Robust adaptive efficient estimation for semi-Markov nonparametric regression models
研究了半马氏噪声下连续时间回归模型的非参数稳健估计问题。提出了一种自适应模型选择方法。在噪声分布的一般矩条件下,得到了鲁棒风险的一个尖锐的非渐近预言不等式,并证明了鲁棒有效性。结果表明,对于半马尔可夫模型,鲁棒极小极大算法的收敛速度可能比经典算法快,也可能慢。
2017-03-25 math.ST stat.TH
Adaptive estimation for nonparametric circular regression with errors in variables
针对变量含误差的圆回归问题,本文构建自适应估计器并分析其理论收敛速率,通过仿真与真实数据验证方法有效性,为圆型或线型协变量场景提供非参数估计方案。
2025-08-26 math.ST stat.TH
Adaptive Risk Bounds in Unimodal Regression
研究了单峰序列估计中最小二乘估计的统计性质。虽然与保序回归密切相关,但单峰回归尚未被广泛研究。我们证明了单峰最小二乘估计是自适应的,在这个意义上说,风险尺度作为一个函数的值的数量在真正的底层序列。Chatterjee et al(2015)和Bellec(2015)已经证明了保序回归的这种自适应特性。单峰回归中的技术复杂性是底层参数空间的非凸性。我们开发了一个通用的变分表示的风险,每当参数空间可以表示为一个有限的凸集合,使用的技术,可能是在其他设置的兴趣。
2017-05-09 math.ST stat.TH
The linearity condition and adaptive estimation in single-index regressions
我们表明,在线性条件下的预测分布,在单指标回归系数可以估计与在连接函数是已知的情况下,具有相同的效率。因此,线性条件似乎替代了已知给定预测变量的线性组合的响应的精确条件分布。
2010-01-26 math.ST stat.TH
Adaptive Fused LASSO in Grouped Quantile Regression
本文研究了解释变量分组的分位数模型。为了既保证参数组的稀疏性,又保证连续两组变量之间的稀疏性,我们提出并研究了一种自适应融合组LASSO分位数估计。变量组的数量可以是固定的或不同的。我们发现在经典假设下的收敛速度,我们表明,所提出的估计满足预言性质。
2016-07-19 math.ST stat.TH
Adaptive testing on a regression function at a point
本文研究了当一个回归函数在零点下满足符号或形状约束时,在某一点上的推断问题。我们提出了一个测试,实现了最佳的极大极小率自适应的范围内的Hölder类,直到一个$\log\log n$长期,我们证明是必要的适应。我们将结果应用于自适应单侧检验的回归不连续性参数下的单调性限制,单调回归函数的值在边界和真实的零假设的比例在多重检验问题。
2015-10-14 math.ST stat.TH
Adaptive wavelet multivariate regression with errors in variables
在多维环境中,我们考虑变量误差模型。我们的目的是估计未知的非参数多元回归函数与误差的协变量。我们设计了一个基于小波投影核和反卷积算子的自适应估计器。我们提出了一个自动和完全数据驱动的过程来选择小波水平分辨率。得到了各向异性H{<$}lder类上的一个预言不等式和最优收敛速度.我们的理论结果说明了一些模拟。
2016-01-12 math.ST stat.TH
Pointwise adaptive estimation for robust and quantile regression
本文提出了一种用于稳健回归估计和分位数回归的非参数方法,它完全是数据驱动的,并且局部适应于回归函数的正则性。这是通过考虑在每个点的M-估计在不同的局部邻域和局部模型选择过程的基础上序贯检验。得到了非渐近风险界,在较弱的条件下得到了大样本渐近率最优性。不同的单变量中位数回归模型的模拟显示出良好的有限样本性质,也比较传统的方法。该方法被扩展到图像去噪,并应用于癌症研究中的CT扫描。
2009-04-03 math.ST stat.TH
Least squares moment identification of binary regression mixtures models
我们考虑二进制输出的有限混合广义线性模型。我们证明了交叉矩(输出和回归变量之间),直到3阶是足够的,以确定模型的所有参数。我们提出了一种基于这些矩的最小二乘估计方法,并证明了估计量的相合性和高斯渐近性。我们提供模拟结果和比较的可能性方法。数值实验进行了使用R-包Morpheus,我们开发了我们的最小二乘矩方法和R-包flexmix的似然方法。然后,我们对具有二进制输出的有限回归混合给出了一些可能的扩展,包括连续和分类协变量,以及可能的纵向数据。
