Properties of restricted randomization with implications for experimental design
最近,在随机对照试验中,人们越来越关注使用严格限制的随机化设计,以加强对观察到的协变量的平衡。然而,当限制严格时,存在处理效应估计器将具有非常高的均方误差的风险。在本文中,我们正式这种风险,并提出了一种新的组合为基础的方法来描述和解决这个问题。首先,我们通过重新证明完全随机化和限制随机化的一些已知性质来验证我们的新方法。其次,我们提出了一种新的诊断措施,限制设计,只使用嵌入在组合的设计信息。第三,我们证明了在随机实验中的差异的均值估计的均方误差的方差是这个诊断措施的线性函数。最后,我们确定的情况下,限制设计可能会导致风险增加,得到一个高的均方误差,并讨论我们的诊断措施可以用来检测这样的设计。我们的研究结果对任何限制性随机化设计都有影响,并且可以用来评估在观察到的协变量上强制平衡和避免过于限制性的设计之间的权衡。
2021-10-14 stat.ME
Study designs for extending causal inferences from a randomized trial to a target population
我们研究了将因果推断从随机试验扩展(推广或转移)到目标人群的研究设计。具体来说,我们考虑嵌套试验设计,其中随机个体嵌套在目标人群的样本中,以及非嵌套试验设计,包括复合数据集设计,其中随机试验与单独获得的目标人群非随机个体样本相结合。我们表明,在每个研究设计中可以确定的因果量取决于已知的非随机个体抽样的概率。对于每项研究设计,我们通过g公式和逆概率加权检查潜在结局平均值的识别。最后,我们探讨了潜在的抽样性质的影响设计的识别和估计的概率参加试验。
2019-05-19 stat.AP stat.ME
On the Optimality of Randomization in Experimental Design: How to Randomize for Minimax Variance and Design-Based Inference
我研究了双臂对照实验的最小最大最优设计,其中条件平均结果在给定的集合中可能会有所不同。当该集合是置换对称时,最优设计是完全随机化,并且使用单个分区(即,仅将分区每一侧的治疗标签随机化的设计)具有大$n-1$倍的极小极大风险。更一般地说,最优设计是Kallus(2018)的混合策略最优设计(MSOD)。值得注意的是,即使条件平均结果的集合具有结构(即,不是置换对称的),对于方差是最小最大最优的仍然需要超出单个分区的随机化。尽管如此,由于这以精确度为目标,因此它可能仍然不能确保随机化的足够均匀性以实现随机化(即,通过Fisher精确检验进行基于设计的)推断,以适当地检测对null的违反。因此,我提出了推理约束的MSOD,这是最小最优的所有设计受到这样的均匀性约束。在此过程中,我讨论了Johansson等人(2020),他们最近比较了Morgan和Rubin(2012)的重新随机化和Kallus(2018)的纯策略最优设计(PSOD)。我指出了其中的一些错误,并指出随机化是最小最优的,Kallus(2018)中的“没有免费的午餐”定理和例子是正确的。
2020-05-06 math.OC stat.ME stat.ML
Optimality of Matched-Pair Designs in Randomized Controlled Trials
在随机对照试验(RCT)中,治疗通常通过分层随机分配。我表明,在所有分层随机化方案,处理所有单位的概率一半,一定的配对设计达到最大的统计精度估计的平均处理效应(ATE)。在一个重要的特殊情况下,最优设计根据基线结果对单元进行配对。在一项基于10项随机对照试验数据集的模拟研究中,相对于原始设计,该设计将ATE估计值的标准误差平均降低了10%,最高降低了34%。
2022-06-15 econ.EM math.ST stat.ME
On the importance of block randomisation when designing proteomics experiments
在实验设计中使用随机化以降低非预期混杂因素的发生率。然而,完全随机化可能会产生不平衡的设计,例如,将相同条件的所有样本分组在同一批中。区组随机化是一种可以防止样本分配在已知和未知混杂因素方面严重失衡的方法。该功能为读者提供了对阻断和随机化的介绍,深入了解如何在实验设计过程中有效组织样品,以及蛋白质组学方面的特殊考虑。
2020-07-13 q-bio.QM stat.AP
Optimal Designs in Multiple Group Random Coefficient Regression Models
本文的研究对象是具有多个处理和一个控制组的多组随机系数回归模型。这类模型常用于整群随机试验的研究。我们分别研究了固定和随机处理效应的估计和预测的A-、D-和E-最优设计,并通过数值例子说明了所得结果。
