A result on the bias of sieve profile estimators
Andreas Andresen
我们展示了如何在自然条件下控制筛型轮廓估计器的期望对比度泛函的Hessian的偏差。
We show how to control the bias of a sieve type profile estimator under natural conditions on the Hessian of the expected contrast functional.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
A Sieve M-Estimator for Entropic Optimal Transport
本文提出了一种基于筛法的熵正则最优传输估计方法，通过构建有限维凸优化问题，实现了正则最优值和对偶最优解的可计算估计，并给出了统计保证。
A Sieve Stochastic Gradient Descent Estimator for Online Nonparametric Regression in Sobolev ellipsoids
回归的目标是恢复一个未知的潜在函数，该函数将一组预测因子与噪声观测的结果最好地联系起来。在非参数回归中，假设回归函数属于预先指定的无限维函数空间（假设空间）。在在线设置中，当观测值以流的形式出现时，计算上优选迭代地更新估计值，而不是重复地重新调整整个模型。受非参数筛法估计和随机逼近方法的启发，当假设空间为Sobolev椭球时，提出了一种筛法随机梯度下降估计（Sieve-SGD）.我们证明了Sieve-SGD在一组简单而直接的条件下具有速率最优均方误差（MSE）。所提出的估计可以构建一个低的计算（时间和空间）费用：我们还正式表明，Sieve-SGD需要几乎最小的内存使用所有统计率最优估计。
Asymptotic Properties of Neural Network Sieve Estimators
神经网络是当今机器学习和人工智能中最常用的方法之一。由于通用逼近定理（Hornik et al.（1989）），具有一个隐藏层的神经网络可以逼近紧支撑上的任何连续函数，只要隐藏单元的数量足够大。从统计学上讲，神经网络可以分为非线性回归框架。然而，如果我们考虑它的参数，由于参数的不可识别性，这是很难得到它的渐近性质。相反，我们认为估计问题的非参数回归的框架，并使用筛估计的结果建立的一致性，收敛速度和渐近正态性的神经网络估计。我们还通过模拟说明了理论的有效性。
A Sieve-SMM Estimator for Dynamic Models
本文针对似然和矩不易处理的非线性动力学模型，提出了一种估计参数和冲击分布的筛模拟矩估计方法（Sieve-SMM）。SMM的一个重要问题是，需要一个参数分布，它将样本与模拟时刻相匹配。然而，依赖于这种分布的经济量，如福利和资产价格，可能对错误指定敏感。Sieve-SMM估计器通过用高斯和尾部混合筛灵活地近似冲击的分布来解决这个问题。渐近框架提供了一致性，收敛速度和渐近正态性的结果，扩展现有的结果，一个新的框架，更一般的动态和潜变量。在生产经济中的资产定价的应用表明，相对风险厌恶的估计大幅下降，突出了错误设定偏差的经验相关性。
Kernel Meets Sieve: Post-Regularization Confidence Bands for Sparse Additive Model
我们开发了一种新的程序，用于构建稀疏添加剂模型的组件的置信带。我们的程序是基于一个新的核-筛混合估计，结合了两个最流行的非参数估计方法在文献中，核回归和样条方法，是在自己的权利感兴趣。现有的稀疏可加模型拟合方法主要基于筛法估计，而非参数模型置信带的研究主要基于核估计或局部多项式估计。我们的核-筛混合估计结合了两个世界中最好的，使我们能够提供一个简单的过程，在高维稀疏加性模型中构建置信带。通过研究高斯过程的逼近，证明了置信带是渐近诚实的。在合成数据和真实世界的神经科学数据上提供了彻底的数值结果来证明该理论的有效性。
Universal sieve-based strategies for efficient estimation using machine learning tools
