On the mixed-model analysis of covariance in cluster-randomized trials
该研究针对整群随机试验的混合模型ANCOVA方法,证明其在模型任意设定偏误下估计平均处理效应仍具一致性与渐近正态性,明确了特定条件下方差估计与置信区间的有效性,并对比了不同ANCOVA方法的精度,为实践方法选择提供依据。
2023-10-09 stat.ME
Posterior accuracy and calibration under misspecification in Bayesian generalized linear models
针对广义线性模型中似然族和连接函数选择困难的问题,通过大规模模拟研究评估错误设定下的后验准确性与校准,发现某些似然和连接函数稳健,并给出实用选择建议。
2023-11-15 stat.ME
Inference in Models of Discrete Choice with Social Interactions Using Network Data
本文研究了当数据由单个大网络组成时,具有社会交互作用的离散选择模型中的推理问题。我们提供了理论上的理由,使用空间和网络HAC方差估计在应用工作中,后者通过使用网络路径距离的空间距离。为此,我们证明了新的中心极限定理的网络时刻在一大类的社会互动模型。研究结果适用于网络上的离散博弈和社会互动通过滞后因变量进入的动态模型。我们说明我们的研究结果的实证应用和模拟研究。
2019-11-16 econ.EM stat.ME
Semi-parametric local variable selection under misspecification
本文针对半参数方法在模型误设下局部变量选择假阳性率偏高的问题,提出基于正交切割样条的新方法,可处理连续与分类协变量、高维及相依数据,并支持调整协变量。
2024-08-01 stat.ME
Amortized Inference for Correlated Discrete Choice Models via Equivariant Neural Networks
Johns Hopkins Carey Business School(约翰霍普金斯大学凯瑞商学院)
本文提出利用等变神经网络架构近似一般误差分布下的选择概率,通过Sobolev训练提升估计一致性与渐近正态性,仿真显示在准确性和速度上优于GHK模拟器。
2026-09-09 cs.LG econ.EM stat.ME
Optimal designs for discrete choice models via graph Laplacians
本文将离散选择实验的设计理论与无向图拉普拉斯矩阵联系,通过基尔霍夫定理重写 $D$-最优性准则,大幅降低优化复杂度并实现梯度下降算法,有效求解局部最优设计。
2025-07-17 math.ST stat.ME stat.TH
Latent likelihood ratio tests for assessing spatial kernels in epidemic models
在流行病时空随机模型的关键评估中,最重要的问题之一是选择用于表示感染性挑战与感染和易感宿主的空间分离之间的关系的传输核。由于控制策略的设计通常基于对传输实际可能发生的距离的评估,并且对该距离的估计对核函数的选择非常敏感,因此重要的是,可以根据观察来仔细检查用于通知控制策略的模型,以便得出针对所选核函数的可能证据。虽然存在一系列的方法来模型批评,该领域仍然是一个需要进一步研究的认识。在本文中,作者的早期贡献的基础上,我们介绍了一种新的方法来评估空间内核的有效性-潜在的似然比检验-并比较其能力,以检测模型误设与使用感染链接残差的测试的基础上。我们表明,新的方法,它结合了贝叶斯和频率论的想法,通过处理的统计决策者作为一个复杂的实体,可以用来制定测试具有更大的权力比感染链接残差检测内核的错误,特别是当错误的程度是适度的。这种新方法避免了使用完全贝叶斯方法,这可能会引入不希望的复杂性相关的计算复杂性和先验灵敏度。
2019-11-05 stat.AP
Non-parametric estimation of mixed discrete choice models
在本文中,不同股的文献相结合,以获得半参数估计的离散选择模型,包括未观察到的异质性建模的算法,通过使用混合分布的参数定义的偏好。这些模型使用针对一般混合模型开发的非参数极大似然估计(NP-MLE)理论。在NP-MLE文献中使用的期望最大化(EM)技术与使用自适应网格技术选择适当的近似模型的策略相结合。\\这共同导致技术规格和估计,可用于获得一个一致的规格的混合分布。此外,还开发了用于估计的算法,这有助于减少由于维数灾难而引起的问题。\\在小规模模拟研究中证明,所提出的算法对于离散选择背景下混合模型的规范和估计非常有用,提供了有关混合分布规范的一些信息。模拟证明了混合分布的某些方面,如期望值,可以可靠地估计。然而,它们也表明,通常对混合分布的不同近似会导致相似的可能性值,因此很难区分。因此,似乎不可能可靠地推断出估计的混合分布的最适当的参数形式。
