Bootstrap-Aggregated Method-of-Moments Estimation of the Copula Correlation Parameter for Marginal Survival Inference under Dependent Censoring
Yonsei University(延世大学)
本文提出一种基于bootstrap的矩估计法,用于估计在依赖性删失情况下生存边缘推断中的copula相关参数,通过模拟退火算法进行bootstrap聚合以获得稳定估计,验证了方法在临床试验中的有效性。
2026-04-05 stat.AP stat.ME
Density Estimation from Aggregated Data with Integrated Auxiliary Information: Estimating Population Densities with Geospatial Data
本研究提出一种基于相关性加权方案,将辅助信息(如夜间灯光卫星图像)集成到聚合数据密度估计中,以提高精度,并通过模拟及德国巴伐利亚人口普查和下萨克森州狩猎数据案例验证了方法的有效性。
2025-08-05 stat.AP
Identification and Semiparametric Estimation of Conditional Means from Aggregate Data
Pennsylvania State University(宾夕法尼亚州立大学);Yale University(耶鲁大学)
本文提出一种新的方法,用于在仅观察到汇总单位(如地理区域)的平均结果和组指标时,估计组内结果变量的均值。通过弱化识别条件,提出基于部分线性形式的去偏机器学习估计器,并提供半参数敏感性分析和非参数检验,最终推导出有效的置信区间。
2026-04-30 econ.EM stat.ME
Risk bounds for aggregated shallow neural networks using Gaussian prior
分析神经网络的统计特性是统计学和机器学习的中心课题。然而,在文献中的大多数结果集中在最小化训练误差的神经网络的属性。本文的目标是考虑使用高斯先验的聚合神经网络。我们的方法的出发点是一个任意的聚集满足PAC-Bayesian不等式。的主要贡献是一个精确的非渐近评估的估计误差出现在PAC贝叶斯界。我们还审查了可用的边界上的神经网络逼近函数的错误。结合估计和近似误差的界限,我们建立的风险界限是尖锐的,足以导致最小最大估计率在Sobolev光滑类。
2022-02-02 math.ST stat.TH
Central Limit Theory for Combined Cross-Section and Time Series with an Application to Aggregate Productivity Shocks
结合横截面和时间序列数据是经验经济学中一个长期而完善的实践。我们开发了一个中心极限理论,明确占两个数据集之间可能的依赖关系。我们专注于共同因素作为这种依赖背后的机制。使用我们的中心极限定理(CLT),我们建立了一个一般类的模型的参数估计的渐近性质的基础上组合的横截面和时间序列数据,认识到两个数据源之间的相互依赖性,在存在的总冲击。尽管制定联合CLT所需的分析性质复杂,但由于我们的近似与标准Murphy和Topel(1985)公式在形式上的相似性,因此可以直接实现所得到的参数极限分布。
2022-04-26 stat.ME
Volatility Forecasting Using Similarity-based Parameter Correction and Aggregated Shock Information
本文提出一种基于相似序列冲击信息聚合的波动率预测方法,通过仿射协变量建模冲击并校正 GARCH 预测,结合模拟与实际应用验证其有效性。
2024-08-06 stat.AP stat.ME
Semiparametric Estimation of Dynamic Discrete-Choice Models
我们考虑在半参数环境下的动态离散选择模型的估计,其中每个周期的效用函数是已知的有限数量的参数,但效用冲击的分布是不确定的。这种半参数设置不同于大多数现有的动态离散选择模型的识别和估计文献。为了证明识别,我们推导并利用了效用冲击的未知分位数函数的新的Bellman式递归表示。我们的估计是简单的计算,有些是简单的,不需要迭代,并类似于经典的估计文献中的半参数回归和平均导数估计。蒙特卡罗模拟表明,我们的估计表现良好,在小样本。为了突出这个估计器的功能,我们估计一个结构模型的动态劳动力供给纽约市出租车司机。
