On Hodges and Lehmann's "$6/π$ result"
虽然Wilcoxon秩检验的位置和回归相对于其参数Student竞争者的渐近相对效率(ARE)可以任意大,但Hodges和Lehmann(1961)已经表明,相同Wilcoxon检验相对于其van der Waerden或正态分数对应物的ARE从上到下受$6/π\approx 1.910$的限制。在本文中,我们重新审视了这一结果,并调查了类似的界限统计的基础上学生的成绩。我们也考虑这个ARE的串行版本。更确切地说,我们研究的ARE,在不同的密度下,斯皮尔曼-沃尔德-沃尔福威茨和肯德尔基于秩的自相关相对于范德瓦尔登或正常分数的用于测试(ARMA)序列依赖的替代品。
2013-05-21 math.ST stat.TH
Potential-energy gating for robust state estimation in bistable stochastic systems
Independent Researcher(独立研究者)
该研究提出潜在能门控方法,通过调节观测信任实现双稳随机系统中稳健状态估计,实验表明在非平稳或数据稀少环境下,该方法显著提升滤波性能。
2026-02-14 cs.CE cs.LG nlin.CD
Asymptotic properties of U-processes under long-range dependence
设$(X_i)_{i\geq 1}$是平稳均值零高斯过程,其协方差$ρ(k)=\PE(X_{1}X_{k+1})$满足:$ρ(0)=1$和$ρ(k)=k^{-D} L(k)$,其中$D$在$(0,1)$中,$L$在无穷远处慢变.考虑定义为$$ U_n(r)=\frac{1}{n(n-1)}\sum_{1\leq i\neq j\leq n}\1_{\{G(X_i,X_j)\leq r\}}\; , $$的$U$ -过程$\{U_n(r),\; r\in I\}$,其中$I$是包括在$\rset$中的间隔,并且$G$是对称函数。本文给出了$U_n$的中心极限定理和非中心极限定理.它们被用来推导Hodges-Lehmann估计量、Wilcoxon符号秩统计量、样本相关积分和相关尺度估计量的渐近行为。极限分布通过多重Wiener-Itô积分表示。
2010-12-03 math.ST stat.TH
Modeling high dimensional time-varying dependence using D-vine SCAR models
我们考虑了多个时间序列之间相关性的建模问题。我们建立了高维时变copula模型,通过结合配对copula结构(PCC)与随机自回归copula(SCAR)模型来捕捉随时间变化的依赖关系。我们展示了如何这个高度复杂的模型的估计可以分解成一个序列的二元SCAR模型,这可以通过使用模拟的极大似然的方法来实现的估计。此外,通过将PCC的较高级联上的条件依赖参数限制为常数,我们可以大大减少要估计的参数的数量,而不会损失太多的灵活性。我们通过大规模的蒙特卡罗模拟研究了我们的估计方法的性能。一个大型数据集的股票收益的所有成分的达克斯30的应用程序说明了所提出的模型类的有用性。
2012-02-09 stat.CO stat.ME
Estimation of quadratic density functionals under m-dependence
本文研究了平稳m相依序列样本下一类或两类密度的积分泛函的估计问题。我们考虑两种类型的U-统计量估计这些泛函的ε-关闭向量观测的样本中的数量的函数。我们证明了估计是一致的,并在弱分布假设下得到了它们的收敛速度。特别是,我们提出了基于不完全U-统计量的估计具有良好的一致性,即使当m-依赖是唯一的依赖条件,可以施加在平稳序列。所得结果可用于散度和熵的估计,因而在统计学和应用科学中有许多应用。
2013-09-19 math.ST stat.TH
Multivariate wavelet Whittle estimation in long-range dependence
具有长程相关性质的多变量过程在金融、生物物理和神经科学等领域有着广泛的应用。对于实际数据应用,时间序列之间的相关性至关重要。由于过程中自相关特性的差异引起的相移,相关性的经验估计可能会有很大的偏差。为了解决这个问题,我们引入了一个半参数估计的多元长程相依过程。模型中感兴趣的参数是长程相关参数的向量和长期协方差阵,在神经科学中也称为功能连接。该矩阵表征了时间序列之间的耦合。建议的多元小波基Whittle估计是一致的估计的长期依赖和协方差阵,并包括平稳和非平稳过程。一个模拟研究和一个真实的数据例子来说明有限样本的行为。
2015-10-30 math.ST stat.TH
Estimation of Proportion of Null Hypotheses Under Dependence
本文研究多重检验中原假设比例的估计问题,分析 BH 估计量在多种相依结构下的渐近表现,并与 Storey 及 Patra-Sen 估计量比较。
