Adjusted empirical likelihood with high-order precision
经验似然是一种流行的非参数或半参数统计方法,具有许多优良的统计性质。然而,当样本量小,或伴随的估计函数的维数高,经验似然法的应用可能会受到卡方近似的低精度和估计方程的解的不存在。在本文中,我们表明,调整后的经验可能性是有效的,在解决这两个问题。在特定的调整水平下,调整后的经验似然除了具有保证估计方程解的优点外,还实现了Bartlett校正的高阶精度。仿真结果表明,由调整后的经验似然构造的置信区域具有与由Bartlett校正增强的原始经验似然相当或实质上更准确的覆盖概率。
2010-10-02 math.ST stat.TH
Bounds on coverage probabilities of the empirical likelihood ratio confidence regions
基于估计方程,研究了经验似然比置信区域覆盖概率的上确界。经验似然推断的界限的影响也进行了讨论。
2004-06-25 math.ST stat.TH
Empirical likelihood confidence regions for the parameters of a two phases nonlinear model with and without missing response data
本文利用经验似然法构造随机设计的两相非线性模型参数间差异的置信区域。我们表明,经验的似然比有一个渐近卡方分布。其结果是威尔克定理的非参数版本。经验似然法也被用来构造响应变量随机缺失的两阶段非线性模型的参数之差的置信区域。为了构造参数的置信区域,我们提出了三种经验似然统计量:基于完全数据的经验似然、加权经验似然和带插补值的经验似然。我们证明,所有三个经验似然比有渐近卡方分布。通过Monte-Carlo仿真验证了所提方法在覆盖概率和区间长度方面的有效性。
2015-02-17 math.ST stat.TH
Empirical likelihood on the full parameter space
我们推广了Owen [Ann. Statistist. 18(1990)90-120]通过将其域划分成其轮廓的集合并通过连续序列的相似变换将轮廓映射到完整的参数空间上。由此产生的扩展的经验似然是一个自然的推广的原始经验似然的完整的参数空间,它具有相同的渐近性质和相同形状的轮廓作为原始的经验似然。它也能达到DiCiccio,Hall和Romano [Ann. Statist. 19(1991)1053-1061]。一个简单的一阶扩展经验似然被发现是更准确的比原来的经验似然。它也是更准确的比现有的二阶经验似然方法在大多数小样本的情况下,在大样本的情况下,在精度上具有竞争力。重要的是,在许多一维应用中,这种一阶扩展经验似然对于小至十个的样本量是准确的,使其成为小样本经验似然推断的实用且可靠的选择。
2013-11-08 math.ST stat.TH
On the computation of the marginal likelihood
我们简要地描述了一个程序,通过一个样本从模型参数的后验分布的统计模型的边际似然一致估计。
2014-06-10 math.ST stat.TH
Multivariate two-sample extended empirical likelihood
Jing(1995)和Liu et al.(2008)研究了双样本经验似然,并分别证明了单变量和多变量情况下Bartlett可校正。我们将它的定义域扩展到全参数空间,得到了一个更精确的双样本扩展经验似然,它也能达到Bartlett校正的二阶精度。
2013-08-20 math.ST stat.TH
Linear Estimating Equations for Exponential Families with Application to Gaussian Linear Concentration Models
在许多分布族中,极大似然估计是难以处理的,因为进入似然函数的密度的归一化常数不容易获得。Hyvärinen(2005)的评分匹配估计量提供了一种不需要该归一化常数的替代方案。对于指数族,相应的估计方程变为线性。分数匹配估计是一致的,渐近正态分布的这种模式,虽然不一定有效。高斯线性浓度模型就是这类模型的例子。对于在协方差中也是线性的线性浓度模型,我们证明了分数匹配估计量与最大似然估计量相同,因此在这种情况下它也是有效的。高斯图形模型和图形模型的对称形式特别有趣的线性浓度模型的子类,我们调查的分数匹配估计这种情况下的潜在用途。
2014-06-12 math.ST stat.TH
Estimating divergence functionals and the likelihood ratio by convex risk minimization
我们开发和分析$M$ -估计方法的分歧泛函和似然比的两个概率分布。我们的方法是基于一个非渐近变分表征的$f$ -分歧,这使得估计分歧的问题,通过凸经验风险优化来解决。由此产生的估计是简单的实现,只需要标准的凸规划的解决方案。我们提出了这些估计的一致性和收敛性分析。仅在密度比的条件下,我们证明了我们的估计在一定的条件下可以获得最优的似然比和发散泛函的极小极大率。我们推导出一个有效的优化算法来计算我们的估计,并通过模拟说明其收敛性和实际可行性。
