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
Smoothed isotonic estimators of a monotone baseline hazard in the Cox model
考虑Cox模型中单调基线风险率$λ_0$的光滑极大似然估计和光滑Grenander型估计。我们分析了它们的渐近行为，并表明，它们是渐近正态的速率$n^{m/(2m+1)}$，当~ $λ_0$是$m\geq 2$倍连续可微的，这两个估计是渐近等价的。最后，我们提出了逐点置信区间的数值结果，说明了这两种方法的可比行为。
2018-05-17 math.ST stat.TH
Isotonized smooth estimators of a monotone baseline hazard in the Cox model
考虑Cox模型中单调基线风险的两个保序光滑估计，一个是最大光滑似然估计，另一个是基于累积基线风险的光滑Breslow估计的Grenander型估计.我们证明了它们在速率$n^{m/(2m+1)}$下都是渐近正态的，其中$m\geq 2$表示所考虑的平滑水平，并且我们将它们的极限行为与Lopuhaä和Musta（2016）中研究的核平滑保序估计量联系起来。结果表明，Grenander型估计量与核平滑保序估计量是渐近等价的，而最大平滑似然估计量具有相同的渐近方差，但有不同的偏差。最后，我们提出了逐点置信区间的数值结果，说明了这两种方法的可比行为。
2018-05-17 math.ST stat.TH
Smoothed NPMLEs in nonparametric Poisson mixtures and beyond
本文研究 GOT 距离下的非参数混合分布估计，证明 Poisson NPMLE 可达近 root-n 速度，并将结论推广至其他最小距离估计量及更广混合模型。
2024-06-13 math.ST stat.TH
Confidence intervals centred on bootstrap smoothed estimators: an impossibility result
本文基于决策论性能界限证明，在嵌套线性回归模型测试床中，不存在以自助法平滑估计量为中心且基于数据宽度的置信区间，能同时满足最小覆盖率与理想的缩放期望长度要求。
2019-10-21 math.ST stat.ME stat.TH
Bayesian Smoothed Quantile Regression
Zhejiang University（浙江大学）
贝叶斯平滑分位数回归通过核平滑和可微似然框架，解决传统BQR的偏差和计算问题，提升预测精度和采样效率，适用于金融领域中的系统性风险分析。
2026-01-13 econ.EM stat.ME
On comparison of estimators for proportional error nonlinear regression models in the limit of small measurement error
本文比较了比例误差非线性回归模型的极大似然（ML）、拟似然（QL）和加权最小二乘（WLS）估计。热释光沉积测年的文献揭示了另一种类似于加权最小二乘法的估计，但观察到的反应用作权重。我们称之为数据加权最小二乘（DWLS）的估计量也包含在比较中。我们发现，在顺序$σ, $所有四个估计的行为类似于普通的最小二乘估计标准的线性回归模型。在$σ^2, $的阶上，估计量有偏差。在小的测量误差的限制下是有效的公式推导出的偏差和方差的四个估计。最大似然估计比拟似然估计具有更小的偏差。条件下，加权最小二乘和最大似然估计有类似的偏差。在$σ^ {2} $阶上，所有估计量具有相似的标准误差。在高阶$σ$上，当随机误差的前四阶矩与正态分布相同时，极大似然估计比拟似然估计具有更小的方差.最大似然和拟似然估计方程是无偏的。在大样本下，这两个估计量服从多元正态分布。加权最小二乘和数据加权最小二乘的估计方程是有偏的。然而，在$σ\to 0$和$n \to \infty, $的极限下，如果$ n^ {1/2} σ$保持有界，则这两个估计量也服从多元正态分布。模拟研究证明了适用性的推导公式中存在的测量误差典型的沉积数据。结果表明，从热释光沉积测年的数据集。
2019-11-21 math.ST stat.TH
Maximum Likelihood Estimation of a Proportion from a Sample of Triplets
当估计一个比例时，只给出了一个三元组的样本，三元组内的依赖关系将被考虑。在不假设三联体的成功计数的分布的情况下，与比例一起作为第二和第三参数，第一和第二阶的相关性进入模型。我们应用极大似然估计，并利用三重数服从多项式分布，结合连续映射定理导出了相容性。渐近正态性遵循delta方法，从而得到标准误的封闭形式表达式。作为应用，我们从样本到护理学校的学龄前儿童龋病患病率进行了研究。我们比较了标准误与那些错误地假设独立的护理学校。正如所怀疑的那样，这种设计明显地“膨胀”了标准误。
2022-03-10 stat.ME
