Novel Semi-parametric Tobit Additive Regression Models
回归方法被广泛用于探索因变量和自变量之间的关系。在实践中,经常存在删失和缺失数据等数据问题。当响应变量被(固定)删失时,Tobit回归模型已被广泛用于探索响应变量和协变量之间的关系。本文将传统的参数Tobit模型扩展为一种新的半参数回归模型,将Tobit模型中的线性成分替换为非参数加性成分,称之为Tobit加性模型,并提出了一种基于似然的Tobit加性模型的估计方法.该估计方法计算效率高,易于实现。数值实验进行了评估有限样本性能。在有限样本试验中,即使在样本量相对较小的情况下,该估计方法也能很好地工作。
2021-07-03 stat.ME
Parametric Modal Regression with Error in Covariates
本文针对协变量含测量误差的众数回归模型,提出一致参数估计方法和基于参数自助法的得分诊断工具,并通过模拟与实际数据验证其有效性。
2024-06-29 stat.ME
Testing parametric models in linear-directional regression
本文给出了具有标量响应和方向预测变量的参数回归模型的拟合优度检验。方向预测变量是任意维球面上的向量。检验过程是基于平滑和参数回归估计之间的加权平方距离,其中平滑回归估计是通过投影局部方法获得的。给出了在原假设和局部替代假设下检验统计量的渐近行为,并给出了一个可用于实际应用的自举算法。仿真研究说明了在有限样本的测试的性能。该过程适用于测试文本挖掘中的线性模型。
2020-09-20 stat.ME
Non-parametric estimation of Expectation and Variance of event count and of incidence rate in a recurrent process -- where intensity of event-occurrence changes with the occurrence of each higher order event
针对事件发生强度随高阶事件发生而变化的复发事件,提出了一种新的方差函数的期望和最大值的非参数估计方法.这类经常发生的事件,经常观察到在临床试验中的心血管事件,也在许多社会实验,涉及吸毒成瘾,持械抢劫等模拟数据被用来证明新的方法来估计的均值和方差的这种经常发生的事件和结果相比,纳尔逊Aalen估计的结果。
2020-12-17 stat.ME
Extrapolation Estimation for Parametric Regression with Normal Measurement Error
对于协变量含有正态测量误差的一般参数回归模型,本文提出了一种经典模拟外推算法的加速版本来估计回归函数中的未知参数。通过将条件期望直接应用于目标函数,所提出的算法成功地消除了模拟步骤,通过生成一个估计方程,无论是立即使用或外推,从而显着减少了计算时间。讨论了估计量的大样本性质,包括相合性和渐近正态性。潜在的广泛应用所提出的估计程序的例子,模拟研究,以及一个真实的数据分析。
2021-07-10 stat.ME
Semi-parametric bulk and tail regression using spline-based neural networks
University of Arkansas(阿肯色大学);University of Edinburgh(爱丁堡大学)
本文提出SPQRx,结合样条神经网络与混合GP分布,实现半参数化密度回归,以可靠处理重尾数据的尾部外推。
2026-02-25 stat.ME
Minimax wavelet estimation for multisample heteroscedastic non-parametric regression
研究了从多采样噪声曲线中估计基线信号的问题。本文考虑了功能性混合效应模型,假设功能性固定效应属于Besov类。这个框架允许我们对可能表现出强烈不规则性的曲线进行建模,例如峰值或跳跃。提供了$L_2$极小极大风险的下限,以及极小极大比率的上限,该上限是通过构建函数固定效应的小波估计量推导出来的。我们的工作构成了多样本非参数回归的第一个理论结果。我们的方法说明了现实的模拟数据集以及实验数据。
2015-11-14 stat.ME
Simultaneous semi-parametric estimation of clustering and regression
研究了具有固定组效应的回归模型的参数估计,当组变量缺失而组相关变量可用时。这个问题涉及聚类以基于组相关变量推断缺失的组变量,以及回归以在给定组和最终附加变量的目标变量上构建模型。因此,这个问题可以用公式表示为目标和组相关变量的联合分布建模。该联合模型的常用参数估计策略是两步方法,首先学习组变量(聚类步骤),然后插入其估计量以拟合回归模型(回归步骤)。然而,这种方法是次优的(特别是提供有偏的回归估计),因为它没有利用目标变量进行聚类。因此,我们要求同时估计方法的聚类和回归,在半参数框架。数值实验说明了我们的主张,考虑广泛的分布和回归模型的好处。我们的新方法的相关性说明了处理与高血压预防相关的问题的真实数据。