2009-04-22 cs.IT math.IT math.ST
Asymptotic behaviour of the empirical Bayes posteriors associated to maximum marginal likelihood estimator
我们考虑一般情况下边际最大似然经验贝叶斯后验分布的渐近行为。首先,我们描述了最大边际似然估计位于高概率的集合。然后给出了经验贝叶斯后验压缩率的预言型上界和下界。我们还表明,分层贝叶斯后验达到相同的收缩率的最大边际似然经验贝叶斯后验。我们证明了我们的一般结果的适用性,为各种模型和先验分布推导相应的经验和分层贝叶斯后验分布的收缩率的上限和下界。
2016-04-04 math.ST stat.TH
Estimating a class of diffusions from discrete observations via approximate maximum likelihood method
分析了基于扩散$X$沿固定时间间隔的离散观测值$[0,T]$和积分的Euler近似的扩散参数$(\vartheta,σ)$的近似极大似然估计方法。我们假设$X$满足一个形式为$dX_t =μ(X_t ,\vartheta )\, dt+\sqrtσ b(X_t )\, dW_t$的矩阵,初始条件为非随机的。在$\vartheta$中,时延一般是非线性的。在假设基于$[0,T]$上路径连续观测的漂移参数的极大似然估计$\hat{\vartheta}_T$存在的基础上,证明了由$X$沿$[0,T]$的离散观测通过近似对数似然函数的极大化得到的参数的可测估计$(\hat{\vartheta}_{n,T},\hatσ_{n,T})$存在,且$\hatσ_{n,T}$是相合且渐近正态的,并且当$T$固定时,$δ_{n,T} =\max_{0\leq i<n}(t_{i+1}-t_i )$趋于零时,$\hat{\vartheta}_{n,T}-\hat{\vartheta}_T$趋于零,概率为$\sqrtδ_{n,T}$。在遍历扩散的情况下,当$T$以$Tδ_n$在等距采样下趋于零的方式趋于无穷大时,同样适用,并且我们应用这些来显示$\hat{\vartheta}_{n,T}$,$\hatσ_{n,T}$和$\hat{\vartheta}_{n,T}$在这种情况下的渐近效率的一致性和渐近正态性…
2018-08-20 math.ST stat.TH
An Empirical Likelihood-based Local Estimation
本文提出了经验似然(EL)的局部表示方法。EL通过它的似然比性质承认经典的局部线性二次表示。利用新的表示方法,得到了一个局部估计量.一致性、局部渐近正态性和渐近最优性结果对于新的估计量成立。特别地,当正则性条件不包含任何可微性假设时,这些渐近结果对于局部估计仍然有效。仿真结果表明,局部方法提高了EL的推理精度。
2014-03-26 math.ST stat.TH
On testing the class of symmetry using entropy characterization and empirical likelihood approach
该研究基于熵提出对称分布的新刻画,并构建刀切经验似然及调整刀切经验似然比对称性检验,模拟表明其优于现有方法且适用于真实数据。
2025-05-13 math.ST stat.TH
A new scope of penalized empirical likelihood with high-dimensional estimating equations
统计方法与经验似然(EL)是有吸引力的和有效的,特别是与估计方程,通过它可以自适应地和灵活地纳入有用的数据信息。它也是已知的,在文献中,EL方法遇到困难时,处理具有高维模型参数和估计方程的问题。为了克服这些挑战,我们从一个新的角度对高维EL进行了深入的研究,目标是估计高维稀疏模型的参数。我们表明,新的范围提供了一个机会,放宽严格的要求的模型参数的维数。在此基础上,我们提出了一种新的惩罚EL,即在EL的优化过程中,通过引入两个罚函数分别正则化模型参数和相应的Lagrange乘子.通过惩罚拉格朗日乘子,以鼓励其稀疏性,我们表明,大幅减少维数的估计方程的数量可以有效地实现,而不会损害所得到的估计的有效性和一致性。最吸引人的是,这种估计方程的降维实际上相当于在这些高维估计方程中进行选择,从而导致用于高维稀疏模型参数的高度简约和有效的装置。在模型参数和估计方程的维数都随样本量呈指数增长的情况下,我们的理论证明了新惩罚EL的估计量是稀疏的,并且与渐近正态分布的非零分量一致.数值模拟和实际数据分析表明,所提出的惩罚EL的工作前景。
2017-05-28 math.ST stat.ME stat.TH
Composite Empirical Likelihood
似然函数在统计推断中起着举足轻重的作用,它适用于各种模型,所得估计量具有良好的性质。然而,这些结果取决于正确规范的数据生成机制。许多现代问题涉及到极其复杂的分布函数,这可能是困难的-如果不是不可能的-明确表示。这对似然方法来说是一个严重的障碍,因为它不仅需要指定分布,而且需要正确的分布。非参数方法是避免必须指定特定数据生成机制的问题的一种方法,但可能是计算密集型的,降低了它们对大数据问题的可访问性。我们提出了一种新的方法,结合多个非参数似然型组件,以建立一个数据驱动的近似的真实功能。新的结构建立在经验和复合可能性的基础上,利用每一个的优势。具体来说,从经验似然,我们借用的能力,以避免参数规格,并从复合似然,我们利用多个似然组件。我们将研究这种复合经验似然的理论性质,既为了应用的目的,也为了将性质与其他已建立的似然方法进行比较。