Maximum likelihood estimation in a partially observed stratified regression model with censored data
分层比例强度模型通过允许研究人群的不同组具有不同的基线强度函数来概括Cox比例强度模型。本文考虑了当样本中某些个体的阶层变量不可观测时，该模型的估计问题。在这种情况下，我们构造了分层模型参数的非参数极大似然估计，并建立了它们的相合性和渐近正态性。也得到了极限方差的一致估计。
2008-05-06 math.ST stat.TH
Penalized likelihood inference for beta-binomial meta-analysis of proportions of rare events
The Graduate Institute for Advanced Studies, The Graduate University for Advanced Studies（高级研究研究生院，高级研究院）；Department of Interdisciplinary Statistical Mathematics, The Institute of Statistical Mathematics（统计数学系，统计数学研究所）
针对罕见事件比例元分析中常用最大似然估计器存在有限样本偏差的问题，提出最大惩罚似然估计器，通过最大化Jeffreys先验惩罚增强的对数似然得到，模拟显示其在多方面优于普通MLE，还引入新置信区间，为相关元分析提供有用替代方法。
2026-07-30 stat.ME
Smoothed Analysis of Sequential Probability Assignment
Caltech（加州理工学院）；UC Berkeley（加州大学伯克利分校）
本文首先研究了带上下文的序贯概率分配问题的平滑分析。我们研究信息理论上的最优极大极小率以及涉及最大似然估计甲骨文算法减少的框架。我们的方法建立了一个通用的减少，从最小化最大率的顺序概率分配平滑的对手，最小化最大率的转导学习。这导致了参数类和有限VC维类的最佳（对数）快速速率。在算法方面，我们开发了一种算法，有效地挖掘到MLE甲骨文，一般类的功能。我们表明，在一般条件下，这种算法的方法产生次线性遗憾。
2023-03-08 cs.DS cs.IT cs.LG
Confidence intervals centered on bootstrap smoothed estimators
Bootstrap平滑（袋装）参数估计已被提出作为一个改进的估计后发现初步的基于数据的模型选择。Efron（2014）的关键结果是一个非常方便且广泛适用的公式，用于delta方法近似自助平滑估计量的标准差。这种近似提供了一个容易计算的指南，这个估计的准确性。此外，Efron（2014）提出了一个以自助平滑估计量为中心的置信区间，其宽度与该近似值对标准差的估计成正比。我们在两个嵌套线性回归模型（完整模型和简单模型）的情况下评估此置信区间，并对简单模型正确的原假设进行初步检验。我们推导出计算方便的表达式的理想自举平滑估计和覆盖概率和预期长度的置信区间。在覆盖概率方面，该置信区间优于具有相同标称覆盖率且基于相同初步检验的模型选择后的置信区间。我们还比较了性能的置信区间为中心的自举平滑估计，在预期的长度，通常的置信区间，具有相同的最小覆盖概率，基于完整的模型。
2018-10-29 stat.ME
Iterative proportional scaling via decomposable submodels for contingency tables
我们提出了迭代比例缩放（IPS）通过可分解的子模型最大化似然函数的分层模型的列联表。在普通IPS中，比例缩放是通过循环通过分层模型的生成类的元素来执行的。我们建议在每一步调整更多的边缘。这是通过将生成类表示为可分解子模型的联合并循环遍历可分解模型来实现的。我们证明了我们提出的程序的收敛性，如果缩放量在每一步适当调整。我们还详细分析了所提出的算法周围的最大似然估计（MLE）。数值例子说明了我们所提出的程序的收敛速度更快。
2008-11-14 math.ST stat.TH
On confidence intervals centered on bootstrap smoothed estimators
Bootstrap平滑（袋装）估计已被提出作为一个改进的估计后发现初步的数据为基础的模型选择。Efron，2014年，推导出了一个广泛适用的公式，用于delta方法近似自举平滑估计量的标准差。他还考虑了以自举平滑估计量为中心的置信区间，其宽度与该标准差的估计值成比例。Kabaila和Wijethunga（2019）评估了该置信区间在两个嵌套线性回归模型（完整模型和简单模型）场景中的性能，用于已知误差方差和使用假设检验进行初步模型选择的情况。他们发现，这个置信区间的性能并不比基于全模型的通常的置信区间有实质性的改善，具有相同的最小覆盖率。我们扩展这种评估的情况下，未知的误差方差推导出一个计算方便的精确公式的理想（即在限制的自举复制的数量发散到无穷大）δ方法近似的自举平滑估计的标准差。我们的研究结果表明，与已知的误差方差的情况下，有这种置信区间具有吸引力的性质的情况下。
2019-04-05 stat.ME