2020-02-12 math.ST stat.TH
Adaptive regression with Brownian path covariate
本文讨论函数协变量的估计问题。更准确地说,我们的目标是估计回归函数$m$的连续结果$Y$对标准维纳协过程$W$。继Cadre and Truquet(2015)和Cadre,Klutchnikoff,and Massiot(2017)之后,$m(W)$的Wiener-Itô分解被用于构造估计量族。在特定的光滑类的极小极大收敛速率。根据Goldenshluger和Lepski(2011)的想法定义了数据驱动的选择程序。得到了一个预言型不等式,并由此得到了自适应结果。
2020-11-20 math.ST stat.TH
Adaptive Ridge Approach to Heteroscedastic Regression
Kyushu University(九州大学);University of Tokyo(东京大学)
本文提出自适应岭估计方法用于异方差线性回归,同时估计均值与方差参数,证明稀疏设置下的渐近性质及零参数收缩性,并通过模拟和真实数据验证应用与推广。
2025-01-14 math.ST stat.TH
Adaptive Bayesian credible sets in regression with a Gaussian process prior
本文研究了两种经验贝叶斯方法和一种分层贝叶斯方法,用于在非参数回归模型中调整高斯过程的尺度。我们表明,所有的方法导致后收缩率,适应真正的回归函数的平滑度。此外,我们还证明了当真实回归函数满足一定的外推条件时,相应的可信集覆盖了该函数。这个条件取决于具体的方法,但是由自相似性的条件所暗示。后一个条件被证明是满足概率1下的先验分布。
2015-04-29 math.ST stat.TH
Adaptive LASSO model selection in a multiphase quantile regression
针对分位数回归模型,提出了一种通用的自适应LASSO方法。当我们对模型误差的前两阶矩一无所知时,我们的方法非常有趣。我们首先证明所得到的估计满足预言性质,这涉及到相关变量的选择,而不使用假设检验。接下来,我们研究所提出的方法时,(多相)模型变化到未知的观测称为变点。得到了变点估计和回归参数估计在各阶段的收敛速度,回归参数的自适应LASSO分位数估计的稀疏性不受变点估计的影响.在相位数未知的情况下,提出了一个相容性判据。通过Monte Carlo模拟的数值研究表明,所提出的方法的性能相比,其他现有的方法在文献中,模型与单相或多相模型。自适应LASSO分位数方法的性能优于已知的变量选择方法,例如具有自适应LASSO罚分的最小二乘方法、具有LASSO类型罚分的$L_1$方法和具有SCAD罚分位数方法。
2014-10-21 math.ST stat.TH
Adaptive confidence sets in shape restricted regression
在保序、凸和单峰回归中,提出了一种简单的自适应置信集的构造方法。在一元保序回归中,所提出的置信集对所有非减回归函数具有均匀覆盖。此外,建议的置信集的直径自动适应未知数的真参数,在这个意义上,直径是有界的从上面的极小极大风险超过类的$k$ -分段常数函数。置信集的直径是保序最小二乘估计的跳跃数的简单增函数。在凸回归中提出了一个类似的构造,其中真正的回归函数是凸的和分段仿射的。在这里,置信集享有均匀的覆盖,其直径自动适应真实回归函数的仿射片段的数量。置信集的直径是凸最小二乘估计的仿射片数的增函数。我们解释了如何通过在单峰回归中提出类似的自适应置信集来将这种技术扩展到非凸集。置信集自动适应于真正的单峰回归函数的跳数,并且其直径是单峰最小二乘估计的跳数的增函数。
2019-04-09 math.ST stat.TH
Convergence of least squares estimators in the adaptive Wynn algorithm for a class of nonlinear regression models
本文继续了作者在非线性回归模型中的自适应Wynn算法的工作。本文证明了当均值响应函数满足Pronzato \cite{Pronzato}提出的“饱和可辨识性”条件时,自适应最小二乘估计是强相合的.该条件表明回归参数在任何饱和设计下都是可识别的,即,在任何$p$不同设计点处的平均响应函数的值唯一地确定参数点,其中通常,$p$是回归参数向量的维数。进一步的基本假设是实验区域和参数空间的紧性以及一些自然连续性假设。若真参数点是参数空间的内点,则在一定的光滑性假设和随机误差的渐近同方差下,得到了自适应最小二乘估计的渐近正态性.