2018-07-26 math.ST stat.TH
Sampling-based randomized designs for causal inference under the potential outcomes framework
我们建立的平均治疗效果的平均差异估计的推理性质在随机实验中,每个单位在人口中随机两个治疗,然后治疗组内的单位随机抽样。该估计量的性质在试验设计方案中很好理解,其中第一个单位随机取样,然后随机分配给药,但不适用于上述方案,其中取样和给药分配阶段颠倒。我们发现,在这种试验设计的情况下,平均差估计的推理性质是相同的更常见的样本第一随机化第二设计。这一发现将带来一些澄清抽样为基础的随机设计的因果推理,特别是对于设置有一个有限的超级人口。最后,我们探讨在何种程度上预处理测量可以用来改善后,这种随机化第一样本第二设计的均值差估计。不幸的是,我们发现,治疗前的测量往往是没有帮助的,在这种设计下,提高平均治疗效果估计的精度,除非大量的治疗前的测量,是高度相关的治疗后的测量可以得到。我们证实了这些结果,使用模拟研究的基础上,在纳米材料的真实实验。
2019-02-16 math.ST stat.TH
Model-Based and Model-Free point prediction algorithms for locally stationary random fields
无模型预测原理已成功地应用于一般的回归问题,以及涉及平稳和局部平稳时间序列的问题。在本文中,我们演示了无模型预测如何应用于处理仅局部平稳的随机场,即,可以假设它们仅在其整个定义区域上的有限部分上是静止的。我们构建了一步领先点预测器,并使用包含趋势和/或异方差的模型比较了无模型预测和基于模型预测的性能。这两个方面的文件,无模型和模型为基础的,是新颖的随机场的背景下,是本地(但不是全球)平稳。我们展示了我们的基于模型和无模型点预测方法在合成数据以及CIFAR-10数据集图像中的应用,在后一种情况下,我们最好的无模型点预测结果优于使用基于模型的预测获得的结果。
2022-12-06 stat.ME
Conditional autoregressive models fused with random forests to improve small-area spatial prediction
针对区域数据缺失预测问题,本文提出CAR-Forest算法,将随机森林的非线性特征关系建模与贝叶斯CAR模型的残差空间自相关捕捉迭代融合;在苏格兰房价数据上优于CAR、随机森林及地理加权随机森林,提供先进的小区域空间预测框架。
2023-12-19 stat.ME
Prediction intervals for random-effects meta-analysis: a confidence distribution approach
The Institute of Statistical Mathematics(日本统计数学研究所);Kyoto University Graduate School of Medicine / School of Public Health(京都大学大学院医学研究系/公共卫生学院)
针对随机效应元分析中Higgins-Thompson-Spiegelhalter预测区间依赖大样本近似、小样本表现差的问题,提出基于Bootstrap的替代方法,模拟验证其覆盖率接近名义水平,并应用于三项元分析。
2025-11-13 stat.ME
Improved prediction of extreme random effects in joint models: WRaPs
Ghent University(根特大学)
针对联合模型中极端随机效应预测的回归均值问题,提出加权随机效应预测器(WRaPs),通过最小化加权平方预测误差来改善尾部估计,并在贝叶斯框架下提供解析解和MCMC计算方案。
2026-06-18 stat.ME
Out-of-bag prediction balls for random forests in metric spaces
Carlos III University of Madrid(马德里卡洛斯三世大学)
本文提出在度量空间中利用袋外观测构建预测区域的方法,用于评估随机森林预测的不确定性,通过数值实验验证其稳定性与较小的半径。
2026-04-03 stat.ME
From Fixed-X to Random-X Regression: Bias-Variance Decompositions, Covariance Penalties, and Prediction Error Estimation