Unbiased Estimations based on Binary Classifiers: A Maximum Likelihood Approach
Statistics Netherlands（荷兰统计局）；Radboud University（拉德堡德大学）；Eindhoven Univ. of Technology（埃因霍温理工大学）
在一定比例的正项上训练的二元分类器在应用于具有不同比例的正项的数据集时会引入偏差。处理这个问题的大多数解决方案都假设关于后一种分布的一些信息是已知的。然而，情况并非总是如此，当这一比例是目标变量时当然如此。本文提出了一种数据集中阳性真比例的极大似然估计，并在合成数据和真实世界数据上进行了检验。
2021-02-17 cs.LG stat.ML
Smoothed Online Optimization for Regression and Control
Caltech（加州理工学院）
我们认为在线凸优化（OCO）的设置中的成本是$m$ -强凸和在线学习者支付切换成本的轮之间改变决定。我们发现，最近提出的在线平衡下降（OBD）算法是恒定的竞争力，在这种设置中，与竞争比$3 + O(1/m)$，无论周围的尺寸。此外，我们表明，当成本函数的序列是$ε$ -光滑，OBD具有接近最佳的动态遗憾，并保持较强的每轮精度。我们证明了我们的方法的一般性，通过显示OBD框架可用于构建各种在线学习和控制问题的竞争算法，包括岭回归，逻辑回归，最大似然估计和LQR控制的在线变体。
2019-04-04 cs.DS cs.LG math.OC
Confidence intervals for the current status model
讨论了当前状态模型中分布函数的逐点置信区间的构造方法。置信区间基于平滑最大似然估计（SMLE），并使用自助法构建。其他方法来构建置信区间，使用非标准极限分布的（限制）极大似然估计，我们的方法相比，通过模拟和实际数据的应用。
2017-03-24 math.ST stat.TH
A fast algorithm for maximum likelihood estimation of mixture proportions using sequential quadratic programming
混合比例的极大似然估计有着悠久的历史，并且在现代统计学中继续发挥着重要作用，包括在非参数经验贝叶斯方法的发展中。混合物比例的极大似然传统上使用期望最大化（EM）算法来解决，但Koenker和Mizera最近的工作表明，现代凸优化技术-特别是内点方法-比EM更快，更准确。在这里，我们开发了一个新的解决方案的基础上，序列二次规划（SQP）。它比内点法快得多，而且同样准确。我们的方法结合了几个想法：第一，它解决了重新制定的原始问题;第二，它使用SQP方法，使昂贵的梯度和Hessian计算的最佳利用;第三，SQP迭代实现使用有效集方法，利用稀疏性质的二次子问题;第四，它使用准确的低秩近似更有效的梯度和Hessian计算。我们说明了我们的方法在合成数据集以及一个大的遗传关联数据集的实验中的好处。在大型数据集（n = 1，000，000个观测值，m = 1，000个混合成分）中，与最先进的内部点求解器相比，我们的实现在运行时间上至少减少了100倍。我们的方法在Julia中实现，并在CRAN上提供的R包中实现（参见https：//CRAN.R-project.org/package=mixsqp）。
2020-12-09 stat.CO stat.ME
Parameter estimation and model testing for Markov processes via conditional characteristic functions
马尔可夫过程被广泛应用于包括金融在内的各种学科。这些过程的跃迁密度通常是未知的。然而，条件特征函数更有可能是可用的，特别是对于Lévy驱动的过程。我们提出了一种经验似然方法，参数估计和模型规格测试，基于条件特征函数的过程中，无论是连续或不连续的样本路径。提供了参数的经验似然估计的理论性质和过程的参数规格的平滑经验似然比检验。仿真和实证案例研究进行了确认所提出的估计和测试的有效性。
2013-02-01 math.ST stat.TH
Maximum Likelihood Estimation for Semiparametric Regression Models with Interval-Censored Multi-State Data
区间删失多状态数据出现在许多慢性疾病的研究中，其中受试者的健康状况可以由有限数量的疾病状态来表征，并且任何两个状态之间的转换仅已知发生在较宽的时间间隔内。我们通过具有随机效应的半参数比例强度模型来描述潜在的时间相关协变量对多状态过程的影响。本文采用一般区间删失下的非参数极大似然估计（NPMLE），提出了一种稳定的期望最大化（EM）算法。我们证明了所得到的参数估计是一致的，有限维分量是渐近正态的，其协方差阵达到半参数有效界，并且可以通过轮廓似然一致估计。此外，我们通过广泛的模拟研究表明，所提出的数值和推理程序在现实环境中表现良好。最后，我们提供了一个主要的流行病学队列研究的应用程序。
2022-09-16 math.ST stat.ME stat.TH
