On the occurrence times of componentwise maxima and bias in likelihood inference for multivariate max-stable distributions
高维多变量极值分布或最大稳定过程的全似然推断在合并最大值的发生时间时是可行的;如果没有此信息，由于似然中的大量项，通常排除$d$维似然推断。然而，一些研究指出，当执行包含此类事件信息的高维推理时，特别是当依赖性较弱时，会出现偏差。我们阐明了这种现象，表明在中等尺寸的无偏推理，尺寸$d$应小于平方根的向量的数量，其中一个采取组件的最大值。本文提出了一种减少偏倚的方法，并在极值逻辑斯谛模型上加以说明。
2015-03-31 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
Bias-reduced estimation of mean absolute deviation around the median
针对中位数回归模型平均绝对偏差参数估计，提出规避通用降偏差估计光滑性缺失问题的方案，借助局部渐近正态性与Bahadur–Kiefer表示证明偏差校正有效性，且模拟显示其适用于高维场景。
2022-10-07 math.ST stat.ME stat.TH
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
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
Median bias reduction in random-effects meta-analysis and meta-regression
在荟萃分析中，随机效应模型常用于综合不同研究的信息。虽然基于似然性的推理在限制属性和实施方面都很有吸引力，但其在随机效应荟萃分析中的应用可能会导致误导性结论，特别是当研究数量较少时。目前的文件显示，如何减少渐近偏差的极大似然估计的方差分量的方法，也可以大大提高推断的平均效应大小。这些结果是针对随机效应荟萃回归的更一般框架得出的，该框架允许平均效应大小随研究特定协变量而变化。
2018-05-23 stat.AP stat.ME
Focused median bias reduction
University of Padova（帕多瓦大学）；University of Warwick（华威大学）
提出一种显式聚焦中位数偏差校正估计方法，基于Cornish-Fisher展开求解方程，实现三阶中位数无偏，计算高效且易于应用。
2026-10-09 math.ST stat.ME stat.TH
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
On the Consistency of the Bias Correction Term of the AIC for the Non-Concave Penalized Likelihood Method
具有$\ell_γ$型惩罚的惩罚似然方法，如Bridge、SCAD和MCP，允许我们估计参数并同时进行变量选择，如果$γ\in (0,1]$。在这种方法中，重要的是选择控制惩罚水平的调整参数，因为当我们任意选择模型时，我们可以选择我们想要的模型。现在，已经开发了几种信息准则来选择调谐参数，而没有这样的任意性。然而，这类信息准则的偏差校正项一般依赖于参数的真实值，因此我们通常插入它的一个相合估计量来计算信息准则。本文给出了非凹惩罚似然方法的AIC偏差校正项的相合估计量，并提出了一个简单的AIC型信息准则.
2016-03-25 stat.ME
New Confidence Intervals and Bias Comparisons Show that Maximum Likelihood Can Beat Multiple Imputation in Small Samples
在分析不完全数据时，使用多重插补（MI）还是全信息极大似然（ML）更好？在大样本情况下，ML显然更好，但在小样本情况下，ML的有用性受到限制，因为ML通常使用正态检验统计量和置信区间，这需要大样本。我们提出了小样本的基于t的ML置信区间，具有良好的覆盖率，并短于基于t的置信区间下MI。我们还表明，ML点估计是更少的偏见和更有效的比MI点估计在小样本的二元正态数据。使用我们新的置信区间，ML应优于MI，即使在小样本中，只要两种选择都可用。
2015-08-20 stat.ME
Enhancements of nonparametric generalized likelihood ratio test: Bias-correction and dimension reduction
