Nonparametric Identification for Respondent-Driven Sampling
受访者驱动抽样是一种针对隐藏或难以接触的人群的调查方法,其中被抽样的个人通过他们的社会联系招募研究人群中的其他人。最流行的估计为人口的平均值假设个人抽样概率是成比例的每个主题的报告程度在社会网络连接成员的隐藏人口。然而,目前还不清楚在什么情况下,这些估计是有效的,以及什么样的假设是正式需要确定人口数量。在这个简短的说明中,我们详细介绍了非参数识别结果的总体平均值时,抽样概率被假定为网络度的函数已知的规模。重要的是,我们建立了流行的Volz-Heckathorn(VH)估计的一致性的一般条件。我们的研究结果意味着,VH估计的一致性的条件远不如最近的RDS诊断工作所建议的严格。特别是,我们的研究结果不需要随机抽样或存在连接人口的网络。
2015-04-14 stat.ME
Sparse Model Identification and Learning for Ultra-high-dimensional Additive Partially Linear Models
可加部分线性模型(APLM)结合了非参数回归的灵活性和回归模型的简约性,已被广泛应用于多元非参数回归中,以缓解“维数灾难”。在实践中提出的一个自然问题是选择非参数部分的结构,也就是说,是否连续的协变量进入线性或非参数形式的模型。在本文中,我们提出了一个全面的框架,同时稀疏模型识别和学习的超高维APLM的线性和非参数组件可能大于样本量。我们提出了一种快速有效的两阶段程序。在第一阶段,我们将非参数函数分解为线性部分和非线性部分。采用常数样条基逼近非线性函数,并提出了一种三重罚函数法,利用自适应群LASSO选择非零分量。在第二阶段,我们使用高阶多项式样条重新拟合数据与选定的协变量,并应用样条回拟合局部线性平滑,以获得渐近正态的估计。该程序被证明是一致的模型结构识别。它可以正确有效地识别零、线性和非线性分量。可以对线性系数和非参数函数进行推断。我们进行模拟研究,以评估该方法的性能,并将所提出的方法应用到一个数据集上的茎尖分生组织(SAM)的玉米基因型进行说明。
2018-11-01 stat.ME
A Nonparametric Method for Value Function Guided Subgroup Identification via Gradient Tree Boosting for Censored Survival Data
在具有生存结局的随机临床试验中,基于基线基因组、蛋白质组学标志物或临床特征的亚组识别越来越受到关注。一些现有的方法通过直接建模结果或处理效应来识别从实验处理中实质上受益的亚组。当目标是为给定患者找到最佳治疗而不是为给定治疗找到合适的患者时,个体化治疗方案框架下的方法估计个体化治疗规则,该个体化治疗规则将导致如由值函数测量的最佳预期临床结果。将价值函数的概念与亚组识别联系起来,我们提出了一种非参数方法,该方法通过最大化直接反映基于受限平均生存时间的亚组-治疗相互作用效应的价值函数来搜索亚组成员资格分数。提出了一种梯度树提升算法来搜索单个子组成员分数。我们进行模拟研究,以评估所提出的方法的性能和应用程序的艾滋病临床试验进行说明。
2020-06-15 stat.ME
System identification using Bayesian neural networks with nonparametric noise models
系统辨识在科学和工程中具有特殊的意义。本文研究随机动态系统中的系统辨识问题,其目的是估计系统的参数及其未知噪声过程。特别是,我们提出了一个贝叶斯非参数方法的系统识别离散时间非线性随机动力系统假设只有马尔可夫过程的顺序是已知的。该方法取代了高斯分布的误差分量的假设与一个高度灵活的家庭的概率密度函数的基础上贝叶斯非参数先验。此外,利用贝叶斯神经网络估计系统的函数形式,这也导致灵活的不确定性量化。在隐层神经元个数上,该模型渐近收敛于完全非参数贝叶斯回归模型。提出了一种用于后验推理的Gibbs采样器,并在模拟和真实时间序列上说明了其有效性。
2022-01-25 stat.ME stat.ML
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
Identification of Average Treatment Effects in Nonparametric Panel Models
Stanford University(斯坦福大学)
本文提出非参数因子模型,证明面板数据中平均处理效应的可识别性,并给出可广泛用于组间差异分解的一致估计量。
2025-03-25 cs.LG econ.EM stat.ME
Identification and estimation of causal mechanisms in cluster-randomized trials with post-treatment confounding using Bayesian nonparametrics
Yale University School of Public Health(耶鲁大学公共卫生学院);University of Florida(佛罗里达大学)
本文提出一种贝叶斯非参数框架,用于处理集群随机试验中的干扰和事后混杂,通过多变量高斯 copula 实现识别,并通过模拟和实际案例展示方法性能。
2026-03-24 stat.ME
Local Identification of Nonparametric and Semiparametric Models
该研究将参数非线性结构模型的经典局部识别满秩条件推广至非参数非线性场景,补充了避免非线性掩盖线性效应的邻域约束,并应用于三类重要模型得到新的原生识别条件。
2013-05-08 math.ST stat.ME stat.TH
Nonparametric Identification and Estimation of Ratios of Multi-Category Means under Preferential Sampling