2024-09-06 math.ST stat.TH
Robust Change-Point Detection for Functional Time Series Based on $U$-Statistics and Dependent Wild Bootstrap
本文将 Wilcoxon 两样本检验推广至函数时间序列,提出利用完整函数信息且抗异常值的稳健变点检验,并通过 Hilbert 空间 $U$-统计量极限定理与相依野自助法确定渐近分布和临界值。
2023-06-04 math.ST stat.ME stat.TH
Adaptive non-parametric estimation in the presence of dependence
我们考虑非参数估计问题中存在的相关数据,特别是非参数回归随机设计和非参数密度估计。建议的估计过程是基于降维。极小极大最优收敛速率的估计推导出假设一个足够弱的依赖性,其特征在于快速减少的混合系数。我们说明这些结果考虑经典的平滑假设。然而,建议的估计需要一个最佳的选择的尺寸参数取决于某些特性的功能的兴趣,这是不知道在实践中。在我们的工作中解决的主要问题是这个尺寸参数的自适应选择模型选择和Lepski的方法相结合。它的灵感来自Goldenshluger和Lepski(2011)最近的工作。我们表明,这种数据驱动的估计可以达到较低的风险绑定到一个常数提供了一个快速衰减的混合系数。
2016-02-01 math.ST stat.TH
On asymptotically optimal wavelet estimation of trend functions under long-range dependence
本文研究具有强相关高斯残差的时间序列模型中趋势函数的数据自适应小波估计。最佳的平均积分平方误差和相应的最佳平滑和分辨率参数的渐近表达式。由于适应潜在的趋势函数的属性,该方法表现出非常好的性能,平滑的趋势函数,同时保持与极小极大小波估计的不连续性的功能的竞争力。仿真结果说明了渐近结果和有限样本行为。
2012-03-02 math.ST stat.TH
Non-parametric estimation of net survival under dependence between death causes
针对死亡原因未知且依赖的竞争风险生存模型,本文提出基于随机过程和鞅的广义非参数净生存估计器,放松独立性假设并推导其渐近性质、方差估计与检验,通过模拟和结直肠癌数据验证,为Pohar Perme估计器提供新视角。
2025-02-13 math.ST stat.TH
Measures of serial extremal dependence and their estimation
本文的目标是双重的:1。我们回顾了经典的和最近的措施序列极值依赖在严格的平稳时间序列以及他们的估计。2.我们讨论了最近的重尾时间序列的概念,包括定期变化和最大稳定过程。序列极值依赖的典型特征是序列中高阈值的不一致性簇。我们首先讨论的概念极值指数的一个单变量序列,即倒数的预期集群大小,这引起了极大的关注极值文献。然后,我们继续通过引入极值图,这是一个渐进的自相关函数序列的极值事件在时间序列。在这种情况下,我们讨论了时间序列的规则变化。这个概念对于描述严格平稳序列中的序列极值依赖和重尾是有用的。我们简要讨论了由Basrak和Segers提出的用概率的方式描述规则变化序列的依赖结构的尾过程。具有Frechet边缘的极大稳定过程是一类重要的正则变化序列。最近,这个类引起了建模和统计目的的关注。我们将极值图应用于最大稳定过程。最后讨论了时域和频域极值的估计。
2013-03-25 math.ST stat.TH
Reduced-bias estimation of the residual dependence index with unnamed marginals
本文提出了一类针对残差依赖指数 $η$ 的减偏梯度估计器,通过统一边缘标准化改善阈值选择问题,并验证了其在多元极端事件分布和加纳降雨数据中的有效性。
2025-05-02 math.ST stat.TH
Weighted estimation of the dependence function for an extreme-value distribution
二元极值分布已被用于环境科学和风险管理中的极值建模。一个重要的问题是估计依赖函数,例如Pickands依赖函数。Pickands依赖函数的一些估计已经通过假设边缘是已知的来研究。最近,Genest和Segers [安。37(2009)2990-3022]用经验分布代替边缘分布导出了这些建议估计量的渐近分布。在这篇文章中,我们提出了一类加权估计,包括Genest和Segers(2009)的加权估计作为特例。提出了一种构造Pickands依赖函数置信区间的刀切经验似然方法,避免了复杂的渐近方差估计.仿真研究表明,我们提出的刀切经验似然方法的有效性。