2017-12-14 math.ST stat.TH
Data-dependent probability matching priors for empirical and related likelihoods
我们考虑了一般类的概率型似然性,并开发高阶渐近性,以期表征其成员,允许可能的数据依赖的概率匹配先验的存在,确保近似频率论的有效性后验分位数。特别是,对于通常的经验似然,得到了积极的结果。这与只考虑无数据先验的情况相反。
2008-05-21 math.ST stat.TH
Bayesian empirical likelihood for quantile regression
贝叶斯推理提供了一种将数据与先验信息相结合的灵活方法。然而,分位数回归不具备参数似然性,因此,分位数回归的贝叶斯推断需要仔细研究。本文考虑分位数回归的贝叶斯经验似然方法。将经验似然性纳入贝叶斯框架,我们证明了任何固定先验的后验概率是渐近正态的;其均值向真实参数值收缩,其方差接近最大经验似然估计量。一个更有趣的情况下,可以为贝叶斯经验似然信息先验被用来探索跨分位数的共性。在每个百分位数水平上单独计算的回归分位数往往在数据稀疏区域(例如,高或低百分位数水平)。通过经验的可能性,所提出的方法使我们能够探索各种形式的共性跨分位数的效率增益。通过在计算中使用MCMC算法,我们避免了直接最大化经验可能性的艰巨任务。经验研究所提出的方法的有限样本性能,其中大量的效率增益证明了在几个百分点水平上的共同特征的信息先验。收缩先验的理论框架中使用的文件,以更好地理解所提出的方法的力量。
2012-07-23 math.ST stat.TH
A semiparametric single-index estimator for a class of estimating equation models
我们提出了一个两步的伪极大似然半参数单指标回归模型的条件方差是一个已知的函数的回归和一个额外的参数的过程。具有乘性未观测异质性的Poisson单指标回归是此类模型的一个例子。我们的方法是基于线性指数密度与冗余参数。我们使用的伪似然准则包含指数回归的非参数估计,因此需要一个选择平滑参数的规则。我们提出了一个自动和自然的规则的基础上联合最大化的伪似然指数参数和平滑参数。我们推导出指数参数的半参数估计的渐近性质和我们的“最佳”平滑参数的渐近行为。我们的方法的有限样本性能进行了分析,使用模拟和真实数据。
2017-04-26 math.ST stat.TH
Independent component analysis via nonparametric maximum likelihood estimation
独立成分分析(ICA)模型是一种非常流行的半参数模型,其中我们观察到随机向量$X = AS$的独立副本,其中$A$是非奇异矩阵,而$S$具有独立分量。本文提出了一种新的方法,利用非参数极大似然估计解混矩阵$W = A^{-1}$和$S$各分量的边缘分布。具体来说,我们研究的投影的经验分布的ICA分布具有对数凹边缘的子集。我们表明,从估计的分解矩阵的角度来看,它没有区别是否正确地指定的对数-ε。该方法进一步证明了理论结果和模拟研究。
2012-06-03 math.ST stat.TH
Estimating the Number of Components in a Mixture of Multilayer Perceptrons
BIC准则被神经网络社区广泛用于模型选择任务,尽管其收敛性质并不总是在理论上成立。在本文中,我们将集中在多层感知器的混合估计的组件的数量,并证明在此框架下的BIC准则的收敛性。分别由Keribin(2000)和Gassiat(2002)引入的混合模型和隐马尔可夫模型的惩罚边缘似然被扩展到多层感知器的混合,并提出了惩罚似然准则。我们证明了它的收敛性的一些假设,其中涉及到广义得分函数类的括号熵,并说明了它的一些数值例子。
2008-04-04 math.ST stat.TH
Bayesian interpretation of Generalized empirical likelihood by maximum entropy
研究了矩条件模型的参数估计问题。作为广义经验似然法(GEL)和广义矩量法(GMM)的替代方法,可以采用贝叶斯方法来解决这个问题,将MEM过程扩展到参数矩条件。我们特别表明,大量的GEL估计可以解释为一个最大熵的解决方案。此外,我们提供了一个更一般的应用领域,证明该方法是强大的近似矩条件。
2012-02-29 math.ST stat.TH
Extending the scope of empirical likelihood
本文从三个方面扩展了经验似然方法的范围:允许在估计方程中插入冗余参数的估计,比$\sqrt{n}$收敛速度慢,以及与样本量相比有相对大量估计方程的设置。校准经验似然置信区域与插件有时是棘手的,由于渐近的复杂性,所以我们引入了一个自举近似,可以在这种情况下使用。我们从生存分析和非参数统计提供了一系列的例子来说明主要的结果。
