Adaptive normalization for IPW estimation
逆概率加权(IPW)是调查抽样和因果推断中的一种通用工具,用于Horvitz-Thompson估计量(通过样本量进行归一化)和Hájek/自归一化估计量(通过逆概率权重之和进行归一化)。在这项工作中,我们研究了一个家庭的IPW估计,首先提出的Trotter和Tukey的背景下,蒙特卡罗问题,规范化的仿射组合这两个方面。我们展示了如何从这个家庭中选择一个估计在一个数据依赖的方式,以尽量减少渐近方差导致一个迭代过程,收敛到一个估计与回归控制方法的连接。我们将此估计量称为自适应归一化估计量。对于调查抽样中的均值估计,该估计量的渐近方差永远不会比Horvitz-Thompson或Hájek估计量差,并且除了边缘情况外都较小。进一步,我们表明,自适应归一化可以用来提出改进的增强IPW(AIPW)估计,平均处理效应(ATE)估计,和政策学习目标。吸引人的是,这些建议保留了AIPW的渐近有效性和IPW目标的政策学习的遗憾界限,并提供一致的有限样本改进的模拟均值估计,ATE估计和政策学习。
2021-07-09 stat.ME
Data-adaptive trimming of the Hill estimator and detection of outliers in the extremes of heavy-tailed data
我们介绍了一个修剪版本的重尾分布的指数,这是强大的扰动在极端顺序统计量的希尔估计。在理想的Pareto环境下,对于给定的严格上崩溃点,该估计在所有无偏估计量中本质上是有限样本有效的。对于一般的重尾模型,我们在二阶正则变差条件下建立了估计量的渐近正态性,并证明了它在Hall分布类中是极小极大率最优的.我们还开发了一种自动的,数据驱动的方法来选择的修剪参数,产生一种新型的鲁棒估计,可以适应未知的污染水平的极端。这种自适应鲁棒性使我们的估计特别有吸引力,优于其他强大的估计在设置中的极端数据被污染。作为数据驱动的修剪参数选择的一个重要应用,我们得到了一个方法的原则性识别极端离群重尾数据。事实上,该方法已被证明可以正确识别先前探索的Condroz数据集中的离群值数量。
2018-08-23 stat.ME
Data-adaptive doubly robust instrumental variable methods for treatment effect heterogeneity
我们认为,在存在有效(条件性)工具的情况下,将受试者的平均处理效应估计值作为基线协变量的函数。我们描述了两个双重鲁棒(DR)估计:局部有效的g-估计,和有针对性的最小损失估计(TMLE)。这两个DR估计可以被看作是两阶段最小二乘(TSLS)方法的推广,使较弱的假设半参数模型。我们利用最近的理论结果,扩展到g-估计使用的数据自适应适合的滋扰参数。一个模拟研究是用来比较标准的TSLS与两个DR估计的有限样本性能,(1)当使用参数滋扰模型拟合,和(2)使用数据自适应滋扰拟合,从超级学习者,集成机器学习方法。与错误指定的参数DR估计器和TSLS相比,数据自适应DR估计器具有更低的偏差和更好的覆盖范围。当正确指定处理效应曲线的参数模型时,g估计量优于所有其他估计量,但当错误指定该模型时,TMLE表现最佳,而TSLS可能导致大偏倚和零覆盖。最后,我们通过重新分析COPERS(持续性疼痛,自我管理的有效性研究)试验来说明这些方法,以推断实际接受的治疗的因果效应,以及基线抑郁症在多大程度上改变了这种因果效应。
2019-06-09 stat.ME
Inference on Average Treatment Effect under Minimization and Other Covariate-Adaptive Randomization Methods
协变量自适应随机化方案,如最小化和分层排列区组,经常应用于临床试验中,以平衡预后因素之间的治疗分配。协变量自适应随机化后推理的现有理论发展主要限于可以指定响应和协变量之间的正确模型或随机化方法具有良好理解的属性的情况。基于随机化中使用的协变量水平分层和对随机化中未使用的协变量的进一步调整,在本文中,我们提出了几种估计量,用于平均处理效应的无模型推断,平均处理效果定义为两种处理下的响应均值之间的差异。我们建立了所有流行的协变量自适应随机化方案下的估计量的渐近正态性,包括理论性质尚不清楚的最小化,我们证明了渐近分布对于协变量自适应随机化方法是不变的。一致方差估计量构造渐近推断。研究了估计量的渐近相对效率和有限样本性质。我们建议在协变量自适应随机化后使用我们提出的估计量进行有效和无模型推断。
2020-07-19 stat.ME
Design-based theory for causal inference from adaptive experiments