Maximum likelihood estimation in Gaussian models under total positivity
研究了多元二阶全正高斯分布的极大似然估计问题。通过利用连接到遗传学和单连锁聚类，我们给出了一个简单的证明，这种分布的极大似然估计（MLE）存在的基础上，至少有2个观察，无论潜在的尺寸。Slawski和Hein首先证明了这一结果，他们还提供了经验证据，表明MTP 2约束作为一个隐式正则化子，并导致估计的逆协方差阵的稀疏性，决定了我们将ML图命名为什么。我们表明，我们可以找到一个上限的ML图添加边缘对应的相关性超过那些解释的相关矩阵的最大权重生成森林。此外，我们提供了全局收敛的坐标下降算法计算的MLE下的MTP2约束，其结构类似于迭代比例缩放。最后，我们讨论了有符号的MTP2分布。
2018-05-26 math.ST stat.ME stat.TH
Finite-Sample Maximum Likelihood Estimation of Location
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Purdue University（普渡大学）
我们考虑一维位置估计，其中我们从$n$样本$λ+ η_i$估计参数$λ$，其中每个$η_i$被i.i.d.绘制。从已知的发行版$f$。对于固定的$f$，最大似然估计（MLE）在$n \to \infty$的极限下是最优的：它是渐近正态的，方差匹配$\frac{1}{n\mathcal{I}}$的Cramér-Rao下限，其中$\mathcal{I}$是$f$的Fisher信息。然而，对于有限的$n$，或者当$f$随$n$变化时，该界限不成立。我们发现任意$f$和$n$，可以恢复一个类似的理论的基础上的平滑版本的$f$的Fisher信息，其中平滑半径衰减与$n$。
2022-07-18 cs.DS cs.IT cs.LG
Homogeneity Test of Proportions for Combined Unilateral and Bilateral Data via GEE and MLE Approaches
本文针对单侧与双侧合并的二分类数据，提出基于GEE和得分检验的比例同质性检验方法，通过模拟和真实数据验证其在控制第一类错误率方面优于似然比和Wald型检验。
2025-08-16 stat.ME
Local partial-likelihood estimation for lifetime data
本文认为，比例风险模型，它允许一个检查的程度，协变量与暴露变量的非线性相互作用，分析寿命数据。提出了一种局部部分似然技术来估计非线性相互作用。证明了估计量的渐近正态性。局部似然估计的基线风险函数、偏差和方差是一致估计的。此外，一个一步的本地部分似然估计，以方便计算的建议的程序，并证明是有效的完全迭代本地部分似然估计。此外，一个惩罚的局部似然估计建议选择重要的风险变量的模型。数值例子被用来说明所提出的方法的有效性。
2006-05-18 math.ST stat.TH
Maximum Likelihood Estimation in Gaussian Chain Graph Models under the Alternative Markov Property
AMP马尔可夫性是最近提出的一个链图的替代马尔可夫性。在具有联合多元高斯分布的连续变量的情况下，与通过自然块递归回归的数据生成一致的是AMP而不是早先引入的LWF马尔可夫性。本文证明了高斯AMP链图模型的最大似然估计可以通过将广义最小二乘和迭代比例拟合结合到一个迭代算法中来获得。在附录中，我们给出了有用的迭代偏最大化算法，特别适用于所描述的算法的收敛结果。
2005-09-30 math.ST stat.TH
Post-selection inference for L1-penalized likelihood models
本文提出了一种新的L1（lasso）惩罚似然模型（包括广义回归模型）的后选择推断方法。我们的方法概括了Lee et al（2014）提出的选择后框架。该方法提供了渐进有效的p值和置信区间，条件是套索完成的固有选择。我们目前的应用这项工作（正规化）逻辑斯谛回归，Cox的比例风险模型和图形套索。
2016-10-13 stat.ME
Testing and Confidence Intervals for High Dimensional Proportional Hazards Model
提出了一种基于去相关的方法来检验高维比例风险模型的假设和构造其低维分量的置信区间。受几何投影原理的启发，我们提出了新的去相关score、Wald和偏似然比统计量.在不假设模型选择相合的情况下，证明了这些检验统计量的渐近正态性，建立了它们的半参数最优性。我们还开发了新的程序来构建逐点置信区间的基线风险函数和基线生存函数。最后给出了数值结果来支持我们的理论。
2014-12-16 math.ST stat.ML stat.TH
Inference with penalized likelihood