非参数广义似然比检验是回归模型检验中常用的方法。然而，有两个问题可能是其强大的障碍。第一，在其limingnull分布中的偏倚项导致检验不能很好地控制第一类错误，因此需要蒙特卡罗近似法来确定临界值。其次，由于使用多元非参数函数估计，它严重遭受维数灾难。因此，本文的目的是双重的：一个偏置校正建议，这个测试和一个降维为基础的模型自适应增强建议，以提高功率性能。该检验仍具有Wilks现象，且检验统计量能以更快的速度收敛到其极限，比原协变量维数为1的非参数广义似然比检验对其他模型更敏感.模拟研究进行评估有限样本的性能，并与其他常用的测试进行比较。最后以一个实际数据进行了分析。
2015-07-22 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
A New One Parameter Unit Distribution: Median Based Unit Rayleigh (MBUR): Parametric Quantile Regression Model
本文提出了一种名为MBUR的单参数单位瑞利新分布，构建了参数化分位数回归模型，通过重新参数化的极大似然函数进行参数估计，并结合真实数据集验证了推断与拟合优度。
2025-10-11 math.PR stat.ME
Conjugate priors and bias reduction for logistic regression models
统计实践中通常使用二项响应的逻辑斯谛回归模型。然而，由于数据可分性，最大似然估计可能不存在。我们解决这个问题，通过考虑共轭先验惩罚，总是产生有限的估计。这样的规范有一个明确的贝叶斯解释，并享有几个不变性属性，使其成为一个有吸引力的优先选择。我们表明，所提出的方法导致Firth（1993）的减少偏差的方法的准确近似，从而导致具有比最大似然更小的渐近偏差的估计量，并且其存在性总是有保证的。此外，所考虑的惩罚似然可以表示为真实似然，其中原始数据被伪计数的集合替换。因此，我们的方法可以利用完善的和可扩展的算法用于逻辑斯谛回归。我们比较我们的估计与其他减少偏差的方法，大大提高了计算性能，并取得了吸引人的推理结果。
2022-02-17 stat.ME
Reducing bias and variance in quantile estimates with an exponential model
百分位数和更一般地，分位数通常用于各种上下文中以总结数据。对于大多数分布，只有一个分位数是无偏的。对于像高斯分布这样具有相同均值和中位数的分布，这就成为中位数。有不同的方法来估计分位数从文献中描述的有限样本和统计软件包中实现。可以利用指数分布的无记忆特性，设计无偏的、具有低方差和均方误差的高质量估计量。自然，当底层分布是指数分布时，这些估计量的性能优于统计包中的估计量。但是，当这个假设被违反时，它们也碰巧泛化得很好。
2022-01-09 stat.ME
A Short Note of Comparison between Convex and Non-convex Penalized Likelihood
本文比较了高维统计中凸与非凸惩罚似然方法，凸惩罚高效但引入偏差，非凸惩罚减少偏差但优化难，选择取决于问题背景。
2025-02-24 stat.ME
A penalized likelihood approach for robust estimation of isoform expression
超高通量转录组测序（RNA-Seq）使得能够在个体亚型水平上准确估计基因表达。然而，在测序和作图过程中引入的系统性偏差以及转录本注释数据库的不完整性可能导致异构体丰度的估计不可靠，并且在某些情况下高度不准确。本文介绍了一种惩罚似然方法来检测和纠正这种偏见，在一个强大的方式。我们的模型扩展了以前提出的通过引入偏差参数读取。一个L1惩罚用于选择非零偏置参数。我们介绍了一个有效的算法模型拟合和分析所提出的模型的统计特性。我们在模拟和真实数据集上的实验研究表明，该模型有潜力提高异构体特异性基因表达估计和识别不完全注释的基因模型。
2013-10-01 stat.ME
Sensitivity analysis for publication bias in meta-analysis of sparse data based on exact likelihood
本文针对稀疏数据荟萃分析中的发表偏倚问题，将基于Copas t统计量选择函数的似然敏感性分析扩展到广义线性混合效应模型，并通过真实数据和模拟研究证明其优于传统正态-正态模型方法。
2024-06-07 stat.ME
Robust Mean Estimation with the Bayesian Median of Means