2020-12-28 stat.ME
Nonparametric contaminated Gaussian mixture of regressions
University of Pretoria(比勒陀利亚大学);University of California, Riverside(加州大学河滨分校)
本文提出半参数和非参数污染高斯回归混合模型,通过EM和ECM算法实现鲁棒估计,用于观测聚类和异常值检测。
2026-01-10 stat.ME
Bayesian Additive Regression Trees With Parametric Models of Heteroskedasticity
我们将异方差贝叶斯加性回归树(BART)建模的误差方差参数的对数作为一个线性函数的预先指定的协变量。在该方案下,原始树和模型的吉布斯抽样过程很容易修改,方差模型的参数通过Metropolis-Hastings步骤更新。我们证明了我们的方法的承诺,提供更适当的后验预测区间比homoskedastic BART在异方差设置,并证明了该模型的抗过拟合。我们的实现将在即将发布的R包bartMachine中提供。
2014-02-21 stat.ME
Bayesian Non-parametric Simultaneous Quantile Regression for Complete and Grid Data
本文考虑了多个连续预测变量取值在单位区间内的非参数分位数回归的贝叶斯方法。在第一种方法中,假设分位数函数在解释变量上是光滑的,并在B样条基函数的张量积中展开。在第二种方法中,假设分布函数在解释变量上是光滑的,并将其展开为B样条基函数的张量积。与其他现有的非参数分位数回归方法不同,所提出的方法估计整个分位数函数,而不是估计的分位数网格。先验的B样条系数放在这样一种方式,估计的分位数水平的单调性保持不同于本地多项式分位数回归方法。所提出的方法也被修改为分位数网格数据,其中只有百分位数范围的每个响应观测是已知的。模拟研究提供了完整的和分位数的网格数据。该方法已被用来估计美国家庭收入数据和北大西洋飓风强度数据的分位数。
2016-12-01 stat.ME
Variable dispersion beta regressions with parametric link functions
本文提出了一类新的连续数据的回归模型,这些数据被限制在区间$(0,1)$内,如比率和比例。拟议的模型类别假设感兴趣变量为β分布,并且平均值和离散参数具有回归结构。这些结构考虑协变量、未知回归参数和参数连接函数。链接函数依赖于对随机分量和线性预测变量之间的关系进行建模的参数。详细讨论了对称和非对称的Aranda-Ordaz链函数。根据参数值,这些链接函数指的是固定链接的特定情况,例如logit和互补log-log函数。通过极大似然进行回归和链接函数参数的联合估计。给出了得分函数和Fisher信息矩阵的封闭表达式。讨论了大样本推理的各个方面,并提出了一些诊断措施。一个蒙特卡罗模拟研究被用来评估有限样本性能的点估计。最后,一个实际的应用,采用真实的数据进行了介绍和讨论。
2017-02-01 stat.ME
Testing the parametric form of the conditional variance in regressions based on distance covariance
本文提出了一种新的检验方法,用于检验非线性非参数回归模型中基于距离协方差的条件方差的参数形式。继承了距离协方差的优良性质,我们的检验在实践中非常容易实现,并且受协变量维数的影响较小。在原假设和备择假设下,研究了检验统计量的渐近性质。我们表明,建议的测试是一致的,对任何替代品,并可以检测本地的替代品收敛到原假设的参数率1/根(n)在非线性和非参数设置。由于检验统计量的极限零分布是难以处理的,我们提出了一种残差自助法来近似极限零分布。模拟研究,以评估有限样本的性能所提出的测试。我们还将建议的测试应用到一个真实的数据集进行说明。
2022-05-18 stat.ME
Semiparametric rank-based regression models as robust alternatives to parametric mean-based counterparts for censored responses under detection-limit
UCSD Herbert Wertheim School of Public Health and Human Longevity Science(加州大学圣地亚哥分校赫伯特·韦特海姆公共卫生与人类长寿科学学院)
本文提出半参数秩回归模型作为检测限下受挫响应的稳健替代方案,通过比较不同模型在偏倚、变异性及效率方面的表现,验证其在分布假设不确定时的稳定性。
2025-12-11 stat.ME