假设我们希望在非参数模型下估计底层数据生成机制的一个或多个函数值特征的有限维摘要。估计的一种方法是插入这些特征的灵活估计。不幸的是，在一般情况下，这样的估计可能不是渐近有效的，这往往使这些估计难以作为推理的基础。虽然有几个现有的方法来构建渐近有效的插件估计，每一个这样的方法要么只能使用效率理论的知识，或仅在严格的平滑假设下是有效的。在现有的方法中，筛估计脱颖而出，特别方便，因为效率理论是不需要在他们的建设，他们的调整参数可以选择自适应的数据，他们是普遍的意义上说，同样的适合导致有效的插件估计丰富的一类被估量。受这些理想属性的启发，我们提出了两种新的通用方法来估计函数值的功能，可以使用筛估计理论进行分析。与传统的筛选估计相比，这些方法通过利用可以例如使用机器学习获得的灵活估计，在函数值特征平滑度的更一般条件下有效。
Sieve estimation of constant and time-varying coefficients in nonlinear ordinary differential equation models by considering both numerical error and measurement error
本文研究了在没有解析解的情况下，非线性常微分方程（ODE）模型中常系数和时变系数的估计问题。本文研究了基于数值解的非线性最小二乘估计.数值算法如龙格-库塔法被用来近似常微分方程的解决方案。同时考虑数值误差和测量误差，建立了估计量的渐近性质。采用B样条函数逼近时变系数，并在筛法框架下研究了相应的渐近理论。我们的研究结果表明，如果$p$阶数值算法的最大步长以比$n^{-1/(p\wedge4)}$更快的速率变为零，则与测量误差相比，数值误差可以忽略不计。这一结果为常微分方程数值计算中步长的选取提供了理论指导。此外，我们还证明了基于数值解的NLS估计和基于筛分的NLS估计是强相合的。常数参数的筛法估计是渐近正态的，具有与已知常微分方程真解时相同的渐近协方差，而时变参数的筛法估计在一定的正则性条件下具有最优的收敛速度.当ODE数值解的步长不能足够快地归零或数值误差与测量误差相当时，理论结果也得到了发展。我们说明了我们的方法与模拟研究和HIV病毒动力学的临床数据。
Optimal Uniform Convergence Rates for Sieve Nonparametric Instrumental Variables Regression
研究了回归变量为内生变量时的非参数回归问题，这是计量经济学中一种重要的非参数工具变量（NPIV）回归，也是统计学中一个困难的含未知算子的不适定反问题。首先，我们建立了一个普遍的上界上的超范数（一致）收敛速度的筛选估计，允许内生回归和弱相关的数据。在弱相依数据和重尾误差项下，这一结果给出了样条和小波最小二乘回归估计的最优超范数收敛速度。这个上界也产生了在独立同分布下筛选NPIV估计的超范数收敛速度。数据类型：对于严重不适定问题，该速率与已知的最优$L^2$ -范数速率一致，并且对于轻度不适定问题，该速率是比最优$L^2$ -范数速率慢的$\log(n)$的幂。然后，我们建立了极大极小风险的下界在超范数损失，这与我们的上界的超范数率的样条和小波筛NPIV估计。这种超范数速率最优性为筛分NPIV估计的广泛应用提供了另一个理由。对弱相依随机矩阵也提供了有用的结果。
Regression in Tensor Product Spaces by the Method of Sieves
条件均值的估计（将一组特征与感兴趣的结果联系起来）是一项基本的统计任务。虽然有一个呼吁灵活的非参数程序，有效的估计在许多经典的非参数函数空间（例如，多变量Sobolev空间）在统计上和计算上都是非常困难的，特别是当特征的数量很大时。在本文中，我们提出了（惩罚）筛估计回归非参数张量积空间：这些空间更适合多元回归，并允许我们，部分，避免灾难的维度。我们的估计可以很容易地应用到多元非参数问题，并有吸引力的统计和计算性能。此外，它们可以有效地利用额外的结构，如特征稀疏性。在这篇手稿中，我们给出了理论保证，表明我们的估计量的预测性能在维度上是有利的。此外，我们还提出了数值例子，比较有限样本性能的估计与几个流行的机器学习方法。
Sieve estimates for biased survival data