2019-09-09 math.ST stat.TH
Spatially-adaptive sensing in nonparametric regression
虽然自适应感测在稀疏回归和分类中提供了改进的收敛速率,但非参数回归中的结果到目前为止仅限于非常特定的函数类。在本文中,我们描述了一个自适应传感算法,适用于一般的非参数回归问题。该算法是空间自适应的,并实现了空间非齐次函数的收敛速度提高。在标准函数类上,它同样保留了均匀设计的空间自适应特性。
2013-03-13 math.ST stat.ME stat.TH
Adaptive Optimal Nonparametric Regression and Density Estimation Based on Fourier-Legendre Expansion
受金融和技术应用的启发,本文的目标是考虑基于Fourier-Legendre展开的回归和密度分布的自适应估计,以及置信区间的构造-也是自适应的。估计是渐近最优的和自适应的意义上说,他们可以适应未知的光滑。
2007-06-06 math.SP math.ST stat.TH
Adaptive Confidence Sets for Binary Regression without Design Smoothness
该研究针对无设计光滑性的二元回归,构造了渐近诚实、速率最优的自适应置信集,回答了Mukherjee与Sen2018年提出的问题。
2026-08-04 math.ST stat.TH
Robust adaptive efficient estimation for a semi-Markov continuous time regression from discrete data
本文研究了离散时刻观测到半马尔可夫噪声的连续时间回归模型的非参数稳健估计问题。提出了一种自适应模型选择方法。得到了鲁棒风险的一个尖锐的非渐近预言不等式。我们得到了关于频率观测值的鲁棒有效性的充分条件。结果表明,半马尔可夫模型的鲁棒极小极大收敛速度可能比经典模型快,也可能比经典模型慢。
2020-05-14 math.ST stat.TH
Adaptive model selection method for a conditionally Gaussian semimartingale regression in continuous time
研究了具有条件高斯分布的一般平方可积〔的〕半鞅的相依噪声的连续时间回归模型中周期函数的稳健自适应有效估计问题。这种噪声的一个例子是非高斯的Ornstein-Uhlenbeck-Levy过程。提出了一种基于改进加权最小二乘估计的自适应模型选择方法。在一定的噪声分布条件下,证明了鲁棒风险的sharp oracle不等式,建立了模型选择过程的鲁棒有效性。给出了数值分析结果。
2018-11-11 math.ST stat.TH
Minimax and minimax adaptive estimation in multiplicative regression : locally bayesian approach
本文讨论了带乘性噪声的回归方程的非参数估计问题。利用局部多项式拟合和贝叶斯方法,构造了迷向Hölder类估计的Minimax.接下来应用Lepski的方法,我们提出的估计,这是最佳自适应的各向同性的Hölder类的集合。为了证明所提出的方法的最优性,我们特别建立了局部最佳估计与待估计参数的偏差的指数不等式。这些理论结果通过仿真研究得到了验证。
2012-07-23 math.ST stat.TH
Adaptive variance function estimation in heteroscedastic nonparametric regression
本文研究了异方差非参数回归中自适应方差函数估计的小波阈值方法。一个数据驱动的估计器构造通过应用小波阈值的平方一阶差的观察。我们表明,方差函数估计是近最佳自适应平滑的均值和方差函数。估计器实现最佳的自适应收敛速率下的逐点平方误差同时在一个范围内的平滑类。该估计也是自适应在一个对数因子的极大极小风险下的全球平均集成平方误差在一个集合的空间非齐次函数类。数值实现和模拟结果进行了讨论。
2008-10-27 math.ST stat.TH