2016-05-26 stat.AP
A combined strategy for multivariate density estimation
最近,响应于如何以非线性方式组合回归函数(例如参见\cite{biau:16})、分类规则(参见\cite{ch:16})等的估计量的问题,提出了非线性聚集策略。虽然有几种线性策略来聚合密度估计,但大多数都很难计算(即使在中等维度上)。我们的方法的目的是克服这个问题,估计密度在一个点$x$使用不只是样本点接近$x$,但在(估计)水平集$f(x)$的邻域。我们表明,无论是理论上和通过模拟研究,我们的建议的均方误差是小于的聚集密度。证明了一个中心极限定理。
2018-12-21 math.ST stat.TH
A Monte Carlo EM Algorithm for the Parameter Estimation of Aggregated Hawkes Processes
从真实事件数据中产生的一个关键困难是事件时间戳记录的不精确性。在许多情况下,由于活动量太大,以高精度保留事件时间是昂贵的。加上测量准确性的实际限制,汇总数据是常见的。为了使用点过程来模拟这样的事件数据,用于处理参数估计的工具是必不可少的。在这里,我们考虑霍克斯过程的参数估计,霍克斯过程是一种自激点过程,已在金融股票市场,地震和社交媒体级联的建模中得到应用。提出了一种新的基于蒙特卡罗期望最大化(MC-EM)算法的聚合Hawkes过程参数估计优化方法。通过详细的模拟研究,我们证明了现有的方法是能够产生严重偏差和高度可变的参数估计,我们的新MC-EM方法显着优于他们在所有研究的情况下。这些结果突出了正确处理汇总数据的重要性。
2020-01-20 stat.ME
Bayesian inference for aggregated Hawkes processes
针对时间戳和空间信息被聚合的Hawkes过程,提出贝叶斯参数估计方法,理论证明参数可识别性,并在模拟数据与真实暴力事件数据上验证有效性。
2024-11-14 stat.ME
Large-Dimensional Dynamic Factor Models: Estimation of Impulse-Response Functions with $I(1)$ Cointegrated Factors
我们研究了一个大规模的动态因子模型,其中:(i)因子$\mathbf F_t$的向量是$I(1)$,并且由小于$\mathbf F_t$维数的冲击驱动;(ii)特质成分是$I(1)$或$I(0)$.在~(i)条件下,因子$\mathbf F_t$协整,可以用向量误差修正模型(VECM)建模。在(i)和(ii)中,我们提供了一致的估计,因为横截面尺寸$n$和时间维度$T$都趋于无穷大,对于因子,载荷,冲击,VECM的系数,因此观测变量对冲击的脉冲响应函数(IRF)。此外:可能的确定性的线性趋势充分占,并在水平$\mathbf F_t$,而不是一个VECM的情况下,一个不受限制的VAR,也进行了研究。有限样本的性质,建议的估计探讨通过蒙特卡洛演习。最后,我们重新审视两个不同的和广泛研究的实证应用。通过正确地模拟长期动态的因素,我们的研究结果部分推翻了最近的文献所获得的。具体而言,我们发现:(i)油价冲击对美国实际经济活动的影响只是暂时的;(ii)对于正面消息的冲击,经济首先会经历一个显著的繁荣,然后是一个较温和的衰退。
2020-06-01 stat.ME
Global Average Treatment Effects for Individualized Randomization Experiments with Aggregate Data
Shanghai University of Finance and Economics(上海财经大学);London School of Economics and Political Science(伦敦政治经济学院);DiDi China Ride Hailing Business Group(滴滴中国网约车业务组);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
针对个体随机实验中存在时空干扰且仅能获取聚合数据的问题,提出IRE-VCDP模型以估计全局平均处理效应(GATE),并给出估计与推断方法及理论保证。
2026-05-26 stat.ME
Joint Estimation of Extreme Spatially Aggregated Precipitation at Different Scales through Mixture Modelling