在涉及寿命的研究中，观察到的生存时间经常被审查，并且可能受到有偏见的抽样。在本文中，我们对有偏抽样下的生存时间进行了建模（也称为，有偏的生存数据），其中选择函数$w(t)$（导致有偏的采样）被指定为未知的有限维参数$θ$，而生存时间的密度函数$f(t)$仅被假设为平滑的。在此模型下，导出了密度函数$f$的两个估计量，并给出了密度函数$θ$的伪极大似然估计方法。估计问题的可识别性进行了讨论，并通过模拟研究和实际数据应用说明了新的估计的性能。
Sieve-based confidence intervals and bands for Lévy densities
在离散抽样方案下，考虑了控制Lévy过程跳跃动力学的无穷维参数Lévy密度的估计。在这种情况下，跳跃是潜变量，当观测的频率和时间范围以适当的速率增加到无穷大时，可以评估其统计特性。Figueroa-López [IMS Lecture Notes 57（2009）117--146]提出了基于Grenander筛法的Lévy密度的非参数估计。在本文中，中心极限定理这些筛估计，无论是逐点和一致的间隔远离原点，得到的逐点置信区间和带的Lévy密度。在逐点情形下，我们的估计以任意接近光滑Lévy密度上的极小极大估计风险的速率收敛到Lévy密度。在均匀频带和离散规则采样的情况下，我们的结果是一致的密度估计的情况下，实现任意接近$\log^{-1/2}(n)\cdot n^{-1/3}$，其中$n$是观察的数量的顺序的速率。收敛速度是有效的，只要$s$是足够光滑的，并且时间范围$T_n$和筛的尺寸根据$n$适当地选择。
Multivariate Density Estimation via Adaptive Partitioning (I): Sieve MLE
本文研究了多元密度估计的非参数方法。估计量是由二进制分区支持的分段常数密度函数。样本空间的分区通过最大化该分区上的对应直方图的似然来学习。本文分析了筛分极大似然估计的收敛速度，并得出结论：对于一类相对丰富的密度函数，筛分极大似然估计的收敛速度并不直接依赖于密度函数的维数。这表明，在某些条件下，这种方法不受维数灾难的影响，在这个意义上，即使在高维中也有可能接近参数率。我们还将此方法应用于几种特殊情况，并分别计算了显式的收敛速度。
Efficient Estimation in NPIV Models: A Comparison of Various Neural Networks-Based Estimators
人工神经网络（ANN）可以被看作是非线性筛子，它可以比线性筛子更有效地逼近高维变量的复杂函数。我们研究了各种人工神经网络在非参数工具变量（NPIV）模型中的性能，这些模型是与经验经济学相关的。我们提出了两个有效的估计和推断加权平均导数（WAD）的程序：一个正交化的插件与最优加权筛选最小距离（OP-OSMD）程序和筛选有效的分数（ES）程序。这两个估计WAD使用人工神经网络筛近似未知的NPIV功能，是根N渐近正常和一阶等效。我们提供了一个详细的从业者的食谱，实现这两个有效的程序。我们比较了它们在各种模拟设计中的有限样本性能，这些模拟设计涉及多达13个连续协变量的平滑NPIV函数，不同的非线性和协变量相关性。一些蒙特卡罗的发现包括：1）调整和优化是更微妙的人工神经网络估计; 2）适当的调整，两个人工神经网络估计与各种架构可以执行良好; 3）更容易调整人工神经网络OP-OSMD估计比人工神经网络ES估计; 4）稳定的推论是更难以实现与人工神经网络（比样条）估计; 5）目前的实现和近似理论之间存在差距。最后，我们应用人工神经网络NPIV估计平均偏导数在两个经验需求的例子与多元协变量。
Multivariate Density Estimation via Adaptive Partitioning (II): Posterior Concentration
本文研究了贝叶斯背景下的一类非参数密度估计。估计量是二分划上的分段常数函数。我们分析了在适当的先验下后验分布的集中率，并证明了该集中率并不直接依赖于问题的维数。本文可以看作是一个平行的工作，其中收敛速度的相关筛MLE建立的延伸。与筛极大似然估计相比，贝叶斯方法的主要优点是可以适应真实密度函数的未知复杂度，从而达到最优的收敛速度，而不需要人为地对密度施加条件。
Survival Analysis via Ordinary Differential Equations
