High Order Adjusted Block-wise Empirical Likelihood For Weakly Dependent Data
经验似然比置信区域存在有限样本覆盖不足的问题，严重影响了它在统计推断中的应用。这种覆盖不足的根本原因是由用于构造轮廓经验似然的估计函数的凸包所施加的上限。对于i.i.d数据，已经提出了各种方法来通过修改凸包来解决这个问题，但是当数据不再独立时，这些方法的性能如何尚不清楚。在本文中，我们提出了一个调整的块经验似然，是专为弱相关的多元数据。我们证明了我们的方法不仅保持了著名的渐近$χ^2-$分布，但也提高了有限的样本覆盖概率，通过消除由凸包的上限。此外，我们表明，我们的方法也是Bartlett校正，从而能够实现高阶渐近覆盖精度。
2021-08-13 stat.ME
Standard Curves for Empirical Likelihood Ratio Tests of Means
我们提出了模拟标准曲线的校准经验似然比（ELR）的均值检验。在这些曲线的帮助下，可以调整ELR检验的标称显著性水平，以实现给定有限样本量的（准）精确第一类错误率控制。通过理论上的考虑和计算机模拟，我们证明了调整后的显着性水平最关键地取决于偏度和峰度的父分布。出于实用目的，我们将几种典型统计模型下的调整临界值制成表格。
2021-05-19 stat.ME
Adjusted Empirical Likelihood Method for the Tail Index of A Heavy-Tailed Distribution
经验似然是统计学中一种著名的非参数方法，在统计推断中得到了广泛的应用。Lu和Peng（2002）已经使用该方法来构造重尾分布的尾部指标的置信区间。Lu和Peng（2002）证明了基于经验似然的置信区间在覆盖概率方面优于基于正态近似的置信区间。一般来说，当样本量较小时，经验似然法的覆盖概率不精确。当我们将经验似然应用于尾部指数时，这可能会导致严重的覆盖不足问题，因为只有很小一部分观测值可以用于尾部指数的估计。在本文中，我们采用Chen et al.（2008）和Liu and Chen（2010）提出的调整经验似然方法来构造尾部指标的置信区间，以达到更好的精度。我们进行了模拟研究，比较了调整后的经验似然方法和正态逼近方法的性能。我们的模拟结果表明，调整后的经验似然方法优于其他方法的覆盖概率和置信区间的长度。我们还将调整后的经验似然方法应用于实际数据集。
2019-04-17 stat.AP stat.ME
An Adjusted Likelihood Ratio Test for Separability in Unbalanced Multivariate Repeated Measures Data
本文提出了一种不平衡多元重复测量数据的两因子可分性（Kronecker乘积结构）的调整似然比检验。在这里，我们解决了特定的情况下，在主题内的相关性被认为是在两个维度上呈指数下降（例如，时间和空间维度）。然而，该测试可以很容易地推广到任何结构的因子特定矩阵。一个模拟研究进行评估的推理准确性的建议测试。纵向医学影像资料有关精神分裂症和尾状核形态说明了方法。
2011-02-01 stat.AP stat.ME
Regenerative block empirical likelihood for Markov chains
经验似然法是一种功能强大的半参数方法，在文献中得到越来越多的研究。然而，大多数作者基本上关注i.i.d.。设置.在依赖数据的情况下，经典的经验似然方法不能直接应用于数据，而是应用于捕捉依赖结构的连续数据块。对于满足混合条件的时间序列，提出了一种基于非随机长度递增块构造的经验似然推广方法。继一些最近的事态发展，在自举文献中，我们提出了一个大类的马尔可夫链，各种长度的小块的基础上的推广。我们的方法利用再生结构的马尔可夫链，这使我们能够构建块几乎是独立的（独立的原子的情况下）。我们证明了该方法对正常返马尔可夫链的渐近有效性，并给出了一些模拟结果。
2011-02-15 math.ST stat.TH
Estimating Intractable Posterior Distributions through Gaussian Process regression and Metropolis-adjusted Langevin procedure
针对昂贵且含噪/不完整数据下的贝叶斯校准难题，提出用 Gaussian Process Regression 序贯代理对数似然并结合 Metropolis-Adjusted Langevin Algorithm 高效推断后验。
2025-06-16 stat.ME
Hessian corrections to the Metropolis Adjusted Langevin Algorithm