A parametric quantile beta regression for modeling case fatality rates of COVID-19
受COVID-19病死率(CFR)的启发,本文基于广义三参数贝塔(GB 3)分布建立了一个全参数分位数回归模型。Beta回归模型主要用于对比率和比例进行建模。然而,这些模型通常是指定的条件平均值。因此,如果观察到的响应变量遵循非对称分布(如CFR数据),则这些数据可能不充分。此外,β回归模型不考虑协变量在因变量范围内的影响,这可以通过条件分位数方法来实现。为了引入所提出的GB 3回归模型,我们首先通过插入分位数参数来重新参数化GB 3分布,然后我们开发了新提出的分位数模型。我们还提出了一个简单的解释预测响应关系的百分位数的增加/减少。进行蒙特卡罗研究以评估最大似然估计的性能和链接函数的选择。最后,来自智利的一个真实的COVID-19数据集进行了分析和讨论,以说明所提出的方法。
2021-10-09 stat.ME
Distribution free testing for linear regression. Extension to general parametric regression
最近,\cite{Khm13, Khm16, Khm17}提出了一种基于酉变换的检验参数假设的无分布方法,并在\cite{Ngu17}和\cite{Rob19}中进行了进一步的研究。本文证明了在线性回归的分布自由检验中,变换的形式是极其简单的。然后将其推广到向量值协变量的一般参数回归。
2020-02-07 math.ST stat.ME stat.TH
Semi-parametric least-area linear-circular regression through Möbius transformation
提出一种基于广义 Möbius 变换的半参数线性-圆回归模型,并用环面几何启发的面积损失进行估计,模拟与加密货币数据分析验证了其稳健性和实用性。
2024-12-09 stat.ME
Simple Bayesian testing of scientific expectations in linear regression models
科学理论通常可以使用线性回归模型中相对效应的等式和顺序约束来制定。例如,可以预期第一预测器的效果大于第二预测器的效果,并且预期第二预测器大于第三预测器。然后,我们的目标是将这些期望与竞争性的科学期望或理论进行测试。本文提出了一种简单的默认贝叶斯因子检验,用于检验具有等式和顺序约束的多个假设对兴趣效应的影响。所提出的测试标准可以计算,而不需要外部先验信息的预期效果之前,观察数据。该方法在名为“{ \tt lmhyp}”的R包中实现,该包可免费下载并随时可用。使用社会和行为科学的实证应用程序的方法和软件的可用性进行说明。
2019-01-29 stat.ME
A Parametric Framework for the Comparison of Methods of Very Robust Regression
有几种方法可以获得回归参数的非常稳健的估计,这些估计渐近抵抗数据中50%的离群值。这些算法的行为差异取决于回归数据和异常值之间的距离。我们引入了一个参数$λ$,它定义了模型空间中的参数路径,使我们能够以系统的方式研究估计量的属性,因为数据组从相距很远到接近。我们检查,作为一个功能的$λ$,方差和方差偏差的五个估计,我们也考虑他们的权力时,用于检测离群值。这种系统的方法提供了工具,获得知识和更好地理解稳健估计的属性。
2014-05-20 stat.ME
Misspecification in copula-based regression
在最近的一篇论文中,Noh et al.(2013)提出了一种新的具有多变量预测的回归函数的半参数估计,该估计基于通过参数copula指定预测和响应之间的依赖结构。本文研究的影响下发生的参数模型的误设定。我们证明了即使对于一个一维或二维预测的误差所造成的\wrong“规格的参数族是相当严重的,如果回归不是单调的预测的一个组成部分。此外,我们还表明,这些问题发生在所有常用的copula家庭,我们说明了在几个例子中,基于copula的回归可能会导致无效的结果,即使当更灵活的copula模型,如藤copulae(与常见的参数家庭)在估计过程中使用。
2013-10-30 stat.ME
A Bayesian Semi-Parametric Scalar-On-Function Quantile Regression with Measurement Error using the GAL
分位数回归提供了一种一致的方法来研究协变量与超出平均值的响应分布的各个方面之间的关联。当回归协变量测量有误差时,需要测量误差(ME)调整步骤以进行有效推断。这对于标量协变量和函数协变量都是正确的。在这里,我们建议扩展贝叶斯测量误差和贝叶斯分位数回归文献,以允许可用的协变量倾向于潜在的复杂测量误差。我们的方法使用广义非对称拉普拉斯(GAL)分布作为工作可能性。GAL分布族是贝叶斯分位数回归建模中一个比非对称拉普拉斯分布族更灵活的分布族。然后,我们通过一系列模拟场景,在ME调整步骤中比较和对比了两种方法。最后,我们将我们的方法应用于2013-2014年NHANES数据集的分析,以将体重指数(BMI)的分位数建模为50岁及以上成年人队列中分钟级基于设备的身体活动的函数。
