Bayesian Varying-Effects Vector Autoregressive Models for Inference of Brain Connectivity Networks and Covariate Effects in Pediatric Traumatic Brain Injury
提出贝叶斯变效应向量自回归模型，利用高斯过程混合先验和变分推断，同时估计组特异性脑网络并识别年龄、性别等协变量效应。
2024-05-01 stat.ME
A unified view on Bayesian varying coefficient models
变系数模型在协变量的影响可能取决于其他协变量（如时间或位置）的应用中很有用。这些模型的各种应用通常会产生用于描述系数变化程度的参数的特定情况的先验分布。在这项工作中，我们介绍了一个统一的观点，变系数模型，主张指定这些先验分布，在各种应用程序是一致的，避免过拟合，并有一个连贯的解释的方式。我们这样做，考虑不同的系数模型作为一个灵活的扩展自然简单的模型，并利用最近提出的惩罚复杂性（PC）先验的框架。我们说明了我们的方法在两个空间的例子，不同的系数模型是相关的。
2019-12-04 stat.ME
Joint Variable Selection of both Fixed and Random Effects for Gaussian Process-based Spatially Varying Coefficient Models
空间变系数（SVC）模型是一种空间数据的回归模型，其中协变量效应随空间而变化。如果有多个协变量，一个自然的问题是哪些协变量具有空间变化效应，哪些没有。针对基于高斯过程的SVC模型，提出了一种新的变量选择方法.它依赖于惩罚极大似然估计（PMLE），并允许变量选择相对于固定效应和高斯过程随机效应。我们验证了我们的方法在模拟研究以及现实世界的数据集。我们的新方法在模拟研究中表现出良好的选择性能。在实际数据应用中，我们提出的PMLE产生稀疏SVC模型，并实现了一个更小的信息标准比经典的MLE。在应用于实际数据的交叉验证中，我们表明，稀疏PML估计SVC模型与ML估计SVC模型在预测性能方面不相上下。
2021-02-11 stat.ME
Further Exploration of the Effects of Time-varying Covariate in Growth Mixture Models with Nonlinear Trajectories
本研究探讨了时间变化协变量对生长混合模型中非线性轨迹异质性的影响，提出分解协变量为特质和状态特征的方法，并通过模拟和实际数据验证了模型的有效性。
2025-11-30 stat.ME
Measuring Effects of Medication Adherence on Time-Varying Health Outcomes using Bayesian Dynamic Linear Models
药物治疗的最重要障碍之一是患者不遵守规定的药物治疗方案。依从性差对所产生的健康措施的影响程度往往是未知的，典型的分析忽略了依从性随时间变化的性质。本文开发了一个建模框架，纵向记录的健康措施建模为随时间变化的药物依从性或其他随时间变化的协变量的函数。我们的框架，它依赖于正常的贝叶斯动态线性模型（DLMs），占随时间变化的协变量，如坚持和非动态协变量，如基线健康特征。鉴于低效率使用标准的推理程序DLMs与不频繁和不规则记录的响应数据，我们开发了一种方法，依赖于因素后验密度成两个术语的产品;非动态参数的边际后验密度，和非动态参数条件下的动态参数的多元正常后验密度。这种因式分解导致两阶段的推理过程，其中非动态参数可以从时变参数中单独推断出来。我们证明了该模型的应用，降压药物对血压水平的随时间变化的影响，从一个队列的高血压患者诊断。我们的模型结果进行了比较，其中遵守通过非动态摘要。
2018-11-30 stat.AP stat.ME
Bayesian Analysis of Rank Data with Covariates and Heterogeneous Rankers
经常会遇到排名列表形式的数据，并且组合来自不同来源的排名结果可以潜在地生成更好的排名列表并帮助理解排名者的行为。这里感兴趣的是以下设置下的排名数据：（i）可用于排名实体的协变量信息;（ii）不同质量或具有不同意见的排名者;以及（iii）非重叠子组的不完整排名列表。我们回顾了过去几十年来研究人员围绕Thurstone模型家族构建的一些关键思想，并提供了一种统一的方法，用于协变量的贝叶斯秩数据分析（BARC）及其扩展，用于处理异质秩。在贝叶斯框架下，我们可以研究排名者的不同质量，聚类排名者的异质性意见，并测量相应的不确定性。为了使一个有效的贝叶斯推断，我们提倡一个参数扩展的吉布斯抽样从目标后验分布。后验样本还产生贝叶斯聚合排名列表，其中可信区间量化其不确定性。我们调查和比较所提出的方法和其他秩聚合方法在模拟研究和两个真实数据的例子中的性能。