2009-04-20 math.ST stat.TH
Improved Likelihood Estimation for the Generalized Extreme Value and the Inverse Gaussian Lifetime Distributions
在存在冗余参数的情况下,轮廓似然推断通常是不可靠和有偏差的,特别是在小样本情况下。在过去的几十年中,已经提出了几种调整来修改文献中的轮廓似然函数,包括Barndorff-Nielsen中引入的修改的轮廓似然估计技术。在这项研究中,调整的轮廓似然函数的感兴趣的参数存在的冗余参数进行了研究。本文着重推广了Barndorff-Nielsen关于逆高斯分布估计其色散参数的方法和广义极值分布估计其形状参数的方法。对于具有GEV分布的寿命采用加速失效时间模型,对于寿命分布采用逆高斯分布。蒙特卡洛模拟研究进行证明这两种方法的性能。仿真结果表明,修改后的配置文件的似然估计的优越性超过配置文件的似然估计的参数的兴趣。特别是,它被发现的修改,可以提高整体性能的估计,通过减少其偏差和标准误差。
2016-03-28 math.ST stat.TH
Transform martingale estimating functions
提出了一种估计方法,用于各种各样的离散时间随机过程,具有一个棘手的似然函数,但在其他方面方便地指定的积分变换,如特征函数,拉普拉斯变换或概率母函数。该方法涉及到类的建设变换为基础的鞅估计函数,适合拟似然的一般框架。在离散时间随机过程的参数设置中,通过将不可用的得分函数投影到由这些类形成的特殊线性空间上,得到了变换拟得分函数.指定的过程中的任何主要的积分变换使得可能的任意接近的分数函数在无限维希尔伯特空间的最佳组合变换鞅准分数函数。它还允许扩展域的准似然方法的应用程序与无限条件二阶矩的过程。
2007-11-22 math.ST stat.TH
A frequency domain empirical likelihood for short- and long-range dependence
本文介绍了一个版本的经验似然周期图和谱估计方程的基础上。该公式化通过数据转换(即,傅里叶变换),并且根据谱分布而不是时域概率分布来展开。研究了线性时间过程的频域经验似然估计的渐近性质,该过程同时具有短程和长程相关性。该方法的结果在似然比,可用于建立非参数,渐近正确的置信区域的一类归一化(或比率)的光谱参数,包括自相关。最大经验似然估计是可能的,以及测试的谱矩条件。该方法可以应用于几个推理问题,如惠特尔估计和拟合优度检验。
2007-08-01 math.ST stat.TH
Empirical-likelihood-based confidence interval for the mean with a heavy-tailed distribution
Owen [Biometrika 75(1988)237-249]引入了平均值的基于经验似然的置信区间,其中至少需要有限的二阶矩。这排除了一些重要的分布,例如,那些在吸引区域的稳定规律的索引在1和2之间。在这篇文章中,我们使用类似的方法秦和黄[Scand. J.统计。23(1996)209-219],以在基础分布具有厚尾时导出平均值的基于概率似然的置信区间。我们的方法可以很容易地扩展到获得的置信区间的任何阶矩的重尾分布。
2004-06-25 math.ST stat.TH
Regenerative block empirical likelihood for Markov chains
经验似然法是一种功能强大的半参数方法,在文献中得到越来越多的研究。然而,大多数作者基本上关注i.i.d.。设置.在依赖数据的情况下,经典的经验似然方法不能直接应用于数据,而是应用于捕捉依赖结构的连续数据块。对于满足混合条件的时间序列,提出了一种基于非随机长度递增块构造的经验似然推广方法。继一些最近的事态发展,在自举文献中,我们提出了一个大类的马尔可夫链,各种长度的小块的基础上的推广。我们的方法利用再生结构的马尔可夫链,这使我们能够构建块几乎是独立的(独立的原子的情况下)。我们证明了该方法对正常返马尔可夫链的渐近有效性,并给出了一些模拟结果。
2011-02-15 math.ST stat.TH
Estimating the logistic regression equation when the model is incorrect
Norwegian Computing Centre(挪威计算中心);University of Oslo(奥斯陆大学)
研究当逻辑回归模型仅为真实函数的近似时,基于似然的估计量(如最大似然估计)的一致性和渐近正态性,并指出最小化加权距离的“最小假”参数值。
2026-05-26 math.ST stat.TH
Empirical likelihood for single-index varying-coefficient models
本文研究了单指标变系数模型中未知系数函数和单指标参数的统计推断方法。我们首先通过局部线性拟合估计非参数分量,然后构造一个估计的经验似然比函数,从而得到参数分量的最大经验似然估计。参数分量的估计是渐近有效的,非参数分量的估计具有最优的收敛速度。我们的结果提供了方法来构建置信区域的参与未知参数。我们还开发了一个调整后的经验似然比,用于构建感兴趣的参数的置信区域。仿真研究进行评估所提出的方法的有限样本行为。