一个自然的方法，引入二阶导数的对数似然MCMC算法的基础上，泰勒展开的Langevin方程的精确解的截断系统。
2015-07-22 stat.CO stat.ME
Jackknife empirical likelihood based inference for Probability weighted moments
在本文中，我们讨论刀切经验似然（JEL）和调整刀切经验似然（AJEL）为基础的推理，找到置信区间的概率加权矩（PWM）。我们得到了JEL比和AJEL比统计量的渐近分布。我们比较的性能，建议的置信区间与最近开发的方法在覆盖概率和平均长度。我们还开发了基于JEL和AJEL的PWM测试，并研究了它的性能。最后，我们用印度各州的降雨量数据来说明我们的方法。
2018-07-12 stat.ME
Split Sample Empirical Likelihood
我们提出了一种新的方法，结合多个非参数似然型组件，建立一个数据驱动的近似的真实似然函数。我们的方法是建立在经验似然，非参数近似的似然函数。我们证明了我们的方法的渐近行为是相同的经验似然。我们证明，我们的方法执行经验似然，同时显着减少计算时间。
2017-12-14 stat.ME
Empirical likelihood for linear models with spatial errors
对于具有空间误差的线性模型，构造了模型参数的经验似然比统计量。结果表明，经验似然比统计量的极限分布是卡方分布，它被用来构造模型参数的置信区域。
2018-08-27 stat.ME
Nonparametric Confidence Intervals for Generalized Lorenz Curve using Modified Empirical Likelihood
本文提出三种改进的经验似然方法构建广义Lorenz序的置信区间，证明其极限分布服从缩放卡方分布，并通过模拟和真实数据验证了方法的有效性。
2023-11-24 math.ST stat.ME stat.TH
Empirical likelihood inference for partial functional linear regression models based on B spline
本文将经验似然方法应用于基于B样条的部分泛函线性回归模型中回归参数的推断。我们证明了回归参数的经验对数似然比收敛于独立χ 2分布的加权和的规律，并运行模拟来评估我们的方法的有限样本性能。
2017-10-31 stat.ME
Empirical Likelihood Confidence Intervals for Nonparametric Functional Data Analysis
本文考虑了用经验似然法构造非参数函数数据分析的置信区间的问题。在这个双重无限维的背景下，我们证明了威尔克斯的现象，并提出了一个偏差校正的建设，既不需要欠平滑，也不直接偏置估计。我们还将我们的结果扩展到涉及函数数据的部分线性回归。我们的数值结果表明，经验似然的渐近正态近似的基础上改进的性能。
2009-04-06 stat.ME
Improved estimation in cumulative link models
对于有序数据的累积链模型的估计，得到了\citet{firth:93}中的偏差减小的调整得分方程，其解保证了估计量比极大似然估计量具有更小的渐近偏差.它们的形式表明多项式计数的参数依赖性调整，这反过来又表明通过迭代极大似然拟合调整后的计数来解决调整后的评分方程，极大地促进了实施。像极大似然估计，减少偏差估计被发现尊重的不变性属性，使累积链接模型的分类数据的分析的一个很好的选择。它的额外的有限性和最优频率论属性，以及相关的渐近推理过程的适当行为，使减少偏差估计有吸引力的默认选择，为实际应用。此外，建议的估计享有一定的收缩性能，从实验的角度来看，有序数据的性质是站得住脚的。
2013-01-28 stat.CO stat.ME
Regularized Exponentially Tilted Empirical Likelihood for Bayesian Inference
The Ohio State University（俄亥俄州立大学）
本文提出正则化指数倾斜经验似然方法，通过引入连续指数族分布和正则化技术，解决后验域为原参数空间子集的问题，提升有限样本性能。
2026-10-05 stat.ME
Jackknife empirical likelihood with complex surveys
针对一般不等概率抽样设计的调查数据，提出了刀切经验似然方法，并对U统计量定义的参数进行了分析。从理论上证明了刀切伪经验似然比统计量作为卡方随机变量渐近分布，并可用于构造复杂调查样本的置信区间。在研究过程中，我们考虑了有无辅助信息，利用设计权重或校准权重。仿真结果表明，在覆盖概率和尾误差率方面，刀切伪经验似然比置信区间优于基于正态近似的置信区间.