University of Chicago(芝加哥大学);Fuqua School of Business, Duke University(杜克大学福夸商学院)
本文提出基于设计的因果推断理论,适用于自适应实验,并提出自适应协变量调整方法以提升非自适应设计的推断有效性。
2026-02-25 stat.ME
Double robust estimation of partially adaptive treatment strategies
精准医疗旨在根据患者的特点制定治疗决策。G-估计和动态加权普通最小二乘(dWOLS)是双稳健的统计方法,可以用来确定最佳的自适应治疗策略。它们需要一个结果模型和一个治疗模型,并且如果这些模型中至少有一个被正确指定,则它们是一致的。未充分认识到,这些方法还需要对所有现有的治疗-混杂因素相互作用进行建模,以产生相合估计量。识别部分适应性治疗策略,根据只有少数协变量,忽略一些相互作用,定制治疗,可能是在实践中更可取的。有人提出结合逆概率加权和G-估计来解决这个问题,但我们认为,由此产生的估计预计不会是双稳健的。基于G-估计和dWOLS,我们提出了部分自适应策略的替代估计,并证明了它们的双重鲁棒性。我们调查和比较六个估计在模拟研究的经验表现。正如预期的那样,当不正确地指定治疗模型时,将逆概率加权与G估计或dWOLS相结合的估计量存在偏倚。如果治疗或结果模型被正确指定并且具有相似的标准误,则其他估计量是无偏的。使用由疾病中心维护的数据杜盛,说明的方法来估计一个部分适应性的治疗策略,根据他们的雌激素受体状态和体重指数定制激素治疗乳腺癌患者的使用。R软件实现我们的估计提供。
2021-11-08 stat.ME
Multiple testing with discrete data: proportion of true null hypotheses and two adaptive FDR procedures
当p值具有离散和异质零分布时,我们考虑具有错误发现率(FDR)控制的多重检验。我们提出了一个新的估计比例的真实零假设,并证明它是向上偏少比Storey的估计和其他两个估计。新的估计器包括两个自适应过程,即,自适应Benjamini-Hochberg(BH)过程和自适应Benjamini-Hochberg-Heyse(BHH)过程。我们证明了自适应BH过程是保守的非渐近。通过模拟研究,我们表明,这些程序通常是更强大的比他们的非自适应同行和自适应BHH程序通常是更强大的自适应BH程序和基于随机p值的程序。自适应程序应用于HIV疫苗效力的研究,其中它们在相同FDR水平下比BH程序识别更多差异多态性位置。
2017-08-31 stat.ME
A generalization of moderated statistics to data adaptive semiparametric estimation in high-dimensional biology
高维生物数据的广泛可用性使得同时筛选许多生物特征成为计算生物学和相关科学的中心问题。虽然这些数据集的维度继续增长,但在测量基线混杂因素的健康研究中,从暴露模式中识别生物标志物的复杂性也在增长;此外,在避免模型错误指定的同时这样做仍然是一个仅部分解决的问题。有效的估计,能够将灵活的,数据自适应回归技术,在估计相关组件的数据生成分布提供了一个途径,以避免模型误指定;然而,在高维问题的背景下,需要同时估计的许多参数,标准方差估计已被证明是不稳定的,导致不可靠的第一类错误控制,即使在标准的多重检验校正。我们提出了一个一般的方法,适用于经验贝叶斯收缩的方差估计的一个家庭的有效的,渐近线性估计的人口干预的因果关系。我们的推广收缩为基础的方差估计增加了推理的稳定性,在高维设置,促进这些估计的应用程序派生非参数变量的重要性措施,在高维生物数据集适度的样本量。其结果是一种数据自适应方法,用于在有限样本的研究中稳健地揭示高维数据中的稳定因果关系。我们的广义方差估计评价对替代方差估计在数值实验中。在对吸烟表观遗传效应的观察性研究中的高维DNA甲基化数据的分析中证明了使用所提出的方法识别生物标志物。
2022-01-13 stat.ME
The Adaptive Doubly Robust Estimator for Policy Evaluation in Adaptive Experiments and a Paradox Concerning Logging Policy
CyberAgent Inc.(CyberAgent公司);Temple University(天普大学)