样本均值通常用于聚合参数的不同无偏估计，产生无偏但可能高方差的最终估计。本文介绍了均值的贝叶斯中位数，这是一种在样本均值和中位数之间进行粗略插值的聚集规则，从而以偏倚为代价获得方差小得多的估计值。虽然该过程是非参数的，但其平方偏差相对于方差是渐近可忽略的，类似于最大似然估计。贝叶斯中位数的平均值是一致的，估计的偏差和$L_1$错误的浓度范围，以及一个快速的非随机近似算法。精确和近似程序的性能匹配的样本均值在低方差设置，并表现出更好的结果在高方差的情况下。在真实和模拟数据中，以及在重要性抽样、交叉验证和装袋等应用中，检验了经验性能。
2019-06-04 math.ST stat.ME stat.TH
Bias-Corrected and Variance-Corrected MLE for the New Median Based Unit Weibull Distribution (MBUW)
针对小到中等样本量下新中位数单位威布尔分布（MBUW）的极大似然估计（MLE）存在偏差及参数高相关性导致方差膨胀的问题，提出偏差校正方法并应用于实际数据分析，同时阐述基于负对数似然重参数化的方差校正方法。
2025-02-14 math.PR stat.ME
Rectangular Hull Confidence Regions for Multivariate Parameters
本文提出直线、Tukey和象限三种多元中位数偏差，证明零象限中位数偏差估计量构造矩形包络置信域需 B≥c log_2(d/α)，并给出非平凡渐近有效置信域存在的充要条件。
2023-12-05 math.ST stat.ME stat.TH
Novel closed-form point estimators for a weighted exponential family derived from likelihood equations
本文提出加权指数族的闭式点估计，并用自助法降低偏差，蒙特卡罗模拟验证其有效性。
2024-05-25 stat.ME
A Two-step Estimating Approach for Heavy-tailed AR Models with Non-zero Median GARCH-type Noises
School of Statistics, The Southwestern University of Finance and Economics（西南财经大学统计学院）；Department of Mathematics, The Hong Kong University of Science and Technology（香港科技大学数学系）
针对具有非零中位数GARCH型噪声的重尾AR模型，提出两步估计方法：先建立自加权分位数回归估计量（SQE），再基于SQE估计τ₀并反馈优化AR参数估计，所提方法无需噪声先验信息且估计量具有良好渐近性质。
2025-11-18 stat.ME
Closed-form estimators for an exponential family derived from likelihood equations
University of Brasília（巴西利亚大学）
本文从似然方程推导指数族分布的闭式估计量，并给出其Bootstrap偏差缩减版本，通过蒙特卡洛模拟验证了有效性。
2026-06-23 stat.ME
Bias-correction of the maximum likelihood estimator for the $α$-Brownian bridge
$α$ -布朗桥（英语：Brownian bridge）或称缩放布朗桥（scaled Brownian bridge），是布朗桥的一种推广，它的缩放参数决定了将过程拉回到0的力有多强。推导了参数$α$的极大似然估计的偏差，并提出了一种偏差修正方法，大大改善了估计量。在一个模拟研究中，估计的偏差校正估计和四个贝叶斯估计的基础上，无信息的先验的性能进行了评估。
2014-04-17 math.ST stat.ME stat.TH
Maximum pseudo-likelihood estimation in copula models for small weakly dependent samples
最大伪似然（MPL）是一种半参数估计方法，常用于从数据中获得Copula模型中的相依参数。它已被证明，尽管是一致的，在某些情况下有效的，MPL估计可能高估的依赖程度，特别是对于小的弱相关样本。我们表明，MPL方法使用的期望值的顺序统计量，我们建议使用相同的顺序统计量的中位数或模式。在一个模拟研究中，我们比较了有限样本性能的估计与原来的MPL和反演方法估计的基础上肯德尔的τ和斯皮尔曼的ρ。结果表明，改进的MPL估计，尤其是基于顺序统计量的MPL估计，在保持原MPL方法大样本性质的同时，具有更好的有限样本性能.