2023-03-27 stat.ME
Nonparametric inference with massive data via grouped empirical likelihood
本文提出分组经验似然方法，通过减少优化维度实现大规模数据的高效非参数推断，保持准确性的同时显著提升计算效率。
2025-12-09 stat.ME
Distributed Empirical Likelihood Inference With or Without Byzantine Failures
针对海量数据下经验似然中 Lagrange 乘子难以计算的问题，提出多轮分布式经验似然方法，并扩展至 Byzantine 故障场景，证明其渐近卡方性质与通信效率。
2024-01-23 stat.ME
Empirical phi-divergence test statistics for testing simple null hypotheses based on exponentially tilted empirical likelihood estimators
在计量经济学中，在不假设潜在分布的情况下施加限制来模拟复杂的现实是一种有价值的方法论工具。然而，如果一个子集的限制是不正确的指定，通常的测试统计量正确指定的模型往往拒绝一个简单的原假设。在这种情况下，我们可以说模型存在误设定。我们研究了Balakrishnan et al.（2015）中引入的经验φ-发散检验统计量的行为，通过使用Schennach（2007）的指数倾斜经验似然估计量，作为小样本量的显著性水平的效率和错误指定下的鲁棒性之间的良好折衷。
2015-10-27 stat.ME
Bayesian jackknife empirical likelihood with complex surveys
提出贝叶斯刀切经验似然方法分析不等概率抽样调查数据，证明其渐近正态性，用于构建置信区间，数值研究表明其优于传统方法。
2023-09-13 stat.ME
Empirical Likelihood Based Bayesian Variable Selection
经验似然是一种流行的非参数统计工具，不需要任何分布假设。在本文中，我们探讨了通过贝叶斯经验似然进行变量选择的可能性。从理论上证明了当先验分布满足一定的温和条件时，相应的贝叶斯经验似然估计是后验相合的，并且是变量选择相合的。作为特例，我们证明了贝叶斯经验似然LASSO和SCAD的先验满足这样的条件，从而可以以概率趋于1的方式识别参数的非零元素。此外，它是很容易验证，这些条件满足其他广泛使用的先验，如脊，弹性网和自适应LASSO。经验似然取决于需要通过数值求解非线性方程获得的参数。因此，后验分布不存在共轭先验，导致MCMC抽样算法在某些情况下收敛缓慢。为了解决这个问题，我们提出了一种新的方法，它使用一个近似分布的建议。计算结果表明，本文所用的例子快速收敛。我们使用模拟和真实数据分析来说明所提出的方法的优点。
2022-06-10 stat.ME
Bounded-memory adjusted scores estimation in generalized linear models with large data sets
本文针对大数据集广义线性模型提出两种基于增量QR分解的有界内存IWLS变体，用于调整得分方程估计，无需存储O(n)量即可实现偏差缩减，并支持跨站点隐私受限数据拟合。
2024-06-03 stat.AP stat.CO stat.ME
Weighted empirical likelihood for quantile regression with nonignorable missing covariates
本文提出了协变量不可分离的分位数回归模型中回归参数的经验似然加权估计。建议的估计是计算简单，实现半参数效率，如果完全观察到的变量的缺失概率被正确指定。理论上量化了所提出的估计器相对于完整案例分析估计器的效率增益，并通过仿真和真实数据应用进行了说明。
2017-10-07 stat.ME
Empirical Likelihood Inference With Public-Use Survey Data