在统计预测中,基于协方差惩罚的经典模型选择和模型评价方法仍然被广泛使用。关于这个主题的大多数文献都是基于我们所谓的“固定X”假设,其中协变量值被假设为非随机的。相比之下,采用“Random-X”视图通常更合理,其中协变量值独立绘制用于训练和预测。为了研究协方差惩罚在这种设置中的适用性,我们提出了Random-X预测误差的分解,其中协变量的随机性对偏差和方差分量都有贡献。这种分解是一般的,但我们集中在最小二乘回归的基本情况。我们证明,在这种设置中,从固定X到随机X预测的移动会导致偏差和方差的增加。当协变量服从正态分布且线性模型无偏时,此分解中的所有项都是显式可计算的,这产生了我们称之为$RCp$的Malows Cp的扩展。$RCp$对某些非正态协变量类也渐近成立。当噪声方差未知时,插入通常的无偏估计导致我们称为$\hat{RCp}$的方法,该方法与Sp(Tukey 1967)和GCV(Craven and Wahba 1978)密切相关。对于过度偏倚,我们提出了一个基于普通交叉验证(OCV)的“捷径公式”的估计,从而产生了一种我们称之为$RCp^+$的方法。理论论证和数值模拟表明,$RCP^+$通常优于OCV,尽管差异很小。我们进一步研究其他流行的估计的随机X误差。对于岭回归,我们得到的令人惊讶的结果是,在高度正则化的情况下,Random-X方差小于Fixed-X方差,这可以导致更小…
2017-06-10 stat.ME
Random Effects Misspecification and its Consequences for Prediction in Generalized Linear Mixed Models
本文研究广义线性混合模型中随机效应分布误设对点预测和预测推断的影响,通过理论、模拟和实际应用分析正态假设替代真实正态混合分布的后果,发现其影响最优收缩和MSEPs,但对预测区间覆盖概率影响不大。
2024-11-28 stat.AP stat.ME
Prediction of spatial functional random processes: Comparing functional and spatio-temporal kriging approaches
在本文中,我们提出和比较功能和时空(SP. T.)预测空间函数随机过程的克里金方法(也可以被视为SP. T.随机过程)。通过功能交叉验证的计算时间和预测性能的比较进行了评估,主要是通过模拟研究,但也对两个真实的数据集。我们将比较限制为SP. T。Kriging与普通Kriging for Functional Data(OKFD)的比较,因为更灵活的函数Kriging方法,逐点函数Kriging(PWFK)和函数Kriging总体模型,在几种情况下与OKFD一致。我们通过证明OKFD和PWFK在一定条件下重合来提供新的知识。从模拟研究中得出结论,这两种克里金方法的预测性能一般是相当的平稳SP. T。过程,函数克里金法倾向于更好地适用于小样本量和SP. T。克里金法更适合大样本量。对于非稳态Sp.T.过程,具有共同的确定性时间趋势和/或时变方差和相关结构,OKFD的性能优于SP. T。不考虑样本量的克里金法。对于所有模拟的情况下,OKFD的计算时间是相当低的相比,为SP. T。克里格方法
2018-02-15 stat.ME
Prediction properties of optimum response surface designs
预测能力被认为是响应面方法中的一个重要问题。根据一个设计应该有几个理想的属性的论点,我们已经扩展了现有的复合设计标准,包括预测属性。被认为是预测的响应和响应的差异。允许点和区间预测。还介绍了现有的图形工具,用于检查在整个试验区域的设计的预测性能的扩展。用两个例子说明了该方法。
2019-06-18 stat.ME
Moving beyond spatial and random cross-validation in environmental modelling: a call for prediction-domain adaptive evaluation
University of Münster(明斯特大学)
本文提出预测领域自适应评估方法,用于在无法获取独立概率样本时更准确评估空间预测地图的准确性。
2026-05-13 stat.ME
Prediction intervals for random-effects meta-analysis based on confidence distributions and Edgington's method
Epidemiology, Biostatistics and Prevention Institute, Department of Biostatistics, University of Zurich(苏黎世大学流行病学、生物统计和预防研究所生物统计系)
针对随机效应元分析中异质性导致平均效应推断不足的问题,提出基于置信分布和Edgington p值组合法的预测分布构建方法,在少量研究时仍能实现名义覆盖并反映偏态。
2026-06-25 stat.ME
Estimation, Testing, and Prediction Regions of the Fixed and Random Effects by Solving the Henderson's Mixed Model Equations