本文在半参数框架下研究了最大惩罚似然方法的统计特性。我们回顾了惩罚似然估计函数的方法，并回顾了一些渐近结果。研究了极大惩罚似然估计方差的两种估计：三明治估计和贝叶斯估计的性质。通过生存数据的模拟研究，研究了基于这些估计量的置信区间的覆盖率。在第一次模拟中，对生存函数和风险函数的覆盖率进行评估。在第二个模拟中，从具有协变量的比例风险模型生成数据。研究了回归系数的方差估计。对于生存和风险函数，三明治估计和贝叶斯估计都表现出相对较好的性质，但贝叶斯估计似乎更准确。至于回归系数，我们集中在贝叶斯估计，并发现它产生了良好的覆盖率。
2014-01-30 math.ST stat.TH
Smoothed empirical likelihood estimation and automatic variable selection for an expectile high-dimensional model with possibly missing response variable
针对具有大量解释变量、误差非对称或响应变量随机缺失的线性模型，提出两种平滑期望分位数最大经验似然方法，实现自动变量选择，并证明估计量的渐近性质及稀疏性，同时给出四种实现算法。
2023-05-12 stat.ME
Sub-Gaussian Concentration and Entropic Normality of the Maximum Likelihood Estimator
Carnegie Mellon University（卡内基梅隆大学）；Qualcomm Flarion Technology, Inc.（高通弗拉里昂技术有限公司）
本文在标准正则条件下，通过建立归一化最大似然估计的次高斯尾界、所有矩收敛以及熵中心极限定理，强化了经典渐近正态性结果。
2026-09-01 cs.IT math.IT math.ST
Conditional Density Estimation by Penalized Likelihood Model Selection and Applications
在本技术报告中，我们考虑使用最大似然方法的条件密度估计。在较弱的假设下，得到了单模型Kullback-Leibler型损失的最大似然估计的理论界.我们使用惩罚模型选择技术来选择集合中的最佳模型。我们给出了罚函数选择的一般条件，并证明了罚函数选择的结果是oracle型不等式。这种构造被应用到基于分区的条件密度模型的两个例子中，在这些模型中，条件密度仅以分段方式依赖于协变量。第一个例子依赖于经典的分段多项式密度，而第二个使用高斯混合物与不同的混合比例，但相同的混合成分。我们展示了这最后一种情况是如何与无监督分割应用程序，一直是我们的动机，这项研究的来源。
2012-07-09 math.ST stat.TH
Nonparametric confidence intervals for monotone functions
研究了单调函数的非参数保序置信区间。在Banerjee和Wellner（2001）中，基于当前状态模型中限制和非限制极大似然估计的似然比检验，引入了逐点置信区间。我们将该方法推广到其他具有单调函数的模型的处理，并通过Banerjee和Wellner（2001）中结果的新证明以及构造单调密度的置信区间来证明我们的方法，对于单调密度，仍然需要发展理论。对于后一种模型，我们证明了在原假设下LR检验的极限分布与当前状态模型相同。我们比较的置信区间，这样得到的，与置信区间使用平滑的最大似然估计（SMLE），使用自举方法。“拉格朗日修改”累积和图，在这里开发的，是一个必不可少的工具，用于计算的限制MLE和置信区间的理论发展，LR测试的基础上。
2015-02-16 math.ST stat.TH
Wald type and Phi-divergence based test-statistics for isotonic binomial proportions
本文针对独立二项随机变量的假设检验中涉及比例不等式约束的重要问题，引入并研究了新的检验统计量：基于Wald型和φ-散度的检验统计量。作为基于φ-散度的检验统计量的一种特殊情况，考虑了经典的似然比检验。给出了一个说明性的例子，并在广泛的模拟研究中分析了它们在小样本和中等样本量样本量下的性能。
2014-02-26 stat.ME
Estimation of Dirichlet distribution parameters with bias-reducing adjusted score functions
狄利克雷分布，也被称为多变量贝塔，是最常用的分析频率或比例数据。极大似然是狄利克雷参数估计的一种普遍方法。然而，对于小样本量，极大似然估计可能会显示出显著的偏差。本文针对极大似然估计的均值和中位偏差减小的问题，分别通过修正的得分函数得到Dirchlet参数估计。仿真研究和应用比较调整得分方法与极大似然。
2021-03-03 stat.ME
Improved Non-parametric Penalized Maximum Likelihood Estimation for Arbitrarily Censored Survival Data