2022-09-06 stat.ME
Improved maximum likelihood estimators in a heteroskedastic errors-in-variables model
本文发展了一个多元异方差变量误差模型的偏差校正方案。该模型的适用性是合理的，在天体物理学，流行病学和分析化学，其中变量受到测量误差和方差随观测而变化的领域。我们进行了蒙特卡罗模拟，以调查的性能的校正估计。数值结果表明，偏差校正方案产生接近无偏估计。我们也给出了一个实际数据集的应用。
2015-08-26 stat.ME
Penalized likelihood inference for beta-binomial meta-analysis of proportions of rare events
The Graduate Institute for Advanced Studies, The Graduate University for Advanced Studies（高级研究研究生院，高级研究院）；Department of Interdisciplinary Statistical Mathematics, The Institute of Statistical Mathematics（统计数学系，统计数学研究所）
针对罕见事件比例元分析中常用最大似然估计器存在有限样本偏差的问题，提出最大惩罚似然估计器，通过最大化Jeffreys先验惩罚增强的对数似然得到，模拟显示其在多方面优于普通MLE，还引入新置信区间，为相关元分析提供有用替代方法。
2026-07-30 stat.ME
Accounting for selection biases in population analyses: equivalence of the in-likelihood and post-processing approaches
本文证明群体研究中直接将选择效应纳入似然与先推断观测分布再事后消除选择效应两种方法在适当假设下等价，并澄清后一种方法不会产生所谓的潜在偏差。
2024-05-10 astro-ph.IM gr-qc stat.ME
Testing Normality of Data Transformed by Maximum Likelihood Box Cox
本研究扩展了Box-Cox变换后正态性检验的偏差分析，涵盖Shapiro-Wilk统计量和双参数变换，并提出重新校准方法以纠正偏差，应用于生物标志物参考范围和环境标准设定。
2024-09-19 stat.ME
Experiment-selector cross-validated targeted maximum likelihood estimator for hybrid RCT-external data studies
Novo Nordisk（诺和诺德）；Division of Endocrinology, Department of Medicine, University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校医学院内分泌科）；Department of Biostatistics, University of California, Berkeley（加州大学伯克利分校生物统计系）；Biostatistics Research Branch, National Institute of Allergy and Infectious Diseases（国家过敏和传染病研究所生物统计研究分支）
ES-CVTMLE通过交叉验证目标最大似然估计器优化混合RCT-外部数据研究的偏倚-方差权衡，提升统计效力并提供稳健推断。
2026-01-11 stat.ME
On a length-biased Birnbaum-Saunders regression model applied to meteorological data
长度偏置的Birnbaum-Saunders分布在环境科学中是有用的和实用的。本文首先给出了长度有偏Birnbaum-Saunders分布的一些新性质，证明了它的参数之一是众数，并且它是双峰分布。然后，我们介绍了一个新的回归模型的基础上，这种分布。我们实现了用极大似然法进行参数估计，逼近区间估计，并考虑了三种类型的残差。详细的蒙特卡罗研究进行了评估的性能的似然为基础的估计，置信区间和经验分布的残差。最后，我们用一个真实的气象数据集说明了所提出的回归模型。
2020-12-27 stat.ME
The De-Biased Whittle Likelihood
Whittle似然是一种广泛使用且计算效率高的伪似然。然而，它是已知的产生偏置参数估计的大类模型。提出了一种二阶平稳随机过程去偏Whittle估计的方法。可以在与标准方法相同的$\mathcal{O}(n\log n)$操作中计算去偏置Whittle似然。我们证明了优越的性能的方法在模拟研究和应用程序的大规模海洋数据集，在这两种情况下，去偏的方法减少偏差高达两个数量级，实现估计接近精确的极大似然，在一小部分的计算成本。我们证明，该方法产生的估计是一致的最佳收敛速度$n^{-1/2}$，在较弱的假设下，比标准理论，我们不要求功率谱密度是连续的频率。我们描述了该方法如何可以很容易地结合标准的偏差减少方法，如锥形和差分，以进一步减少参数估计的偏差。
2018-09-12 math.ST stat.CO stat.ME