双鲁棒(DR)估计,其中包括两个讨厌的参数,条件平均结果和日志记录政策(选择一个动作的概率),是至关重要的因果推理。本文提出了一种用于自适应实验中相依样本的DR估计器。为了得到一个渐近正态的半参数估计从相依样本与非Donsker滋扰估计,我们提出了自适应拟合作为一个变量的样本分裂。我们还报告了一个经验悖论,我们提出的DR估计往往表现出更好的性能相比,其他估计利用真正的日志记录政策。虽然类似的现象是已知的估计与i.i.d.样本,传统的解释的基础上渐近效率不能阐明我们的情况下,依赖样本。我们通过模拟研究证实了这一假设。
2021-06-18 cs.LG econ.EM stat.ME
Data-adaptive exposure thresholds for the Horvitz-Thompson estimator of the Average Treatment Effect in experiments with network interference
针对网络干扰实验中暴露映射阈值难以确定的问题,本文提出一种基于线性剂量-反应模型的数据自适应方法,通过最小化 Horvitz-Thompson 估计量的均方误差来选择最优 h 比例阈值,并在模拟和 Amazon 产品相似性图上验证了其优于非自适应选择且对模型偏差具有稳健性。
2025-02-04 stat.ME
Combining Covariate Adjustment with Group Sequential, Information Adaptive Designs to Improve Randomized Trial Efficiency
在临床试验中,通过适当调整统计分析中的基线变量,有可能提高精密度并减少所需的样本量。这称为协变量调整。尽管监管机构建议进行协变量调整,但它仍然未得到充分利用,导致试验效率低下。我们解决了两个障碍,使其具有挑战性的协变量调整。第一个障碍是在成组序贯设计(GSDs)中,许多协变量调整估计量与常用的边界不相容。第二个障碍是设计阶段的不确定性,即协变量调整会带来多少精度增益。我们提出了一种方法,修改原来的估计,使其成为兼容GSD,同时增加或保持不变的估计的精度。我们的方法允许使用任何渐近线性估计,其中包括许多随机试验中使用的估计。在此基础上,我们建议使用信息自适应设计,即继续试验,直到达到所需的信息水平。这样的设计适应于精度增益的量,并且可以导致更快、更有效的试验,而不牺牲有效性或功率。我们评估估计性能模拟功能的一个完整的中风试验。
2022-06-16 stat.ME
A comparative study of augmented inverse propensity weighted estimators using outcome-oriented covariate selection via penalization with outcome-adaptive lasso
本文比较 AIPW 估计量中 PS 模型采用 OAL、结果模型采用不同惩罚协变量选择的效果,发现两端均使用具 oracle 性质的面向结果选择时性能最佳。
2025-01-12 stat.ME
Robust and Adaptive Functional Logistic Regression
针对函数逻辑回归模型,提出一类基于密度幂分歧、可结合低秩近似与惩罚项的自适应鲁棒估计器,证明其收敛性质,实验验证其在含异常值场景下的优异性能。
2023-05-02 stat.ME
Adaptive Clustering Using Kernel Density Estimators
我们推导并分析了一个通用的,递归算法估计所有分裂在有限的集群树以及相应的集群。我们进一步研究这个通用的聚类算法时,它收到的核密度估计水平集估计的统计特性。特别是,我们得到有限样本的保证,一致性,收敛速度,和自适应的数据驱动的策略选择内核带宽。对于这些结果,我们不需要密度的连续性假设,如Hölder连续性,而只需要非参数性质的直观几何假设。
2021-11-01 stat.ME stat.ML
Robust Variable Selection and Estimation Via Adaptive Elastic Net S-Estimators for Linear Regression
针对高维回归中重尾误差和异常值问题,提出自适应PENSE稳健正则化估计量,实现同时变量选择与系数估计,具备Oracle性质,在污染和干净样本中均表现优异。
2021-07-20 stat.ME stat.ML
An adaptive kernel estimator for the intensity function of spatio-temporal point processes