公共使用调查数据是社会科学和卫生研究人员建立统计模型和对目标有限人群进行推断的重要信息来源。本文通过伪经验似然法和样本经验似然法给出了两种通用的推理工具。理论结果的点估计和线性或非线性假设检验，涉及通过估计方程定义的参数，并与所提出的方法的实施的实际问题进行了讨论。模拟研究的结果和对加拿大统计局2016年综合社会调查数据集的应用表明，所提出的方法在不同的情况下都能很好地工作。本文提出的推理过程和理论结果使经验似然法成为复杂调查数据使用者的实用工具。
2020-05-25 stat.ME
A novel approach of empirical likelihood with massive data
针对经验似然难以处理海量数据的问题，提出SSMEL方法，在保持全数据估计效率与Wilks定理性质的同时无需估计协方差矩阵，克服了DC算法的统计推断障碍。
2023-06-06 stat.ME
Empirical Likelihood Test for Diagonal Symmetry
能量距离是随机变量分布之间的统计距离，它表征了分布的相等性。利用能量距离，我们开发了对角对称性的非参数检验，这是一致的对任何固定的替代品。本文建立的检验统计量是基于两个$U$ -统计量的差异。应用刀切经验似然法，建立了自由度为1的标准极限χ 2分布，并用于确定检验的临界值和$p$ -值。仿真研究表明，我们的方法是有竞争力的经验规模和经验权力。
2019-08-19 stat.ME
A Generalized Empirical Likelihood Approach for Two-Group Comparisons Given a U-Statistic Constraint
我们研究了一个广义的经验似然方法在两组设置参数的约束有一种形式的U-统计。在这种情况下，由经验似然性的约束组成的被加数不是独立的，并且每个被加数的权重可能不具有作为概率点质量的直接解释，这与基于独立被加数的常见经验似然性约束不同。我们表明，由此产生的经验似然比统计量具有加权卡方分布在单变量的情况下，在多变量的情况下，加权卡方分布的组合。通过广泛的蒙特卡罗研究，我们表明，所提出的方法适用于一些著名的U-统计量具有强大的第一类错误控制下的各种潜在的分布，包括违反交换条件下的零假设。对于应用程序，我们采用所提出的方法来测试假设的交叉设计表明所提出的方法在各种假设检验的适应性。
2015-05-01 stat.ME
Data Fusion Using Robust Empirical Likelihood Inference
作者提出了一种稳健的半参数经验似然方法，将来自多个样本的所有可用信息与一个共同的测量中心相结合。利用两组不同的估计方程改进了经典的关于测量中心的似然推断。该方法不需要相关总体概率密度函数的函数形式的知识。通过大量的仿真研究，将该方法的均方误差、覆盖概率和平均置信区间长度与经典似然法进行了比较，证明了该方法的优越性。仿真结果表明，我们的方法提供了更多的信息和有效的推理比传统的极大似然估计时，这些相关样本的参数之间存在一定的结构关系。
2012-10-02 stat.ME
Feature screening for multi-response linear models by empirical likelihood
提出了一种基于经验似然的多响应多维线性模型特征筛选方法。通过一个多元矩条件，经验似然诱导排序统计量可以利用响应之间的联合效应，从而导致一个更好的性能比单独考虑响应的方法。更重要的是，通过使用经验似然，新方法适应随机误差的条件方差的异质性。该方法具有一定的筛选性能，模型尺寸控制在合理的范围内。此外，新的筛选方法也被扩展到一个条件版本，使它能够恢复隐藏的预测，很容易错过的无条件的方法。并给出了相应的理论性质。最后，数值研究和实际数据分析，以说明所提出的方法的有效性。
2022-06-04 stat.ME
Empirical Likelihood for Change Point Detection in Autoregressive Models
变点分析已成为许多应用领域的重要研究课题。为了检测时间序列数据中的变化及其位置，已经进行了若干研究工作。本文提出了一种基于经验似然的非参数方法来检测自回归（AR）模型中参数的结构变化。在一定条件下，证明了经验似然比检验统计量的渐近零分布是极值分布。进一步证明了检验统计量的一致性。已进行模拟，以表明拟议的检验统计量的权力是显着的。所提出的方法被应用到现实世界的数据集，以进一步说明测试过程。
2017-11-27 stat.ME