本文简要介绍了在传统的简单线性混合模型中,对固定效应的线性函数和/或同时对固定效应和随机效应进行统计推断的方法(检验统计假设、构建置信区间和/或预测区间和区域)。所提出的方法是基于亨德森的混合模型方程的解决方案。
2013-01-04 stat.CO stat.ME
Regression-based Network Reconstruction with Nodal and Dyadic Covariates and Random Effects
网络(或矩阵)重构是一个常见的问题,如果一个矩阵的边界是给定的,矩阵的元素需要预测。在本文中,我们表明,从迭代比例拟合过程(IPFP)或等效的最大熵(ME)得到的预测可以得到的限制极大似然估计依赖于增广拉格朗日优化。基于等价性,我们通过允许外生协变量和随机异质性效应,将网络重构的框架扩展到回归。提出的估计方法进行了比较,与不同的竞争方法的网络重建和矩阵估计。例如,我们将该方法应用于国际结算银行(BIS)提供的银行间借贷数据。该数据集提供了真实网络的全部知识,因此适合评估我们方法的预测。结果表明,包括外源信息允许优越的预测方面的$L_1$和$L_2$错误。此外,该方法允许通过引导程序获得预测区间,该引导程序可用于量化预测的不确定性。
2019-09-04 stat.ME
Projected random forests and conformal prediction of circular data
Insper University(Insper大学);University of São Paulo(圣保罗大学)
针对圆形响应回归问题,应用共形预测技术,通过投影方法将线性回归模型转换为圆形模型,并利用随机森林的袋外机制避免额外校准样本,生成具有有限样本覆盖保证和自适应弧长的预测集。
2026-06-11 cs.LG stat.ME stat.ML
Multiple imputation using chained random forests: a preliminary study based on the empirical distribution of out-of-bag prediction errors
缺失数据在生物医学领域的数据分析中是常见的,基于随机森林(RF)的插补方法已被广泛接受,因为RF算法可以实现高精度而不需要指定数据分布或关系。然而,来自RF的预测不包含关于预测不确定性的信息,这对于多重插补是不可接受的。现有的基于RF的多重插补方法试图通过直接从预测节点下的观测值采样而不考虑预测误差或通过对预测误差分布进行正态性假设来进行适当的多重插补。通过构造袋外预测误差的经验分布的条件分布,提出了一种新的基于RF的多重插补方法。通过对存在交互作用项的数据的仿真研究,将该方法与先前的方法进行了比较,并对RF的预测误差和预测均值匹配进行了参数假设。所提出的非参数方法可以提供有效的多重插补结果。本研究附带的R包是公开可用的。
2020-04-30 stat.ME stat.ML
Probabilistic Conformal Prediction Using Conditional Random Samples
University of Texas at Austin(德克萨斯大学奥斯汀分校);Columbia University(哥伦比亚大学)
本文提出了概率共形预测(PCP),预测推理算法,估计目标变量的不连续预测集。给定输入,PCP基于来自估计生成模型的随机样本构建预测集。它是有效的,兼容显式或隐式条件生成模型。从理论上讲,我们证明PCP可以在有限样本的情况下保证正确的边缘覆盖。经验上,我们研究了各种模拟和真实数据集上的PCP。与现有的共形推理方法相比,PCP提供了更清晰的预测集。
2022-06-20 cs.LG stat.ME stat.ML
pimeta: an R package of prediction intervals for random-effects meta-analysis
预测区间在荟萃分析中越来越重要,因为它可以评估处理效应的不确定性和研究间的异质性。然而,目前的标准方法构建预测区间的覆盖概率不能保持其名义水平一般,特别是当合成的研究数量是中等或小,因为它们的有效性依赖于大样本近似。最近,已经开发了几种方法来解决这个问题。本文简要总结了预测区间方法的最新发展,并提供了使用R语言处理多种类型数据的简单代码的可读示例。pimeta包是一个R包,它提供了这些改进的方法来计算准确的预测区间,并提供了图形工具来说明这些结果。pimeta软件包列于``CRAN任务视图:荟萃分析。''使用一系列R包在R中轻松执行分析。
2021-10-15 stat.AP stat.ME
Prediction and estimation of random variables with infinite mean or variance