2020-07-17 stat.ME
On Asymptotic Outlier Rejection in Bayesian Mixed Poisson Regression Models Under Extreme Target and Covariate Values
University of Helsinki（赫尔辛基大学）
研究混合泊松回归模型在协变量或目标值异常时的稳健性，发现模型对目标异常稳健但对协变量异常不稳健，需开发新方法。
2026-09-23 stat.ME
Bayesian Nonparametric Modeling for Multivariate Conditional Copula Regression with Varying Coefficients
Yonsei University（延世大学）
本文提出一种贝叶斯非参数框架，用于具有变系数的多元条件Copula回归，结合自适应样条边际回归与无限混合高斯Copula，通过Probit stick-breaking过程使权重随协变量变化，提供灵活的协变量依赖建模，避免显式全局约束。
2026-04-14 stat.ME
General Bayesian time-varying parameter VARs for predicting government bond yields
时变参数（TVP）回归通常假设系数的时变由一个简单的随机过程（如随机游走）决定。虽然这些模型能够捕捉到广泛的动态模式，但时间变化的真实性质可能来自其他来源，或来自不同的运动定律。在本文中，我们提出了一个灵活的TVP VAR，假设TVP依赖于一个面板的部分潜在的协变量。这些协变量的潜在部分在它们的状态动力学中不同，因此捕获平滑演变或突然变化的系数。为了确定这些协变量中哪些是重要的，从而决定适当的状态演化，我们引入贝叶斯收缩先验来进行模型选择。作为一个实证应用，我们预测美国的利率期限结构，并表明我们的方法表现良好，相对于一组竞争模型。然后，我们将展示如何使用该模型来解释与美国收益率曲线相关的系数中的结构性突变。
2021-02-26 econ.EM stat.AP stat.CO
A Bayesian Functional Accelerated Failure-Time Model with Varying Effects Correcting for Measurement Error
提出贝叶斯函数加速失效时间模型，通过高斯过程单指标结构建模功能系数随时间和标量协变量的变化，并利用工具变量处理功能协变量的测量误差，以分析可穿戴设备数据中步数活动与缺血性卒中死亡时间的关系。
2026-06-16 stat.ME
Sparse high-dimensional varying coefficient model: non-asymptotic minimax study
本文的目的是建立非渐近条件下变系数模型的极大极小理论。我们考虑了一个高维稀疏变系数模型，其中只有少数协变量存在，只有一些这些协变量是不定常的。我们的分析允许的不定常协变量有不同程度的平滑度，并在空间上是不均匀的。我们开发的极小极大下界的二次风险，并构建一个自适应估计，达到这些下界内的一个常数（如果所有的时间依赖的协变量是空间齐次）或对数因子的观察。
2014-05-15 math.ST stat.TH
Statistical inference for semiparametric varying-coefficient partially linear models with error-prone linear covariates
研究了当某些线性协变量不可观测，但辅助变量可用时的半参数变系数部分线性模型。在对易出错的协变量进行校正后，提出了参数和非参数分量的半参数轮廓最小二乘估计方法。建立了估计量的渐近性质。我们还提出了基于剖面最小二乘的比率检验和Wald检验来识别显著的参数和非参数成分。为了提高小样本或中等样本量的建议测试的准确性，野生自助版本也提出了计算的临界值。密集的仿真实验进行说明所提出的方法。
2009-03-03 math.ST stat.TH
Bayesian subcohort selection for longitudinal covariate measurements in follow-up studies
针对随访研究中资金受限下的纵向协变量测量规划，提出利用既往数据的贝叶斯最优子队列序贯选择准则，并在模拟与真实数据中验证其相较随机抽样可提高生存模型协变量效应估计精度。
2016-09-06 stat.ME
High-Dimensional Varying Coefficient Models with Functional Random Effects
我们考虑一个稀疏的高维变系数随机效应模型，一个灵活的线性模型，允许协变量和系数有一个函数相关与时间。对于每个个体，我们观察离散采样的响应和协变量作为时间的函数以及时不变协变量。根据采样时间是固定的和共同的或随机的和独立的个人之间，我们提出了一个投影过程的经验估计的所有变化的系数。我们扩展此估计构造置信带的固定数量的变化系数。