Empirical Likelihood Based Summary ROC Curve for Meta-Analysis of Diagnostic Studies
目的：本研究提供了一种有效的模型选择方法的基础上的经验似然方法构建总结受试者工作特征（sROC）曲线的诊断研究的荟萃分析。研究方法：我们考虑了来自家族指数和特定变换对的组合的模型，其涵盖了用于敏感性和特异性的双变量汇总的几种广泛使用的方法。最后，采用经验似然法对模型进行了选择。根据不同数量的研究和疾病和非疾病病例的不同总体分布进行模拟情景。我们的建议和其他模型选择标准的性能进行了比较。结果如下：虽然参数似然方法由于其渐近性质而经常被应用于实践中，但在研究数量有限的情况下，它们无法一致地选择合适的模型进行总结。对于这些情况，我们提出的方法几乎总是表现得更好。结论：当研究数量少至10或5时，我们建议通过建议的经验似然方法选择汇总模型。
2018-03-11 stat.ME
Empirical likelihood meta analysis with publication bias correction under Copas-like selection model
本文在Copas类选择模型下提出结合条件似然与边际半参数经验似然的全似然元分析方法，证明其估计量渐近正态且似然比渐近卡方，并通过模拟和实例验证其优于条件似然方法。
2025-07-18 stat.ME
Empirical likelihood for the analysis of experimental designs
该研究构建了适用于含区组的各类实验设计的经验似然分析框架，推导检验统计量分布并提出两种多重检验程序，在违规模型假设时仍具稳健性，可应用于杀虫剂等实验分析。
2023-05-03 stat.ME
Depth-based Weighted Jackknife Empirical Likelihood for Non-smooth U-structure Equations
在许多应用中，所关心的参数是通过求解具有$U$ -统计结构的非光滑估计方程来估计的。刀切经验似然（JEL）方法可以有效地解决这个问题，通过减少经验似然（EL）方法的计算复杂度。然而，作为EL，JEL遭受异常值的敏感性问题。在本文中，我们提出了一个加权刀切经验似然（WJEL），以解决上述限制的JEL。建议的WJEL倾斜的JEL函数分配较小的权重离群值。导出了WJEL比统计量的渐近性。它在分布上收敛于卡方随机变量的倍数。乘法常数取决于加权方案。WJEL比的自归一化版本不需要知道常数，因此在极限中产生标准的χ 2分布。仿真研究和一个实际数据应用表明，所提出的方法的鲁棒性。
2019-06-16 stat.ME
Statistical Inference for Bayesian Risk Minimization via Exponentially Tilted Empirical Likelihood
著名的Bernstein von-Mises定理确保了当模型被正确指定时，贝叶斯后验的可信区域被很好地校准，在频率论意义上，随着数据的积累，它们的覆盖概率趋于标称值。然而，众所周知，当模型被错误指定或仅部分指定时，这种传统的贝叶斯框架缺乏鲁棒性，例如在分位数回归、基于风险最小化的监督/无监督学习和稳健估计中。为了克服这个困难，我们提出了一个新的贝叶斯推理方法，取代（错误指定或部分指定）的似然与适当的指数倾斜的经验似然加上正则化项。我们的代理经验似然精心构造使用的一阶最优性条件的经验风险最小化的矩条件。我们表明，贝叶斯后验组合这种替代经验似然和先验是渐近接近的正态分布集中在经验风险最小化的协方差阵采取适当的三明治形式。因此，所得到的贝叶斯可信区域被自动校准，以提供有效的不确定性量化。在计算上，所提出的方法可以很容易地实现马尔可夫链蒙特卡罗采样算法。我们的数值结果表明，所提出的方法往往比现有的国家的最先进的竞争对手更准确。
2021-09-16 stat.ME
Optimization-based Quantification of Simulation Input Uncertainty via Empirical Likelihood
我们研究了一种基于优化的方法来构造统计上准确的置信区间的仿真性能指标下的非参数输入不确定性。这种方法计算置信区间从模拟运行驱动的概率权重定义的数据，这是从解决优化问题，适当地假定平均发散约束。我们说明了这种方法如何提供计算效率和有限样本性能相比，引导和三角洲方法的好处。虽然类似于强大的优化，我们解释了程序设计，并通过经验似然法的泛化开发这种方法的严格的统计保证。