Asymptotic properties of adaptive group Lasso for sparse reduced rank regression
本文研究稀疏降秩回归中自适应组Lasso估计量的渐近性质,证明其在正则条件下可达到极小极大最优收敛速率并实现变量选择一致性,同时允许响应变量数、预测变量数和秩数随样本量增长至无穷。
2016-10-24 math.ST stat.TH
Inference problems in binary regression model with misclassified responses
如果忽略二元响应的错误分类,可能会严重偏倚回归参数的最大似然估计(MLE)。对于这样的数据,结合误分类概率的二元回归模型被研究人员广泛用于不同的应用背景。然而,该模型,遭受一个严重的估计问题,因为未知的误分类概率与回归参数的混淆。为了克服这一问题,除了主要样本外,建议使用内部验证数据。然而,最大似然估计(MLE)被发现有很大的偏见。进一步研究,我们提出了一个最大的伪似然估计方法,导致偏差减少。对于回归参数的推断,我们在标准假设下建立了最大伪似然估计的严格渐近理论。为了便于实现,提出了一个自举版本的估计,并证明了其分布一致性。这些结果的扩展也提供了更一般的误分类模型。模拟研究的结果令人鼓舞。该方法是说明与调查数据。
2020-09-25 math.ST stat.TH
Posterior Convergence of Nonparametric Binary and Poisson Regression Under Possible Misspecifications
在这篇文章中,我们研究了非参数二元和Poisson回归在可能的模型误设定下的后验收敛性,假设一般的随机过程具有适当的性质。我们的二元回归模型设置和目标类似于Ghosal和Roy(2006),其中作者使用了熵界和指数相合检验的方法,并使用了筛法来实现与高斯过程先验的一致性。相比之下,对于二元和泊松回归,使用一般的随机过程先验,我们的方法包括验证渐近均分性质以及筛分方法,这是Shalizi(2009)的一般结果的一种机动,甚至对错误指定的模型也有用。此外,我们不仅要建立后验一致性,还要建立后验概率收敛的速率,即Kullback-Leibler发散速率。我们还研究了传统的后验收敛速度。有趣的是,从主观贝叶斯的角度来看,我们将表明,后验预测分布可以准确地近似最好的可能的预测分布在这个意义上的Hellinger距离,以及两个分布之间的全变差距离可以趋于零,尽管误指定。
2020-05-01 math.ST stat.TH
A $p$-step-ahead sequential adaptive algorithm for D-optimal nonlinear regression design
本文提出一种每阶段添加p个设计点的序贯自适应算法,用于非线性回归模型的D-最优设计,并证明在饱和可识别性条件和广义线性模型下估计量具有强一致性与渐近正态性,从而保证设计序列的渐近D-最优性。
2023-07-05 math.ST stat.TH
Adaptive confidence intervals for regression functions under shape constraints
在单调性和凸性的形状约束下,构造了回归函数的自适应置信区间。一个自然的基准建立在一个给定的函数的最小期望长度的置信区间的分析量,局部连续模。这个界限不仅取决于函数,而且还取决于假定的函数类。这些基准测试表明,构造的置信区间具有接近每个单独函数的最小预期长度,同时保持类内函数的给定覆盖概率。这样的自适应性比大参数空间集合上的自适应极小极大性强得多。
2013-05-24 math.ST stat.TH
Adaptive and non-adaptive minimax rates for weighted Laplacian-eigenmap based nonparametric regression
本文针对基于加权拉普拉斯特征映射的非参数回归,在索伯列夫空间设定下建立了自适应与非自适应极小极大收敛速率,将已有结果推广到包括非归一化和随机游走拉普拉斯在内的广泛加权拉普拉斯矩阵。
2023-10-31 math.ST stat.ML stat.TH
Is distribution-free inference possible for binary regression?