2021-10-13 math.ST stat.TH
Time-varying Coefficients Estimation in Differential Equation Models with Noisy Time-varying Covariates
研究了常微分方程中时变系数的估计问题。当前理论仅适用于相关状态变量被观测而没有测量误差的情况，如\cite{chenwu08b,chenwu08}中所示。困难来自于需要处理的观测的二次泛函，而不是当状态变量不包含测量误差时出现的线性泛函。我们使用二次回归泛函理论推导出先前提出的两步估计的渐近偏差和方差。
2009-10-06 math.ST stat.ME stat.TH
Inference for covariate adjusted regression via varying coefficient models
我们考虑协变量调整回归（CAR），这是一种回归方法，适用于预测因子和响应被乘法因子扭曲后观察到的情况。失真因子是可观测协变量的未知函数，其中一个特定的失真函数与每个预测因子或响应相关联。响应和预测因子对同一混杂协变量的依赖性可能会改变未失真但未观察到的预测因子与响应之间的潜在回归关系。我们考虑一类高度灵活的调整方法的参数估计的基础回归模型，这是感兴趣的模型。通过与变系数模型建立联系，得到了估计的渐近正态性。这些分布的结果结合建议的相合估计的渐近方差用于建设的回归系数的渐近置信区间。所提出的方法与血清肌酐的数据说明，并通过模拟研究所提出的程序的有限样本特性进行了研究。
2006-07-01 math.ST stat.TH
Asymptotic theory for the Cox model with missing time-dependent covariate
通常通过Cox模型评价不定常协变量与生存时间之间的关系。不定常协变量通常作为研究过程中定期收集的纵向数据提供。然而，一个常见的问题是缺少协变量数据的发生。在这种情况下，最近的Cox模型估计方法联合建模生存和纵向协变量。然而，这种方法的理论依据仍然缺乏。本文证明了联合模型中极大似然估计的存在性和相合性。估计量的渐近分布以及渐近方差的一致估计。
2006-07-03 math.ST stat.TH
Regression analysis of mixed sparse synchronous and asynchronous longitudinal covariates with varying-coefficient models
本文针对混合同步与异步纵向协变量提出三种变系数模型估计与推断方法，并构造同时置信带，通过模拟和ADNI数据验证了方法的有效性。
2023-05-28 math.ST stat.ME stat.TH
Uniform Asymptotic Theory for Local Likelihood Estimation of Covariate-Dependent Copula Parameters
University of South Alabama（南阿拉巴马大学）
本文提出了一种统一渐近理论，用于协变量依赖Copula模型中Copula参数的局部最大似然估计，通过局部多项式近似和经验过程技术，建立了参数估计的统一收敛性和一致性。
2026-01-04 math.ST stat.TH
Asymptotic Properties of Multi-Treatment Covariate Adaptive Randomization Procedures for Balancing Observed and Unobserved Covariates
Zhejiang Gongshang University（浙江工商大学）
本文提出了一种通用框架，用于多治疗组临床试验中的协变量自适应随机化程序，以平衡观测和未观测协变量，并证明其在不同协变量类型下的渐近性质。
2026-02-15 math.ST stat.TH
Asymptotic theory in network models with covariates and a growing number of node parameters
我们提出了一个通用的模型，共同表征度的异质性和同质性加权，无向网络。提出了一种利用节点度和同伦统计量的矩估计方法。我们建立了我们的估计使用新的分析的一致性和渐近正态性。我们将我们的一般框架应用到三个应用中，包括指数族和非指数族模型。综合的数值研究和数据的例子也证明了我们的方法的实用性。
2022-07-20 math.ST stat.TH
Asymptotic properties of bridge estimators in sparse high-dimensional regression models