2023-02-07 stat.ME
Augmented Transfer Regression Learning with Semi-non-parametric Nuisance Models
在当代统计学习中,当测试数据的分布偏离训练数据时,协变量偏移校正在迁移学习中起着重要作用。重要性加权作为一种自然的、原则性的协变量偏移调整策略,在迁移学习领域得到了广泛的应用。然而,该策略对于模型误指定或过大的估计误差不鲁棒。在本文中,我们提出了一种增强的迁移回归学习(ATReL)方法,该方法引入了一个针对目标响应的插补模型,并使用它来增强重要性加权方程。与新的半非参数结构和校准的时刻估计方程的两个滋扰模型,我们的ATReL方法是不太容易(i)的灾难的维数相比,非参数的方法,和(ii)模型错误的规格比参数的方法。我们表明,我们的ATReL估计是根n-一致的,当至少有一个滋扰模型被正确指定,估计的参数部分的滋扰模型实现参数率,和非参数组件率倍鲁棒性。仿真研究表明,我们的方法是更强大的和有效的比现有的参数和完全非参数(机器学习)估计在各种配置。我们还通过一个关于类风湿性关节炎表型分型算法在不同时间窗口的迁移学习的实例来检验我们的方法的实用性。最后,我们提出了一些方法来提高我们的估计器的内在效率,并将现代机器学习方法与我们提出的框架。
2022-04-11 stat.ME
Bayesian non-parametric ordinal regression under a monotonicity constraint
针对有序尺度结果变量的回归问题,提出仅受随机单调性约束的贝叶斯非参数有序回归模型,采用可逆跳马尔可夫链蒙特卡洛估计,具备协变量选择能力,经模拟和真实数据验证有效。
2022-02-11 stat.ME
On wavelets to select the parametric form of a regression model
设Y是与一组解释变量相关的响应变量,设f1,f2,.,fk是表示一组候选模型的一组参数形式。设f* 为k个合理模型集合中的真实模型。本文讨论用小波回归方法辅助选择回归模型的“真”参数形式,特别是非线性回归和广义线性模型的情况。在回归问题中使用非参数方法来选择更合适的参数方程在实践中将是有趣的,因为简单,因为不需要概率假设。我们评估所提出的小波过程的性能的基础上的正确的参数形式之间的一系列k候选模型的真实分类率,考虑到广泛的场景和配置,以及在实际的数据集应用。
2018-09-28 stat.CO stat.ME
Some Simplifications for the Expectation-Maximization (EM) Algorithm: The Linear Regression Model Case
University of Texas at Dallas(达拉斯大学)
本文通过ANCOVA回归重写EM算法,推导出解析结果以简化缺失值插补,用14个数据集验证并证明六个定理,从理论与实践上阐释插补发现。
2025-09-23 stat.ME
Adaptive Non-Parametric Regression With the $K$-NN Fused Lasso
融合套索,也称为全变差去噪,是一种在规则网格设计点上的局部自适应函数估计器。在本文中,我们将融合套索扩展到其中点不出现在规则网格上的设置,从而导致非参数回归的方法。这种方法,我们称之为$K$ -最近邻($K$ -NN)融合套索,涉及(i)计算设计点的$K$ -NN图;以及(ii)在此$K$ -NN图上执行融合套索。我们发现,这个过程有一些理论上的优势,竞争的方法:具体来说,它继承了本地自适应从它的连接到融合套索,它继承了流形自适应从它的连接到$K$ -NN方法。我们表明,在模拟研究和流感数据的应用程序中获得了优异的结果。为了完整性,我们还研究了一个估计,使使用的$ε$ -图,而不是一个$K$ -NN图,并对比这与$K$ -NN融合套索。
2019-07-08 stat.ME
A New One Parameter Unit Distribution: Median Based Unit Rayleigh (MBUR): Parametric Quantile Regression Model
本文提出了一种名为MBUR的单参数单位瑞利新分布,构建了参数化分位数回归模型,通过重新参数化的极大似然函数进行参数估计,并结合真实数据集验证了推断与拟合优度。
2025-10-11 math.PR stat.ME
Yield curve and macroeconomy interaction: evidence from the non-parametric functional lagged regression approach