在时空点模式分析中,主要统计目标之一是估计一阶强度函数,即,单位面积和单位时间内的期望点数。这种估计通常通过核函数非参数地进行,其中最常见的障碍之一是在估计之前选择核带宽。这项工作提出了一种强度估计机制,其中的空间和时间带宽的变化在每个数据点的时空点模式。这类估计量被称为自适应估计量,虽然已经在空间环境中进行了研究,但很少有人在时空背景下对它们进行研究。我们定义的自适应强度估计的时空背景下,并扩展了分区技术的基础上的带宽分位数进行快速估计。我们通过模拟证明,这种技术在实践中工作良好,分区估计近似的直接估计和更快的计算时间。最后,我们应用我们的方法来估计亚马逊河流域火灾的时空强度。
2022-08-25 stat.AP stat.ME
RMT Estimator with Adaptive Decision Criteria for Estimating the Number of Signals Based on Random Matrix Theory
估计噪声中嵌入的信号的数目是信号处理中的一个基本问题。作为一种基于随机矩阵理论(RMT)的经典估计器,RMT估计器通过对信号或噪声在给定过检测概率下的特征值的似然性进行序贯检验来估计信号个数。然而,它往往低估了信号的数量,因为对于有限的样本大小,弱信号特征值可能会沉浸在特征值之间不可忽略的偏差项中。为了解决这个问题,我们提出了一个RMT估计与自适应决策准则(称为RMT-ADC估计),自适应地将偏差项的RMT估计的决策准则。首先,我们分析了特征值之间的偏差项对RMT估计器估计性能的影响。然后,我们推导出当假设被测试的特征值是由信号引起时,由偏差项引起的RMT估计器的降低的高估概率和增加的低估概率,并且还推导出当被测试的特征值是由噪声引起时,由偏差项引起的RMT估计器的增加的低估概率。基于这些结果,RMT-ADC估计器可以自适应地确定是否应该在被测试的特征值是由信号还是由噪声引起的假设下估计噪声方差,并且因此可以自适应地选择其判决准则。此外,RMT-ADC估计器可以自适应地确定是否应该将特征值之间的偏差项纳入所选择的判决准则。因此,RMT-ADC估计器可以避免RMT估计器较高的欠估计概率。最后,仿真结果表明,所提出的RMT-ADC估计器显着优于现有的估计器。
2019-11-26 cs.IT math.IT stat.ME
Transfert learning and adaptive LASSO quantile
Université Lyon 1(里昂第一大学);CNRS(法国国家科学研究中心);ICJ, UMR 5208(计算与工业数学研究所)
提出一种基于源数据库估计量的双L1惩罚分位数回归迁移学习方法,实现一致性和稀疏性,计算更快,适用于非高斯误差,并通过算法实现。
2026-07-01 stat.CO stat.ME
Adaptive kernel estimation of the baseline function in the Cox model, with high-dimensional covariates
本文的目的是提出一种新的核估计的基线函数在一般的高维Cox模型,我们得到的非渐近收敛速度。为了构造我们的估计量,我们首先通过Lasso过程估计Cox模型中的回归参数。然后,我们将此估计器插入到经典的基线函数的核估计器中,通过平滑累积基线函数的所谓Breslow估计器获得。我们提出并研究了一个自适应的过程来选择带宽,在黄金enshluger和Lepski(2011)的精神。我们状态的非渐近预言不等式的最终估计,这揭示了减少的收敛速度时,协变量的尺寸增长。
2015-07-06 stat.AP stat.ME
Selecting Valid Instrumental Variables in Linear Models with Multiple Exposure Variables: Adaptive Lasso and the Median-of-Medians Estimator
在一个线性工具变量(IV)的设置,用于估计多个混杂的暴露/治疗变量的因果关系的结果,我们调查的自适应Lasso方法选择有效的工具变量从一组可用的工具,可能包含无效的。如果工具不符合排除条件并作为解释变量进入模型,则该工具无效。我们将Windmeijer等人(2019)针对单次暴露模型开发的结果扩展到多次暴露情况。特别是,我们提出了一个中位数的中位数估计,并表明,条件下的最小数量的有效工具,该估计是一致的因果关系的影响是只有适度强于简单多数规则,适用于中位数估计的单次曝光的情况下。自适应Lasso方法使用初始中位数估计的惩罚权重实现一致的选择与所得IV估计的预言性质。这被一些蒙特卡罗模拟结果所证实。我们应用该方法估计的因果关系的教育程度和认知能力的身体质量指数(BMI)在孟德尔随机设置。
2022-08-10 econ.EM stat.ME
Adaptive Smoothing Spline Estimator for the Function-on-Function Linear Regression Model