研究了高维稀疏线性回归模型中协变量个数随样本量增加到无穷大时桥估计的渐近性质。我们特别感兴趣的是使用桥估计来区分系数为零的协变量和系数为非零的协变量。我们表明，在适当的条件下，桥估计正确地选择协变量与非零系数的概率收敛到一个和非零系数的估计有相同的渐近分布，如果零系数是已知的。因此，桥估计有一个预言性质的意义上范和李[J。美国统计。Assoc.96（2001）1348- 1360]和Fan和Peng [Ann. Statist. 32（2004）928- 961]。通常，仅当协变量的数量小于样本量时，oracle属性才成立。然而，在部分正交条件下，零系数的协变量与非零系数的协变量不相关或弱相关，我们证明了边缘桥估计可以正确区分非零和零系数的协变量，即使协变量的数量是大于的样本量的概率收敛到1。
2008-04-04 math.ST stat.TH
A New Family of Covariate-Adjusted Response Adaptive Designs and their Asymptotic Properties
在临床试验设计中，纳入协变量信息通常很重要。在文献中，有许多设计使用分层和协变量自适应随机化来平衡某些已知的协变量。最近，Zhang，Hu，Cheung和Chan（2007）提出了一类协变量调整响应自适应（CARA）设计，并研究了它们的渐近性质。然而，这些CARA设计通常具有高可变性。在本文中，我们提出了一个新的家庭的协变量调整的响应自适应（CARA）设计。我们表明，新的设计具有更小的变异性，因此更有效。
2008-12-19 math.PR math.ST stat.ME
Nonparametric Independence Screening in Sparse Ultra-High Dimensional Varying Coefficient Models
变系数模型是一种重要的非参数统计模型，它允许我们研究协变量的影响如何随暴露变量而变化。当协变量的数量很大时，变量选择的问题就来了。本文提出并研究了用于筛选超高维稀疏变系数模型中变量的边缘非参数筛选方法。建议的非参数独立性筛选（NIS）选择的变量排名的非参数边际贡献的每个协变量给定的暴露变量的措施。当维数为非多项式阶时，在一定的技术条件下，建立了确定的独立筛选性质，并对NIS的降维进行了量化。为了提高算法的实用性和有限样本性能，提出了两种数据驱动的迭代NIS方法：条件置换法和贪婪法，分别得到了条件INIS和贪婪INIS。仿真研究和实际数据应用进一步说明了所提出的方法的有效性和灵活性。
2013-03-03 math.ST stat.TH
Regression with Variable Dimension Covariates
本文针对协变量维度可变的回归问题缺乏成熟方法的空白，回顾了近期通过随机划分实现变维回归的相关研究。
2023-09-25 math.ST stat.ME stat.TH
GEE analysis of clustered binary data with diverging number of covariates
具有大量协变量的聚类二进制数据在许多科学学科中越来越普遍。当协变量的个数随着聚类数的增加而增加到无穷大时，本文给出了聚类二值数据的广义估计方程（GEE）分析的渐近理论。在这个“大$n$，发散$p$“的框架下，我们给出了适当的正则性条件，并建立了GEE估计的存在性、相合性和渐近正态性.此外，我们还证明了三明治方差公式仍然有效.即使在工作相关阵被错误指定的情况下，使用夹心方差公式也会导致对未知参数的可估计线性组合的渐近有效置信区间和Wald检验。通过数值模拟验证了估计是有效的.我们还讨论了广义几何方程的“发散$p$“渐近理论。本文的结果推广了Xie和Yang [Ann. Statistic. 31（2003）310- 347]和巴兰和斯基奥普-克拉蒂纳[《统计年鉴》。32（2005）522- 541]中的“固定$p$“设置。
2011-03-09 math.ST stat.TH
A sparse $p_0$ model with covariates for directed networks
在这里，我们关注的是有向网络的协变量稀疏$p_0$模型中的无约束最大似然估计。该模型具有密度参数$ν$、$2n$维节点参数$\bsη$和协变量的固定维回归系数$\bsγ$。以往的研究主要集中在限制似然推理上。当节点数$n$趋于无穷大时，我们推导出$\ell_\infty$ -最大似然估计（MLE）$(\widehat{\bsη}, \widehat{\bsγ})$与其真值$(\bsη, \bsγ)$之间的误差。它们是$\widehat{\bsη}$的$O_p( (\log n/n)^{1/2} )$和$\widehat{\bsγ}$的$O_p( \log n/n)$，最多为一个附加因子。这解释了\cite{Yan-Jiang-Fienberg-Leng2018}中$\widehat{\bsγ}$的渐近正态性的渐近偏倚现象。进一步，我们得到了极大似然估计的渐近正态性。数值研究和数据分析证明了我们的理论研究结果。
2021-06-07 math.ST stat.TH