对于一个二进制标签响应的回归问题,我们研究了构造置信区间的标签概率条件的功能的问题。在我们没有任何关于潜在分布的信息的情况下,我们理想地希望提供无分布的置信区间--也就是说,在没有对数据分布的假设的情况下有效。我们的研究结果建立了一个明确的下界的任何分布自由的置信区间的长度,并构建了一个程序,可以近似实现这个长度。特别是,这个下界与样本量无关,并且适用于所有没有点质量的分布,这意味着任何分布自由程序都不可能适应分布中的任何类型的特殊结构。
2020-10-07 math.ST stat.TH
Pointwise Adaptive M-estimation in Nonparametric Regression
本文讨论了异方差回归$ Y_i=f(X_i)+ξ_i, \: i=1,...,n $中的非参数估计问题,它具有不完全信息,即每个实随机变量$ ξ_i $都有一个密度$ g_{i} $,而这个密度对于统计学家来说是未知的.目的是估计给定点处的回归函数$ f $。使用局部多项式拟合M-估计表示$ \hat f^h $和应用Lepski的过程中的带宽选择,我们构造了一个估计器$ \hat f^{\hat h} $,这是自适应的各向同性的Hölder类的集合。特别地,我们建立了新的指数不等式来控制局部M-估计的偏差,从而可以构造极小极大估计。这种估计的优点是它不依赖于随机误差的密度,我们只假设概率密度函数是对称的和单调的$ \bR_+ $。值得一提的是,与噪声的极值相比,我们的估计器是鲁棒的。
2011-05-09 math.ST stat.TH
Adaptive warped kernel estimation for nonparametric regression with circular responses
针对单位圆上观测的圆形数据非参数回归问题,提出结合扭曲策略与Goldenshluger-Lepski型估计器的数据驱动带宽核估计方法,并在各向异性Hölder类上证明了其极小化极大近乎最优性。
2023-06-30 math.ST stat.TH
Benign overfitting and adaptive nonparametric regression
CREST-ENSAE(Crest-法国国立统计与经济管理学院)
在非参数回归中,我们构造了一个估计器,它是一个连续函数,以高概率插值数据点,同时在Hölder类尺度上自适应地获得均方风险下的Minimax最优收益率。
2022-06-27 cs.LG math.ST stat.ML
Adaptive estimation in regression models for weakly dependent data and explanatory variable with known density
本文研究弱相依解释变量且密度已知时的回归函数估计,提出基于Goldenshluger-Lepski带宽选择的核估计数据驱动方法,证明其满足oracle型不等式且在Hölder类上自适应,并通过无监督学习和模拟验证性能。
2025-07-15 math.ST stat.TH
Adaptive Bayesian nonparametric regression using kernel mixture of polynomials with application to partial linear model
本文提出了一种贝叶斯非参数回归的核混合多项式先验。回归函数由具有核混合权重的多项式的局部平均来建模。我们得到的最小最优收缩率的充分后验分布的对数因子,适应的平滑程度的真实功能,通过估计某些功能类的度量熵。我们还提供了一个频率筛最大似然估计与接近最佳的收敛速度。我们进一步研究了多项式的核混合对部分线性模型的应用,并获得了非参数分量的近最优收缩率和Bernstein-von Mises极限(即,渐近正态性)。所提出的方法与数值例子说明,并显示优越的性能相比,本地多项式回归,DiceKriging,和强大的高斯随机过程的计算效率,精度和不确定性量化。
2018-09-13 math.ST stat.TH
Adaptive Lasso for High Dimensional Regression and Gaussian Graphical Modeling
我们证明了两阶段自适应Lasso过程(Zou,2006)对于线性和高斯图模型中的高维模型选择是一致的。我们的一致性条件比以前的工作中所完成的条件覆盖了更一般的情况:我们证明了限制特征值条件(Bickel等人,2008)对于稀疏结构估计也是足够的。