非参数极大似然估计是一组经典的估计方法，用于估计截尾数据中的分布相关函数，在生存分析中有着广泛的应用。这些方法，包括卡普兰-迈耶估计量和Turnbull方法，经常导致过拟合，特别是当样本量很小时。我们提出了一种改进这些方法，通过应用核平滑的原始估计，基于BIC型损失函数，平衡优化模型拟合和控制模型复杂性之间的权衡。在纵向研究的背景下，重复观察，我们详细介绍了我们提出的平滑过程和优化算法。通过对多个现实场景的广泛模拟研究，我们证明了我们基于平滑的程序通过减少过拟合在生存函数估计和个体水平的事件发生时间预测方面提供了更好的整体准确性。与原始未平滑估计值相比，我们的平滑过程使用区间删失数据将估计值与真实模拟生存函数之间的差异降低了49%，样本内和样本外预测分别提高了41%和23%。最后，我们将我们的方法应用于审查乳腺癌诊断的真实数据，与未审查数据的经验生存估计相比，这同样显示出改善。我们提供了一个R包，SISE，用于实现我们的惩罚似然方法。
2021-08-04 stat.ME
Uniform Convergence Rates for Maximum Likelihood Estimation under Two-Component Gaussian Mixture Models
在方差不等的两分量位置-尺度混合高斯模型中，我们得到了极大似然估计的一致收敛性和参数估计的极小极大下界.我们假设混合物的混合比例是已知的和固定的，但没有对底层混合物组分进行分离假设。一个相变存在于最佳的参数估计率，取决于是否是平衡的混合物。我们分析的关键是仔细研究位置尺度高斯混合模型参数之间的依赖关系，通过多项式等式和不等式系统捕获，其解集驱动我们获得的速率。模拟研究说明了这项工作的理论研究结果。
2020-06-01 math.ST stat.ML stat.TH
Time-varying $β$-model for dynamic directed networks
本文将$β$-模型扩展至动态有向网络，提出核平滑似然方法估计时变参数，证明了当节点数或快照数发散时估计量的一致性与渐近正态性，并通过模拟与email数据集验证了方法的有效性。
2023-04-05 stat.ME
Asymptotic normality, concentration, and coverage of generalized posteriors
广义似然通常用于获得具有吸引力的计算和鲁棒性的一致估计。形式上，任何广义似然都可以用来定义广义后验分布，但不能期望任意定义的“后验”在任何有意义的意义上适当地量化不确定性。在这篇文章中，我们提供了充分条件下，广义后验显示浓度，渐近正态性（Bernstein-von Mises），一个渐近正确的拉普拉斯近似，渐近正确的频率覆盖。我们将我们的研究结果详细的广义后验广泛的广义似然，包括pseudolikelihoods一般，高斯马尔可夫随机场pseudolikelihoods，充分观察到的玻尔兹曼机pseudolikelihoods，伊辛模型pseudolikelihoods，Cox比例风险偏似然，和一个基于中位数的可能性鲁棒性推断的位置。此外，我们展示了如何使用我们的结果来容易地建立指数族和广义线性模型的标准后验的渐近性。我们没有假设模型的正确性，使我们的结果适用或不适用错误。
2021-05-03 math.ST stat.TH
Likelihood analysis for a class of spatial geostatistical compositional models
我们提出了一个基于模型的地质统计方法来处理区域化的成分。我们结合的加性对数比变换与多元地质统计模型的协方差阵是适应考虑到相关性引起的组成结构。这种规范允许使用标准的似然方法进行参数估计。对于空间预测，我们结合了高斯-厄米特方法的逆变换近似的组合物的条件期望。我们分析土壤顶层的粒度分数用于农艺目的，其通常表示为砂，粘土和粉砂的比例。此外，通过模拟研究，对极大似然估计量的小样本性质进行了评估。
2016-06-21 stat.ME
Detection of spatial clustering with average likelihood ratio test statistics
广义似然比（GLR）检验统计量常用于检测病例-对照和病例-人群数据集的空间聚类，以检查某个扫描窗口内显著大比例的病例。传统的空间扫描检验统计量取所有窗口上的上确界GLR值，而我们在这里考虑的平均似然比（ALR）检验统计量取GLR值的平均值。文献和本文的数值实验表明，ALR检验统计量比空间扫描统计量具有更高的功效。在本文中，我们开发了准确的尾部概率近似的ALR检验统计量，使我们能够绕过计算机密集型蒙特卡罗程序来估计$p$值。在针对协变量进行调整的模型中，这些Monte Carlo评估需要对参数进行初始拟合，这可能会导致$p$值估计值存在很大偏差。
2009-11-19 math.ST stat.TH
Confidence Intervals for Ratios of Proportions in Stratified Bilateral Correlated Data
分层双侧研究的置信区间（CI）方法使用组内相关性以避免误导性结果。在这篇文章中，我们提出了四种CI方法（样本量加权的全球基于MLE的Wald型CI，完全基于MLE的Wald型CI，轮廓似然CI和完全基于MLE的评分CI），以研究在Dallal的组内模型下分层双侧数据的临床试验设计的比例比的CI。进行了蒙特卡罗模拟，并且基于完整MLE的分数置信区间（CS）方法产生了稳健的结果。最后，一个真实的数据例子来说明所提出的四个CI。