Strong consistency and optimality for generalized estimating equations with stochastic covariates
本文研究了广义估计函数为随机系数鞅时GEE估计的存在性和强相合性。此外，我们刻画了估计函数是渐近最优的。
2017-11-14 math.ST stat.TH
Capturing heterogeneous time-variation in covariate effects in non-proportional hazard regression models
本文提出一种基于分段指数加性混合模型与函数随机效应的新方法，用于捕捉协变量效应的异质性时变，并通过模拟和脑肿瘤案例验证其优越性。
2025-01-23 math.ST stat.ME stat.TH
Asymptotic Theory of Rerandomization in Treatment-Control Experiments
尽管完全随机化可确保协变量平均平衡，但随着协变量数量的增加，观察到治疗组和对照组协变量分布之间存在显著差异的机会增加。重新随机化丢弃不满足预定协变量平衡标准的随机化，通常会导致更好的协变量平衡和更精确的因果效应估计。以前的理论推导出有限样本理论的假设下，相等的治疗组大小，高斯协变量和结果分布，或加性因果效应的重新随机化，但不是一般的抽样分布的平均因果效应的均值差估计。为了补充现有的结果，我们开发的渐近理论重新随机化没有这些假设，这揭示了一个非高斯渐近分布的估计，特别是一个线性组合的高斯随机变量和截断高斯随机变量。该分布遵循，因为重新随机化仅影响潜在结果在协变量空间上的投影，但不影响相应的正交残差。我们还证明，完全随机化相比，重新随机化降低了渐近抽样方差和分位数范围的差异，均值估计。此外，我们的工作允许构建准确的大样本置信区间的平均因果效应，从而揭示了进一步的优势，完全随机化的重新随机化。
2017-08-12 math.ST stat.AP stat.TH
Asymptotic Theory of Bayes Factor in Stochastic Differential Equations: Part I
在随机微分方程（SDEs）的背景下，渐近模型选择的研究在文献中几乎是不存在的。特别是，当被认为是一个集合的随机微分方程，渐近模型选择的问题还没有调查。事实上，即使扩散系数可以被认为是已知的，关于漂移函数的适当选择的问题构成了一个非平凡的模型选择问题。在这篇文章中，我们开发的渐近理论比较集合的SDEs相对于使用贝叶斯因子的漂移函数的选择时，在集合的SDEs方程（个人）的数量趋于无穷大，而时域保持有界的每个方程。我们的渐近理论涵盖的情况下，所观察到的过程与SDES是独立和同分布（iid），以及当他们是独立的，但不相同的分布（非iid）。特别是，我们允许通过漂移函数的乘法因子将可用的时间相关协变量信息并入每个子空间;我们还允许不同的初始值和观测值的SDES域。因此，我们的模型选择问题包括从一组可用的时间依赖性协变量中选择一组适当的时间依赖性协变量，除了选择无协变量的漂移函数的一部分。对于iid和非iid设置，我们建立了贝叶斯因子的几乎必然指数收敛。此外，我们用模拟研究证明，即使在非渐近的情况下，贝叶斯因子也成功地捕获了正确的协变量集。
2018-04-17 math.ST stat.TH
Convergence Rates for Kernel Regression in Infinite Dimensional Spaces
我们考虑一个非参数回归设置，其中协变量是一个完全可分度量空间中的随机元，与响应的条件分布相关的参数位于可分巴拿赫空间中。我们推导出最佳的收敛速度的核估计的参数在此设置。协变量空间中的小球概率在确定核估计的渐近方差方面起着关键作用。与有限维协变量的情况不同，我们证明了在无限维协变量情况下，达到最佳收敛速度的估计的偏差和方差的渐近阶可能不同。此外，平衡偏差和方差的带宽可能导致无限维协变量的次优均方误差估计。我们描述了一个数据驱动的自适应选择的带宽，并推导出自适应估计的渐近行为。
2018-11-15 math.ST stat.TH
Asymptotic properties of covariate-adaptive randomization
在临床试验中，平衡有影响力的协变量的治疗分配至关重要。随着越来越多的生物标志物被发现与转化研究（基因组学，蛋白质组学和代谢组学）中的不同疾病相关，这变得越来越重要。分层排列区组随机化和最小化方法[Pocock和Simon Biometrics 31（1975）103-115等]是实践中最流行的两种方法。然而，分层排列区组随机化未能实现良好的整体平衡时，层的数量是大的，而传统的最小化方法也遭受大的层内不平衡的潜在缺点。此外，最小化方法的理论基础在很大程度上仍然难以捉摸。在本文中，我们提出了一种新的协变量自适应设计，能够控制各种类型的不平衡。证明了在一定条件下，层内不平衡的联合过程是一个正常返马尔可夫链。因此，这一新的程序产生更平衡的分配。所提出的程序的优点也证明了广泛的模拟研究。我们的工作提供了一个理论工具，在这一领域的未来研究。