在本文中,我们提出了一个随机变量的最优预测,具有无穷的均值或无穷的方差。该方法包括变换随机变量,使得变换后的变量具有有限均值和有限方差。所提出的预测量是一个广义的算术平均,它类似于效用理论中的确定性价格的概念。通常,变换由双射的参数族组成,在这种情况下,可以选择参数以最小化变换坐标中的预测误差。研究了该预测量估计量的统计性质,给出了估计量的置信区间。使用模拟和真实数据的程序的性能进行说明。
2023-03-26 math.ST stat.ME stat.TH
A Bayesian Nonparametric approach to Reconstruction and Prediction of Random Dynamical Systems
基于马尔可夫链蒙特卡罗方法(MCMC),提出了一种贝叶斯非参数混合模型,用于离散随机动力系统的时间序列重构和预测.我们的研究结果可以用于物理建模的研究人员感兴趣的快速和准确的估计低维随机模型时,所观察到的时间序列的大小是小的,噪声过程(也许)是非高斯的。特别是在多项式映射的情况下,证明了推理过程的任意程度,当几何棒打破混合物的过程之前,在空间的密度,适用于添加剂的错误。我们的方法是简约的贝叶斯非参数技术的基础上Dirichlet过程的混合物,灵活和一般。基于合成时间序列的仿真。
2017-09-30 stat.AP stat.ME
Clustered random forests with correlated data for optimal estimation and inference under potential covariate shift
University of Cambridge(剑桥大学)
本文提出聚类随机森林算法,通过利用相关数据间的相关性提升估计和推断性能,并探讨协变量偏移下最优权重的选择方法。
2026-01-23 stat.ME stat.ML
Prediction Inference Using Generalized Functional Mixed Effects Models
本研究提出广义函数混合效应模型下结合局部GLMMs、SFPCA与贝叶斯多层模型的函数型随机效应预测推断方法,模拟验证了其可信区间的优异覆盖性,实现为可复现R包并通过NHANES加速度数据验证。
2025-01-14 stat.AP stat.ME
Joint reconstruction and prediction of random dynamical systems under borrowing of strength
基于$m$ -多个时间序列数据,提出了一种基于马尔可夫链蒙特卡罗(MCMC)方法的贝叶斯非参数模型,用于离散时间随机动力系统的联合重构和预测.我们介绍了成对依赖几何棒断裂重建(PD-GSBR)模型,它依赖于构建一个$m$变量的非参数先验的密度空间支持$\mathbb{R}^m$。我们关注的是至少一个时间序列具有足够大的样本量表示的情况,以进行独立和准确的几何Stick-Breaking估计,如Merkatas等人(2017)所定义的。我们的论点是,只要扰动底层动力系统的动态误差过程具有共同的特征,代表性不足的数据集就可以在模型估计精度方面受益。的PD-GSBR估计和预测程序的情况下,具体证明了一个任意程度的多项式非线性映射。基于合成时间序列的仿真。
2019-02-16 stat.AP stat.ME
Prediction of Ordered Random Effects in a Simple Small Area Model
有序参数的向量或其部分的预测在小区域估计(SAE)的上下文中自然出现。例如,人们可能想要估计与前十个区域、最佳或最差区域或某个百分位数相关联的参数。我们使用一个简单的SAE模型表明,估计有序参数的相应的有序估计的每个领域分别不产生良好的结果相对于MSE。收缩型预测器,适当的收缩量的特定问题的有序参数,是相当好的,其性能接近的最佳预测器,这在一般情况下不能显式计算。
2009-09-24 math.ST stat.ME stat.TH
Optimality regions for designs in multiple linear regression models with correlated random coefficients
本文研究了具有相关效应的单响应线性回归模型的最优设计。我们引入菱形设计的概念,以减少计算复杂性,并找到一个半代数描述的D-最优性的菱形设计通过Kiefer-Wolfowitz等价定理。随后,我们表明,最佳菱形设计的结构直接取决于随机系数的相关结构。
2019-11-13 math.ST stat.ME stat.TH
Targeted tuning of random forests for quantile estimation and prediction intervals
本文提出随机森林的QCL调参方法,通过最小化袋外分位数覆盖概率偏差来改善分位数估计与预测区间,并适配删失数据,在覆盖准确性和MSE上优于默认及传统调参。
2025-07-02 stat.AP stat.ME stat.ML