2012-07-25 math.ST stat.TH
Empirical likelihood approach to goodness of fit testing
出于应用程序的拟合优度测试,经验似然法广义允许的数量的约束增长的样本量和使用估计的标准函数的约束。需要后者来处理冗余参数。所提出的基于经验似然的拟合优度检验是渐近分布自由的。对于单变量观测值,给出了指定分布、参数形式分布和对称分布的检验。对于双变量观测,独立性检验。
2013-07-23 math.ST stat.TH
Smoothed weighted empirical likelihood ratio confidence intervals for quantiles
到目前为止,基于似然的区间估计的分位数还没有研究在文献中的区间删失情况2数据和部分区间删失数据,在这种情况下,使用平滑没有被认为是任何类型的删失数据。本文在统一的框架下,针对不同类型的删失数据,包括右删失数据、双删失数据、区间删失数据和部分区间删失数据,构造了分位数的平滑加权经验似然比置信区间(WELRCI)。推导了加权经验对数似然比的四阶展开式,建立了WELRCI的理论覆盖精度方程,该方程一般保证至少一阶精度。特别是,对于右删失数据,我们表明,覆盖精度至少是$O(n^{-1/2})$和我们的模拟研究表明,与经验似然为基础的方法相比,在WELRCI中使用的平滑一般提供了一个较短的置信区间具有可比的覆盖精度。对于区间删失数据,有趣的是发现在调整率$n^{-1/3}$下,加权经验对数似然比的渐近分布完全不同于经验似然法所得的渐近分布,并且所得的WELRCI在现有的比较模拟研究中表现良好.
2008-10-23 math.ST stat.TH
Marginal empirical likelihood and sure independence feature screening
我们研究了边际经验似然方法的情况下,当变量的数量与样本量呈指数增长。边际经验似然比作为感兴趣的参数的函数进行了系统的检查,我们发现,边际经验似然比评估为零,可以用来区分是否解释变量是有助于响应变量或没有。基于这一发现,我们提出了一个统一的线性模型和广义线性模型的特征筛选过程。不同于大多数现有的特征筛选方法,依赖于一些边际估计的幅度来识别真实信号,所提出的筛选方法是能够进一步纳入这样的估计的不确定性的水平。这样的优点继承了经验似然方法的自学生化属性,并扩展了现有特征筛选方法的见解。此外,我们表明,我们的筛选方法是限制较少的分布假设,并可以方便地适用于广泛的场景,如使用一般矩条件指定的模型。我们的理论结果和大量的数值模拟和数据分析的例子证明了边际经验似然方法的优点。
2013-11-06 math.ST stat.TH
Empirical Likelihood based Confidence Regions for first order parameters of a heavy tailed distribution
设$X_1, \ldots, X_n$为某个i.i.d.从重尾分布$F$的观测,即,使得超过高阈值$u_n$的超额的共同分布可以由具有$γ>0$的广义帕累托分布$G_{γ,σ_n}$来近似。这项工作致力于寻找$(γ,σ_n)$对的置信区域的问题:经验似然法与估计方程相结合(接近但不等同于张军介绍的似然方程)(澳大利亚和新西兰统计杂志第49(1)期,2007年),得到了$(γ,σ_n)$的渐近有效的置信区域,并证明其性能优于Wald型置信区域(特别是那些从最大似然估计的渐近正态性导出的)。通过剖析出尺度参数,还推导出尾部指数的置信区间。
2010-08-19 math.ST stat.TH
Empirical likelihood-based tests for stochastic ordering
本文提出了一种基于独立随机样本的经验似然方法来检验单变量分布之间是否存在随机序。所提出的检验统计量是通过将局部经验似然统计量相对于合并样本的经验分布进行积分而形成的。这个检验统计量的渐近零分布被发现有一个简单的分布自由的表示在标准布朗桥过程。这种方法被用来比较罗马皇帝在各个历史时期的统治长度,包括帝国的“衰落和衰落”阶段。在模拟研究中,所提出的测试的功率被发现大大提高后,由于El Barmi和Mukerjee的竞争测试。
2013-02-01 math.ST stat.TH
Weighted empirical likelihood in some two-sample semiparametric models with various types of censored data
本文将加权经验似然应用于一般的两样本半参数模型,其中包括有偏抽样模型和病例对照逻辑斯谛回归模型。对于右删失数据、双删失数据、区间删失数据和部分区间删失数据,给出了参数$θ_0$和分布$F_0$的加权经验似然半参数极大似然估计$(\tildeθ_n,\tilde{F}_n)$,并证明了$(\tildeθ_n,\tilde{F}_n)$的强相合性和$\tildeθ_n$的渐近正态性.在有偏抽样模型下,加权经验对数似然比具有渐近尺度卡方分布。对于右删失数据、双删失数据和部分区间删失数据,证明了$\sqrt{n}(\tilde{F}_n-F_0)$弱收敛于一个中心高斯过程,从而得到了病例-对照逻辑斯谛回归模型的一致拟合优度检验.
