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
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
Jackknife Empirical Likelihood Methods for Gini Correlations and their Equality Testing
Gini相关在度量重尾分布随机变量的相关性方面起着重要的作用，其性质是Pearson相关和Spearman相关的混合。由于这种依赖性度量的结构，每对随机变量之间存在两个基尼相关性，它们一般不相等。基尼系数以及两个基尼系数的相等性在经济学中具有重要的意义。在文献中，有有限的文章集中在基尼系数的推断和平等的测试。在本文中，我们开发的刀切经验似然（JEL）方法的单一基尼系数，用于测试的两个基尼系数的平等，并为两个独立的样本的基尼系数的差异。这些刀切经验似然比统计量的标准限制χ 2分布的建立和使用构造置信区间，拒绝区域，并计算$p$ -值的测试。仿真研究表明，我们的方法是有竞争力的现有方法的覆盖精度和置信区间短，以及在功率的测试。所提出的方法在UCI机器学习库的一个实际数据集上的应用。
2018-06-03 stat.ME
Adjusting for Many Covariates in Randomized Clinical Trials with GLMs: Bias Reduction by Jackknife and Practical Guidance
Shanghai Jiao Tong University（上海交通大学）；Yale University（耶鲁大学）
针对随机临床试验中协变量过多导致偏差的问题，提出基于jackknife的JASA及校准版JASACal方法，避免样本分割，可调整远超现有基准的协变量数量，并提供实用指导。
2026-09-15 stat.ME
Investigation of Parameter Uncertainty in Clustering Using a Gaussian Mixture Model Via Jackknife, Bootstrap and Weighted Likelihood Bootstrap
混合模型是基于模型聚类的一种常用工具。这种模型通常通过最大化似然的过程来拟合，例如期望最大化算法。在收敛时，通常报告极大似然参数估计值，但在大多数情况下，很少强调与这些估计值相关的变异性。这部分地可能是由于在模型拟合算法中不直接计算标准误的事实，或者因为不需要它们来拟合模型，或者因为它们难以计算。因此，基于模型的聚类中的标准误的检查通常被忽略。最近广泛使用的R包方法引入了bootstrap和加权似然bootstrap方法，以方便标准误估计。本文提供了一个经验比较这些方法（连同刀切法）产生的标准误和置信区间的混合参数。这些方法的说明和对比，在模拟研究和传统的老忠实的数据集和甲状腺数据集。
2019-07-22 stat.CO stat.ME
Jackknife empirical likelihood ratio test for log symmetric distribution using probability weighted moments
针对对数对称分布的拟合检验需求，基于概率加权矩提出对数对称性拟合优度检验及更易实施的刀切经验似然比检验，推导了统计量渐近分布，经模拟和数据集验证了方法有效性。
2024-10-05 math.ST stat.ME stat.TH
Differential Co-Abundance Network Analyses for Microbiome Data Adjusted for Clinical Covariates Using Jackknife Pseudo-Values
提出SOHPIE-DNA方法，利用Jackknife伪值回归校正临床协变量，进行微生物组差异共丰度网络分析，在模拟中提升召回率和F1分数，并在真实数据中发现与癌症患者炎症和疲劳相关的分类单元。
2023-03-23 q-bio.QM stat.AP stat.ME
Jackknife Empirical Likelihood Method for U Statistics Based on Multivariate Samples and its Applications
Indian Statistical Institute（印度统计研究所）；Trinity College Dublin（都柏林三一学院）
本文提出了一种基于多元三样本U统计量的jackknife经验似然方法，用于构建参数的置信区间，通过蒙特卡洛实验验证其在覆盖概率和计算效率上的优越性。
2025-12-02 math.ST stat.ME stat.TH
U-Statistics Based Jackknife Empirical Likelihood Tests for the Generalized Lorenz Curves
本文提出两种基于U统计量和经验似然的非参数方法检验两条广义洛伦兹曲线是否相等，推导似然比卡方极限分布，并通过模拟和真实数据证明其在小样本下优于现有方法。
2023-09-23 math.ST stat.ME stat.TH
Adjusted Empirical Likelihood for Time Series Models
Monti（1997）通过Whittle估计方法将经验似然方法应用于相依观测。对于平稳的时间序列，导出了经验似然比统计量的相似渐近分布，以构造参数的置信区域。然而，计算剖面经验似然函数所需的数值问题涉及约束最大化，有时无解，这导致使用原始版本的经验似然比的缺点。在本文中，我们提出了一个调整后的经验似然比统计量修改蒙蒂提出的，使它保证所需的最大化问题的解决方案的存在性，同时保持类似的渐近性质蒙蒂得到。仿真结果表明，在不同的时间序列模型下，该模型的覆盖率优于Monti模型，特别是在小样本量下。
2016-02-29 stat.ME
Adjusted Empirical Likelihood for Long-memory Time Series Models