2022-12-09 math.ST stat.ME stat.TH
Model Adequacy Checks for Discrete Choice Dynamic Models
本文提出了新的参数模型充分性检验的可能非线性和非平稳时间序列模型的非连续数据分布,这是经常在应用工作中的情况。特别是,我们认为正确的规格参数条件分布的动态离散选择模型,而不仅仅是一些特定的条件特性,如矩或对称性。在许多情况下,了解真实分布是很重要的,特别是为了应用有效的最大似然方法,获得部分效应的相合估计和未来事件概率的适当预测。本文提出一种数据变换,使其在真条件分布下得到连续的均匀iid序列。新系列的一致性和序列独立性,然后同时检查。该变换可以被认为是非连续数据的积分变换工具的扩展。考虑到参数估计的影响,我们推导出这样的测试的渐近性质。由于转换系列是iid,我们不需要任何混合条件和渐近结果说明了双重同时检查我们的测试性质。检验统计量在零值下以参数率收敛到渐近分布,这是依赖于情况的,因此我们证明了参数自助逼近。该测试具有针对本地替代品的功效,并且是一致的。新的测试的性能进行了比较与经典的规格检查离散选择模型。
2012-04-07 math.ST stat.ME stat.TH
Fundamental Limits of Testing the Independence of Irrelevant Alternatives in Discrete Choice
多项Logit(MNL)模型和它所满足的公理,即不相关选择的独立性(IIA),是离散选择中最广泛使用的工具。MNL模型作为各种领域的主力模型,但也受到了广泛的批评,大量的实验文献声称记录了IIA无法保持的真实世界环境。在过去的几十年里,国际投资协定作为一种建模假设的统计检验一直是许多侧重于国际投资协定具体偏差的实际检验的主题,但假设检验国际投资协定的正式规模性质仍然没有得到很好的理解。在这项工作中,我们取代了一些模糊性,在这方面的文献与严格的悲观主义,表明任何一般测试IIA低最坏情况下的错误将需要一个样本个数指数的选择问题的替代品的数量。与以前的工作相比,我们的分析的一个主要优点是它完全位于有限样本域中,这是理解离散选择的常见数据贫乏设置中的测试行为的关键特征。我们的下界是依赖于结构的,作为乐观的一个潜在原因,我们发现,如果将IIA的测试限制为可能发生在特定选择集集合中的违规行为(例如,pairs),则获得不那么悲观的结构依赖的下界。我们的分析这个测试问题是非正统的高度组合,计数欧拉方向的循环分解的一个特定的二部图从一个数据集的选择。通过确定一个给定的测试问题的比较结构和它的样本效率之间的基本关系,我们希望这些关系将有助于奠定基础,严格重新思考的IIA测试问题以及其他测试问题的离散选择。
2020-01-20 econ.EM math.ST 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
Universal Inference for Incomplete Discrete Choice Models
本文针对具有集值预测的实证模型,提出一种具有有限样本有效性的易处理推断方法,基于稳健的普适推断框架构建置信区间,适用于模型不完全性等复杂场景。
2025-01-29 econ.EM math.ST stat.TH
A regularization method for the parameter estimation problem in ordinary differential equations via discrete optimal control theory
提出了一种常微分方程(ODE)模型的参数估计方法.由于参数和状态之间的复杂关系,使用诸如非线性最小二乘法的标准技术可能导致存在难以识别的参数。此外,常微分方程通常是真实过程的近似,而误指定对推理的影响往往被忽略。基于控制理论的方法已经出现了正规化的不适定问题的参数估计在这种情况下。然而,它们是计算密集型的,并且依赖于已知在稀疏样本情况下有偏置的非参数状态估计器。在本文中,我们构造标准的基础上,离散控制理论,这是计算效率和旁路预平滑步骤的信号估值,同时保留控制理论的好处估计。我们描述了如何将估计问题转化为控制问题,并给出了求解该问题的数值方法,证明了在参数和良好指定的情况下估计量的收敛性。对于小的样本量,数值实验模型包含难以识别的参数和各种来源的模型误设定证明了我们的方法的准确性。最后,我们在一个真实的数据示例上测试了我们的方法。