本文介绍了一个常微分方程（ODE）概念的生存分析。ODE概念不仅提供了一个统一的建模框架，更重要的是，还可以开发一个广泛适用的，可扩展的，易于实现的估计和推理过程。具体而言，ODE建模框架统一了许多现有的生存模型，如比例风险模型，线性变换模型，加速失效时间模型，和时变系数模型作为特例。所提出的框架的一般性作为一个广泛适用的估计程序的基础。作为一个说明性的例子，我们开发了一般半参数类的ODE模型的筛极大似然估计。与现有的估计方法相比，所提出的方法在计算可扩展性和数值稳定性方面具有优势。此外，为了解决由ODE概念引起的独特的理论挑战，我们建立了一个新的一般筛分M-定理捆绑参数，并表明所提出的筛分估计是一致的，渐近正态的，并达到半参数的效率界。在模拟研究和现实世界的数据例子中，所提出的估计的有限样本性能进行检查。
Bayesian semi-parametric estimation of the long-memory parameter under FEXP-priors
对于具有长记忆行为的高斯时间序列，我们使用FEXP模型对长记忆参数$d$进行半参数估计。假设真实谱密度$f_o$具有长记忆参数$d_o$和Sobolev正则性$\be > 1$的FEXP展开。我们证明了当$k$遵循泊松或几何先验，或筛前增加率$n^{\frac{1}{1+2\be}}$，$d$收敛到$d_o$在一个次优的速度。然而，当筛先验以速率$n^{\frac{1}{2\be}}$增加时，几乎获得极小极大速率。我们的结果可以看作是一个贝叶斯等价的结果Moulines和Soulier获得的一些频率估计。
Median bias of M-estimators
本文在弱正则性条件下给出了一元M-估计的中位偏差的界。这些要求不足以暗示M-估计量依分布收敛。我们还讨论了一些多元M-估计的中位偏差。
A comment and erratum on "Excess Optimism: How Biased is the Apparent Error of an Estimator Tuned by SURE?"
我们确定并纠正了论文中的错误“过度乐观：如何偏见是由SURE调整的估计的表观误差？“这种修正允许对自由度的额外保证--对于通过直接最小化SURE准则调整的估计量，Stein无偏风险估计（SURE）的误差估计的偏差--对于任意SURE调整的线性估计量。甲骨文不等式遵循这些结果的结果，这样的估计。
Finite sample analysis of profile M-estimation in the Single Index model
我们应用Andresen A.和Spokoiny V.关于剖面M-估计和交替极大化方法分析了线性指标函数的单指标模型中的筛剖面拟极大似然估计。用紧支集的\(C^3\) -Daubechies小波逼近连接函数。在有限样本条件下，我们得到了类似Wilks现象和Fisher定理的结果.此外，我们表明，交替最大化过程收敛到全局最大化，并评估在这种情况下的投影寻踪程序的性能。该方法是基于显示的条件Andresen A.和Spokoiny V.关于剖面M-估计和交替最大化过程，在指标函数、回归量和加性噪声的一组较弱的正则性和矩条件下，可以得到满足.这允许构造非渐近置信集，并导出估计量的渐近界作为推论。
Bias-reduced estimators of the Weibull tail-coefficient
本文研究了Weibull尾系数的估计问题。特别是，我们提出了一个回归模型，从中我们得到一个偏差减少估计。该估计器基于最小二乘方法。并证明了该估计量的渐近正态性。一个小的模拟研究，以证明其效率。
Computer Algebra Derivation of the Bias of Burg Estimators
讨论了一种符号方法，它可以用来获得渐近偏差和方差的顺序$O(1/n)$估计平稳时间序列。用这种方法证明了AR（1）和AR（2）模型中Burg估计对$O(1/n)$的偏差与最小二乘估计对已知和未知均值的偏差相等。以前的研究人员只能获得这种偏差的模拟结果，因为如果不使用计算机代数，这个问题太棘手了。
Bias Reduction for nonparametric Estimators applied to functional Data Analysis
本文提出了一种用于函数数据分析的偏差校正非参数估计器，通过改进结构减少偏差阶数，同时保持方差阶数，并证明其渐近正态性。