2019-02-13 stat.ME
High-dimensional empirical likelihood inference
使用一般估计方程的高维统计推断具有挑战性，并且仍然较少探索。本文主要研究了这一领域的两个问题：模型参数多分量的置信集估计和模型规格检验。对于第一个，我们建议构造一组新的估计方程，使得估计高维滋扰参数的影响变得渐近可忽略不计。新的结构使我们能够估计一个有效的置信区域的经验似然比。对于第二个，我们提出了一个检验统计量作为最大的边际经验似然比，以量化数据证据对模型的规格。我们的理论建立了建议的经验似然方法的有效性，适应过度识别和指数增长的数据维度。数值研究表明，有前途的性能和潜在的实用价值的新方法。
2019-11-06 stat.ME
The empirical likelihood prior applied to bias reduction of general estimating equations
在现代统计文献中，在贝叶斯型过程的构造中采用经验似然（EL）分量代替参数似然函数的做法已经得到了很好的解决。我们严格推导出EL先验，杰弗里斯型先验，渐近最大化数据和参数之间的香农互信息。我们的方法的重点是基于EL的后验和先验密度函数之间的集成Kullback-Leibler距离。EL先验密度是对应的后验形式与EL的差异渐近可忽略的密度函数。我们表明，所提出的结果可以用来开发一种方法，用于减少一般估计方程和M-估计方案的解决方案的渐近偏差，通过删除一阶项。这种技术是以类似的方式开发的方法，用于减少渐近偏差的最大似然估计，通过惩罚其Jeffreys不变先验的基本参数似然。一个与心肌梗死研究相关的真实数据示例说明了所提出的技术在实际方面的吸引力。保留字：渐近偏差，有偏估计方程，经验似然，期望Kullback-Leibler距离，惩罚似然，参考先验。
2018-08-19 stat.ME
Easy Maximum Empirical Likelihood Estimation of Linear Functionals Of A Probability Measure With Infinitely Many Constraints
在这篇文章中，我们构造半参数有效估计的线性泛函的概率测度边信息的存在下，使用一个简单的经验似然方法。我们使用估计的约束函数，并允许约束的数量与样本量增长。考虑的是三种情况下的信息，其特征在于无限多的约束：（1）的边缘分布是已知的，（2）的边缘是未知的，但相同的，（3）分布对称。定义了一种改进的空间深度函数，并研究了它的渐近性质。效率增益的模拟结果报告。
2023-02-28 stat.ME
Sample Empirical Likelihood Methods for Causal Inference
本文提出基于两样本经验似然函数的平均处理效应估计与推断框架，开发两种引入倾向得分的方法，所得估计量具双重稳健性，并推导了统计量极限分布以支持置信区间构建和假设检验。
2024-03-24 stat.ME
Inference of high quantiles of a heavy-tailed distribution from block data
本文针对块数据中仅观测到少数最大值的情形，提出重尾分布高分位数的估计量并证明其渐近正态性，同时用经验似然法构造置信区间，模拟比较了不同方法的性能。
2023-06-24 math.ST stat.ME stat.TH
Jackknife Empirical Likelihood Approach for K-sample Tests
分类基尼相关性是分类变量和数值变量之间依赖性的另一种衡量标准，它表征了变量的独立性。基于分类基尼系数，本文提出了一种K分布等同性的非参数检验方法。应用Jackknife经验似然法，建立了标准极限自由度χ 2分布$K-1$，并用于确定检验的临界值和$p$ -值。仿真研究表明，所提出的方法是有竞争力的现有方法在功率的测试在大多数情况下。所提出的方法说明在一个实际数据集上的应用。
2019-08-01 stat.ME
Jackknife Empirical Likelihood-based inference for S-Gini indices