将收益率曲线视为潜在连续随机函数上的稀疏测量集合,使我们能够将其作为稀疏观测的函数时间序列进行统计建模。为此,我们使用最先进的非参数统计推断的方法,稀疏观察功能时间序列来分析美国国债收益率曲线对美国宏观经济变量的滞后回归依赖。我们的非参数分析证实了先前在参数假设下建立的研究结果,即联邦基金利率对收益率曲线短端的强烈影响和年通胀对收益率曲线长端的温和影响。
2020-07-06 stat.AP stat.ME
A Semi-Parametric Torus-to-Torus Regression Model with Geometric Loss: Application to Cyclone Data
IIT Kharagpur(印度理工学院卡拉格普尔分校)
本文提出一种基于几何损失的半参数化环面到环面回归模型,用于改进气旋驱动的风波方向动力学分析与预测。
2026-02-27 stat.ME
Defensive Model Expansion for Robust Bayesian Inference
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出防御性模型扩展方法,通过将非参数成分与参数模型结合,实现模型自动适应,从而在参数模型正确时恢复效率,在不正确时捕捉缺失信号,提升鲁棒贝叶斯推断性能。
2026-03-12 stat.ME
Bayesian Non-parametric Quantile Process Regression and Estimation of Marginal Quantile Effects
多个条件分位数的灵活估计在许多应用中是令人感兴趣的,例如研究妊娠相关因素对低出生体重和高出生体重的影响。我们提出了一个贝叶斯非参数方法,同时估计非交叉,非线性分位数曲线。我们扩展了响应的条件分布函数在I-样条基函数的协变量依赖系数建模使用神经网络。通过利用样条函数和神经网络的逼近能力,我们的模型可以逼近任何连续的分位数函数。与现有的模型相比,我们的模型估计所有的分位数,而不是一个有限的子集,规模以及高维,估计的不确定性。虽然该模型是任意灵活的,可解释的边际分位数效应估计使用累积局部效应图和变量的重要性措施。仿真研究表明,当数据稀疏时,我们的模型可以更好地恢复响应分布的分位数,并对出生体重数据进行了分析。
2021-08-29 stat.ME
Scalable Expectation Propagation for Mixed-Effects Regression
针对混合效应回归模型在大规模分组数据下贝叶斯推断难以同时实现线性扩展与分布式稳定的问题,提出一种基于稀疏重参数化和矩传播改进的可扩展、数值稳定的期望传播(EP)框架。
2024-09-24 stat.ME
Bayesian Inference for Regression Copulas
我们提出了一个新的半参数分布回归平滑,是基于Copula分解的联合分布的响应值的向量。Copula是高维的,通过伪回归的反演来构造,其中条件均值和方差是使用正则化基函数建模的协变量的半参数函数。通过对基系数进行积分,得到协变量空间上的隐式copula过程,我们称之为“回归copula”。我们将其与非参数边际相结合来定义Copula模型,其中响应的整个分布(包括均值和方差)是协变量的光滑半参数函数。Copula估计使用哈密顿蒙特卡罗和变分贝叶斯,后者是可扩展到高维。使用真实数据的例子和模拟研究,我们说明了这些估计和copula模型的有效性。在一个实质性的例子中,我们估计半小时电力现货价格的分布作为需求和两个时间协变量的函数,使用径向基和马蹄正则化。Copula模型产生的分布估计是局部自适应的协变量,预测比基准模型更准确。
2020-01-24 stat.ME
Proxy Variable in OECD Database: Application of Parametric Quantile Regression and Median Based Unit Rayleigh Distribution
Faculty of Graduate Studies for Statistical Research, Cairo University(开罗大学统计研究高等学院)
本文提出专为分位数回归设计的基于中位数的单位Rayleigh(MBUR)分布,并利用OECD数据应用参数化MBUR分位数回归,展示了其连接统计理论与数据分析的潜力。
2025-10-26 stat.AP stat.ME
Testing against a linear regression model using ideas from shape-restricted estimation
提出了一种形式似然比假设检验的有效性参数回归函数,使用一个大的维,非参数双锥替代。例如,针对常数函数的检验使用递增或递减回归函数的替代方案,而针对线性函数的检验使用凸或凹替代方案。该检验方法准确、无偏,且临界值易于计算。在非常温和的假设下,检验的功效随着样本量的增加而增加到1--即使在错误指定替代方案的情况下。也就是说,对于任何偏离(以非退化方式)参数原假设的真回归函数,检验的功效收敛于1。我们还制定了测试的线性与部分线性模型,并考虑特殊情况下的添加剂模型。仿真结果表明,我们的程序表现良好,一致性与其他方法相比。虽然替代拟合是非参数的,但不涉及调谐参数。