University of Washington(华盛顿大学)
针对偏好抽样下的多类别均值比率估计问题,提出通过独立性假设或类别约束实现非参数可识别性,开发高效双重稳健靶向最小损失估计器,模拟和细菌丰度差异分析验证了其有效性,提供了无参数假设的成分数据参数识别通用框架。
2025-10-27 stat.ME
Nonparametric Identification of Demand without Exogenous Product Characteristics
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);Brown University(布朗大学)
本文提出在更弱的指数限制和‘信仰’条件下,通过重新中心化的工具非参数识别需求,解决了内生产品特征下的需求识别问题。
2026-02-20 econ.EM math.ST stat.ME
Nonparametric Treatment Effect Identification in School Choice
Stanford University(斯坦福大学)
本文提出非参数方法识别学校分配中的处理效应,分析了原子处理效应的识别与估计,并推荐新的聚合方案以处理回归不连续性驱动的异质性。
2025-12-29 econ.EM stat.ME
Nonparametric independence screening and structure identification for ultra-high dimensional longitudinal data
超高维纵向数据越来越普遍,其分析在理论和方法上都具有挑战性。我们提供了一个新的自动程序来寻找一个稀疏的半变系数模型,这是广泛接受的纵向数据分析。我们所提出的方法首先减少协变量的数量,以一个中等的顺序,通过采用筛选程序,然后确定使用组SCAD估计,这是随后完善的科目内的相关性占的变化和常数系数。筛选过程是基于工作独立性和B样条边缘模型。在较弱的条件下,比文献中,我们表明,只有不相关的变量将被筛选出的概率高,所选择的变量的数量可以有界的一个温和的顺序。这允许随后的结构识别步骤的期望的稀疏性和预言属性。注意,现有的方法需要某种迭代筛选来实现这一点,因此它们需要大量的计算工作,并且不能保证一致性。改进的半变系数模型采用剖面最小二乘、局部线性平滑和非参数协方差估计,是半参数有效的。我们还提出了实现所提出的方法的方法,并选择调谐参数。一个广泛的模拟研究总结,以证明其有限样本的性能和酵母细胞周期的数据进行了分析。
2014-09-23 stat.ME
Partial Identification of Individual-Level Parameters Using Aggregate Data in a Nonparametric Model
Department of Economics, Massachusetts Institute of Technology(麻省理工学院经济学系)
本文提出在非参数模型中利用汇总数据部分识别个体层面参数的方法,并通过实证分析展示了条件通过率在不同群体和县之间的差异。
2025-12-03 econ.EM stat.ME
Identification and estimation of the conditional average treatment effect with nonignorable missing covariates, treatment, and outcome
University of Michigan(密歇根大学);Tsinghua University(清华大学);Yanqi Lake Beijing Institute of Mathematical Sciences and Applications(北京雁栖湖应用数学研究院)
本文提出在非随机缺失机制下非参数识别条件平均处理效应,并开发了非参数和参数估计方法,同时提出敏感性分析框架以评估稳健性。
2026-02-22 stat.ME
Nonparametric Stochastic Discount Factor Decomposition
Department of Economics, New York University(纽约大学经济学系)
本文提出了一种经验框架,用于分析随机折现因子过程的永久-暂时分解,通过非参数方法估计Hansen和Scheinkman(2009)的Perron-Frobenius特征函数问题的解,并研究了递归偏好模型中的持续价值函数非参数估计器。
2017-05-19 econ.GN q-fin.EC q-fin.MF
Nonparametric Point Identification of Treatment Effect Distributions via Rank Stickiness
The University of Chicago(芝加哥大学)
本文提出非参数点识别治疗效应分布的方法,通过排名粘性参数实现,无需强假设,且能处理排名违反情况,推导出闭式条件矩和违反概率,扩展到观察性研究。
2026-04-23 econ.EM stat.ME
A Spectral Series Approach to High-Dimensional Nonparametric Regression
现代统计学中的一个关键问题是如何对复杂的高维数据进行快速可靠的推断。虽然稀疏技术引起了人们的极大兴趣,但目前的方法不能很好地推广到具有非线性结构的数据。在这项工作中,我们提出了一个正交系列的预测是复杂的聚合对象,如自然图像,星系光谱,轨迹和电影估计。我们的系列方法将内核机器学习和傅立叶方法的思想联系在一起。我们扩展未知回归的数据方面的特征函数的内核为基础的运营商,我们利用正交的基础上的基本数据分布,P,以加快计算和调整参数。如果核被适当地选择,则特征函数适应于数据的内在几何形状和维度。我们提供了理论上的保证,径向内核具有不同的带宽,我们与光滑的回归函数相对于P稀疏的特征基。最后,使用模拟和真实世界的数据,我们系统地比较了经典的核平滑,k-最近邻回归,核岭回归,和国家的最先进的流形和局部回归方法的性能的谱序列方法。