2009-03-13 math.ST stat.ML stat.TH
Adaptive function estimation in nonparametric regression with one-sided errors
我们考虑非正则非参数回归模型,其中光滑性约束施加在回归函数$f$上,并且假设回归误差在其端点处以一定的锐度水平衰减。本文的目的是为回归函数$f$构造一个自适应估计器。与标准模型相比,局部平均是富有成效的,非正规条件下需要一个实质性的不同的治疗的基础上,当地的极值。我们在平滑度$β>0$和清晰度$\mathfrak {a}\in(0,\infty)$都事先未知的现实设置下研究该模型。我们构建适应程序应用嵌套版本的Lepski的方法和负希尔估计,显示没有损失的收敛速度相对于一般的$L_q$风险和对数损失的逐点风险。证明了这些速率对于$\mathfrak{a}\in(0,\infty)$的最优性。提供了一些数值模拟和实际数据的应用。
2014-10-01 math.ST stat.TH
Linearized Binary Regression
1934年,Bliss首次提出概率回归来研究昆虫的死亡率。从那时起,大量的工作已经在许多应用和领域中分析和使用probit或相关的二元回归方法(如逻辑斯谛回归)。本文提供了一个新的角度,这样建立良好的二元回归方法。具体地说,我们证明了线性化的概率模型与线性估计的组合执行与国家的最先进的非线性回归方法,如后验均值或最大后验估计,为广泛的现实世界的回归问题。我们推导出精确的,封闭的形式,和非渐近表达式的均方误差的线性估计,这清楚地将它们从非线性回归方法,通常是难以分析。我们展示了我们的方法和结果的有效性,为一些合成和现实世界的数据集,这表明,线性二进制回归发现在各种推理,估计,信号处理和机器学习应用程序,处理二进制值的观察或测量的潜在用途。
2018-02-01 math.ST stat.ME stat.ML
Adaptive Concentration of Regression Trees, with Application to Random Forests
我们研究了回归树和森林的预测曲面的收敛性。为了支持我们的分析,我们引入了回归树的自适应集中的概念。这种方法将树训练分为模型选择阶段,在这个阶段我们选择树的分裂,然后是模型拟合阶段,在这个阶段我们找到与这些分裂一致的最佳回归模型。然后,我们表明,拟合的回归树集中在具有相同分割的最佳预测器周围:随着d和n变大,差异在整个回归表面上均匀地以sqrt(log(d)log(n)/k)的数量级高概率为界,其中d是特征空间的维度,n是训练样本的数量,k是每棵树的最小叶大小。我们还提供了速率匹配的下界,这个自适应浓度的声明。从实践的角度来看,我们的结果使我们能够证明高维自适应生长森林的一致性结果,并在Berk等人的意义上进行有效的后选择推理。[2013]对于树叶定义的子群。
2016-04-30 math.ST stat.ML stat.TH
Adaptive Inference in Multivariate Nonparametric Regression Models Under Monotonicity
Brown University(布朗大学)
该研究针对多元非参数回归的单调性约束问题,推导了自适应置信区间的极小极大收敛速率,提出了适配该速率的新推断方法,适用于高斯误差下的有限样本及回归函数的一般线性泛函。
2026-10-30 econ.EM math.ST stat.AP
Adaptive Nonparametric Regression on Spin Fiber Bundles
利用小波阈值技术构造自适应非参数过程是现代数理统计中的一个经典课题。在本文中,我们将这个框架扩展到分析的非参数回归的自旋纤维丛上定义的领域。这可以被看作是一个回归问题,其中要估计的函数采用代数曲线(例如椭圆)作为其值,而不是像往常一样采用标量。这个问题是由许多重要的天体物理学应用所激发的,例如关于弱引力透镜效应的分析,即引力对遥远星系图像的扭曲效应。基于Geller and Marinucci(2008,2010)和Geller et al.(2008,2009)提出的(混合)自旋针状体构造方法,提出了一种阈值方法,并研究了其在自旋Besov球上的收敛速度和自适应性质.