An empirical likelihood approach to reduce selection bias in voluntary samples
本文提出一种经验似然加权方法，在不可忽略选择模型下通过偏差校准和基准约束降低自愿样本选择偏差，并开发线性化方差估计，模拟验证其性能。
2023-05-11 math.ST stat.ME stat.TH
Likelihood test in permutations with bias. Premier League and La Liga: surprises during the last 25 seasons
本文引入了带偏置的置换模型，即一个集合的随机置换，它被某些偏好值偏置。我们提出了一种新的参数检验，以及一种有效的方法来计算其p值。英格兰和西班牙主要足球联赛的决赛桌根据这一新程序进行测试，以发现这些结果是否与预期一致。
2017-08-01 math.ST stat.AP stat.ME
Alternative Likelihood Approximations for High-Dimensional Intervals for Lasso
针对lasso推断中置信区间与点估计脱节的问题，提出基于不同似然近似的替代构造，生成以lasso估计为中心且实现平均覆盖的有偏区间，为高维回归提供实用框架。
2025-09-18 stat.ME
On the stochastic restricted Liu-type maximum likelihood estimator in logistic regression
为了克服多重共线性，当线性约束是随机的时，我们通过将Liu型极大似然估计（Inan and Erdo- GAN，2013）结合到逻辑斯谛回归模型中，提出了随机约束Liu型最大似然估计。我们还讨论了新的估计量的性质。此外，我们还给出了新估计量中偏置参数的选择方法。最后，仿真研究显示了新的估计器的性能。
2017-10-06 stat.ME
Profile likelihood ratio tests for parameter inferences in generalized single-index models
提出了一种用于广义单指标模型中指标系数推断的剖面似然比检验。其主要特点包括其简单的实施，对参数化的不变性，并表现出大大低于标准的Wald测试在有限样本设置的偏见。此外，R例程进行的轮廓似然比检验被证明是超过两个数量级的速度比最近提出的广义似然比检验的基础上核回归。各种模拟和数据分析的例子证明了该方法的优点。
2017-06-26 stat.ME
Targeted Maximum Likelihood Estimation using Exponential Families
目标极大似然估计（TMLE）是半参数和非参数模型参数估计的一种常用方法。TMLE的每次迭代涉及拟合以感兴趣的参数为目标的参数子模型。我们研究使用指数族来定义参数子模型。TMLE的这种实现给出了一种估计非参数模型中任何光滑参数的一般方法。该方法的计算优点在于TMLE的每次迭代涉及指数族中的参数的估计，这是凸优化问题，对于该凸优化问题存在实现可靠且计算高效的方法的软件。我们说明了三个估计问题的方法，涉及的结果随机缺失的平均值，中位数回归模型的参数，和连续曝光的因果关系，分别。我们进行了一个模拟研究，比较不同的选择参数子模型，集中在这些问题的第一个。据我们所知，这是第一次研究调查的鲁棒性TMLE不同规格的参数子模型。我们发现，子模型的选择可以有一个重要的影响有限样本中的估计的行为。
2014-06-02 stat.ME
A likelihood based sensitivity analysis for publication bias on summary ROC in meta-analysis of diagnostic test accuracy
在诊断测试准确性的荟萃分析中，总结受试者工作特征（SROC）是一种推荐的方法，用于总结诊断测试在研究特定截止值存在下的判别能力，SROC下的面积（SAUC）给出了测试准确性的总体测量。SROC或SAUC可以通过对主要诊断研究的敏感性和特异性对进行双变量建模来估计。然而，发表偏倚是荟萃分析中估计有效性的主要威胁。为了解决这个问题，我们建议采用敏感性分析来客观推断发表偏倚对SROC或SAUC的影响。我们扩展Copas似然的敏感性分析的二元正态模型用于荟萃分析的诊断测试的准确性，以评估多少SROC或SAUC将改变不同的选择概率下，几个选择性的出版机制依赖于敏感性和/或特异性。选择概率通过对logit转换的灵敏度和特异性线性组合的$t$型统计量的选择函数建模，允许每项研究的选择性发表受到灵敏度、特异性或诊断比值比的截断依赖性$p$值的影响。通过将选择函数嵌入到二元正态模型中，提出了条件似然，并通过最大化条件似然来估计偏差校正的SROC或SAUC。我们通过重新分析血管内器械相关感染检测准确性的荟萃分析来说明所提出的敏感性分析。仿真研究进行了调查所提出的方法的性能。
2022-03-11 stat.ME stat.OT
Quasi-Maximum Likelihood Estimation for a Genuinely Unbalanced Dynamic Network Panel Data Model
Xiamen University（厦门大学）
本文提出了一种用于真实不平衡动态网络面板数据模型的准最大似然估计方法，并通过蒙特卡罗实验验证了其在有限样本下的性能。