2016-02-01 stat.ME stat.ML
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型,代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下,我们感兴趣的是确定在每个阶段的个人的平均结果,有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应(ATE)和关于转变的ATE,以及最佳处理方案,即,使平均潜在结果的(加权)和最大化的方案,可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明,感兴趣的参数下确定每个时期的双向排除限制,即,结果确定过程中排除了工具,治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下,后者的变量是不可用的。最后,我们将我们的结果扩展到一个设置,治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
Nonparametric Identification and Inference for Counterfactual Distributions with Confounding
Carnegie Mellon University(卡内基梅隆大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出非参数识别和半参数估计联合潜在分布的方法,通过条件Copula推导边界并引入因果表示学习框架,解决混杂因素问题,提供稳健的因果推断基础。
2026-02-17 stat.ME stat.ML
Diffusion Copulas: Identification and Estimation
我们提出了一个新的半参数方法建模非线性单变量扩散,其中所观察到的过程是一个非参数变换的基本参数扩散(UPD)。这种建模策略产生了一般类的半参数马尔可夫扩散模型的参数动态copula和非参数边际分布。我们提供了原始的条件,识别的UPD参数连同未知的变换从离散样本。基于似然估计的参数和非参数分量的开发,我们分析这些的渐近性质。基于核的漂移和扩散估计也提出了,并显示出正态分布在大样本。模拟研究探讨了我们的估计在建模美国短期利率的背景下,有限样本的性能。我们还提出了一个简单的应用所提出的方法建模的芝加哥期权交易所波动率指数数据。
2020-05-07 econ.EM stat.ME
Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes
Duke University(杜克大学);Columbia University(哥伦比亚大学)
本文提出非参数框架,解决潜在结果测量不完美时的因果推断问题,通过非参数桥函数实现估计和识别,克服跨研究和跨指标的非可比性挑战。
2026-10-21 econ.EM stat.AP stat.ME
Principal Stratification with Continuous Post-Treatment Variables: Nonparametric Identification and Semiparametric Estimation
本文针对连续治疗后变量的主分层问题,提出非参数识别与半参数估计理论,利用工作模型近似因果效应曲面并构造双重稳健估计量,填补了现有方法主要限于二值治疗后变量的空白。
2024-04-03 math.ST stat.ME stat.TH
Reward Maximization for Pure Exploration: Minimax Optimal Good Arm Identification for Nonparametric Multi-Armed Bandits
Cornell Tech(康奈尔科技学院)
本文针对非参数多臂老虎机中的好臂识别问题,提出将奖励最大化采样与新型任意时刻有效序贯检验相结合的方法,在错误概率约束下实现最小最大最优停止时间,并在实验中显著减少样本量。
2024-10-21 cs.LG stat.ME stat.ML
Nonparametric identification of causal effects in clustered observational studies with differential selection
群集观察性研究(COS)设计是与群集随机试验相对应的观察性研究。在COS中,处理被分配给完整组,并且组内的所有单元都暴露于处理。然而,治疗是非随机分配的。COS在教育和卫生服务研究中很常见。在教育方面,某些学校的所有学生都可以得到治疗,但其他学校的所有学生都不能得到治疗。在健康研究中,治疗可以应用于集群,如医院或由同一医生治疗的患者群体。在这篇文章中,我们研究了聚类观察研究设计中因果效应的识别。我们专注于差异选择的单位集群,这发生在单位的集群选择依赖于集群的治疗分配的前景。现存的关于COSs的研究已经做了一个隐含的假设,排除了差异选择的存在。我们得出的识别结果与差分选择的设计和差分集群选择的背景下需要不同的调整集比标准设计。我们概述了有和没有差分选择的设计估计。使用一系列的模拟,我们概述了差异选择可能发生的偏差的大小。然后,我们提出了两个经验的应用程序,重点是差异选择的可能性。
2022-06-21 stat.AP stat.ME
Nonparametric Identification and Estimation of Spatial Treatment Effect Boundaries: Evidence from 42 Million Pollution Observations
Faculty of Economics, The University of Tokyo(东京大学经济学部)
本文提出非参数框架识别估计空间处理效应边界,利用4200万个卫星NO₂观测,证明核回归较参数指数衰减平均降低预测误差1.0个百分点,并验证了时间敏感性。
