Powerful Switchback Experiments -- Or Not?
DoorDash, Inc.（DoorDash公司）
本文推导了切换实验个体层面OLS估计量的多水平渐近方差闭合公式，揭示了统计功效的结构性下限，并研究了三种方法论应用。
2026-06-02 stat.ME
Randomization-Based Causal Inference from Unbalanced 2^2 Split-Plot Designs
给定两个目标2水平因子，2^2裂区设计}（a）将每个$2^2=4$可能的因子组合作为一个处理，（b）将一个因子确定为“整区”，（c）将实验单元划分为区组，（d）以相同区组内的所有单元接受相同水平的整区因子的方式分配处理。假设潜在的结果框架，我们在本文中提出了一个基于随机化的估计程序的因果推断从2^2设计，不一定是平衡的。点估计值的抽样方差以封闭形式导出，作为潜在结果的区组间和区组内协方差的线性组合。结果进行了比较，完全随机化的设计效率的措施。区间估计是基于抽样方差的保守估计构建的，并且通过模拟评估频率覆盖特性。所提出的方法的基于模型的超种群推理的渐近连接也建立。在各种设置下，报告了二元和连续结果相对于现有基于模型的替代品的优先级。
2016-02-11 stat.ME
Scalable inference for crossed random effects models
我们分析了吉布斯采样器的复杂性，用于现代方差分析中使用的交叉随机效应模型的推理。我们证明，对于某些设计的普通香草吉布斯采样器是不可扩展的，在这个意义上说，它的复杂性比成比例的参数和数据的数量。因此，我们提出了一个简单的修改，导致一个崩溃的吉布斯采样器，可证明是可扩展的。虽然我们的理论需要对数据设计进行一些平衡性假设，但我们在模拟和真实数据集中证明，在违反假设的情况下，它预测的速率与正确的速率显著匹配。我们还表明，折叠吉布斯采样器，扩展到采样进一步未知的超参数，性能显着优于其他国家的最先进的算法。
2018-03-26 stat.CO stat.ME stat.ML
Matching for causal effects via multimarginal unbalanced optimal transport
协变量匹配是一个公认的框架，用于估计观察性研究中的因果效应。主要的挑战来自于问题的高维结构。已经引入了许多方法来解决这个问题，在计算和统计性能以及可解释性方面具有不同的优点和缺点。本文介绍了一种基于多边缘不平衡最优运输的自然最优匹配方法，该方法在这方面具有许多有用的性质。它根据匹配个体的距离提供可解释的权重，可以通过迭代比例拟合程序有效地实现，并且可以同时匹配多个治疗组。重要的是，所提出的方法只选择好的匹配从任何一组，因此是竞争力与经典的k-最近邻方法在有限样本的偏差和方差。此外，我们证明了一个中心极限定理的经验过程的最优耦合的潜在功能的不平衡的最优运输问题的固定罚款条款。这意味着一个参数的收敛速度的经验获得的权重的最佳权重在人口的固定惩罚期限。
2022-07-09 econ.EM stat.ME stat.ML
Estimation and Inference for Very Large Linear Mixed Effects Models
具有较大不平衡交叉随机效应结构的线性混合模型给极大似然估计和贝叶斯分析带来了严重的计算问题。当存在N个观测时，成本可以像$N^{3/2}$一样快速增长。这种问题出现在基本因素满足多对多关系（而不是嵌套关系）的任何环境中，并且在电子商务应用中，N可以相当大。不考虑相关性结构的方法可能会大大低估不确定性。我们提出了一种矩方法，考虑到相关结构，可以在O（N）的成本计算。矩量法是非常适合并行计算，它不需要参数分布假设，调整参数或收敛诊断。对于回归系数，我们给出了相合性和渐近正态性的条件以及相合的方差估计。对于方差分量，我们给出了相容性条件，并使用了一个适度保守的方差估计的相合估计。所有这些计算都可以在O（N）工作中完成。我们用Stitch Fix中的一些数据来说明该算法，其中交叉的随机效应对应于客户端和项目。
2017-05-26 stat.AP stat.CO stat.ME
Testing linear combinations of multiple variance components
Department of Statistics and Actuarial Science, University of Waterloo（统计学与精算科学系，滑铁卢大学）
本文提出一种基于参数Bootstrap的方法，用于检验高斯方差成分模型中多个方差成分线性组合等于零的假设，改进了牛顿法并提供了高效的优化和采样方法，适用于嵌套和交叉设计。
2026-04-28 stat.ME
Scalable Krylov Subspace Methods for Generalized Mixed-Effects Models with Crossed Random Effects
Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学）；Seminar for Statistics, ETH Zurich（苏黎世联邦理工学院统计研究所）；University of Basel（巴塞尔大学）
本文提出基于克雷洛夫子空间的方法，解决高维交叉随机效应下的计算瓶颈，理论和实验证明其在速度和稳定性上的优势。
2026-09-14 cs.LG stat.ME stat.ML
Universal inference for variance components
针对方差成分接近参数边界及近1变异比例两类难题，本文提出有限样本一致有效的置信区间构建方法，并利用模型结构设计快速算法，通过模拟和交叉随机效应数据验证其实用性。
2025-08-29 stat.ME
Conditional Moment Kernels: Joint Modeling of Expected Returns and Covariances in Unbalanced Panels
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Swiss Finance Institute（瑞士金融研究所）；Università della Svizzera italiana（意大利语瑞士大学）；WU Vienna（维也纳经济大学）
本文提出一种非参数核联合估计器，用于非平衡面板的条件均值与协方差，并在美国股票数据上验证其有效性，发现特质风险平均解释超75%的横截面方差。
2026-10-11 cs.LG q-fin.ST stat.ME
The Dunnett procedure with possibly heterogeneous variances
大多数处理或剂量与对照品的比较均通过原始Dunnett单步程序\cite{Dunnett1955}进行，提供了与对照品差异的校正p值和同步置信区间。受功效参数的影响，建议在对照组中使用较高样本量的非平衡设计。当目标处理或对照中出现较高方差时，相关每对功效降低，如预期。然而，如果未受影响的治疗组中的方差增加，例如，在最高剂量（具有高度显著性）中，则其余感兴趣的治疗组中的每对把握度也会降低。也就是说，关于某些比较的重要性的决定可能被严重扭曲。为了避免这种讨厌的属性，三个修改的异质方差进行了比较，通过模拟研究与原来的Dunnett程序。对于小型和中型样本量，可推荐Welch型修改。对于中到高样本量，使用三明治估计量代替普通均方估计量是有用的。提供了相关的CRAN包。综上所述，我们建议不要在常规中使用原始Dunnett程序，并将其替换为稳健的修改。在小样本量研究中需要特别小心。
2023-03-16 stat.AP stat.ME
Bootstrapping data arrays of arbitrary order
本文研究了多因子交叉随机效应数据集均值方差估计的自举策略。我们独立地对每个因子的水平应用自举重新加权，为每个观察提供独立采样因子权重的乘积。对于这个问题，不存在精确的引导[McCullagh（2000）Bernoulli 6 285-301]。我们表明，建议的自助是温和的保守，这意味着偏向高估方差，在充分的条件下，允许非常不平衡和异方差的输入。早期的结果，resculturebootstrap只适用于两个因素，并使用多项式权重，不适合在线计算。所提出的重新加权方法可以在并行和在线设置中实现。这种方法的结果适用于任何数量的因素。该方法使用来自Facebook的评论长度的3因素数据集来说明。
2012-09-27 stat.AP stat.CO stat.ME
Overstuffed sandwiches and separation anxiety: finite-sample variance estimation for penalized GEE with near-separated binary data
University of Washington（华盛顿大学）；Institute of Statistical Research and Training, University of Dhaka（达卡大学统计研究与培训学院）
针对纵向二元数据近分离问题，提出一种新的有限样本方差估计方法$\hat{V}_{AR}$，通过保持得分级杠杆校正并添加有限样本向上平移，在低事件小样本场景下实现保守或接近名义I类错误率。
2026-10-09 stat.ME
To Vary or Not To Vary: A Flexible Empirical Bayes Factor for Testing Variance Components
针对随机效应存在性检验的方差成分边界问题，提出一种灵活的经验贝叶斯因子，通过从数据估计随机效应分布避免手动先验设置，仅需拟合全模型即可完成检验，且适用于多种模型场景。
2025-08-02 stat.ME
To Vary or Not To Vary: A Simple Empirical Bayes Factor for Testing Variance Components