虽然大多数极端降雨量模型都侧重于逐点值,但最令人感兴趣的是河流流域尺度的区域总降水量。为了捕捉在不同的空间尺度上评估的降水聚集体的联合行为,必须建立简约和有效的模型与知识的基本空间过程。降水是由不同尺度和强度的过程混合驱动的,例如,对流和锋面,与极端的聚合物的典型集水面积所产生的极端只有这些过程之一,而不是它们的组合。高强度对流事件在小尺度上造成极端的空间聚集,但随着聚集面积的增加,低强度大尺度锋的贡献可能会增加。因此,捕捉小到大尺度的空间聚集在一个单一的方法,需要一个模型,可以准确地捕捉对流和锋面事件的极端属性。以前的极值方法忽略了这种混合结构,我们提出了一个空间极值模型,这是一个混合物的两个组件与不同的边际和依赖模型,能够捕捉极端行为的对流和锋面降雨和更忠实地再现空间聚集在很大范围内的尺度。模拟极端的正面分量提出了新的挑战,因为它表现出很强的长期极端空间依赖性。我们的建模方法适用于细尺度,高维,网格化的降水数据。我们发现,占混合结构提高了联合推断的极端空间聚集在不同大小的区域。
2023-01-02 stat.AP stat.ME
Aggregate Bayesian Causal Forests: The ABCs of Flexible Causal Inference for Hierarchically Structured Data
针对分层聚合数据的因果推断需求,提出聚合贝叶斯因果森林模型aBCF,在保留BCF少参数假设优势的同时适配异方差与组内相关特征,仿真验证其估计精度更高、区间更窄且先验鲁棒性好。
2024-07-09 stat.ME
Time Series Estimation of the Dynamic Effects of Disaster-Type Shock
本文在原始冲击相互独立的假设下,给出了SVAR的三个结果。首先,提出了一个框架,以适应一个灾难型变量的方差无穷大到SVAR。我们证明了SVAR的最小二乘估计是一致的,但具有非标准渐近性。其次,将灾害冲击确定为峰度最大的分量,其冲击效应为负。一个估计,是强大的无穷方差被用来恢复相互独立的组件。第三,独立性测试的残差预白化的Choleski分解,提出了测试的SVAR施加的限制。该检验可以应用于数据是否具有厚尾或薄尾,以及完全识别的模型。考虑了三种应用。在第一,独立性测试是用来阐明在经济波动的不确定性的作用相互矛盾的证据。在第二,灾害冲击的短期经济影响主要来自反馈动态。第三部分使用该框架研究新冠肺炎后经济冲击的动态影响。
2022-03-08 econ.EM stat.ME
A Unified Bayesian Model for Voter Turnout Estimation: Combining Surveys, Aggregate Data, and Selection Correction
School of Economics and Business Administration, University of Tartu(塔尔图大学经济与商业管理学院)
该研究提出整合调查、汇总数据与选择校正的贝叶斯层次框架,含三类模型,经模拟和爱沙尼亚选举数据验证,可提升小区域选民投票率估计精度。
2026-08-17 stat.AP stat.ME
Adaptive Gaussian Markov Random Fields for Child Mortality Estimation
本文提出基于高斯马尔可夫随机场的自适应平滑模型,融入预期死亡率冲击知识,以改进儿童死亡率估计,并在模拟及卢旺达1985-2019年数据上验证其优势。
2023-09-01 stat.ME
A Neural Estimation Framework for Aggregated Relational Data under Intractable Likelihoods
School of Mathematics, University of Birmingham(伯明翰大学数学学院)
提出一种基于模拟的神经估计框架,通过训练置换不变贝叶斯估计器,解决聚合关系数据中因同质性、潜在空间聚类和不完美回忆导致的跨群体依赖问题,并应用于网络规模升级法难以处理的生成模型。
2026-06-02 stat.AP stat.ME
Lost in Aggregation: The Causal Interpretation of the IV Estimand
University of Washington(华盛顿大学);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);California Institute of Technology(加州理工学院)
本文指出聚合处理变量的因果效应模糊性,并探讨了工具变量估计在聚合处理中的解释限制。
2026-08-04 stat.ME stat.ML