2023-03-23 stat.ME
$\ell_0$-penalized maximum likelihood for sparse directed acyclic graphs
考虑了高维稀疏有向无环图模型（或等价的高斯结构方程模型）的结构和参数的正则化极大似然估计问题.我们发现，$\ell_0$惩罚的最大似然估计的DAG具有约相同数量的边缘的最小边缘I-MAP（DAG与最小数量的边缘代表的分布），它收敛于Frobenius范数。我们允许节点数p远大于样本量n，但假设稀疏条件，并且真实DAG的任何表示至少具有高于噪声水平的非零边缘权重的固定比例。我们的研究结果不依赖于忠实性假设，也不依赖于限制性强忠实性条件，这是基于条件独立性测试的方法，如PC算法所需的。
2013-05-09 math.ST stat.TH
Maximum smoothed likelihood method for the combination of multiple diagnostic tests, with application to the ROC estimation
National University of Singapore（新加坡国立大学）；University of Waterloo（滑铁卢大学）
本文提出了一种最大平滑似然方法，用于结合多个诊断测试以提高分类准确性，并应用于ROC曲线和AUC的估计。
2026-01-07 stat.ME
Correcting Mode Proportion Bias in Generalized Bayesian Inference via a Weighted Kernel Stein Discrepancy
本文提出加权KSD方法，用于纠正通用贝叶斯推断中的模式比例偏差，提升多模式后验处理能力。
2026-01-06 cs.LG stat.ME stat.ML
Testing Homogeneity of Proportion Ratios for Stratified Bilateral Correlated Data
近几十年来，人们用各种统计方法研究了双侧数据的组内相关性。在实践中，通过一些控制变量对双侧数据进行分层将提供更复杂的统计结果，以满足随机临床试验中提出的不同研究。本文提出了三种检验统计量（似然比检验、score检验和Wald型检验统计量）来评价等相关假设下分层双边相关数据比例比的齐性。对第一类错误和把握度进行了蒙特卡罗模拟，评分检验基于经验第一类错误和把握度得出了稳健的结果。最后，一个真实的数据例子来说明所提出的三个测试。
2023-03-22 stat.ME
Penalised maximum likelihood estimation in multistate models for interval-censored data
多状态模型可以用来描述随着时间的推移跨状态的转换。在过渡的区间删失时间的存在下，使用转移概率构造似然。使用转换的比例风险模型指定模型。时间依赖性通常由参数模型定义，这可能限制太多。样条非参数危险规范允许灵活的时间依赖性建模，而无需进行强有力的模型假设。惩罚极大似然被用来估计模型。选择最佳的平滑量是具有挑战性的，因为该问题涉及多个惩罚。本文提出了一种自动有效的方法，在区间删失的情况下，用样条函数估计多状态模型。通过数据分析和仿真研究说明了该方法。
2018-01-19 stat.ME
Statistical estimation in the proportional hazards model with risk set sampling
回归参数的Thomas偏似然估计被广泛应用于Cox模型嵌套病例对照数据的分析。本文提出了回归参数的一种新的估计，它是相合的且渐近正态的。它的渐近方差比Thomas的估计量离零点的渐近方差小于。与其他一些现有的估计，建议的估计不依赖于任何更多的数据比严格必要的托马斯估计，是很容易计算的封闭形式的估计方程的唯一的解决方案。方差估计是以估计函数的导数的倒数的负来获得的，因此推断是容易获得的。最后给出了一个数值例子来支持理论。
2004-10-05 math.ST stat.TH
Non-identifiability, equivalence classes, and attribute-specific classification in Q-matrix based Cognitive Diagnosis Models
近年来，基于Q矩阵的认知诊断模型受到越来越多的关注。这些模型下的参数估计和应答者分类可能由于可识别性问题而受到影响。不可识别性可以通过将属性简档分成具有相同可能性的组来描述。边际可识别性涉及个体属性的可识别性。对每个等价类内答卷人比例的极大似然估计是一致的，从而有可能采用一种新的评估质量计量办法，报告每一个属性几乎无法确定的答卷人比例。由此产生的是一种新的基于后验的分类方法调整的不可识别性。
2013-03-02 stat.AP stat.ME
Statistical Inference Based on a New Weighted Likelihood Approach