Monti（1997）通过Whittle估计方法将经验似然方法应用于短记忆时间序列模型。Yau（2012）将这一思想扩展到长记忆时间序列模型。推导了短记忆和长记忆时间序列的经验似然比统计量的渐近分布，并构造了相应模型参数的置信区域。然而，计算轮廓经验似然函数涉及约束最大化并不总是有一个解决方案，导致几个缺点。针对自回归分数积分移动平均（ARFIMA）模型，本文提出了一种修正的经验似然方法。它保证了所需最大化问题的解的存在性，并保持了Yau（2012）获得的相同渐近性质。仿真结果表明，对于不同的长时间序列模型，调整后的经验似然方法比未调整的经验似然方法提供了更好的置信区域和覆盖概率，特别是对于小样本量。
2016-04-21 stat.ME
Estimation of Dirichlet distribution parameters with bias-reducing adjusted score functions
狄利克雷分布，也被称为多变量贝塔，是最常用的分析频率或比例数据。极大似然是狄利克雷参数估计的一种普遍方法。然而，对于小样本量，极大似然估计可能会显示出显著的偏差。本文针对极大似然估计的均值和中位偏差减小的问题，分别通过修正的得分函数得到Dirchlet参数估计。仿真研究和应用比较调整得分方法与极大似然。
2021-03-03 stat.ME
Adjusted composite likelihood for robust Bayesian meta-analysis
复合似然是一种非真实似然函数，它允许对模型的有限方面进行推断，例如边际或条件分布。复合似然不是正确的似然，因此需要从频率论和贝叶斯的角度对其在推断中的使用进行校准。复合似然的最大化可以作为一个估计量，其方差通过适当定义的三明治矩阵进行评估。在贝叶斯设置中，复合似然可以通过幅度和曲率方法进行调整。幅度方法意味着将可能性提高到一个常数，而曲率方法意味着通过平移、重新缩放和旋转参数向量来评估不同点处的可能性。一些作者认为曲率方法总体上更可靠，但其他人证明幅度方法足以恢复例如检验统计量的零分布。我们提出了一个简单的校准的边缘后验分布的标量参数的兴趣，这是不变的单调和光滑的变换。例如，在医学统计学中，这就足够了，其中单个标量效应度量通常是目标。
2021-04-05 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
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
Two-sample nonparametric test for proportional reversed hazards
在过去的几十年里，已经进行了一些工作的背景下，比例反向风险率（PRHR）。但是，在文献中没有任何具体的统计方法学的PRHR假设。本文提出了一种基于两个独立样本的双样本非参数检验来验证PRHR假设。基于U统计量的一致性，利用U统计量理论、刀切经验似然法和调整刀切经验似然法，发展了三种统计方法学。已经进行了模拟研究，以评估拟议的测试程序的优点。最后，将该测试应用于脑损伤相关生物标志物背景下的数据和Ducheme肌营养不良症相关数据。
2022-03-23 math.ST stat.ME stat.TH
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
Easy confidence interval formulas for network meta-analysis and adjustment of confidence intervals for a small number of studies
我们提出了简单的公式的置信区间的Wald统计量，似然比统计量，得分统计的网络荟萃分析。此外，我们还考虑了对少数研究的网络荟萃分析不能保持名义置信水平的担忧的解决方案。对于少量研究分析中的偏倚调整，Bartlett型调整是一种众所周知的方法。许多Bartlett型调整型方法都是基于极大似然估计量。然而，网络元分析往往使用限制极大似然估计，没有广泛讨论的Bartlett型调整。在本文中，我们提出了一个Bartlett型调整方法的Wald统计量，似然比统计量，得分统计量时，滋扰参数估计不仅极大似然方法，而且限制极大似然方法。此外，我们提出了一个高阶调整，通过应用自助方法的Bartlett型调整统计量。使用计算机模拟，我们确认调整后的置信区间保持在名义置信水平。此外，我们证实，置信区间的似然比检验的基础上的限制极大似然方法执行良好，无需进一步的自助调整。最后，我们证明了置信区间是调整实际的网络荟萃分析。
2022-01-10 stat.ME
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
Multiway empirical likelihood
本文提出多路经验似然方法，用于多组实体索引观测的统计推断，构造留出行或列的伪值，并给出在任意退化情形下均收敛于卡方分布的修正统计量，展示了优于传统 t 比值的高阶性质。
2024-08-09 econ.EM stat.ME
JEL ratio test for independence of time to failure and cause of failure in competing risks
在本文中，我们提出了刀切经验似然（JEL）比检验的时间失效和失效原因的独立性在竞争风险数据。我们使用U-统计量理论推导出JEL比率检验。检验统计量的渐近分布为单自由度的χ 2分布。进行了蒙特卡罗模拟研究，以评估有限样本的行为，建议的测试。建议的JEL测试的性能进行了比较，在Dewan等人（2004）给出的测试。最后，我们说明我们的测试过程中使用各种真实的数据集。
2021-10-17 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
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
Location-adjusted Wald statistics for scalar parameters