2018-10-10 stat.ME
Inference in Regression Discontinuity Designs with a Discrete Running Variable
当运行变量只取中等数量的不同值时,我们考虑回归不连续设计中的推断。特别是,我们研究了使用基于运行变量聚类的标准误的置信区间(CI)的常见做法,以使推理对模型误设具有鲁棒性(Lee和Card,2008)。我们得出的理论结果和目前的模拟和经验证据表明,这些CI不防范模型误设,他们有穷人的覆盖率。因此,我们建议不要在实践中使用这些配置项。相反,我们提出了两个替代CI的条件期望函数的限制下,易于解释的保证覆盖性能。
2017-11-18 stat.AP stat.ME
Information Based Inference in Models with Set-Valued Predictions and Misspecification
Boston University(波士顿大学);Cornell University(康奈尔大学)
本文提出了一种基于信息的推断方法,用于不完整模型中部分识别参数的推断,该方法在模型正确规范和不规范的情况下都有效,并利用了Rao的得分统计量。
2026-02-23 econ.EM stat.ME
Random Effects Misspecification and its Consequences for Prediction in Generalized Linear Mixed Models
本文研究广义线性混合模型中随机效应分布误设对点预测和预测推断的影响,通过理论、模拟和实际应用分析正态假设替代真实正态混合分布的后果,发现其影响最优收缩和MSEPs,但对预测区间覆盖概率影响不大。
2024-11-28 stat.AP stat.ME
Contrasting Identifying Assumptions of Average Causal Effects: Robustness and Semiparametric Efficiency
University of Jyvaskyla(耶尔文佩大学);Uppsala University(乌普萨拉大学)
本文比较后门、前门及两门三种因果识别假设,推导其有效影响函数与半参数效率界,并分析估计量达到界的条件及对冗余模型误设的稳健性,揭示效率与稳健性之间的权衡。
2023-02-17 stat.ME
Robust Bayesian Inference for Measurement Error Misspecification: The Berkson and Classical Cases
University of Warwick(华威大学)
本文提出了一种鲁棒的贝叶斯非参数学习框架,用于处理测量误差规格不正确的问题,适用于经典和Berkson误差模型,并通过MMD损失提供泛化误差的界限。
2026-01-15 stat.ME stat.ML
Nonparametric Bayesian Inference for Partially Identified Discrete Response Models
Harvard University(哈佛大学);Duke University(杜克大学)
本文提出部分识别离散响应模型的非参数贝叶斯推断框架,其后验相合且计算简便,可扩展至多类响应场景。
2026-08-27 econ.EM stat.ME
Application of Propensity Score Models and Causal Estimators in Observational Studies under Model Misspecification
University of Nebraska Medical Center(内布拉斯加医学中心大学);Medical College of Wisconsin(威斯康星医学院);University of Kansas Medical Center(堪萨斯医学中心大学);Daffodil International University(达芬奇国际大学)
本文研究了在模型不规范情况下,倾向分数模型和因果估计器在观察性研究中的性能,发现AIPW在大多数情况下提供了稳健且稳定的估计,而IPW对PS模型不规范非常敏感,RSM仅在结果模型正确规范时表现良好。
2026-05-20 stat.AP stat.ME
Calibration-Free Robust Bayesian Inference for Discrete Unnormalized Models