2026-11-09 stat.AP stat.ME
Asymptotic theory and first-order bias of the Wallace--Freeman estimator
Monash University（莫纳什大学）
本文研究Wallace-Freeman估计量的渐近性质，将其作为加权M估计量进行分析，推导其一致性、渐近线性及正态性，并提出基于惩罚项梯度的偏差校正方法，扩展了Cox-Snell公式至该估计量。
2026-07-07 math.ST stat.ME stat.TH
Bias Correction and Modified Profile Likelihood under the Wishart Complex Distribution
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Universidade Federal de Alagoas（阿拉戈斯联邦大学）
本文提出了等价视数$L$的最大似然估计的改进方法。该参数在极化合成孔径雷达（PolSAR）图像的背景下有意义的解释。由于在其处理中存在相干照明，PolSAR系统生成的图像呈现称为散斑的颗粒噪声。作为减少这种干扰的潜在解决方案，参数$L$控制信噪比。因此，已经寻求用于$L$的有效估计方法的建议。为此，我们首先考虑，极化SAR图像很好地描述了缩放复Wishart分布。近年来，Anfinsen等人推导和分析了基于ML和迹统计矩的估计方法，用于获得这种概率定律的未标度版本的参数$L$。本文概括了这种方法。我们给出了Cox和Snell为该参数的ML估计量提出的二阶偏差表达式。讨论了Barndorff-Nielsen用$L$修正的轮廓似然公式。此类推导产生了参数$L$的两个新ML估计量，并将其与Anfinsen等人提出的估计量进行了比较。通过蒙特卡罗实验评估了这些估计量的性能，采用三种统计指标作为比较标准：均方误差、偏差和变异系数。等效的模拟研究，实际极化SAR数据的应用程序得出结论，建议的估计优于所有其他均匀的情况下。
2014-04-18 cs.CV stat.ME
Bias Reduction as a Remedy to the Consequences of Infinite Estimates in Poisson and Tobit Regression
数据分离是一种得到充分研究的现象，它可能会导致二进制响应模型的估计和推断出现问题。完全或准完全分离发生在模型中有回归变量的组合，其值可以完美地预测一个或两个结果。在这种情况下，并且仅在这种情况下，最大似然估计和相应的标准误是无穷大的。人们不太清楚的是，在进一步的微观计量经济学模型中也会发生同样的情况。Santos Silva和Tenreyro（2010）是该领域为数不多的工作之一，他们指出泊松回归中最大似然估计的有限性取决于数据配置，并提出了一种检测和克服数据分离后果的策略。然而，当回归变量相关时，他们的方法可能会导致参数估计值的显著偏差。我们说明了如何减少偏差调整的极大似然评分方程可以克服的后果分离泊松和Tobit回归模型。
2021-01-18 stat.CO stat.ME
Robust Gaussian Process Regression with a Bias Model
Florida State University（佛罗里达州立大学）；University of Dayton Research Institute（代顿大学研究院）；Air Force Research Laboratory（空军研究实验室）；Luna Innovations Incorporated（露娜创新公司）
本文提出了一种新的稳健高斯过程（GP）回归方法。大多数现有的方法取代离群倾向高斯似然与非高斯似然诱导的重尾分布，如拉普拉斯分布和学生t分布。然而，使用非高斯似然将导致需要在后验推断中进行计算上昂贵的贝叶斯近似计算。所提出的方法将离群值建模为未知回归函数的噪声和有偏观测，因此，可能性包含偏差项以解释与回归函数的偏差程度。我们需要如何准确地估计偏差与其他超参数的正则化最大似然估计。在有偏估计的条件下，稳健GP回归可以简化为具有预测均值和方差估计的分析形式的标准GP回归问题。因此，所提出的方法是简单的，非常有吸引力的计算。它还为许多测试场景提供了非常稳健和准确的GP估计。对于数值评估，我们进行了全面的模拟研究，以评估所提出的方法与现有的强大的GP方法在不同的离群值比例和不同的噪声水平的各种模拟场景下的比较。该方法适用于从两个测量系统，其中的预测是基于强大的环境参数测量和响应变量利用更复杂的化学传感方法，包含一定比例的离群值的数据。通过计算效率高的GP回归和偏差模型，提高了测量系统的实用性和环境数据的价值。
2020-01-14 cs.LG stat.ME stat.ML
Jeffreys-prior penalty for high-dimensional logistic regression: A conjecture about aggregate bias
针对高维 logistic 回归中参数随样本增长时的偏差问题，论文通过大规模仿真验证最大 Jeffreys 先验惩罚似然估计量的简单重缩放，可在含截距时降低聚合偏差并改善信号恢复。
2024-09-06 math.ST stat.ME stat.TH