2014-06-27 stat.ME
Parametric bootstrapping in a generalized extreme value regression model for binary response
当我们研究代表罕见事件的二元响应变量$Y$和潜在预测变量$\mathbf{X}$之间的关系时,广义极值(GEV)回归往往更适合。特别地,我们使用GEV分布的分位数函数作为链接函数。Bootstrapping将准确性的度量(偏倚、方差、置信区间、预测误差、假设检验)分配给样本估计值。该技术允许使用随机抽样方法估计几乎任何统计量的抽样分布。Bootstrapping通过从近似分布中采样时测量估计量的属性来估计估计量的属性。本文首先对广义极值回归模型进行拟合,然后用参数Bootstrap方法检验假设,估计广义极值回归模型参数的置信区间,并给出一个实际数据应用。
2021-05-02 stat.AP stat.ME
A likelihood-based approach for cure regression models
本文提出了一种新的基于似然的方法,用于随机右删失下时间-事件分析中参数治愈回归模型的估计、推断和变量选择。在这种情况下,经常发生一些受试者被“治愈”,即,他们永远不会经历感兴趣的事件。然后,删失观察的样本是治愈和“易感”受试者的未标记混合物。使用逆概率截尾加权(IPCW),我们提出了一个基于似然的估计程序的治愈回归模型,而不作假设的易感受试者的生存时间的分布。IPCW方法确实需要对截尾分布进行初步估计,可以使用一般参数、半参数或非参数方法。在我们的估计过程中的惩罚项的成立是简单的,特别是,我们提出了L1型变量选择的处罚。我们的理论结果是在温和的假设下得出的。仿真实验和实际数据分析验证了该方法的有效性。
2020-07-15 stat.ME
On a non-parametric confidence interval for the regression slope
本文研究了Tukey方法在Theil回归中的应用,得到了不一定具有正态误差的直线回归模型中真实斜率的置信区间。自2005年以来,这种特定的方法在R软件包中实现;然而,没有任何理论背景。我们说明了蒙特卡罗模拟,这种方法,不像经典的Theil的方法的基础上肯德尔的tau,严重缩小了真正的置信水平的区间。我们还提供了严格的证明,在四个数据点的情况下(一般),并在五个数据点的情况下(在一些附加条件下);在后一种情况下,与现实生活中的方法使用的例子。总之,我们证明,一个不应该结合统计方法,而不检查其使用的假设,我们也给一个警告已经广泛的社会R用户的泰尔回归从各个科学领域。
2016-09-09 stat.ME
Parametric mode regression for bounded responses
我们提出了新的参数框架的回归分析的有界响应的条件模式作为关注点。在两类新的回归模型下,证明了基于极大似然方法的协变量效应估计和预测。我们还开发了图形和数值诊断工具,以检测模型误指定的各种来源。预测的基础上推断使用各种回归模型的不同的集中趋势的措施进行了比较,使用模拟合成数据。最后,我们进行了回归分析的数据从阿尔茨海默氏病神经影像倡议,以证明所提出的方法的实际执行。包含技术细节的补充材料以及其他模拟和数据分析结果可在线获得。
2020-06-19 stat.AP stat.ME stat.OT
Semi-parametric Bayes Regression with Network Valued Covariates
越来越多的人认识到大脑网络作为精神健康和精神病学研究中的神经影像学生物标志物的作用。我们的重点是创伤后应激障碍(PTSD),其中大脑网络以复杂的方式与环境暴露相互作用,以推动疾病进展。寻求表征临床表型与脑网络中的整个边缘集之间的关系的现有线性模型可能过于简单化,并且通常涉及导致计算负担和不准确估计的膨胀的参数数量。在第一个这样的努力之一,我们开发了一种新的两阶段贝叶斯框架,找到一个节点特定的低维表示的网络使用潜在规模的方法在第一阶段,然后使用一个灵活的高斯过程回归框架预测涉及的潜在规模和其他补充协变量在第二阶段。所提出的方法放松了线性假设,解决了维数灾难,并可扩展到高维网络,同时保持在网络的节点级别的可解释性。从我们的激励PTSD应用程序的广泛的模拟和结果显示了竞争的线性和非线性方法的预测和覆盖方面的明显优势,所提出的方法。
2019-10-09 stat.ME
The conditionally studentized test for high-dimensional parametric regressions
针对无降维结构的高维参数回归模型检验,本文结合样本拆分与条件学生化提出COST,在固定或发散维数下均具渐近正态性并可最快检测局部备择假设。
2023-08-17 stat.ME
Parametric Modeling of Quantile Regression Coefficient Functions with Longitudinal Data