2008-03-12 math.ST stat.TH
Asymptotic equivalence of empirical likelihood and Bayesian MAP
在本文中,我们感兴趣的经验似然(EL)作为一种估计方法,我们解决了以下两个问题:(1)选择在EL框架中的各种经验差异和(2)证明,EL有一个定义良好的概率解释,将证明其使用在贝叶斯上下文中。使用大偏差的方法,贝叶斯大数定律的发展,这意味着EL和贝叶斯最大后验概率(MAP)估计是一致的误设定和EL可以被看作是一个渐近形式的MAP。基于其他经验差异的估计,在一般情况下,不一致的误指定。
2009-08-24 math.ST stat.TH
Improving Estimation Efficiency In Structural Equation Models By An Easy Empirical Likelihood Approach
在这篇文章中,我们构造了经验似然(EL)加权估计的线性泛函的概率测度的存在边信息。出于可能无限维的半参数模型中的冗余参数的动机,我们考虑使用估计的约束函数,并允许约束的数量随着样本量的增加而增加。我们研究的渐近性质和效率增益。所得结果用于构造结构方程模型参数的改进估计。参数的EL加权估计被证明具有减少的方差在SEM中的边信息的随机独立的随机误差和随机协变量的存在。给出了效率增益的一些模拟结果。
2023-01-23 math.ST stat.TH
Nonparametric Confidence Intervals for Generalized Lorenz Curve using Modified Empirical Likelihood
本文提出三种改进的经验似然方法构建广义Lorenz序的置信区间,证明其极限分布服从缩放卡方分布,并通过模拟和真实数据验证了方法的有效性。
2023-11-24 math.ST stat.ME stat.TH
Bootstrap Consistency for Empirical Likelihood in Density Ratio Models
School of Management, University of Science and Technology of China(中国科学技术大学管理学院);Department of Statistics, The University of British Columbia(不列颠哥伦比亚大学统计系)
本文证明了密度比模型下经验似然Bootstrap估计量的极限分布与总体一致,将逐点收敛推广至弱收敛,为分位数和支配指数的重采样推断奠定理论基础,并通过模拟验证其准确性。
2025-10-23 math.ST stat.TH
Empirical Likelihood Ratio Test with Distribution Function Constraints
本文研究了具有分布函数约束的非参数假设检验问题。经验似然比检验在检验矩等式约束问题中得到了广泛的应用。然而,一些检测问题不能使用矩(in)等式来描述。我们提出了一个分布函数约束以及经验似然比检验。该检测器适用于各种各样的鲁棒参数/非参数检测问题。由于分布函数约束提供了对原假设的更精确描述,因此该检验优于具有矩约束的经验似然比检验以及许多流行的拟合优度检验,例如稳健的Kolmogorov-Smirnov检验和Cramér-von Mises检验。从通信系统与现实世界的噪声样本的例子来展示他们的性能。具体而言,当原假设嵌套在备择假设中时,所提出的检验显著优于稳健的Kolmogorov-Smirnov检验和Cramér-von Mises检验。当我们假设没有噪声不确定性时,重复相同的示例。通过这样做,我们能够声称,在我们的情况下,有必要包括噪声分布的不确定性。此外,所提出的测试的渐近最优性。
2016-04-30 math.ST stat.TH
A penalized empirical likelihood method in high dimensions
本文提出了一种惩罚经验似然(PEL)方法,用于当观测数据维数的增长速度可能快于样本量时对总体均值的推断。在观测值的不同分量依赖结构下,即(i)非遍历,(ii)长程依赖和(iii)短程依赖,导出了PEL比统计量的渐近分布.由此可见,建议的PEL比统计量的极限分布可以根据相关结构而变化很大,并且它通常不同于固定和有限维情况下经验似然比统计量的通常卡方极限。提出了一种统一的基于子采样的校准,并在所有三种情况下建立了其有效性,(i)-(iii)。有限样本的性质的方法进行了研究,通过模拟研究。
2013-02-27 math.ST stat.TH
Empirical likelihood method for complete independence test on high dimensional data