A Direct Variance Estimation (DiVE) for Meta-Analysis of Median Differences
Tokyo Medical University（东京医科大学）；Kyoto University Graduate School of Medicine（京都大学大学院医学研究科）；Keio University（庆应义塾大学）
提出直接方差估计（DiVE）方法，仅利用研究中位数差异和样本量直接估计合并差异的方差，无需离散度统计量，在小样本研究中表现优于传统两阶段方法，并能纳入缺乏离散度统计量的研究。
2026-09-30 stat.AP 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
Overcoming Selection Bias in Statistical Studies With Amortized Bayesian Inference
University of Bonn（波恩大学）；Institut Pasteur（巴斯德研究所）；University of Freiburg（弗赖堡大学）；LMU University Hospital（慕尼黑大学附属医院）；German Center for Infection Research（德国感染研究中心）；Fraunhofer Institute ITMP（弗劳恩霍夫ITMP研究所）；Max von Pettenkofer Institute（马克斯·冯·佩滕科弗研究所）；LMU Munich（慕尼黑大学）；German Research Center for Environmental Health（德国环境健康研究中心）；Institut Necker-Enfants Malades（内克-儿童疾病研究所）
本文提出一种基于模拟的贝叶斯推断框架，通过将选择机制嵌入生成模拟器，实现无须可 tractable 似然的去偏推断，适用于复杂模型和高维数据。
2026-04-20 cs.LG stat.ME stat.ML
Restricted maximum likelihood estimation in generalized linear mixed models
本文综述广义线性混合模型中四类REML估计扩展，通过二值与计数数据实验表明它们均能有效降低方差分量的有限样本偏差且表现相近。
2025-05-14 math.ST stat.ME stat.TH
Jeffreys-prior penalty, finiteness and shrinkage in binomial-response generalized linear models
惩罚的可能性杰弗里斯不变的前，或由一个积极的权力，产生有限值的最大惩罚似然估计在广泛的一类二项式广义线性模型。这类模型包括逻辑斯谛回归，其中Jeffreys先验惩罚是已知的，以减少最大似然估计的渐近偏差;以及其他常用的链接函数，如概率单位和对数对数的模型。收缩等概率跨观察，相对于最大似然估计，理论上建立，并通过说明性的例子进行了研究。有限性和收缩推理的一些影响进行了讨论，特别是当推理是基于Wald型程序。一个广泛适用的程序开发的最大惩罚似然估计的计算，通过使用重复的最大似然拟合迭代调整二项式响应和总数。这些理论结果和方法支持了减少偏差和类似惩罚的二项回归模型在许多应用领域中的日益广泛的使用。
2020-03-23 math.ST stat.ME stat.TH
Bias and Identifiability in the Bounded Confidence Model
CENTAI；Sapienza University（Sapienza大学）；Euler Institute（Euler研究所）
本文研究有界置信模型（BCM）两个关键参数的最大似然估计性质，发现置信界估计量有小样本偏差但一致，收敛速率估计量有持续偏差，且联合估计存在参数空间特定区域的可识别性问题，为意见动力学及基于智能体的模型参数校准提供了分析思路与形式化依据。
2025-06-13 cs.CY cs.LG physics.soc-ph
Bayesian model comparison with un-normalised likelihoods
在计算机科学、统计物理学、空间统计学和网络分析中广泛使用的模型，其似然函数只能被评估到一个依赖于参数的未知归一化常数，如马尔可夫随机场模型。然而，由于这些模型的似然函数的复杂性，使用标准蒙特卡罗方法对这些模型进行贝叶斯分析是不可能的。最近开发了几种允许精确或接近精确的后验分布模拟的方法。然而，估计这些模型的证据和贝叶斯因子（BF）仍然具有挑战性。本文介绍了新的随机权重重要性抽样和序贯蒙特卡罗方法估计BF使用模拟，以规避评价的棘手的可能性，并比较它们与现有的方法。在某些情况下，我们观察到使用有偏权重估计的优势。这类方法的理论和经验性质的初步调查。使用有偏估计的一些支持，但我们主张谨慎使用这种估计。
2016-01-20 physics.data-an stat.CO stat.ME
Bias-Reduced Estimation of Finite Mixtures: An Application to Latent Group Structures in Panel Data
本文提出了一种减少有限混合估计偏差的方法，通过分类混合似然函数和一致分类器，提高了估计精度，并在实证应用中降低了预测误差。
2026-02-03 cs.LG econ.EM stat.CO