Texas A&M University(得克萨斯农工大学);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本文提出DFD-BETEL,一种无需标定的半参数贝叶斯框架,通过离散Fisher散度矩条件实现非归一化离散模型的鲁棒推断,保证渐近校准的不确定性量化。
2026-10-08 stat.AP stat.ME
Assessment of Regression Models with Discrete Outcomes Using Quasi-Empirical Residual Distribution Functions
对于离散结果的回归模型,对模型的充分性做出明智的决策一直是一个突出的问题。这些结果的标准评估工具(例如偏差残差)通常显示出与假设模式的较大差异,即使在真实模型下也是如此,并且不提供信息,特别是当数据高度离散时(例如二进制)。为了填补这一空白,我们提出了一个准经验残差分布函数一般离散(如序数和计数)的结果,作为替代的经验Cox-Snell残差分布函数。我们提出的评估工具是一种原则性的方法,不需要向数据中注入噪声。当至少有一个连续的协变量是可用的,我们渐近地表明,所提出的函数一致收敛到正确指定的模型下的身份函数,即使具有高度离散的结果。通过模拟研究,我们实证表明,拟议的准经验残差分布函数优于常用的各种模型评估任务的残差,因为它是接近真实模型下的假设模式,并显着偏离此模式下的模型误指定,因此是一个有效的评估工具。
2021-03-24 stat.ME
Discrete Choice Models for Nonmonotone Nonignorable Missing Data: Identification and Inference
非单调缺失数据经常出现在社会科学和健康科学的实证研究中,如果忽略它,会导致选择偏差和效率损失。在实践中,通常在随机缺失假设下解释无应答,虽然很方便,但当无应答是非单调的时,这种假设很少适用。似然法和贝叶斯缺失数据方法通常需要为完整数据法指定参数模型,因此先验排除了任何半参数推断的可能性。在本文中,我们提出了一个通用的方法,提供半参数推断时,缺失数据是非单调的,而不是随机的。该方法是基于离散选择模型(DCM)作为一种手段,以产生一个大类的非单调nonresponse机制,是nonconsciable。给出了非参数辨识的充分条件,并给出了任意DCM下全参数和半参数推理的一般框架。特别考虑到的情况下,logit离散选择无响应模型(LDCM),我们描述了推广的逆概率加权,模式混合估计,双重稳健估计和乘法稳健估计。
2017-07-19 stat.ME
Measurement error induced by locational uncertainty when estimating discrete choice models with a distance as a regressor
空间微观计量经济学研究通常遭受各种形式的不准确性,不存在与经典的区域空间计量经济学模型。其中,缺失数据、位置误差、未经正式样本设计的抽样、测量误差和未对准是典型的不准确来源,可能会影响空间微观经济计量分析的结果。在本文中,我们已经研究了随机地理掩蔽的逻辑模型中引入的测量误差的影响,当距离被用作预测。扩展了线性回归模型中测量误差的经典结果,我们关于医院选择的MC实验表明,地理掩蔽产生的失真越高,回归模型中与距离相关的系数的绝对值朝向零的向下偏差越高。
2019-04-03 stat.ME
Simultaneous Estimation and Model Choice for Big Discrete Time-to-Event Data with Additive Predictors
本文将Batchwise Backfitting算法扩展至离散风险模型,解决了高维数据下传统方法计算量大、依赖数据增强的问题,有效实现了大规模复杂生存数据的同步估计与变量选择。
2025-07-10 stat.ME
Isotonic propensity score matching
本文提出一种基于等距回归估计倾向得分的一对多匹配估计量,用于估计平均处理效应,解决现有匹配方法的效率、参数选择、稳健性及自举有效性问题。
2025-01-23 econ.EM stat.ME
Bayesian Modular Inference for Copula Models with Potentially Misspecified Marginals
National University of Singapore(新加坡国立大学);Monash University(蒙纳士大学);University of Melbourne(墨尔本大学)