本文提出一种灵活的经验贝叶斯因子，通过检验所有随机效应是否为零来替代对方差分量是否为零的边界检验，并在多种统计模型中验证了其有效性。
2024-10-18 stat.ME
Score-based confidence intervals for variance-covariance parameters in linear mixed models
University of Florida（佛罗里达大学）
针对线性混合模型中方差-协方差参数，提出基于修正剖面得分统计量的置信区间，在参数接近边界时仍保持接近名义覆盖率，且比通用推断区间窄 1.7 至 3.1 倍。
2026-10-06 stat.ME
Simulations for a Q statistic with constant weights to assess heterogeneity in meta-analysis of mean difference
在随机效应荟萃分析中，传统的$Q$统计量使用估计的逆方差（IV）权重，这会产生各种问题。在以前的工作标准化的平均差异和对数优势比，我们发现优越的性能与估计的整体效果，其权重只使用组水平的样本量。具有这些权重的$Q$统计量具有DerSimonian和Kacker提出的形式。该$Q$和具有IV权重的$Q$的分布通常必须近似。我们研究这些分布的近似值，作为检验和估计研究间方差（$τ^2$）的基础。一些近似需要方差和三阶矩的$Q$，我们得到。我们描述了模拟研究的设计和结果，与平均差作为效果的措施，它提供了一个框架，用于评估的近似，水平和功率的测试，估计$τ^2$和偏见的准确性。使用具有基于样本量的权重及其精确分布的$Q$（可用于平均差并通过Farebrother算法进行评估），即使对于非常小和不平衡的样本量，也可提供精确的水平。相应的估计量$τ^2$几乎是无偏的10个或更多的小型研究。在这些情况下，这种性能与异质性的标准检验和基于逆方差权重的大部分有偏估计的极端自由行为相比是有利的。
2020-10-21 stat.ME
Gradient Boosting for Linear Mixed Models
来自统计学习领域的梯度提升被广泛认为是通过适应分类理论的概念来估计和选择各种回归模型中的预测器效应的强大框架。电流提升方法还提供了考虑随机效应的方法，从而能够预测纵向和聚类数据的混合模型。然而，这些方法包括几个缺陷，导致不平衡的效果选择与错误地诱导收缩和低收敛速度，一方面和有偏估计的随机效应的另一方面。因此，我们提出了一个新的提升算法，明确占随机结构，排除它从选择过程中，适当地纠正随机效应估计，并提供基于似然估计的随机效应方差结构。新算法提供了一个有机的和无偏的拟合方法，这是通过模拟和数据的例子。
2020-11-02 stat.ME
Yates's MWSM SS in the General Linear Model
1934年，F. Yates描述了用于检验两个因子效应的饱和非平衡模型中因子主效应的平方和。他声称没有特别的属性，这一总和的平方以外，它提供了一个“有效估计的方差从A手段的子类手段. .虽然它被广泛认为是双因子模型中的黄金标准，但它的基本性质以及与同一模型的其他平方和的关系直到几十年后才建立起来。它的方法还没有扩展到更一般的设置。本文介绍如何将Yates的方法推广到一般线性模型中线性假设的检验统计量的分子平方和的构造。它表明，耶茨的平方和是等效的限制模型-全模型误差平方和的差异，这反过来又被证明是唯一的平方和，测试正是假设的问题。
2017-08-28 stat.ME
Uniform inference in linear mixed models
针对线性混合模型中随机效应协方差矩阵奇异或位于参数边界导致现有理论失效的问题，本文提出参数一致的有限样本分布近似及定量界，并验证其置信区域在复杂交叉效应和边界情形下仍具近名义覆盖率。
2025-07-25 math.ST stat.ME stat.TH
Sample Size Calculation for Cluster Randomized Trials with Zero-inflated Count Outcomes
整群随机试验（CRT）已广泛应用于医学和公共卫生研究。许多临床计数结果，如在疗养院跌倒的次数，都表现出过多的零值。在零通货膨胀的情况下，传统的基于泊松分布或负二项分布的计数数据的功效分析方法可能是不够的。在这项研究中，我们提出了一个样本量的方法，CRT与零膨胀计数的结果。它是基于GEE回归直接建模的ZIP结果的边际均值，这避免了传统建模方法下测试两个干预效果的挑战。一个封闭形式的样本量公式推导出适当的零通货膨胀，ICC由于集群，不平衡的随机化，和集群大小的变异性。稳健的方法，包括基于t分布的近似和刀切重采样方差估计，以提高试验性能下的小样本量。进行了大量的模拟，以评估所提出的方法的性能。一个应用程序的例子是在一个真正的临床试验设置。
2020-09-21 stat.AP stat.ME