Bias corrected estimators for proportion of true null hypotheses under exponential model: Application of adaptive FDR-controlling in segmented failure data
针对指数分布的随机观测数据，对多假设检验情形下的真零假设比例（$π_0$）的两个基于模型的偏差校正估计进行了重构.基于随机序，给出了$π_0$的一些相关估计公式背后的新动机。减少基于模型的估计的偏差的理论证明和算法计算的估计也提出。估计器也被用来制定一个流行的自适应多重测试程序。广泛的数值研究支持的偏差校正估计的优越性。我们还指出了使用基于模型的偏差校正方法的不利影响，而没有适当的评估的基础分布。一个案例研究是用一个合成数据集与可靠性和保修研究，以证明该程序的适用性，根据非高斯设置。所得到的结果与学科专家的直觉和经验相一致。最后，作者对全文进行了总结，并对今后的研究方向进行了展望。
Excess Optimism: How Biased is the Apparent Error of an Estimator Tuned by SURE?
几乎所有统计预测中的估计器都以某种方式与相关的调整参数相关联。通常的做法，给定的数据，是选择调整参数值，最大限度地减少估计量的预测误差的构造估计，我们专注于斯坦的无偏风险估计，或SURE（斯坦，1981年;埃夫隆，1986年），形成一个无偏估计的预测误差，通过增加观察到的训练误差估计的自由度。通过SURE最小化的参数调整已经提倡许多作者，在各种各样的问题设置，在一般情况下，这是很自然的问题：什么是SURE调整估计的预测误差？一个明显的策略是简单地使用SURE报告的表观误差估计，即，SURE准则在其最小值处的值，以估计SURE调谐估计器的预测误差。但这不再是无偏的;事实上，我们可以预期SURE准则的最小值对于真实的预测误差是系统性地向下偏置的。在本文中，我们正式描述和研究这种偏见。
Bias robustness of depth estimators in multivariate settings
本文研究了多变量环境下深度估计器的偏置鲁棒性，分析了Tukey中位数、基于深度的散射矩阵和多元回归估计器的统计收敛性和鲁棒性。
On the bias of the Gini coefficient estimator for zero-truncated Poisson distributions
本文分析了零截断泊松总体基尼系数估计量的偏差，给出了偏差的数学表达式，并提出并经蒙特卡洛模拟评估了偏差校正估计量。
Bias-correction of the maximum likelihood estimator for the $α$-Brownian bridge
$α$ -布朗桥（英语：Brownian bridge）或称缩放布朗桥（scaled Brownian bridge），是布朗桥的一种推广，它的缩放参数决定了将过程拉回到0的力有多强。推导了参数$α$的极大似然估计的偏差，并提出了一种偏差修正方法，大大改善了估计量。在一个模拟研究中，估计的偏差校正估计和四个贝叶斯估计的基础上，无信息的先验的性能进行了评估。
Characterization of parameters with a mixed bias property
In this article we study a class of parameters with the so-called `mixed bias property'. For parameters with this property, the bias of the semiparametric efficient one step estimator is equal to the mean of the product of the estimation errors of two nuisance functions. In non-parametric models, parameters with the mixed bias property admit so-called rate doubly robust estimators, i.e. estimators that are consistent and asymptotically normal when one succeeds in estimating both nuisance functions at sufficiently fast rates, with the possibility of trading off slower rates of convergence for t…