本文提出一种新的Copula SMI方法,通过贝叶斯优化选择影响参数,实现对边缘分布和Copula函数误指定的鲁棒推断,应用于对称性依赖的权益波动与债券收益率的Copula模型。
2026-09-23 econ.EM math.ST stat.ME
Robust Bayesian Inference for Discrete Outcomes with the Total Variation Distance
University of Warwick(华威大学);The Alan Turing Institute(艾伦·图灵研究所)
如果数据表现出零膨胀、过度分散或污染,离散值结果的模型很容易被错误指定。如果没有关于这种错误指定的存在和性质的额外知识,模型推理和预测会受到不利影响。在这里,我们介绍了一个强大的基于差异的贝叶斯方法,使用全变差距离(TVD)。在这个过程中,我们处理和解决两个挑战:首先,我们研究的收敛性和鲁棒性的计算效率的估计参数模型和数据生成机制之间的TVD。其次,我们提供了一种改编自Lyddon等人(2019)的有效推理方法,该方法对应于直接在数据生成机制上制定无信息的非参数先验。最后,我们通过经验证明,我们的方法是稳健的,并显着提高了一系列模拟和真实世界数据的预测性能。
2020-10-26 cs.LG stat.ME stat.ML
A Recursive Partitioning Approach for Dynamic Discrete Choice Modeling in High Dimensional Settings
本文针对高维动态离散选择模型估计困难的问题,提出一种半参数建模框架和数据驱动的递归划分算法,通过降维离散化状态空间来减少估计偏差并使估计可行,并用蒙特卡洛模拟验证其优于忽略高维变量的标准方法。
2025-04-10 stat.ME stat.ML
Variational inference for large-scale models of discrete choice
离散选择模型通常被应用统计学家用于许多领域,如市场营销,经济学,金融和运筹学。当离散选择模型中的代理被假设为具有不同的偏好时,精确的推断往往是难以处理的。马尔可夫链蒙特卡罗技术使近似推理成为可能,但计算成本是禁止的大型数据集,现在成为常规。变分方法为后验分布的近似提供了一种确定性的替代方法。在离散选择的混合多项logit模型中,我们导出了经验贝叶斯和完全贝叶斯推断的变分方法。该算法只需要我们解决一系列的无约束优化问题,这是凸的。大量的模拟表明,变分方法实现的准确性与马尔可夫链蒙特卡罗竞争,在一小部分的计算成本。因此,变分方法允许对数据集进行推断,否则无法在不对基础模型进行偏差诱导修改的情况下进行分析。
2008-01-15 stat.CO stat.ME stat.ML
Robust discrete choice models with t-distributed kernel errors
离散选择响应数据中的离群值可能是由于响应变量的错误分类和误报以及与建模假设不一致的选择行为(例如随机效用最大化)造成的。在存在离群值的情况下,标准离散选择模型会产生有偏的估计值,并降低预测准确性。稳健统计模型对离群值的敏感性低于标准非稳健模型。本文分析了多项概率(MNP)模型的两个稳健的替代方案。这两个模型是robit模型,其核误差分布是重尾t分布,以缓和离群值的影响。第一个模型是多项robit(MNR)模型,其中一个通用的自由度参数控制核误差分布的重尾性。第二个模型,广义多项robit(Gen-MNR)模型,比MNR更灵活,因为它允许在内核误差分布的每个维度上有明显的重尾性。对于这两个模型,我们推导出吉布斯采样后验推理。在模拟研究中,我们说明了优秀的有限样本性质的贝叶斯估计,并表明,MNR和Gen-MNR产生更准确的估计,如果选择数据包含离群值通过镜头的非鲁棒MNP模型。在运输方式选择行为的案例研究中,MNR和Gen-MNR在样本内拟合和样本外预测准确性方面大幅优于MNP。该案例研究还强调了不同模型之间弹性估计的差异。
2022-12-05 econ.EM stat.ME
A Dirichlet Process Mixture Model of Discrete Choice
我们提出了一个混合多项logit(MNL)模型,它利用截断棒打破过程表示的狄利克雷过程作为一个灵活的非参数混合分布。该模型是一个狄利克雷过程混合模型,并容纳离散表示的异质性,像一个潜在的类MNL模型。然而,与潜在类MNL模型不同,建议的离散选择模型不需要分析师在估计之前固定混合成分的数量,因为离散混合分布的复杂性是从证据中推断出来的。对于离散选择的Dirichlet过程混合模型的后验推理,我们给出了一个期望最大化算法。在模拟研究中,我们证明了所提出的模型框架可以灵活地捕获不同形状的口味参数分布。此外,我们实证验证了模型框架的案例研究中的驾驶员的路线选择偏好,并发现建议的离散选择的Dirichlet过程混合模型优于一个潜在的类MNL模型和混合MNL模型与常见的参数混合分布的样本内拟合和样本外的预测能力。与现有的建模方法相比,建议的离散选择模型大大简化了规格搜索,因为它依赖于较少的限制性参数假设,并不需要分析师指定的离散混合分布的复杂性之前估计。