2013-03-20 math.ST stat.TH
Adaptive density estimation under dependence
假设$(X_t)_{t\in\Z}$是一个实值时间序列,它允许一个关于勒贝格测度的公共边际密度$f$。Donoho { \it等}(1996)提出了一种基于阈值小波的近似极小极大方法来估计独立同分布设置中紧集上的$f$。目前的工作的目的是将这些结果推广到一般的弱依赖环境。弱相关假设表示为协方差项的递减界,并针对不同的示例进行了详细说明。估计量$\widehat f_n$中的阈值水平依赖于序列$(X_t)_{t\in\Z}$通过常数的弱依赖性质。如果这些属性是未知的,我们建议交叉验证程序,以获得新的估计。这些程序说明通过模拟的动力系统和非因果无限移动平均线。我们还讨论了我们的估计相对于协方差界的减少的效率。
2008-10-15 math.ST stat.TH
On a multivariate copula-based dependence measure and its estimation
使用所谓的链接允许定义基于copula的$[0,1]$值多元依赖性度量$ζ^1(\boldsymbol{X},Y)$,量化随机变量$Y$对$d$维随机向量$\boldsymbol{X}=(X_1,\ldots,X_d)$的尺度不变依赖程度,$\boldsymbol{X}=(X_1,\ldots,X_d)$表现出各种良好且自然的属性。特别地,$ζ^1(\boldsymbol{X},Y)=0$当且仅当$\boldsymbol{X}$和$Y$是独立的,如果$Y$是$\boldsymbol{X}$的函数,则$ζ^1(\boldsymbol{X},Y)$是最大的,并且忽略$\boldsymbol{X}$的一个或多个坐标不能增加所得到的依赖值。在介绍和分析依赖性度量的构造的度量$D_1$并导出示出通过仅考虑所有成对依赖值$ζ^1(X_1,Y),\ldots,ζ^1(X_d,Y)$可以丢失多少信息的示例之后,我们导出$ζ^1(\boldsymbol{X},Y)$的所谓棋盘估计,并表明它在完全一般性上是强一致的,即,而对底层copula没有任何平滑性限制。一些模拟说明了小样本性能的估计补充了既定的理论结果。
2022-03-17 math.ST stat.TH
Improved dependence on coherence in eigenvector and eigenvalue estimation error bounds
本文提出新的矩阵集中不等式,用于改进特征向量与特征值估计误差界对相干性的依赖,并在噪声标准差与 Orlicz 1-范数相当时得到无相干性保证。
2025-02-14 math.ST stat.TH
Weak dependence and GMM estimation of supOU and mixed moving average processes
考虑由Lévy基驱动的混合移动平均(MMA)过程X,证明了它是弱相依的,其速率可根据移动平均核和Lévy基的特征四元组计算.利用这一性质,我们显示条件,确保样本均值和自协方差的X有一个限制正态分布。我们将这些结果推广到随机波动率模型,然后研究了一种广义矩估计方法的supplementary过程和supplementary随机波动率模型后,选择一个合适的分布均值回归参数。对于这些估计,我们详细分析了渐近行为。
2022-12-16 math.ST stat.TH
Dependence structure estimation using Copula Recursive Trees
Mines Saint-Etienne, Univ Clermont Auvergne, CNRS, UMR 6158 LIMOS, Institut Henri Fayol(圣艾蒂安矿业学院,克莱蒙奥弗涅大学,法国国家科学研究中心,LIMOS联合研究单位,亨利·法约尔研究所)
本文提出了一种基于Copula递归树的依赖结构估计方法,通过递归构建网格并最小化copula空间距离,实现灵活且一致的copula估计。
2021-02-22 math.ST stat.TH
On the Impact of Serial Dependence on Penalized Regression Methods
本文刻画了协变量序列相关性对惩罚回归非渐近估计误差界的影响。针对协变量之间的互相关程度和PR的估计误差界之间的直接关系,我们表明,正交或弱互相关的平稳AR过程可以表现出很高的虚假相关所造成的串行依赖。在两个正交高斯AR(1)过程的情况下,我们提供了样本互相关分布的分析结果,并通过广泛的仿真研究扩展和验证它们。此外,我们引入了一个新的程序,以减轻虚假的相关性在时间序列设置,应用PR预白化(ARMA滤波)时间序列。我们表明,在温和的假设下,我们的程序可以减少估计误差,并制定一个有效的预测策略。我们的建议的估计准确性进行了验证,通过额外的模拟,以及实证应用到一个大的每月宏观经济时间序列相对于欧元区。