Finite sample properties of multiple imputation estimators
研究了线性回归模型下多重插补估计的有限样本性质。给出了多重插补方差估计量的精确偏差。提出了一种减小偏差的方法，并进行了仿真比较。我们还表明，建议的方法可以用于一般类的线性估计。
Improved estimation in a general multivariate elliptical model
考虑了一般多元椭圆回归模型中最大似然估计的减偏问题。该模型是非常灵活的，并允许均值向量和色散矩阵有共同的参数。许多常用的模型是这个一般公式的特例，即：变量误差模型，非线性混合效应模型，异方差非线性模型，等等。在任何这些模型中，误差向量都可以具有任何多元椭圆分布。我们得到了最大似然估计的二阶偏差，偏差校正估计和偏差减少估计。仿真结果表明了该方法的有效性。
Model misspecification and bias for inverse probability weighting and doubly robust estimators
在因果推理文献中，属于一类半参数估计量的估计量被称为鲁棒的，如果它在至少一个工作模型被正确指定的假设下具有期望的性质。本文提出了一种粗略的分析方法来研究当所有工作模型都被错误指定时，平均因果效应的半参数估计的大样本偏差。我们将我们的方法应用到三个原型估计，两个逆概率加权（IPW）估计，使用错误指定的倾向得分模型，和一个双重稳健（DR）估计，使用错误指定的模型的结果回归和倾向得分。要分析的问题时，使用两个错误指定的模型是优于一个，我们推导出充要条件的DR估计有一个小的偏差比一个简单的IPW估计，当它有一个小的偏差比IPW估计与归一化权重。如果结果模型的误指定是中度的IPW和DR估计的偏差的比较表明，DR估计有一个较小的偏差比IPW估计。然而，所有的偏见包括PS模型的错误，我们建议研究人员在建模PS时要小心，只要涉及这样的模型。
A Minimax Bias Estimator for OLS Variances under Heteroskedasticity
异方差一致协方差阵估计（HCCME）的分析评价是困难的，因为目前可用的公式的复杂性。本文给出了标准线性回归模型中OLS的协方差阵的一类估计的偏差的新的解析公式。这些公式提供了大量的洞察这些估计的属性和性能特征。特别是，我们找到了一个新的估计，最大限度地减少了最大可能的偏差，并大大提高了标准的Eicker-White估计。
Bias correction for estimators of the extremal index
我们调查的联合渐近行为的极值指数，决定了集群的极值的平均长度，基于不同的阈值的一致性，所谓的块估计。由于这些估计量的大偏差，所得到的估计量通常对阈值的选择非常敏感，因此难以解释。我们提出并研究了一个偏置校正，渐近删除领先的偏置项，而收敛速度的随机误差被保留。
Finite-Sample Bias Correction for Plug-in Estimators of Extropy, Rényi Extropy, and Tsallis Extropy
本文针对有限支撑离散随机变量的三类外熵插件估计器推导一阶偏差公式，提出偏差校正方法，经模拟验证其有限样本性能更优，支持渐近场景中使用未校正插件估计器。
Bias correction of quadratic spectral estimators
本文将Astfalck等人针对Welch估计器的有限样本偏差校正方法扩展到滞后窗、多锥及其组合等更广泛的二次谱估计器族，并通过仿真验证了理论的有效性。
Bias correction for quantile regression estimators
本文提出了一种用于分位数回归估计量的二阶偏倚校正方法，通过有限差分估计偏倚组件，提高了估计精度，并通过实证数据验证了其有效性。
Asymptotic theory and first-order bias of the Wallace--Freeman estimator
本文研究Wallace-Freeman估计量的渐近性质，将其作为加权M估计量进行分析，推导其一致性、渐近线性及正态性，并提出基于惩罚项梯度的偏差校正方法，扩展了Cox-Snell公式至该估计量。