在普通的分位数回归中,不同阶数的分位数一次估计一个。另一种方法称为分位数回归系数建模(QRCM),将分位数回归系数建模为分位数阶数的参数函数。在本文中,我们描述了QRCM范式可以应用于纵向数据。我们引入了一个两水平分位数函数,其中使用两个不同的分位数回归模型来描述受试者内反应和个体效应的(条件)分布。我们提出了一种新型的惩罚固定效应估计,并讨论了它的优势,标准的方法的基础上$\ell_1$和$\ell_2$惩罚。我们提供了模型的可识别性条件,推导出渐近性质,描述拟合优度的措施和模型选择标准,目前的模拟结果,并讨论了应用。该方法已在R软件包qrcm中实现。
2020-05-30 econ.EM stat.ME
The Trimmed Mean in Non-parametric Regression Function Estimation
本文研究了Nadaraya-Watson估计量的一种修正形式,用于估计未知非参数回归函数。通过极小化问题建立了估计量的特征,并导出了其逐点渐近分布。通过故障点研究了该估计器的鲁棒性。此外,随着广泛的模拟研究的渐近效率的研究表明,这种估计在各种情况下表现良好。三个基准的实际数据,以及估计的实用性。
2019-09-26 math.ST stat.ME stat.TH
regMMD: An R package for parametric estimation and regression with maximum mean discrepancy
本文介绍R包regMMD,它利用最大均值差异(MMD)作为目标函数进行参数估计和回归,提供多种核函数与优化过程,并展示模拟及真实数据应用。
2025-04-24 stat.CO stat.ME
Longitudinal quantile regression in presence of informative drop-out through longitudinal-survival joint modeling
我们提出了一个联合模型的时间到事件的结果和一个分位数的连续响应重复测量随着时间的推移。分位数和生存过程通过共享的潜在变量和显式变量相关联。我们的联合模型提供了一个灵活的方法来处理信息脱落分位数回归。提出了一种基于重要性抽样的蒙特卡罗期望最大化策略,该策略可直接应用于纵向结果和随机效应的任意分布假设以及基线风险的参数和非参数假设。模型属性说明通过模拟研究和应用程序的原始数据集扩张型心肌病。
2014-04-04 stat.ME
Robust and Efficient Estimation in the Parametric Cox Regression Model under Random Censoring
Cox比例风险回归模型是分析截尾寿命变量与其他相关因素之间关系的常用工具。半参数Cox模型被广泛用于研究来自医学、生物学、可靠性研究等应用学科的不同类型的数据。如果适当指定,Cox回归模型的全参数版本可以产生更有效的参数估计,从而产生更好的洞察力。然而,现有的极大似然方法产生的推断下的全参数Cox回归模型是非常不稳健的数据污染,限制了它的实际应用。本文基于最小密度幂散度方法,给出了参数Cox回归模型的一种稳健估计方法。建议的最小密度功率发散估计被认为是产生高度稳健的估计数据污染下,只有轻微的损失,纯数据下的效率。此外,它们总是被认为比半参数Cox模型或其现有稳健版本下的基于似然的估计产生更精确的推断。我们还勾画了推导的渐近性质的估计,使用鞅的方法,并证明其鲁棒性理论上通过影响函数分析。通过仿真和一个实际数据例子说明了该建议的实用性和有效性。
2018-10-06 math.ST stat.ME stat.TH
A Non-Parametric Box-Cox Approach to Robustifying High-Dimensional Linear Hypothesis Testing
针对高维线性假设检验的模型误设问题,提出非参数Box-Cox框架及对应稀疏估计算法与三类检验方法,证明其极限分布性质,通过模拟和超市数据验证了方法的有效性与必要性。
2024-05-21 stat.ME
Semiparametric Regression Models for Explanatory Variables with Missing Data due to Detection Limit
针对检测限导致解释变量左删失的问题,提出半参数广义线性模型新方法,结合样本拆分与交叉拟合,比自助法计算效率提高450倍,提供更稳健高效的推断。
2025-07-13 stat.ME
Genomic Data Analysis using a Two Stage Expectation Propagation Algorithm for Analysis of Sparse Bayesian High-Dimensional Instrumental Variables Regression