给定来自$p$维随机向量的大小为$n$的随机样本,其中$n$和$p$都很大,我们感兴趣的是测试随机向量的$p$分量是否相互独立。这就是所谓的完全独立性测试。在多元正态情况下,它等价于测试相关阵是否是单位矩阵。本文提出了一种基于平方样本相关系数的多元正态数据完全独立性检验的单侧经验似然方法。当$n$和$p$都趋于无穷大时,我们的单侧经验似然检验统计量的极限分布被证明是$Z^2I(Z>0)$,其中$Z$是标准正态随机变量.为了提高经验似然检验统计量的功效,我们还引入了一种重标度的经验似然检验统计量。我们进行了广泛的模拟研究,以比较的重新缩放的经验似然方法和其他两个统计量的平方样本相关系数的总和的性能。
2022-01-21 math.ST stat.ME stat.TH
A Unified Theory of Confidence Regions and Testing for High Dimensional Estimating Equations
我们提出了一个新的推理框架,用于构造置信区域和检验由高维估计方程系统指定的统计模型中的假设。我们构造了一个影响函数通过投影拟合估计方程的稀疏方向,通过求解一个大规模的线性规划。本文的主要理论贡献是建立了高维问题置信区域的统一Z估计理论。不同于现有的方法,所有这些都需要规范的似然或伪似然,我们的框架是似然自由。其结果是,我们的方法提供了有效的推理广泛的一类高维约束估计方程的问题,这是不包括现有的方法。这样的示例包括噪声压缩感测、工具变量回归、无向图形模型、判别分析和向量自回归模型。我们提出了详细的理论结果,所有这些例子。最后,我们进行了彻底的数值模拟,和一个真实的数据集分析,以支持开发的理论结果。
2016-06-23 math.ST stat.ME stat.ML
An empirical likelihood approach for symmetric $α$-stable processes
经验似然法是一种非参数统计方法,用于关键未知量的假设检验或置信区域的构造。该方法已应用于独立同分布随机变量和二阶平稳过程的情形。近年来,我们在许多领域观察到重尾数据。为了适当地模拟这样的数据,我们考虑对称标量和多元$α$ -稳定的线性过程所产生的无穷方差的新息序列。我们在经验似然比函数中使用了一个Whittle似然型估计函数,并导出了$α$ -稳定线性过程的经验似然比统计量的渐近分布.经验似然统计方法将二阶平稳过程的估计和检验理论很好地推广到重尾数据分析中,而不是简单地推广到金融统计分析中。
2015-09-18 math.ST stat.AP stat.TH
Empirical Likelihood Meets Prediction-Powered Inference
School of Statistics and Data Science, Nankai University(南开大学统计与数据科学学院)
本文提出了一种结合经验似然与预测驱动推断的方法,通过优化经验似然在联合约束下实现高效估计,减少误差并提升置信区间长度。
2025-12-18 math.ST stat.ME stat.TH
Empirical likelihood and uniform convergence rates for dyadic kernel density estimation
本文研究了二进数据核密度估计的渐近性质和替代推断方法。我们首先建立统一的收敛速度并元KDE。其次,我们提出了一个改进的刀切经验似然推理过程。建议的检验统计量是渐近的关键,无论存在的二元聚类。结果被进一步扩展到涵盖实际相关的情况下,不完整的二元数据。仿真结果表明,这种改进的刀切式经验似然推理过程提供了精确的覆盖概率,即使在适度的样本大小和不完整的二元数据。最后,我们通过研究美国的机场拥堵来说明这种方法。
2022-05-13 econ.EM math.ST stat.TH
Jackknife Empirical Likelihood Ratio Test for Cauchy Distribution
针对正态分布难以捕捉资产大幅波动的问题,本文提出基于刀切经验似然(JEL)与调整刀切经验似然(AJEL)的柯西分布拟合优度检验,经蒙特卡洛模拟验证有限样本性能,并通过两个真实数据集展示应用。
2025-07-30 math.ST stat.OT stat.TH
The Empirical Likelihood Approach to Quantifying Uncertainty in Sample Average Approximation
我们研究的经验似然方法来构建一个给定的解决方案的最优值和最优性差距的置信区间,此后量化的样本平均近似的统计不确定性,优化问题的期望值目标和约束条件下,潜在的概率分布,通过有限的数据观察。这种方法依赖于两个分布鲁棒优化问题的不确定分布,与基于发散的不确定性集,适当校准,以提供渐近的统计保证。