针对函数对函数线性回归模型,提出带双空间自适应惩罚项的AdaSS估计量及配套进化调参算法,模拟和真实数据实验显示其估计与预测精度多优于现有方法。
2020-11-24 stat.CO stat.ME
Adaptive Storey's null proportion estimator
针对Storey零比例估计量超参数固定则功效不足、数据驱动则损害FDR控制的问题,提出一类自适应超参数及最大化拒绝数的配置,证明其FDR控制性质与收敛性,实验显示在弱非零比例高或零分布保守时功效显著提升。
2023-10-10 stat.AP stat.ME
On the Distribution of the Adaptive LASSO Estimator
我们研究了自适应LASSO估计(Zou(2006))在有限样本和大样本极限下的分布。大样本分布的情况下,自适应LASSO估计进行调整,以执行保守的模型选择,以及调整结果一致的模型选择。我们表明,有限样本以及大样本分布通常是高度非正态的,无论选择的调谐参数。一致的收敛速度也得到了,并示出慢于$n^{-1/2}$的情况下,估计器进行调整,以执行一致的模型选择。特别是,这些结果质疑邹(2006)建立的自适应LASSO估计量的“预言”属性的统计相关性。此外,我们还给出了自适应LASSO估计的分布函数估计的一个不可能性结果,并用非正交回归的Monte Carlo研究补充了正交设计回归模型的理论结果.
2008-12-16 math.ST stat.ME stat.ML
Sigmoid-FTRL: Design-Based Adaptive Neyman Allocation for AIPW Estimators
Columbia University(哥伦比亚大学);Massachusetts Institute of Technology(麻省理工学院);New York University(纽约大学)
Sigmoid-FTRL通过同时最小化两个凸遗憾解决AIPW估计量的非凸性问题,证明其在标准正则条件下以$T^{-1/sofar} R$速率收敛,确立了Neyman遗憾的最小最大速率。
2026-11-05 math.ST stat.ME stat.TH
Minimax adaptive wavelet estimator for the anisotropic functional deconvolution model with unknown kernel
在本文中,我们考虑的估计周期二维函数$f(\cdot,\cdot)$的基础上,从其噪声卷积的观察,和卷积核$g(\cdot,\cdot)$未知。假设$f$属于某个Besov空间,且核函数$g$满足某些光滑性质,我们得到了均方误差的极小极大下界.我们构造了一个自适应硬阈值小波估计器,在很宽的Besov球的对数因子内是渐近近最优的。该估计算法除了采用传统的硬阈值外,还采用截断的方法来估计小波系数。有限的模拟研究证实了理论主张的文件。
2019-05-18 math.ST stat.ME stat.TH
The adaptive Gril estimator with a diverging number of parameters
Cadi Ayyad University(卡迪·艾亚德大学);Université Paris-Sud(巴黎第十一大学)
研究了参数个数随样本量而异的线性回归模型中变量的选择和估计问题。本文提出了自适应广义岭套索(\mbox{AdaGril})算法,它是自适应弹性网的扩展。AdaGril将相关变量之间的信息冗余用于模型选择和估计。它结合了二次正则化和自适应加权Lasso收缩的优势。在本文中,我们突出了AdaCnet方法(AdaGril的一种类型)在等相关情况下的分组选择属性。在较弱的条件下,我们建立了AdaGril的预言性质,该性质确保了高维时的最优大性能。因此,它既达到了处理高维共线性问题的目的,又具有预言性质。此外,我们证明了AdaGril估计实现了一个稀疏不等式,即。例如,根据“真”回归系数的非零分量的数量的界限。这个界限是在一个类似的弱限制特征值(RE)条件下用于拉索。模拟研究表明,AdaGril的某些特定情况下优于其竞争对手。
2013-02-26 cs.LG stat.ME
Inference under Covariate-Adaptive Randomization with Multiple Treatments