2025-10-20 econ.EM econ.TH stat.AP
Nonparametric Identification of Latent Dimension under Heavy-Tailed and Mixed-Signals
University of Southampton(南安普顿大学)
针对平行分析在高维混合信号与重尾误差下失效的问题,提出基于秩变换的非参数方法,在宽松条件下一致估计潜在维数,并经模拟与FRED-MD数据验证。
2026-10-02 stat.AP stat.ME
Identification and estimation of causal peer effects using instrumental variables
针对同伴效应因果推断中的同质性偏差与混杂问题,提出基于双重工具变量的非参数识别方法与三重稳健估计量,并通过模拟和实证研究验证其有效性。
2025-04-26 stat.ME
A nonparametric instrumental approach to endogeneity in competing risks models
本文讨论了具有持续期结局、竞争风险和随机右截尾的内生治疗模型。使用离散工具变量解决了内点问题。我们发现,竞争风险模型产生一个非参数分位数工具回归问题。特定原因累积发生率、特定原因危害和子分布危害可以从回归函数中恢复。该模型的一个显着特点是,审查和竞争风险防止识别在某些分位数。我们的特点是一组分位数的精确识别是可能的,并给出部分识别结果的其他分位数。我们概述了一个估计过程,并讨论其性质。有限样本性能的估计通过模拟评估。我们将所提出的方法应用于大纽约州的健康保险计划实验。
2021-05-03 econ.EM math.ST q-bio.QM
Finite Sample MIMO System Identification with Multisine Excitation: Nonparametric, Direct, and Two-step Parametric Estimators
Eindhoven University of Technology(埃因霍温理工大学);Delft University of Technology(代尔夫特理工大学);KTH Royal Institute of Technology(皇家理工学院)
本文针对多正弦激励下的MIMO系统,提出了频域估计器的有限样本统计框架,推导了FRF估计的分布特性,并证明了最优两阶段频域方法与时域极大似然估计的等价性,实现了严格的不确定性量化与闭式估计。
2025-10-30 cs.SY eess.SY stat.ME
Nonparametric Identification of Spatial Treatment Effect Boundaries: Evidence from Bank Branch Consolidation
Faculty of Economics, The University of Tokyo(东京大学经济学部)
本文提出非参数框架识别处理效应空间边界,应用于银行分支机构数据,发现邻近性影响贷款量而非批准率,且高收入地区关闭更多源于战略整合而非歧视。
2025-10-20 econ.EM econ.TH stat.AP
Nonparametric inference about mean functionals of nonignorable nonresponse data without identifying the joint distribution
我们考虑识别和推断的平均泛函的观测协变量和结果变量的不可分割的缺失。通过利用一个影子变量,我们建立了一个充要条件,即使没有确定的全部数据分布的平均功能识别。进一步刻画了均值泛函的$\sqrt{n}$ -可估性的一个必要条件.这个条件自然地加强了识别条件,并且它需要存在一个函数作为将阴影变量连接到平均泛函的表示器方程的解。代表方程的解可能不是唯一的,这对非参数估计提出了实质性的挑战,并且非参数筛分估计的标准理论在这里不适用。我们构造了一个一致的估计的解决方案,然后适应极值估计理论,找到一个一致的估计,从估计集适当选择的解决方案。该估计是渐近正态的,局部有效的,并在一定的正则性条件下达到半参数有效界。我们说明了所提出的方法,通过模拟和真实的数据应用程序对家庭定价。
2022-04-06 math.ST stat.ME stat.TH
Tests for separability in nonparametric covariance operators of random surfaces
随机图像或超曲面的协方差算子的可分性假设在应用中具有重要的用途,特别是在由于计算原因或由于小的样本量而无法准确估计完整协方差结构的情况下。然而,推理工具,以验证这一假设是有点缺乏在高维或功能{数据分析}设置,这一假设是最相关的。我们建议在这里测试可分性集中在$K$维投影之间的差异的协方差算子和一个非参数可分离的近似。我们投影到的子空间是由在可分性假设下估计的协方差算子的本征函数生成的,否定了估计完整的不可分协方差的需要。我们证明了样本协方差算子的重标差及其可分离逼近是渐近高斯的。作为这一结果的副产品,我们推导出高斯假设下的渐近关键检验,并提出了自举方法近似的检验统计量的分布。我们探讨有限样本性能,通过模拟研究,并提出了一个应用程序,从语音语言学数据集的对数声谱图图像。
2016-06-03 math.ST stat.ME stat.TH
Sufficient Identification Conditions and Semiparametric Estimation under Missing Not at Random Mechanisms
针对非随机缺失数据的分析难题,本文提出一种限制更宽松、允许所有变量缺失的MNAR模型,推导了其完全数据分布与缺失机制可识别的充分条件,还提出两种半参数比值比估计方法并通过模拟验证了效用。
2023-06-10 stat.ME stat.ML