2018-01-19 econ.EM stat.AP stat.CO
Constructing Bayesian Optimal Designs for Discrete Choice Experiments by Simulated Annealing
本文首次将模拟退火算法应用于离散选择实验的贝叶斯最优设计,通过接受优劣解避免过早收敛,在统计效率上优于坐标交换算法,尤其适用于先验信息高度不确定的场景。
2025-03-31 stat.CO stat.ME
Optimal Design for Probit Choice Models with Dependent Utilities
在本文中,我们推导出局部D-最优设计的离散选择实验的多项式概率模型的基础上。这些模型包括几个离散的解释变量以及一个定量变量。常用的多项logit模型假设不同的选择选项具有独立的效用。因此,用于此类多项logit模型的D最优最优设计可包括选择集,例如,由所有离散属性相同但数量变量不同的备选方案组成。显然,这样的设计不适合许多经验选择实验。它将被证明,局部D-最优设计的多项概率模型假设独立的效用包括违反直觉的选择集以及。然而,局部D-最优设计的多项概率模型,允许相关的效用变成是合理的分析决策,使用离散选择研究。
2020-01-24 math.ST stat.ME stat.TH
Discrete Choice Analysis with Machine Learning Capabilities
Massachusetts Institute of Technology(麻省理工学院)
本文讨论的能力是必不可少的模型应用于政策分析设置和现成的机器学习方法直接应用到这样的设置的局限性。为政策分析建立离散选择模型的传统计量经济学方法涉及将数据与受主题考虑指导的建模假设相结合。这种考虑通常是最有用的,在指定随机效用离散选择模型的系统组件,但通常是有限的帮助,在确定随机组件的形式。我们确定了一个领域,机器学习范例可以利用,即在指定和系统地选择最佳规格的随机组件的效用方程。我们回顾了最近的两个新的应用程序,混合整数优化和交叉验证算法选择最佳规格的随机效用组件的嵌套logit和logit混合模型的可解释性约束。
2021-01-21 cs.LG econ.EM stat.ME
A Kernelization-Based Approach to Nonparametric Binary Choice Models
Department of Economics, University of Melbourne(墨尔本大学经济学系)
本文提出了一种基于核方法的非参数二元选择模型估计器,通过核方法和频谱截断正则化提升计算效率,并在模型失规范情况下提升了有限样本性能。
2026-01-11 econ.EM stat.ME
A method to find an efficient and robust sampling strategy under model uncertainty
我们考虑的问题,决定抽样策略,特别是抽样设计。我们提出了一个风险度量,其最小化的价值指导的选择。该方法利用了超种群模型,并考虑到其参数的不确定性。用一个实际数据集说明了该方法,得到了令人满意的结果。作为一个基线,我们使用的策略,耦合概率比例大小抽样与差异估计,因为它是已知的最佳时,超种群模型是完全已知的。我们表明,即使在模型的适度错误设定下,这种策略也不稳健,并且可以被一些替代方案所超越
2020-07-03 stat.ME stat.OT
Breaking the curse of dimensionality in conditional moment inequalities for discrete choice models
本文研究了半参数离散选择模型中偏好参数的推断问题,当参数不是点可辨识的,且辨识集由一类条件矩不等式刻画时.探索半参数建模的限制,我们发现,所确定的集合可以等价地制定的矩不等式条件下,只有两个连续的索引变量。这样的公式无论协变量维数如何都成立,从而打破了基于基本条件矩不等式的非参数推断的维数灾难。我们进一步将这种降维表征方法应用于单调单指标模型和各种半参数模型,在这些模型下,结果的某个变换的条件期望的符号与指标变量的符号相同。
2018-11-23 math.ST stat.ME stat.TH