本文研究了多个治疗方案下协变量自适应随机化随机对照试验的推断问题。更具体地说,我们研究了一种或多种治疗相对于其他治疗或对照的平均效果的推断。如Bugni et al.(2018)所述,协变量自适应随机化是指首先根据基线协变量进行分层,然后分配治疗状态以实现各分层内平衡的随机化方案。与Bugni et al.(2018)相比,我们不仅允许多种治疗,而且还允许分配给每种治疗的单位比例在层间变化。我们首先研究来自完全饱和线性回归的估计量的性质,即,每种治疗的指标与每一层的指标之间所有相互作用的结果的线性回归。我们表明,这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是无效的,另一方面,测试的基础上,这些估计和适当的估计,我们提供的渐近方差是准确的。对于分配给每个处理的目标单位比例在不同层之间没有变化的特殊情况,我们还考虑了基于从具有层固定效应的线性回归中得出的估计量的检验,即,每种治疗的指标和每一层的指标的结果的线性回归。我们表明,这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是保守的,但测试的基础上,这些估计和适当的估计,我们提供的渐近方差是准确的。模拟研究说明了我们的理论结果的实际意义。
2019-01-17 econ.EM stat.ME
On adaptive kernel intensity estimation on linear networks
本文研究线性网络上基于自适应带宽的强度估计方法,通过带宽分位数划分技术显著加速计算,并在模拟和麦德林交通事故数据中验证了其准确性与实用性。
2023-09-17 stat.AP stat.ME
Boundary Adaptive Local Polynomial Conditional Density Estimators
该研究提出一类边界自适应的局部多项式条件密度估计量,推导其一致统计性质与高斯逼近结果,给出实现方案并配套R包,可用于构建置信带与假设检验。
2023-12-18 econ.EM math.ST stat.ME
Adaptive spectral density estimation by model selection under local differential privacy
研究了局部差分隐私下的谱密度估计。通过截断和拉普拉斯微扰来实现非线性化。我们选择我们的估计从一组候选估计的惩罚对比标准。这种估计达到几乎相同的收敛速率的最佳估计从候选人集。证明的一个关键成分是最近的结果浓度的二次型的次指数随机变量在arXiv:1903.05964。我们说明了我们的研究结果在一个小的模拟研究。
2020-10-08 math.ST stat.ME stat.TH
Nonparametric inverse probability weighted estimators based on the highly adaptive lasso
逆概率加权估计量是估计因果效应的最古老且可能最常用的一类程序。通过加权机制调整选择偏差,这些程序通过构建一个伪群体来估计感兴趣的影响,其中选择偏差被消除。尽管它们易于使用,这些估计需要正确的规范的加权机制的模型,是已知的效率低下,并遭受灾难的维度。我们提出了一类非参数逆概率加权估计,其中的加权机制估计通过欠平滑的高度自适应套索,一个非参数回归函数证明收敛在$n^{-1/3}$率的真正的加权机制。我们证明了我们的估计是渐近线性的,方差收敛到非参数有效界。与双稳健估计不同,我们的方法既不需要推导有效的影响函数,也不需要指定条件结果模型。我们的理论发展具有广泛的影响,在大型统计模型和各种问题设置的有效的逆概率加权估计的建设。我们评估我们的估计在模拟研究中的实际表现,并证明使用我们提出的方法与数据从一个大规模的流行病学研究。
2021-07-03 math.ST stat.ME stat.ML
On Adaptive Propensity Score Truncation in Causal Inference
在因果推断中,阳性假设或实验治疗分配(ETA)假设对可识别性很重要。即使正性假设成立,实际违反这一假设可能会危及有限样本的因果估计性能。实际违反积极性假设的后果之一是估计的倾向得分(PS)中的极值。解决这个问题的一个常见做法是在构建基于PS的估计量时截断PS估计。在这项研究中,我们提出了一种新的自适应截断方法,积极性-C-TMLE,合作有针对性的极大似然估计(C-TMLE)方法的基础上。我们证明了我们的新方法在各种模拟的出色表现,通过比较它与其他常用的研究估计。结果表明,通过自适应截断估计PS与更有针对性的目标函数,Positivity-C-TMLE估计实现了最好的性能点估计和置信区间覆盖所有考虑的估计。
2017-07-18 stat.CO stat.ME stat.ML
Point estimation for adaptive trial designs II: practical considerations and guidance