本研究针对 S-Gini 指数开发了经验似然和 Jackknife 经验似然推断方法，证明了统计量的卡方极限分布，构建了置信区间和检验，并通过数值研究和收入数据验证了方法的有效性。
2018-10-16 stat.ME
Pseudo Empirical Likelihood Inference for Non-Probability Survey Samples
本文提出基于伪经验似然方法分析非概率调查样本的新推断程序，其点估计量与现有方法渐近等价，但在置信区间特性和二元响应变量处理上表现更优。
2025-08-12 stat.ME
Bayesian Semiparametric Hierarchical Empirical Likelihood Spatial Models
我们引入了一个一般的分层贝叶斯框架，通过使用经验似然方法，我们称之为半参数分层经验似然（SHEL）模型，采用了灵活的非参数数据模型规范。虽然一般的依赖结构可以很容易地容纳，我们专注于空间建模，一个相对欠发达地区的经验似然文学。重要的是，我们开发的模型自然适应不规则网格和不规则间隔的点参考数据的空间关联。我们通过模拟研究和三个真实数据的例子来说明我们提出的框架。首先，我们在SHEL框架下发展了一个空间Fay-Herriot模型，并将其应用于美国社区调查中的小区域估计问题。接下来，我们通过北卡罗来纳州婴儿猝死综合征（SIDS）数据集在面积数据（在不规则网格上）的背景下说明SHEL模型。最后，我们分析了一个点参考数据集，从北美繁殖鸟类调查，认为鸽子计数密苏里州。在所有情况下，我们都证明了我们的模型在均方预测误差方面优于标准参数分析。
2014-05-15 stat.ME
Empirical likelihood-based portmanteau tests for autoregressive moving average models with possible infinite variance innovation
检验拟合的自回归滑动平均（ARMA）模型是否合适是文献中的一个重要任务，而当前使用的检验在潜在的自回归模型具有低持续性时可能遭受尺寸失真问题。为了填补这一空白，本文提出了两个经验似然为基础的组合检验。第一个是天真的，但可以作为一个基准，第二个是无限的方差创新的情况下。在较弱的矩条件下，导出了在原假设下的渐近分布，并通过模拟实验和两个实际数据例子证明了它们的有用性。
2022-09-20 stat.ME
Jackknife empirical likelihood confidence intervals for the categorical Gini correlation
本文针对分类Gini相关提出Jackknife经验似然置信区间方法，无需估计渐近方差，并通过模拟和真实数据验证其有效性与竞争力。
2023-10-14 stat.ME
Nonnested model selection based on empirical likelihood
我们提出了一个经验似然比检验的非参数模型选择，竞争模型可以嵌套，非嵌套，重叠，错误指定，或正确指定。它基于交叉验证比较模型的预测误差平方，并允许模型误差的异方差性。我们发展了它的渐近分布，用于比较可加模型和变系数模型，并将其推广到检验具有大量数据的可加模型中变量的显著性。本发明适用于有监督学习模型间的模型选择。为了便于测试的实施，我们提供了一个快速的计算程序。仿真结果表明，所提出的测试工作良好，并具有良好的有限样本性能比一些现有的方法。该方法是验证的实证应用。
2022-01-20 stat.ME
Empirical Likelihood Inference of Variance Components in Linear Mixed-Effects Models
线性混合效应模型广泛应用于分析重复测量数据，包括聚类数据和纵向数据，其中固定效应和方差分量的推断都很重要。与已得到充分研究的固定效应推断不同，由于空值位于边界上以及固定效应的干扰参数，对方差分量的推断更具挑战性。现有的方法通常需要对随机效应和随机误差进行强分布假设。在本文中，我们开发了经验似然为基础的方法，在固定效应的存在下的方差分量的推断。导出了方差分量的经验似然比统计量的Wilks定理的非参数形式。我们还开发了一个经验似然检验的多个方差分量相关的一系列相关的结果。仿真研究表明，所提出的方法表现出更好的类型1错误控制比常用的似然比检验时，高斯分布假设的随机效应被违反。我们应用这些方法来研究澳大利亚双胞胎研究中通过可穿戴设备测量的身体活动的遗传性，并观察到这种活动仅在0.375至0.514的分位数范围内是可遗传的。