2012-10-17 math.ST stat.TH
Detecting long-range dependence for time-varying linear models
我们考虑了时变系数回归模型的长程依赖性检验问题，其中协变量和误差是局部平稳的，允许复杂的时间动态和异方差。我们开发KPSS，R/S，V/S，K/S型统计的基础上的非参数残差。在原假设、局部备择和固定备择条件下，我们得到了检验统计量的极限分布。由于四种类型的检验统计量在时变均值、方差、误差的长期方差、协变量和截距位于特定超平面时可能退化，我们证明了Bootstrap辅助检验在退化和非退化情形下是一致的.特别地，在协变量存在的情况下，Bootstrap辅助检验的精确局部渐近功效可以与严格平稳序列的经典长记忆KPSS检验的精确局部渐近功效具有相同的阶数.渐近理论是建立在一个新的高斯近似技术的局部平稳长记忆过程与短记忆协变量，这是独立的利益。我们的测试的有效性证明了广泛的模拟研究和实际数据分析。
2023-03-08 econ.EM math.ST stat.TH
Asymptotic Properties of Covariate-Adjusted Adaptive Designs
反应适应性设计已被广泛研究并用于临床试验。然而，有一个缺乏全面的研究反应自适应设计，包括协变量，尽管它们在临床实验中的重要性。由于分配方案和协变量的影响，协变量调整的响应自适应（CARA）设计是非常复杂的制定。在本文中，我们克服了技术障碍，并制定了一个框架，一般CARA设计的受试者分配到$K (\geq 2)$治疗。在一定的广泛满足的条件下，渐近性质进行了研究。所提出的CARA设计可应用于广义线性模型。两个重要的特殊情况下，线性模型和逻辑斯谛回归模型，被认为是详细的。
2006-10-17 math.PR math.ST stat.ME
Model Averaging for Generalized Linear Model with Covariates that are Missing completely at Random
本文考虑协变量完全随机缺失的广义线性模型的估计。本文提出了一种模型平均估计方法，并在一定的假设条件下证明了相应的模型平均估计量是渐近最优的。仿真结果表明，在大多数情况下，该方法具有更好的性能比其他替代方案。
2017-10-25 math.ST stat.TH
The Role of Propensity Score Structure in Asymptotic Efficiency of Estimated Conditional Quantile Treatment Effect
当给定协变量的严格子集时，我们提出了条件分位数治疗效应，通过分位数表来捕获治疗效应的异质性，分位数表是给定协变量和分位数的函数。主要讨论了参数、非参数和半参数结构下概率得分估计的渐近正态性。我们对倾向分数结构的估计效率进行了系统的研究，以检验倾向分数结构的重要性以及与无条件估计的本质区别。导出的唯一属性可以回答：这些估计的一般排名是什么？给定的协变量与倾向分数的协变量集的关联如何影响效率？估计的倾向分数的收敛速度如何影响效率？为什么半参数估计在实践中值得推荐？我们也给出了一个简短的讨论的方法来处理大规模的情况下，对渐近方差的估计。进行模拟研究，以检查这些估计器的性能。最后通过一个实例进行了分析，得到了一些新的结论.
2020-09-22 math.ST stat.TH
Flexible generalized varying coefficient regression models
本文研究了一个非常灵活的模型，可以广泛用于分析一个响应和多个协变量之间的关系。该模型是非参数的，但容易解释协变量的影响。该模型可容纳连续和离散随机变量作为响应和协变量。将广义变系数模型和广义可加模型作为特殊情况加以讨论是相当灵活的。在一个较弱的条件下，给出了多元均值函数的估计问题等价于其一元分量函数的估计问题的一般定理。我们讨论了筛和惩罚的最小二乘估计定理的影响，然后调查的结果在核型估计的全部细节。核估计器作为一组非线性积分方程的解给出。给出了求解该方程组的迭代算法，并讨论了估计量和算法的理论性质。最后给出了仿真结果。
2012-10-17 math.ST stat.TH
A Significance Test for Covariates in Nonparametric Regression
我们考虑检验非参数回归中协变量子集的显著性。这些协变量可以是连续的和/或离散的。我们提出了一个新的基于核的测试，平滑只有下出现的协变量的原假设，使灾难的维数减轻。检验统计量是渐近关键的，检验检测局部替代的比率仅取决于原假设下协变量的维数。我们证明了Wild Bootstrap的有效性。在小样本中，我们的测试与现有程序相比具有竞争力。
2014-03-27 math.ST stat.TH