在适应性临床试验中,传统的处理效应的试验结束点估计值容易出现偏倚,即偏离其真实值的系统趋势。如最近FDA关于适应性设计的指南所述,最好报告可减少或消除该偏倚的处理效应估计值。然而,可能不清楚哪些现有的估计是可取的,他们的使用仍然很少在实践中。本文是两部分系列文章的第二部分,研究自适应试验的点估计偏差问题。第一部分提供了一个方法审查的方法,以消除或减少潜在的偏差,点估计的适应性设计。在第二部分中,我们讨论了偏差如何影响标准估计量,并评估了这可能产生的负面影响。我们回顾目前的做法,报告点估计,并说明计算不同的估计使用一个真正的自适应试验的例子(包括代码),我们使用作为模拟研究的基础。我们表明,虽然平均这些估计值可以是相似的,对于一个特定的试验实现,他们可以给明显不同的估计处理效应值。最后,我们提出了指导方针,为研究人员周围的估计量的选择和报告的估计以下的自适应设计。偏倚问题应在适应性设计的整个生命周期中考虑,并在统计分析计划中预先规定估计策略。如果可用,应首选无偏或偏倚减少的估计值。
2022-11-28 stat.AP stat.ME
Adaptive Doubly Robust Estimator from Non-stationary Logging Policy under a Convergence of Average Probability
Cyberagent, Inc.(Cyberagent公司)
自适应实验,包括有效的平均处理效应估计和多臂强盗算法,在各种应用中,如社会实验,临床试验和在线广告优化,已经获得了关注。本文考虑从自适应实验中获得的样本估计动作的平均结果。在因果推断中,行为的平均结果具有决定性的作用,估计是一项基本任务,其中平均处理效应估计和政策外价值估计是其变体。在自适应实验中,选择动作(日志策略)的概率可以根据过去的观察结果顺序更新。由于这种日志记录策略取决于过去的观察结果,样本通常不是独立且同分布(i.i.d.)的,使得开发渐近正态估计量变得困难。解决这个问题的一个典型方法是假设日志记录策略收敛于一个时不变函数。然而,这种假设在各种应用中是有限制的,例如当日志记录策略在某些时间段波动或变为零时。为了减轻这一限制,我们提出了另一个假设,平均日志政策收敛到一个时不变的函数,并显示双鲁棒(DR)估计的渐近正态性。在此假设下,日志记录策略本身可以波动,或者对于某些操作为零。我们还展示了经验性质的模拟。
2021-03-23 cs.LG econ.EM stat.ME
Adaptive group LASSO selection in quantile models
本文考虑了一个解释变量分组的线性模型。如果模型误差不具有零均值和有界方差,或者如果模型包含离群值,则最小二乘框架是不合适的。因此,分位数回归是一个有趣的选择。为了自动选择相关的变量组,我们提出并研究了自适应组LASSO分位数估计。在变量组个数固定和变量组个数不同两种情况下,我们证明了估计量的稀疏性和渐近正态性。通过蒙特卡罗模拟的数值研究证实了理论结果,并说明了所提出的估计的性能。
2016-07-13 math.ST stat.ME stat.TH
A general theory of regression adjustment for covariate-adaptive randomization: OLS, Lasso, and beyond
我们考虑随机试验中处理效应的估计和推断问题。在实践中,分层随机化,或更一般地说,协变量自适应随机化,通常用于设计阶段,以平衡与结局最相关的几个变量的治疗分配。然后,在分析阶段进行回归以调整剩余的不平衡,从而产生更有效的处理效应估计值。建立和统一的协变量自适应随机化下的普通最小二乘调整估计量的最新结果,本文提出了一个一般的回归调整理论,允许任意模型的误设定和大量的基线协变量的存在。我们证明了两个Lasso调整的处理效应估计量的理论,这两个估计量在各自的类中都是最优的。此外,提出了非参数一致方差估计,以促进有效的推论,其工作,无论使用的具体随机化方法。通过仿真研究和临床试验的例子证明了所提出的估计的鲁棒性和提高效率。该研究揭示了通过在协变量自适应随机实验中实施机器学习方法来提高处理效应估计效率。
2020-11-19 math.ST stat.ME stat.TH
Robust Importance Sampling with Adaptive Winsorization
重要性抽样是一种广泛使用的估计分布性质的技术。本文研究了通过自适应温索化重要性抽样估计量来权衡方差的某些偏差。新的winsorizing过程,平衡原则(或Lepskii的方法)的基础上,选择一个阈值水平之间的一个预定义的集合,粗略平衡的偏差和方差的估计时,winsorized在不同的水平。因此,它提供了一种原则性的方法来执行winsorization有限样本最优性保证下最小的假设。在各种示例中,所提出的估计器被示出为具有比领先的替代方案更小的均方误差和平均绝对偏差。