A Bias-reduced Estimator for the Mean of a Heavy-tailed Distribution with an Infinite Second Moment
我们使用偏置减少估计的高分位数，重尾分布，介绍了一个新的估计的情况下，无限的二阶矩。在模拟研究中，通过四种最流行的适合不同样本量的拟合优度检验，建立并检查了所提出的估计量的渐近正态性。此外，我们比较，在偏差和均方误差，我们的估计与彭的估计（彭，2001年），我们评估的准确性，一些得到的置信区间。
The bias-variance trade-off in Thomson's multitaper estimator
在非参数谱估计的核心，在于被称为偏差-方差权衡的困境：低偏差估计往往具有高方差，低方差估计往往具有高偏差。1982年，Thomson引入了一种多锥度方法，通过选择目标偏差分辨率并获得相应的方差减小来明确这种权衡。该方法成为许多应用中的标准。其有利的偏差-方差权衡是由于汤姆森基于数值证据证明的经验事实：假设带宽W和N个时域观测值，随着K的增长，第一个$K=\left\lfloor 2NW\right\rfloor$ Slepian函数的平方的平均值接近区间[-W，W]的理想带通核。我们提供了一个分析证明这一事实，并量化在L1范数的近似误差，然后使用近似误差来控制频谱泄漏造成的多锥度估计的偏差。这导致新的性能界限的方法，明确的带宽W和数量N的时域观测。我们的方法是灵活的，可以扩展到更高的维度和不同的几何形状。
A note on the relation between one-step, outcome regression and IPW-type estimators of parameters with the mixed bias property
本文证明一步估计量与结果回归型估计量的代数恒等式可推广至Rotnitzky等的混合偏差类，并允许一个冗余估计量非线性，同时联系IPW型估计量恒等式。
A Global Bias-Correction DC Method for Biased Estimation under Memory Constraint
针对记忆约束下的有偏估计问题，建立了一种全局偏差校正分治（GBC-DC）规则。为了引入新的估计，采用了由每个批次中的数据获得的局部估计量的封闭表示，旨在制定局部估计量和真实感兴趣的参数之间的形式线性回归。最小二乘法，然后在此框架内使用复合的参数的全局估计。因此，与经典的DC方法相比，新的GBC-DC方法的主要优点是可以吸收隐藏在统计结构和每批数据中的变量中的信息。因此，即使局部估计有不可忽略的偏差，得到的全局估计也是严格无偏的。而且，在不受批数约束的情况下，全局估计量是一致的，甚至可以达到根- $n$一致性。新方法的另一个吸引人的特点是计算简单，效率高，不使用任何迭代算法和局部偏差校正。具体地说，建议的GBC-DC方法适用于各种有偏估计，如收缩型估计和非参数回归估计。详细的仿真研究表明，所提出的GBC-DC方法是显着的偏差校正，行为是可比的全数据估计，是远远优于竞争对手。
Improved estimators for dispersion models with dispersion covariates
在本文中，我们讨论了改进的估计的回归和离散参数的扩散模型（Jørgensen，1996）的扩展类。这个类通过让色散参数在整个观测中变化来扩展规则色散模型，并包含色散模型作为特殊情况。在具有色散协变量的色散模型中，显式地得到了二阶偏差的一般公式，该公式推广了Botter和Cordeiro（1998），Cordeiro和McCullagh（1991），Cordeiro和Vasconcellos（1999）和Paula（1992）的先前结果。这些公式的实际应用是，当信息矩阵为封闭形式时，我们可以导出回归和离差参数的极大似然估计的二阶偏差的封闭形式表达式。对于特殊的模型，给出了二阶偏差的各种表达式。这些公式对于数值目的具有优势，因为它们仅需要补充加权线性回归。我们还比较了这些偏差校正估计与两个不同的估计，这也是无偏的二阶，是基于自助方法。这些估计量进行了比较，通过模拟。