对感兴趣的标量参数的推断是一个核心的统计任务，吸引了大量的统计研究。Wald统计量是该任务的主要候选者，其理由是标准正态逼近其有限样本分布的渐近有效性、简单性和低计算成本。然而，众所周知，这种正态近似可能是不够的，特别是当样本量相对于参数数量较小或中等时。提出了一种新的，代数调整的沃尔德统计，提供显着的改进，推理性能只有很小的实现和计算开销，主要是由于额外的矩阵乘法。Wald统计量被视为模型参数转换的估计值，并使用极大似然或减少偏倚估计量进行适当调整，使其期望值渐近接近零。位置调整取决于预期信息、估计量偏差的近似值以及变换的导数，这些都可以在大量模型的标准软件中随时获得或容易获得。在一般模型中的位置调整的Wald统计的实施算法，以及一个引导方案的位置调整的统计量的进一步规模校正。充分的分析和数值证据，通过位置调整的统计量在突出的建模设置，包括对对数几率和二项式比例的推断，逻辑斯谛回归在滋扰参数的存在下，β回归和伽马回归。位置调整的Wald统计量用于构建显著性图，用于分析来自MRI数据的多发性硬化病变。
2019-03-11 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
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
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
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
On fitting the Lomax distribution: a comparison between minimum distance estimators and other estimation techniques
在本文中，我们研究了各种估计技术的规模和形状参数的Lomax分布的性能。这些方法包括传统的方法，如极大似然估计和矩估计方法。还包括调整偏倚的极大似然估计量的版本。此外，替代的基于矩的估计技术，如$L$矩估计和概率加权矩估计，包括随着三个不同的最小距离估计。通过广泛的蒙特卡罗研究，这些估计的有限样本性能进行了比较。我们发现，没有一个单一的估计优于它的竞争对手一致。我们推荐一种最小距离估计用于较小的样本，而偏差减少版本的极大似然估计用于较大的样本。此外，传统的极大似然估计的理想渐近性质使它们对更大的样本有吸引力。我们还包括一个实际的应用程序，展示了使用的技术对观测数据。
2022-07-13 stat.ME
Empirical Likelihood Inference for Sen and Sen--Shorrocks--Thon Indices
Prajyotiniketan College（普拉吉约蒂尼坎学院）；Indian Institute of Management, Kozhikode（印度管理学院科泽科德分校）；Indian Statistical Institute, Chennai（印度统计研究所金奈分部）
本文基于经验似然和jackknife经验似然方法，探讨了Sen指数和Sen-Shorrocks-Thon指数的推断方法，提出新的估计器并检验其性质，通过蒙特卡洛模拟评估了有限样本性能。
2026-03-18 math.ST stat.ME stat.TH
Small-sample one-sided testing in extreme value regression models
本文导出了一般极值回归模型的调整符号似然比统计量。调整减少了标准正态近似值对带符号似然比统计量分布的误差。我们使用Monte Carlo模拟来比较不同测试的有限样本性能。我们的模拟表明，有符号的似然比检验往往是自由的样本量时，并在缩小尺寸失真的调整是有效的。两个实际数据的应用程序，并进行了讨论。
2014-05-23 math.ST stat.ME stat.TH
Coarsening-adjusted estimators for finite-population indicators
Ca’ Foscari University of Venice（威尼斯大学）；University of Bologna（博洛尼亚大学）
研究样本调查中数值变量粗化问题，提出通过将观察响应视为潜在变量粗化表现，用调查加权伪似然方法联合建模，经方差分解传播不确定性，经模拟研究和实际应用验证方法性能及相关性。
2026-07-28 stat.AP stat.ME
Anytime-Valid Linear Models and Regression Adjusted Causal Inference in Randomized Experiments
Netflix；Ross School of Business（罗斯商学院）；Microsoft（微软）；Harvard School of Business（哈佛商学院）
本文提出任意时间有效的线性模型推断方法，通过序列化检验和置信集实现统一的误差控制，结合贝叶斯和频数派最优性，用于随机对照试验中的因果推断，提升A/B测试的实用性。
2025-07-07 math.ST stat.ME stat.TH
Shape-Preserving Covariate Adjustment via Empirical Likelihood in Randomized Experiment
Zhejiang University of Finance and Economics（浙江财经大学）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；University of Washington（华盛顿大学）；Eli Lilly and Company（礼来公司）
该研究针对随机试验协变量调整方法无法保形的问题，提出带协变量平衡约束的经验似然方法，构建保形的协变量调整经验测度，可提升估计效率，经模拟及SURPASS-4试验应用验证了有效性。
2026-08-21 math.ST stat.ME stat.TH