讨论了一种新的参数估计的加权似然方法。该方法的动机是需要产生一个简单的估计策略，提供了一个强大的解决方案，同时是完全有效的，当模型被正确指定。这是通过在极大似然评分方程中对每个观测值的得分函数进行适当加权来实现的。权重函数确定每个观测值与模型相对于其余观测值的兼容性，并仅在必要时应用降权，而不是始终自动对一部分观测值进行降权。这允许估计量在模型上保持完全的渐近有效性。我们建立了所有的理论属性的估计，并通过模拟和真实数据的例子证实了理论。我们的方法为Markatou等人（1997，1998）的加权似然方法提供了一种替代方法。
2019-08-27 stat.ME
Analysis of two Binomial Proportions in Non-inferiority Confirmatory Trials
在本文中，我们建议考虑一个确切的似然评分（ELS）测试的非劣性比较，我们推导出其基于测试的置信区间之间的差异，两个独立的二项比例。该检验的p值通过使用精确二项概率获得，其中滋扰参数被其限制性最大似然估计替代。计算的第一类错误显示，在80%或90%统计功效下，与流行的渐近方法相比，所提出的ELS方法在充分功效的确证性临床试验的非劣效性比较中具有重要优势。对于比较治疗组的不平衡样本量，渐近评分法的第一类错误在真实比例范围内以系统模式显示高于标称水平，但ELS法未出现此类问题。平均而言，ELS方法的真实第一类错误比经验比较中考虑的所有方法更接近标称水平。此外，在极少数情况下，ELS测试的第一类错误超过标称水平，但仅为少量。此外，对于大多数验证性试验，使用ELS方法的p值和置信区间可在不到30秒的计算机时间内获得。理论论据和有吸引力的经验证据，以及快速的计算时间，应该使ELS方法在统计实践中非常有吸引力。
2022-07-10 stat.AP stat.ME
Condition Number Analysis of Kernel-based Density Ratio Estimation
两个概率密度的比率可以用于解决各种机器学习任务，例如协变量移位自适应（重要性抽样），离群值检测（似然比检验）和特征选择（互信息）。最近，已经开发了几种直接估计密度比的方法，例如，核均值匹配、极大似然密度比估计和最小二乘密度比拟合。在本文中，我们考虑一个核化的最小二乘方法的变体，并从条件数的角度使用平滑分析技术研究其理论性质--Hessian矩阵的条件数决定了优化的收敛速度和数值稳定性。我们表明，核最小二乘方法有一个更小的条件数比核均值匹配和其他M-估计的版本，这意味着核最小二乘方法具有更好的数值特性。我们进一步给出了另一种形式的核最小二乘估计，这是具有更小的条件数。我们表明，数值研究符合我们的理论分析。
2009-12-15 math.ST stat.ML stat.TH
Model Based Bootstrap Methods for Interval Censored Data
我们研究了基于模型的bootstrap方法在区间删失数据下构建生存函数的逐点置信区间的性能。我们表明，从生存函数的非参数极大似然估计的自举是不一致的，目前的状态和情况2区间删失模型。提出了一种基于模型的平滑引导过程，并证明是一致的。此外，模拟研究进行说明（不）-一致的自助方法。我们在区间删失模型中的结论将更广泛地扩展到表现出非标准收敛率的回归模型中的估计。
2013-12-22 stat.ME
On the one parameter unit-Lindley distribution and its associated regression model for proportion data
本文考虑变换$X=\frac{Y}{1+Y}$，其中$Y \sim\text{Lindley}(θ)$，我们提出了单位Lindley分布，并研究了它的一些数学性质。与这种新分布有关的一个重要事实是，有可能得到极大似然估计量的偏差校正的解析表达式。此外，它属于指数家族。这种分布使我们能够将协变量直接纳入平均值，从而量化对响应变量平均值的影响。最后，一个实际的应用，它是目前表明，我们的模型拟合比贝塔回归好得多。
2018-01-08 stat.ME
Efficient Semiparametric Estimation of Short-term and Long-term Hazard Ratios with Right-Censored Data
在科学研究中，截尾失效时间数据的Cox模型中的比例风险假设经常被违反。Yang和Prentice（2005）提出了一种新的半参数双样本模型，该模型包括比例风险模型和比例优势模型作为子模型，并适应交叉生存曲线。该模型未指明基线风险，两个模型参数可解释为短期和长期风险比。推理程序是基于伪分数方法开发的。虽然提到了扩展以适应协变量，但尚未提供或证明正式程序。此外，伪分数方法可能不是渐进有效的。我们研究了Yang和Prentice（2005）的短期和长期风险比模型的扩展，以适应潜在的时间依赖协变量。我们开发了有效的基于似然的估计和推理程序。证明了非参数极大似然估计是相合的、渐近正态的和渐近有效的。大量的仿真研究表明，所提出的方法在实际环境中表现良好。所提出的方法捕捉到的现象，交叉危险的癌症临床试验，并确定了一个遗传标记，具有显着的长期影响错过了使用比例风险模型在发病年龄的酒精中毒的遗传研究。
2012-06-05 stat.ME