Randomization tests for model specification in causal inference under network interference
Indian School of Business(印度商学院)
针对网络干扰下因果推断中暴露映射模型设定偏差问题,提出基于设计的模型设定框架及随机化检验程序,经理论验证与模拟、实地实验证实其有效性与良好功效。
2026-08-26 econ.EM stat.ME
Undersmoothing Causal Estimators with Generative Trees
University of Essex(埃塞克斯大学);Institute for Analytics and Data Science(分析与数据科学研究所);Institute for Social and Economic Research(社会与经济研究所)
针对观测数据中协变量偏移导致的模型误设问题,提出一种基于生成树的新方法,直接解决模型误设以提升下游估计量的鲁棒性,在个体化处理效应估计上显著优于重新加权方法。
2022-03-16 cs.LG stat.ME
Semiparametric discrete data regression with Monte Carlo inference and prediction
离散数据是丰富的,往往出现计数或舍入数据。这些数据通常表现出复杂的分布特征,如零通货膨胀,过度/欠分散,有界性和堆积,使许多参数模型不足。然而,即使是参数回归模型,近似,如MCMC通常需要后验推理。本文介绍了一种贝叶斯建模和算法框架,使半参数回归分析离散数据与蒙特卡罗(不是MCMC)抽样。该方法将非参数边际模型与潜在的线性回归模型配对,以鼓励灵活性和可解释性,即使在模型错误指定的情况下也能提供后验一致性。对于这个模型的参数或大样本近似,我们确定了一类共轭先验与(伪)封闭形式的后验。所有后验分布和预测分布都可以通过分析或直接蒙特卡罗抽样获得。这些工具广泛用于线性回归、通过基展开的非线性模型以及离散数据的变量选择。模拟研究表明,在计算,预测,估计和选择相对于现有的替代品显着的优势。这种新的方法被成功地应用到自我报告的心理健康数据,表现出零通货膨胀,过度分散,有界性和堆积。
2023-02-24 math.ST stat.CO stat.ME
Robust and Efficient Approximate Bayesian Computation: A Minimum Distance Approach
在许多情况下,近似贝叶斯方法的应用受到两个实际特征的阻碍:1)将数据向下投影到低维摘要的要求,包括这种投影的选择,这最终会产生低效的推理; 2)可能缺乏对基础模型结构偏差的鲁棒性。出于这些效率和鲁棒性的问题,我们构建了一个新的贝叶斯方法,可以提供有效的估计时,底层模型是指定的,同时是强大的某些形式的模型误指定。这种新方法通过考虑经验和模拟概率测度之间的范数来绕过摘要的计算。对于特定的选择的规范,我们证明了这种方法可以提供点估计,是使用精确的贝叶斯推断,同时也显示鲁棒性的基础模型假设的偏差所获得的效率。
2020-06-25 econ.EM math.ST stat.ME
Combining Discrete Choice Models and Neural Networks through Embeddings: Formulation, Interpretability and Performance
DTU Technical University of Denmark(丹麦技术大学)
本研究提出了一种新的方法,结合理论和数据驱动的选择模型,使用人工神经网络(ANN)。特别是,我们使用连续向量表示,称为嵌入,用于编码分类或离散解释变量,特别关注可解释性和模型透明度。虽然Pereira(2019)已经概念化了logit框架中的嵌入表示,但它们的维度并没有绝对的确定意义,因此在这项早期工作中提供了有限的行为见解。我们的工作的新颖性在于执行可解释性的嵌入向量正式关联的每个维度的选择。因此,我们的方法带来的好处远远超出了一个简单的吝啬表示改进虚拟编码,因为它提供了行为上有意义的输出,可用于旅游需求分析和政策决策。此外,与先前建议的基于人工神经网络的离散选择模型(DCM)相比,该模型要么牺牲性能的可解释性,要么仅部分可解释,尽管基于人工神经网络原理,但我们的模型保留了所有输入变量的效用系数的可解释性。在两个真实世界的数据集上对所提出的模型进行了测试,并对使用虚拟编码的基准和基线模型进行了评估。实验结果表明,我们的模型提供了最先进的预测性能,优于现有的基于人工神经网络的模型,同时大大减少了所需的网络参数的数量。
2021-09-30 cs.LG econ.EM stat.ME