基因表达数据和遗传变异的同时分析是高度感兴趣的,特别是当基因表达和遗传变异的数量都大于样本量时。因果基因和有效SNP两者的关联使得使用这种遗传数据集的稀疏建模非常重要。高维稀疏工具变量模型就是其中一种有用的关联模型,它可以同时描述基因表达和具有复杂性状的遗传变异之间的关系。从贝叶斯的角度来看,稀疏性可以使用稀疏性强制先验,如尖峰和板先验。提出了一种改进的两阶段期望传播(EP)算法,并研究了在高维稀疏工具变量模型中的近似推理。该方法采用经典的两阶段最小二乘法,与贝叶斯上下文一起使用。仿真研究进行检查的方法的性能。所提出的方法被应用于小鼠肥胖数据的分析。
2021-10-06 stat.ME
Gaussian Process Quantile Regression using Expectation Propagation
Aston University(阿斯顿大学)
直接分位数回归涉及估计响应变量的给定分位数作为输入变量的函数。我们提出了一个新的直接分位数回归的框架,其中一个高斯过程模型的学习,最小化预期的倾斜损失函数。在学习中所需的集成是不容易分析的,所以为了加快学习,我们采用期望传播算法。我们描述了这项工作如何与其他分位数回归方法,并适用于合成和真实数据集的方法。该方法被证明是有竞争力的最先进的方法,同时允许充分利用高斯过程概率框架。
2012-06-27 cs.LG stat.AP stat.ME
A flexible sequential Monte Carlo algorithm for parametric constrained regression
提出了一种算法,使回归曲线的形状约束的实施,而不需要的约束被写为封闭形式的表达式,也不假设的损失函数的函数形式。该算法基于序贯蒙特卡罗-模拟退火,仅依赖于评估约束是否得到满足的指示函数,从而允许通过指定适当的指示函数来强制执行各种复杂的约束,而无需改变算法的其他部分。通过有理函数和单调约束下的B-样条回归模型的拟合,说明了该算法的有效性。使用R的算法实现可以在GitHub上免费获得。
2019-04-01 stat.CO stat.ME
A New Graphical Device and Related Tests for the Shape of Non-parametric Regression Function
我们考虑一个非参数回归模型$y = m(x) + ε$,并提出了一种新的图形设备,以检查是否$r$ -th($r \geqslant 1$)衍生的回归函数$m(x)$是积极的或其他。由于回归函数的形状可以完全由其导数表征,因此图形设备可以正确地识别回归函数的形状。所提出的设备包括检查函数的单调性和凸性作为特殊情况。我们还提出了一个例子来阐明的图形设备的实际效用。此外,我们利用图形化的方法,建立了一类检验统计量的公式,并导出了它的渐近分布。这些测试在各种模拟和真实数据示例中展示。
2021-01-23 math.ST stat.ME stat.TH
SMIXS: Novel efficient algorithm for non-parametric mixture regression-based clustering
University of Ljubljana(卢布尔雅那大学);Slovenian Environment Agency(斯洛文尼亚环境署);Tampere University(坦佩雷大学)
我们研究了一种新的基于非参数回归的聚类算法用于纵向数据分析。该算法结合自然三次样条函数和高斯混合模型(GMM),可以产生平滑的聚类均值,很好地描述了底层数据。然而,该算法也存在一些缺点:参数估计过程计算复杂度高,方差估计量数值不稳定。因此,为了进一步提高该方法的可用性,我们采用了一些方法来降低其计算复杂性,我们开发了一种新的,更稳定的方差估计,我们开发了一个新的平滑参数估计过程。我们表明,开发的算法,SMIXS,在合成数据集上的聚类和回归性能优于GMM。我们展示了计算速度的影响,我们正式证明在新的框架。最后,我们进行了一个案例研究,通过使用SMIXS集群垂直大气测量,以确定不同的天气制度。
2022-09-19 cs.AI stat.ME
Parametric quantile regression for income data
一元正态回归模型是经济学中广泛应用的统计工具。然而,收入数据具有非对称性,最好用非正态分布来建模。收入模型是劳动经济学的重要研究课题,在确定劳动者收入方面起着重要作用。因此,这项工作的目的是提出参数分位数回归模型的基础上,两个重要的非对称收入分布,即,Dagum和Singh-Maddala分布。所提出的分位数模型是基于重新参数化的原始分布插入一个分位数参数。我们介绍了重新参数化,分布的一些性质,和分位数回归模型及其推论方面。我们继续进行蒙特卡罗模拟研究,考虑极大似然估计的性能评估和两个残差的经验分布的分析。蒙特卡罗结果表明,两种模型均满足预期结果。我们将建议的分位数回归模型应用于智利国家统计局提供的家庭收入数据集。我们表明,这两个模型都有很好的性能,无论是在模型拟合。因此,我们的结论是,结果是有利的Singh-Maddala和Dagum分位数回归模型的使用正的非对称数据,如收入数据。
2022-07-13 econ.EM stat.ME