2016-10-23 math.ST stat.ME stat.TH
Maximum Probability and Relative Entropy Maximization. Bayesian Maximum Probability and Empirical Likelihood
工程,简要调查这里,关注两个基本方法:最大概率和贝叶斯最大概率;以及与他们的渐近实例:相对熵最大化和最大非参数似然。参数和经验的扩展后者的方法-经验最大最大熵和经验的李克图-也提到。这些方法被看作是解决某些不适定反问题的工具,分别称为Pi-问题,Phi-问题。在这两类问题,概率理由和解释各自的方法进行了讨论。
2008-04-24 math.PR math.ST stat.ME
An empirical likelihood approach to reduce selection bias in voluntary samples
本文提出一种经验似然加权方法,在不可忽略选择模型下通过偏差校准和基准约束降低自愿样本选择偏差,并开发线性化方差估计,模拟验证其性能。
2023-05-11 math.ST stat.ME stat.TH
Empirical likelihood test for high-dimensional two-sample model
提出了一种基于经验似然的非参数方法,用于检测高维线性模型系数的变化,其中模型变量的数目随着样本量的增加而增加。这相当于检验无变化的原假设与回归系数变化一次的备择假设。基于经验似然比统计量的理论渐近性态,我们提出了一种在固定设计下更简单、更易于实际应用的检验统计量。在原假设下证明了该检验统计量的渐近正态性,这一结果不同于具有固定变量数的模型的$χ^2$定律。在备择假设下,检验统计量会发生偏离。然后,我们可以找到两个相位的参数差的渐近置信区域。一些蒙特卡罗模拟研究的行为,建议的检验统计量。
2015-06-19 math.ST stat.ME stat.TH
Culling the herd of moments with penalized empirical likelihood
针对高维矩条件模型,提出惩罚经验似然估计,能一致识别无效矩,具有预言性质,并通过投影修正偏差,提升有限样本推断精度。
2022-05-13 econ.EM math.ST stat.TH
Maximum Likelihood under constraints: Degeneracies and Random Critical Points
本文研究了在汇总统计量约束下的半参数极大似然估计问题。这样的过程导致离散的概率分布,其在指定的约束(称为估计方程)下使所有此类分布中的似然最大化,并且是基本总体分布的近似。对这种经验可能性的研究起源于欧文的开创性工作。我们调查这个过程中设置错误指定(或有偏)的估计方程,即当原假设是不正确的。我们建立的行为下,这种错误的规格的最优分布显着不同的性质下的零,即当估计方程是无偏的,并正确指定。这表现为定义似然的最优分布中的某些退化。这种简并在零下是观察不到的。此外,我们建立了一个异常的行为的对数似然基于Wilks统计,这与下空,不表现出卡方极限。在贝叶斯设置中,我们严格地建立后验一致性的程序的基础上,这些想法,而不是一个参数似然,经验似然被用来定义的后验分布。特别是,我们表明,这后,作为一个随机的概率测度,迅速收敛到真正的参数值的δ测量。我们的方法的一个新的特点是调查的临界点的随机函数的背景下,这种经验的可能性。特别是,我们得到的位置和质量的退化的最佳权重作为领导和子领导项在一个典型的扩展的一个特定的临界点的随机函数,自然与模型。
2020-07-19 math.ST stat.ME stat.ML
Statistical inference in massive datasets by empirical likelihood
本文将分治法与经验似然法相结合,提出了一种新的海量数据统计推断方法。与目前流行的两种方法(小Bootstrap包法和二次抽样Bootstrap法)相比,该方法充分利用了数据集,减少了计算量。大量的数值研究和实际数据分析表明,我们所提出的方法的有效性和灵活性。此外,我们的方法的渐近性质。
2020-04-18 math.ST stat.ME stat.ML
A unified analysis of likelihood-based estimators in the Plackett--Luce model
本文统一分析了Plackett--Luce模型中基于完全、边际和拟似然的效用向量估计量的渐近性质,建立了一致性和渐近正态性,并讨论了统计效率与计算复杂度的权衡。
2025-05-08 math.ST stat.ME stat.TH