加坡国立大学);University of Science and Technology of China(中国科学技术大学)
该研究针对随机对象的中心向外排名,利用成对相异度构造同时区间,提出中心集与异常值集的推断方法,在对称分布等场景下验证其性质,并应用于气象年与基因树数据。
2026-10-14 stat.ME
Discussion of ''A Tale of Two Datasets: Representativeness and Generalisability of Inference for Samples of Networks''
本文是对Krivitsky等人关于网络样本推断代表性与可推广性研究的讨论性评论。
2023-10-28 stat.AP stat.ME
Rejoinder to Discussion of "A Tale of Two Datasets: Representativeness and Generalisability of Inference for Samples of Networks''
本文回应了关于网络样本推断代表性与泛化性研究的讨论,重申了原论文的核心观点,并针对评论者的意见进行了澄清与补充。
2023-12-10 stat.AP stat.ME
Inference from Non-Random Samples Using Bayesian Machine Learning
我们认为,从非随机样本在数据丰富的设置,高维辅助信息是在样本和目标人群,调查推断是一个特殊的情况下,推断。我们提出了一种正则化的预测方法,使用大量的辅助变量预测人口中的结果,使得可验证性假设是合理的,而贝叶斯框架是直接量化的不确定性。除了辅助变量之外,受Little & An(2004)的启发,我们还通过估计样本中包含的单元的倾向得分来扩展该方法,并将其作为机器学习模型中的预测因子。我们通过模拟研究表明,使用软贝叶斯加性回归树的正则化预测产生有效的推断人口的手段和覆盖率接近名义水平。我们证明了所提出的方法使用两个不同的实际数据应用程序,一个在调查和流行病学研究中的应用。
2021-04-12 stat.AP stat.ME
Inference for Low-rank Completion without Sample Splitting with Application to Treatment Effect Estimation
本文提出一种无需样本分割的低秩矩阵补全推断方法,证明核范数惩罚后特征向量的最小二乘估计具有渐近正态性,并将其应用于估计总统投票对联邦预算分配的平均处置效应。
2023-07-31 econ.EM stat.ME
Bayesian inference under small sample size -- A noninformative prior approach
本文提出了一种适用于小样本、稀疏数据问题的贝叶斯推断方法。提出了一种一般的先验($\propto 1/σ^{q}$),用于小样本量下的贝叶斯后验推理问题。它表明,这种类型的先验可以代表广泛的先验,如经典的无信息先验和渐近局部不变的先验。它进一步表明,在这项研究中,这样的先验可以推导出的正态-逆-伽玛共轭先验的极限状态,允许贝叶斯后验和预测的分析评估。在小样本量条件下,利用全局似然法比较了不同无信息先验的性能。采用拉普拉斯近似的方法来估计全局似然。数值线性回归问题和实际的疲劳可靠性问题被用来证明该方法和确定最佳的无信息先验。结果表明,使用Jeffreys的先验的预测优于其他人。在小样本量条件下,证明了无信息贝叶斯估计量优于常规最小二乘估计量。
2020-10-13 stat.AP stat.ME
A simple recipe for making accurate parametric inference in finite sample
构造检验或置信区域来长期控制错误率可能是统计学中最重要的问题之一。然而,统计学中大多数方法的理论依据是渐进的。举个例子,自举法尽管简单且使用广泛,但它是一种渐近方法。一般来说,在有限样本中,没有关于推理过程的精确性的主张。在本文中,我们提出了一种替代的参数引导。我们设置了一般条件,从理论上证明了在有限样本下可以进行精确推理。
2019-01-20 math.ST stat.ME stat.TH
Inference on covariance operators via concentration inequalities: k-sample tests, classification, and clustering via Rademacher complexities
提出了一种利用集中不等式分析协方差算子的新方法。首先,非渐近置信集构造这样的运营商。然后,随后的应用程序,包括一个k样本测试的协方差相等,一个功能数据分类器,和一个期望最大化风格的聚类算法推导和测试模拟和音素数据。
2016-04-21 math.ST stat.ME stat.TH
ART: Distribution-Free and Model-Agnostic Changepoint Detection with Finite-Sample Guarantees
本文提出无分布、模型无关的变点检测框架ART,通过对称评分、排序与多尺度聚合实现精确第一类错误控制及检测后推断。
2025-01-08 math.ST stat.ME stat.TH
The Generalized Fisher Transformation: Finite-Sample Properties and Inference
York University(约克大学);Department of Economics, University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校经济学系)
研究广义Fisher变换(GFT)的有限样本性质,发现其坐标近似高斯、不相关且协方差几乎与相关矩阵无关,从而在有限样本中比传统方法提供更好的推断。
2026-06-15 econ.EM math.ST stat.ME