A Diagnostic for Bias in Linear Mixed Model Estimators Induced by Dependence Between the Random Effects and the Corresponding Model Matrix
该研究分析了线性混合模型中随机效应与模型矩阵的相关性引发的估计量偏差，给出了偏差无偏的条件，量化了偏差并提出诊断方法，通过体育赛事结果验证了该方法的有效性。
Asymptotically Optimal Bias Reduction for Parametric Models
统计分析中的一个重要挑战是控制估计量的有限样本偏差。在变量数$p$随样本量$n$发散的高维设置中，以及对于非线性模型和/或具有离散数据的模型，该问题被放大。对于这些复杂的设置，我们建议使用一个通用的模拟为基础的方法，并表明所得到的估计有一个偏差的顺序$\mathcal{O}(0)$，从而提供了一个渐进的最佳偏差减少。它是基于一个初始估计，可以稍微渐近偏置，使该方法非常普遍适用。这是特别相关的经典估计，如最大似然估计，只能（数字）近似。我们证明了Kuk（1995）的迭代自举法提供了一种计算效率高的方法来计算这种偏差降低的估计量。我们说明了我们的理论结果在模拟研究中，我们开发了新的偏差减少估计的逻辑斯谛回归，有和没有随机效应。这些估计享有额外的属性，如数据污染和可分性问题的鲁棒性。
Introducing the b-value: combining unbiased and biased estimators from a sensitivity analysis perspective
本文从敏感性分析角度提出结合无偏和有偏估计量的策略，引入b值以评估偏置对结论的影响，并推荐基于软阈值估计量的鲁棒置信区间。
Estimating the bias of a noisy coin
使用噪声数据对硬币偏差的最佳估计与使用无噪声数据的相同问题有着惊人的不同。我们研究这个问题，使用熵风险量化估计的准确性。我们推广了适用于无噪声硬币的“add Beta”估计器，我们发现这些对冲最大似然（HML）估计器在有噪声硬币上实现了O（N^{-1/2}）的最坏情况风险，而在无噪声情况下则为O（1/N）。我们证明，这种增加的风险是不可避免的，固有的噪声硬币，通过构建极大极小估计（数值）。然而，极小极大估计量引入了极端偏差，以换取最坏情况风险的轻微改善。因此，我们引入了一个逐点下界的最小可实现的风险作为替代的极大极小准则，并使用此界表明，HML估计是相当不错的。最后，我们对噪声硬币模型在社会科学、物理科学和量子信息科学中的科学应用进行了调查。
Uniform bias study and Bahadur representation for local polynomial estimators of the conditional quantile function
本文研究了条件分位数函数及其导数的局部多项式估计的偏差和弱Bahadur表示。偏差和Bahadur剩余项的研究均匀相对于分位数水平，协变量和平滑参数。局部多项式估计的阶可以高于条件分位数函数的可微阶。结果的应用涉及局部多项式分位数估计的全局最优相合率、随机带宽的性能和条件分位数密度函数的估计。后者允许获得一个简单的估计私人价值的条件分位数函数的第一价格密封投标拍卖下的独立私人价值的范式和风险中性。
A Reduced-Bias Weighted least square estimation of the Extreme Value Index
在本文中，我们提出了一个减少偏差估计的EVI的Pareto型尾（重尾）分布。这是使用加权最小二乘法得出的。证明了该估计在二阶条件下是无偏的、相合的和渐近正态的。有限样本性质的估计进行了研究，通过模拟研究。结果表明，该方法在偏差和均方误差方面都优于已有的极值指数估计。此外，它产生估计的$γ>0$，是不太敏感的顶部-顺序统计量的数量，因此，可以用于选择一个最佳的尾部分数。建议的估计进一步说明使用实际的数据集从土壤化学和保险。
Generalized Simultaneous Perturbation-based Gradient Search with Reduced Estimator Bias
本文提出广义同步扰动梯度搜索估计器族，通过增加函数测量次数降低估计偏差，并分析渐近与非渐近收敛性，实验验证了理论结果。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。