2010-09-22 astro-ph.CO math.ST stat.TH
D-optimal Approximate Design for Binary Regression and Quantal Response in Toxicology Studies
我们提供了一个系统的治疗$D$ -毒理学研究中的二元回归和量子响应模型的最佳设计。对于双参数的情况下,我们提供了一个解析方程(WC方程)计算的$D$ -最优设计快速,当解析解不可用时,我们采用粒子群算法求解的$D$ -最优设计。给出了各种连接函数的例子以及灵敏度函数。我们通过提供一个简洁的信息矩阵行列式公式,将两参数情形推广到三参数情形。我们还建议从业者使用简洁的公式来推导三参数二元回归模型的最优设计。
2022-09-27 math.ST stat.AP stat.CO
Regression adjustment in covariate-adaptive randomized experiments with missing covariates
本研究针对协变量自适应随机化试验中协变量缺失问题,结合常用缺失处理与回归调整方法,推导估计量的渐近性质及一致方差估计,并通过数值研究提供建议,且结论在模型误设下仍有效。
2025-08-13 math.ST stat.ME stat.TH
Adaptive Huber Regression on Markov-dependent Data
高维线性回归是近二十年来统计学界研究的热点。为了便于理论分析,经典方法通常假设观测值独立,误差为亚高斯分布。然而,这两种方法都不包含很多真实的高维时间序列数据。最近[Sun,Zhou,Fan,2019,J. Amer. Stat.助理,在出版]提出了自适应Huber回归(AHR),以解决重尾错误的问题。他们发现,Huber损失的鲁棒化参数应适应于重尾误差的样本量、维数和矩。我们在垂直方向上取得进展,并证明AHR依赖的观察。具体来说,我们考虑一个重要的依赖结构-马尔可夫依赖。我们的研究结果表明,马尔可夫依赖性影响的自适应的鲁棒参数和回归系数的估计的方式,样本量应被折扣的一个因素取决于潜在的马尔可夫链的谱间隙。
2019-09-23 math.ST stat.ME stat.TH
Minimax Adaptive Online Nonparametric Regression over Besov Spaces
Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);LPSM(概率与统计实验室);Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Inria(法国国家信息与自动化研究所);Grenoble INP(格勒诺布尔国立高等理工学院);LJK(拉格朗日计算与知识实验室);Institut Pauli(保罗研究所);University of Vienna(维也纳大学)
本文针对Besov空间中的在线对抗回归问题,提出无需预知光滑性参数的小波自适应算法,并进一步设计局部自适应扩展以动态追踪空间非均匀光滑性,从而在异质环境中获得超越全局方法的更精细极小极大遗憾界。
2025-09-22 math.ST stat.ML stat.TH
Adaptive sparse variational approximations for Gaussian process regression
本文针对非参数回归模型,提出基于变分贝叶斯的超参数选择理论保证,通过构建分层贝叶斯过程的变分近似推导出后验收缩率上界,并在多种高斯过程先验中实现最优收缩率,同时通过合成与真实数据集验证了理论。
2025-04-04 math.ST stat.ML stat.TH
Adaptive estimation under single-index constraint in a regression model
研究了随机设计和弱噪声假设下单指标回归模型中多元函数的自适应估计问题。提出了一种新的估计过程,同时适应未知的指标向量和光滑的链接函数,通过选择从一个家庭的特定的核估计。我们建立了一个逐点预言不等式,它反过来又被用来判断估计整个函数的质量(“全局”预言不等式)。这两个结果适用于问题的逐点和全球自适应估计的集合的Hölder和Nikol'skii功能类,分别。
2014-01-28 math.PR math.ST stat.TH