Proximal Causal Inference for Complex Longitudinal Studies
关于时变治疗联合效应的因果推断的标准假设是，已测量足够的协变量，以确保在协变量分层内，受试者可在观察到的治疗值之间交换，也称为“序贯随机化假设（SRA）"。SRA经常受到批评，因为它需要准确测量所有混杂因素。实际上，测量的协变量很少能确定地捕获所有混杂因素。通常协变量测量充其量是混杂因素的代理，因此在SRA下的推断无效。在本文中，我们将Miao et al.（2018）的近端因果推断（PCI）框架扩展到半参数边际结构均值模型（MSMM）下的纵向设置。PCI提供了一个机会，了解联合因果关系的设置SRA的基础上测量随时间变化的协变量失败，正式占协变量测量作为不完美的代理的基础混淆机制。我们建立了非参数识别与一对时变代理，并提供了相应的表征定期和渐近线性估计的参数索引MSMM，包括丰富的一类双鲁棒估计，并建立相应的半参数效率界MSMM。广泛的模拟研究和数据应用说明了有限样本的行为所提出的方法。
2022-08-03 math.ST stat.ME stat.TH
Multinomial Logistic Regression: Asymptotic Normality on Null Covariates in High-Dimensions
本文在高维情形下建立了多项逻辑回归MLE在零协变量上的渐近正态性与卡方结果，并据此提出特征显著性检验方法，通过模拟验证了其有效性。
2023-05-28 math.ST stat.ME stat.ML
A network Poisson model for weighted directed networks with covariates
网络中的边不仅是二进制的，要么存在要么不存在，而且在许多情况下还采用加权值（例如，两个用户之间的电子邮件数量）。本文提出了一个协变量- $p_0$模型来描述具有度异质性和协变量的二元有向网络。然而，它可能会导致信息丢失时，它应用于加权网络。本文提出用Poisson分布对加权有向网络进行建模，该分布允许网络的稀疏性、度的异质性以及由节点协变量引起的同质性。我们称之为\emph{network Poisson model}。该模型包含密度参数$μ$、$2n$维节点参数$θ$和协变量的固定维回归系数$γ$。由于参数的数量随着$n$的增加而增加，渐近理论是非标准的。当节点数$n$趋于无穷大时，我们建立了最大似然估计量（MLE）$\hatθ$和$\hat{γ}$的$\ell_\infty$ -误差，对于$\hatθ$为$O_p( (\log n/n)^{1/2} )$，对于$\hat{γ}$为$O_p( \log n/n)$，直到一个额外的因子。我们还得到了极大似然估计的渐近正态性。数值研究和数据分析证明了我们的理论研究结果。bθ的Op（log n/n）和bγ的Op（log n/n），直到一个附加的因子。我们还得到了极大似然估计的渐近正态性。数值研究和数据分析证明了我们的理论研究结果。
2021-07-21 math.ST stat.TH
Hypothesis testing for varying coefficient models in tail index regression
针对尾指数回归缺乏变系数模型检验方法的问题，本文研究估计量的渐近性质，提出用于判断系数函数是否显著随协变量变化的假设检验方法。
2023-12-11 math.ST stat.TH
Inference in covariate-adjusted bipartite network models
Central China Normal University（华中师范大学）；Zhaoqing University（肇庆大学）
本文提出了一种联合建模双分网络中节点异质性和协变量的通用模型，通过矩估计法估计参数，并展示了在某些条件下矩估计量的一致性和渐近正态性。
2026-03-31 math.ST stat.TH
Regression adjustment in covariate-adaptive randomized experiments with missing covariates
本研究针对协变量自适应随机化试验中协变量缺失问题，结合常用缺失处理与回归调整方法，推导估计量的渐近性质及一致方差估计，并通过数值研究提供建议，且结论在模型误设下仍有效。
2025-08-13 math.ST stat.ME stat.TH
Spatial confounding under infill asymptotics
本文在内填渐近框架下研究空间混杂中协变量错误设定对广义最小二乘回归系数估计的影响，揭示其收敛到零或发散到无穷的反直觉行为，并通过真实数据验证后提出加入平滑步骤的简单修正方法。
2024-03-27 math.ST stat.TH
Asymptotic theory for extreme value generalized additive models
本文研究了极值广义加性模型与广义极值分布结合的渐近理论，探讨了形状和尺度函数估计量的收敛速度及其局部渐近正态性。