2022-08-30 stat.ME
Bias-corrected empirical likelihood-based inference for the tail index under heavy-tailed models
结合偏差校正与经验似然方法，提出一种新的尾指数估计量，并建立渐近理论，模拟和实例验证其有效性。
2026-06-15 stat.ME
A Robust Consistent Information Criterion for Model Selection based on Empirical Likelihood
传统的基于似然信息的模型选择准则依赖于数据的分布假设。然而，对于在许多科学领域中越来越多地可用的复杂数据，其基本分布的规格证明是具有挑战性的，并且现有的标准可能是有限的，并且不足以处理各种模型选择问题。在这里，我们提出了一个强大的和一致的模型选择标准的基础上的经验似然函数，这是数据驱动的。特别地，该框架采用可以通过求解外部估计方程来实现的插件估计器，而不限于经验似然，这避免了潜在的计算收敛问题，并且允许通用应用，例如广义线性模型、广义估计方程、惩罚回归等。我们提出的准则的制定最初是来自于渐近展开的边际似然性，但更重要的是，一致的模型选择属性是在一般的背景下建立的。广泛的仿真研究证实了该建议的性能优于传统的模型选择标准。最后，通过社区动脉粥样硬化风险研究的应用，说明了该框架的实用价值。
2020-06-23 stat.ME
Comparing two treatments in terms of the likelihood ratio order
本文引入了新的检验统计量族，并研究了按似然比序比较两种处理方法的问题。所考虑的家庭是基于φ发散的措施，并出现作为经典的似然比检验和皮尔逊检验统计量的自然扩展。证明了它们的渐近分布是一个共同的卡氏随机变量。一个说明性的例子，这些统计的性能进行了分析，通过模拟研究。通过模拟研究表明，对于大多数建议的情况下调整为小或中等，这个新的家庭的一些成员的检验统计量显示明显更好的性能，相对于权力相比，经典的似然比和皮尔逊卡方检验，而确切的大小仍然接近标称大小。从精确的功效和显著性水平来看，研究还表明Wilcoxon检验统计量不如两个经典的检验统计量。
2014-10-29 stat.ME
Interval estimation in three-class ROC analysis: a fairly general approach based on the empirical likelihood
本文提出基于经验似然的三分类ROC分析区间估计新方法，通过理论结果、模拟实验和真实数据示例证明其灵活性和竞争力。
2023-05-25 stat.ME
Likelihood-based meta-analysis with few studies: Empirical and simulation studies
标准的随机效应荟萃分析方法在仅应用于少数研究时表现不佳。然而，这种设置在实践中经常遇到。目前还不清楚，是否或在多大程度上可以改善小样本量的行为，更复杂的建模。我们考虑几种基于似然的推理方法。置信区间基于正态或Student-t近似。我们从德国卫生保健质量和效率研究所（IQWiG）最近发表的评论中提取了40项荟萃分析的经验数据集。方法进行比较，以及在模拟研究中，考虑比值比和风险比的影响大小。根据经验，大多数确定的荟萃分析仅包括2项研究。在模拟研究中，在存在异质性和少数研究的情况下，覆盖概率低于基于正态近似的所有频率论方法的标称水平，特别是当荟萃分析中的大小不平衡时，但当调整置信区间时，覆盖概率有所改善。贝叶斯方法在所有情况下都比具有正态近似的频率论方法具有更好的覆盖率。根据经验，在模拟研究中，可信区间比未调整的置信区间宽，但比调整后的置信区间窄得多。基于广义线性混合模型的置信区间一般比其他频率论方法的置信区间稍窄。由于频繁的数值问题，某些方法变得不切实际。在研究间存在异质性的情况下，特别是研究规模不平衡的情况下，在将荟萃分析方法应用于少数研究时需要谨慎，因为覆盖概率可能会受到影响，或者间隔不确定。贝叶斯估计与一个明智的选择之前的试验间异质性可能会提供一个有前途的妥协。
2018-10-30 stat.ME