2021-02-08 physics.data-an stat.CO stat.ME
Adaptive Experimental Design Using Shrinkage Estimators
Claremont McKenna College(克莱蒙特麦肯纳学院);University of New South Wales(新南威尔士大学)
本文提出了一种基于Stein-like收缩估计器的自适应实验设计方法,通过共享治疗效果信息减少估计误差,提升因果估计效率。
2026-07-31 math.ST stat.ME stat.TH
Adaptive estimation of a function from its Exponential Radon Transform in presence of noise
在这篇文章中,我们提出了一个局部自适应的策略,从指数Radon变换(ERT)的数据估计的功能,没有先验知识的平滑功能,估计。我们建立了一个非参数核类型估计,并表明,对于一类功能,包括一个广泛的Sobolev正则规模,我们提出的策略如下的最小最大最优速率的$\log{n}$因素。我们还表明,不存在一个最佳的自适应估计的Sobolev规模时,逐点的风险,实际上所达到的建议估计的速度是自适应收敛速率。
2020-11-13 math.ST stat.ME stat.ML
Peak-over-Threshold Estimators for Spectral Tail Processes: Random vs Deterministic Thresholds
规则变化的平稳时间序列的极值依赖性可以用谱尾过程来描述。Drees,Segers and Warchol [Extremes 18(3):369--402,2015]提出了基于高确定性阈值上的方差的该过程的边缘分布的估计,并分析了它们的渐近行为。然而,在实践中,应用的估计量的版本使用随机阈值,如中间顺序统计量的方差。我们证明了这些修正估计具有相同的极限分布。这一发现在模拟研究中得到证实,但使用顺序统计量的版本对有限样本的表现稍好。
2019-07-22 math.ST stat.ME stat.TH
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。
2024-10-22 math.ST stat.ME stat.TH
Off-Policy Evaluation via Adaptive Weighting with Data from Contextual Bandits
Stanford University(斯坦福大学)
本文针对上下文赌博机历史数据中目标策略与数据收集策略不一致导致DR估计量方差过大的问题,提出自适应加权改进DR估计量,并证明其t统计量渐近正态,可用于置信区间和假设检验,实验验证了其准确性与推断性能优于现有方法。
2021-06-10 cs.LG econ.EM stat.ME
Adaptive debiased machine learning using data-driven model selection techniques
本文提出ADML框架,通过结合数据驱动模型选择与去偏机器学习,构建自适应估计器,实现对数据生成分布结构的适应性估计,提升估计效率。
2026-03-18 math.ST stat.ME stat.ML
A Multiscale Scan Statistic for Adaptive Submatrix Localization
我们考虑的问题,本地化的子矩阵与大于通常的条目值内的数据矩阵,没有先验知识的子矩阵的大小。我们建立了一个基于多尺度扫描统计的优化框架,并开发算法,以接近优化器。我们还表明,我们的估计只需要一个信号强度相同的顺序与Oracle知识的子矩阵大小的极大极小估计,以准确地恢复异常的高概率。我们进行了一些模拟,表明我们的估计具有优越的性能相比,其他估计,不需要事先子矩阵的知识,同时相对更快的计算。
2019-06-20 math.ST stat.CO stat.ME
Adaptive Off-Policy Inference for M-Estimators Under Model Misspecification
Carnegie Mellon University(卡内基梅隆大学);Novartis Pharmaceuticals Corporation(诺华制药公司)
本文提出了一种自适应偏政策推断方法,用于在模型不规范情况下有效推断M估计量,通过稳定自适应数据收集的方差,构建有效的置信区间。
2026-02-08 math.ST stat.ME stat.ML