Smoothed quantile regression processes for binary response models
本文考虑了具有线性分位数限制的二元响应模型。相当概括以前的研究在这个问题上,我们的分析集中在无限收集的分位数估计。我们得到一个统一的线性化适当标准化的经验分位数的过程中,发现一些令人惊讶的差异与设置连续观察到的反应。此外,我们表明,考虑分位数过程提供了一种有效的方法来估计二进制选择概率,而无需限制性假设的形式的链接函数,异方差或需要高维非参数平滑的方法,到目前为止。一个统一的线性表示和渐近正态性的结果,并讨论了重排的连接。
2019-04-04 math.ST stat.ME stat.TH
An Extension of the Unified Skew-Normal Family of Distributions and Application to Bayesian Binary Regression
针对贝叶斯二元回归模型,提出扰动统一偏正态(pSUN)分布族以推广SUN分布,证明其在链接函数为高斯CDF尺度混合时与二元回归模型共轭,在logit情形下简化后验计算且p>n时性能更优。
2025-02-12 math.ST stat.ME stat.TH
Latent function-on-scalar regression models for observed sequences of binary data: a restricted likelihood approach
在本文中,我们研究了一个功能回归设置的随机响应曲线是不可观察的,只有它的二分版本的相关二进制数据序列中观察到的。我们提出了一个实用的计算框架,通过参数扩展技术的极大似然分析。与现有的方法相比,我们的建议依赖于使用一个完整的数据可能性,具有能够有效地处理非等间距和缺失的观测的优势。所提出的方法用于标量函数回归设置中,潜在响应变量是在可分离的希尔伯特空间中取值的高斯随机元。通过引入一种自适应MCEM算法,避免了平滑参数的选择,提供了函数回归系数和主成分的平滑估计。最后,我们的新方法的性能证明了各种模拟研究和真实的案例研究。所提出的方法在R包dfrr中实现。
2020-12-04 math.ST stat.ME stat.TH
High-dimensional outlier detection and variable selection via adaptive weighted mean regression
本文提出自适应惩罚加权均值回归方法,利用自适应Huber损失函数,在高维线性模型中同时实现稳健的回归参数估计和异常值检测,并通过模拟和乳腺癌数据验证其有效性。
2023-06-24 math.ST stat.ME stat.TH
Automatic and location-adaptive estimation in functional single-index regression
针对函数型单指标模型的回归估计问题,提出基于k近邻的自动位置自适应方法,实现数据驱动选参,预测性能优于核估计,并补充了相关核估计的一致渐近结果。
2024-01-26 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
Valid Bayesian Inference based on Variance Weighted Projection for High-Dimensional Logistic Regression with Binary Covariates
针对高维基线协变量下二元结果相关分类处理效应的推断挑战,提出基于方差加权投影的正交得分及新型贝叶斯框架,提供一致收敛结果并通过模拟与真实数据分析验证方法有效性。
2024-11-26 math.ST stat.ME stat.TH
Degrees of Freedom in Penalized Regression: Model Selection with Adaptive Penalties
University of Padova(帕多瓦大学);University of Rome Tor Vergata(罗马托尔维加塔大学)
本文提出了一种新的无偏有效自由度估计方法,用于自适应Lasso,解决了传统方法中因数据依赖惩罚导致的估计偏差问题,并扩展到组Lasso和自适应组Lasso,为适应性惩罚回归中的模型复杂性提供了理论基础。
2026-04-03 math.ST stat.ME stat.TH