2025-11-20 math.ST stat.TH
Learning bounds for doubly-robust covariate shift adaptation
本文针对双鲁棒协变量偏移自适应方法缺乏非渐近保证的问题，首次推导其非渐近学习界，从通用场景与参数化模型场景给出理论边界，衔接渐近性质与有限样本泛化理论。
2025-11-14 econ.EM math.ST stat.ML
Asymptotic Theory of the Best-Choice Rerandomization using the Mahalanobis Distance
本文研究了使用马氏距离的最佳选择重随机化的大样本理论，证明其相比完全随机化能使均值差估计量更集中于真实平均处理效应，并提出更短的置信区间，在协变量数量适中且随机化次数随样本量多项式增加时可实现理想最优精度。
2025-09-16 math.ST stat.ME stat.TH
Homoscedasticity tests for both low and high-dimensional fixed design regressions
本文证明了当样本量$n$趋于无穷大，协变量个数$p$固定或趋于无穷大时，检验线性回归模型异方差存在性的统计量的渐近正态性.此外，我们的方法表明，它的渐近正态性成立，即使没有同方差。
2016-03-12 math.ST stat.TH
Inference in nonparametric current status models with covariates
在具有当前状态观测值的区间删失模型中，变量是个体在观测区间和协变量上存在的指标。当几个人共享相同的观察区间，一个简单的程序提供了新的估计的分布的观察时间和强度，在一个封闭的形式。对于分段常数协变量，它们是$n^{1/2}$一致的。估计的样本大小推导和渐近$χ^2$测试的独立性的观察连续的时间间隔和连续类之间的独立性观察的个人提出。
2007-10-09 math.ST stat.TH
Rerandomization with Diminishing Covariate Imbalance and Diverging Number of Covariates
完全随机化实验一直是进行因果推理的黄金标准，因为它们可以平均平衡所有潜在的混杂因素。然而，他们可能会遭受不平衡的协变量实现的治疗分配。重新随机化是一种重新随机化治疗分配直至满足预先设定的协变量平衡标准的设计，由于其易于实施、改善协变量平衡和更有效的推断，最近受到关注。研究人员建议使用最小化协变量不平衡的治疗分配，即最优平衡设计。这再次引起了设计实验的两种哲学之间的长期争论：随机化与最优设计，从而几乎确定性设计。现有的文献认为，过度平衡的观察到的协变量的重新随机化可能会导致高度不平衡的未观察到的协变量，使其容易受到模型误设定。相反，与理想的最优设计相比，使用适当平衡的协变量进行重新随机化可以为治疗效果提供稳健的推断，同时牺牲一些效率。在本文中，我们表明，这是可能的，通过使协变量的不平衡减少在一个适当的速度作为样本量的增加，重新随机化可以达到理想的最佳精度，人们可以期望与完全平衡的协变量，同时仍然保持其鲁棒性。我们进一步研究的协变量的数量，以实现所需的最优性的条件。我们的结果依赖于一个更微妙的渐近分析重新随机化。推导出的重随机化理论使我们对重随机化的大样本性质有了更深入的理解，并能更好地指导重随机化的实际实现。此外，它还有助于调和随机设计和最优设计之间的渐近意义上的争议。
2022-10-16 math.ST stat.ME stat.TH
Rerandomization in $2^K$ Factorial Experiments
由于治疗前协变量和治疗因素众多，经典的析因试验往往无法同时平衡多个析因效应之间的协变量。因此，直观的做法是限制治疗因素的随机化，以满足某些协变量平衡标准，可能符合析因效应和协变量的层次（基于其相对重要性）。这是析因试验中的重新随机化。我们在随机化推理框架下研究了这种试验设计的渐近性质，而没有对协变量和结果施加任何分布或建模假设。我们推导了析因效应的常用估计量的联合渐近抽样分布，并证明了它是对称的、单峰的，并且在重新随机化下比在经典的析因试验下更“集中”于真实的析因效应。我们量化这种优势的重新随机化使用的概念，“中心凸单峰”和“peakedness”的联合渐近抽样分布。我们还为因子效应构建了保守的大样本置信集。
2018-12-28 math.ST stat.ME stat.TH
Debiased regression adjustment in completely randomized experiments with moderately high-dimensional covariates
针对完全随机实验中协变量维数与样本量同阶的中高维问题，提出无需稀疏性假设的去偏回归调整估计量及推断方法，并证明其渐近正态性与效率优势。
2025-06-08 math.ST stat.ME stat.TH