2023-02-11 math.ST stat.TH
Wavelet-based and Fourier-based multivariate Whittle estimation: multiwave
具有长相关性的多元时间序列在金融、物理学、神经科学等领域有着广泛的应用。许多软件包提供了单变量设置的估计工具,但很少有人解决多变量设置的长期依赖估计问题。多波包为多元时间序列提供了有效的估计方法。实现了时间序列的长记忆指数和长期协方差阵的两种半参数估计方法。第一种是由[18]提出的基于傅立叶的估计,第二种是在[4]中描述的基于小波的估计。本文的目的是提供一个概述的R包多波与其实际应用前景。
2018-11-26 math.ST stat.TH
Estimate dependence in medium dimensions, using ranks and sub-sampling
众所周知,非参数方法遭受“维数灾难”。我们在这里提出了一个新的估计方法的多变量分布,使用子采样和排名,这似乎不会受到这个“诅咒”。我们证明,在独立的情况下,估计分布的不确定性几乎线性增加w.r.t.尺寸,尺寸约为6。另外,模拟研究表明,如果我们使用此估计来建立独立性检验,则获得给定功效所需的观测数随维数线性增加。最后,我们给出了使用这种估计的回归的例子:3000个观测值,在维度5中,具有明显复杂的依赖性,估计的分布在图形上与真实分布非常相似。
2013-11-07 math.ST stat.TH
Dependence Estimation for High Frequency Sampled Multivariate CARMA Models
本文研究了高频抽样多元连续时间ARMA(MCARMA)模型,得到了样本自协方差函数对于正态随机矩阵的渐近性质。此外,我们还得到了模型中不同分量间互协方差的渐近性质。我们将看到,样本自协方差函数的极限分布在连续时间和离散时间模型中具有类似的结构。作为特殊情况,我们考虑一个CARMA(一维MCARMA)过程。对于一个CARMA过程,我们证明了Bartlett的公式的样本自相关函数。Bartlett公式在两种模型中具有相同的形式,只是离散时间模型中的和与连续时间模型中的积分互换。最后,我们提出了多变量MA过程的极限结果,以及这是不知道在这个一般性的多变量设置。
2015-08-07 math.ST stat.TH
Parameter estimation and long-range dependence of the fractional binomial process
本文针对分数二项过程(FBP)展开研究,分析其二阶性质与长程行为,采用矩估计法进行参数估计,并给出模拟样本路径及对应算法,完善了该分数推广过程的理论与实现基础。
2024-05-14 math.ST stat.TH
Covariance and precision matrix estimation for high-dimensional time series
我们考虑协方差阵及其逆矩阵的估计。精度矩阵)用于高维平稳和局部平稳时间序列。在后一种情况下,协方差阵在时间上平滑地演变,从而形成协方差阵函数。使用Wu [Proc. Natl. Acad. Sci. USA 102(2005)14150-14154(electronic)],我们获得了阈值估计收敛速率,并说明了依赖性如何影响收敛速率。基于图形Lasso原理,给出了精度矩阵估计的渐近性质。我们的理论基本上概括了早期的允许依赖,允许非平稳性和放松相关的时刻条件。
2014-01-06 math.ST stat.TH
Consistent structure estimation of exponential-family random graph models with block structure
本文研究了指数族随机图模型的统计推断问题。为了便于统计推断,我们考虑了具有块结构形式的附加结构的随机图。我们已经在其他地方表明,当块结构是已知的,它有助于一致性结果的$M$ -估计的标准和弯曲指数族随机图模型与复杂的依赖,如传递性。在实践中,块结构在某些应用中是已知的(例如,多层次网络),但在其他方面是未知的。当块结构未知时,首要的问题是它是否可以基于具有复杂依赖的随机图的单次观察以高概率恢复。本文的主要一致性结果表明,在弱相关和光滑条件下,这是可能的。这些结果证实了具有块结构的指数族随机图模型是统计网络分析的一个很有前途的方向。
2019-03-04 math.ST stat.TH
Optimal Sparse Estimation of High Dimensional Heavy-tailed Time Series
近年来,高维向量自回归模型(VAR)由于在健康、工程和社会科学领域的新应用而引起了人们的广泛兴趣。时间相关性的存在对惩罚估计技术理论提出了额外的挑战,惩罚估计技术广泛用于分析iid对应物。然而,最近的工作(例如,[Basu和Michaillem,2015年,Kock和Callot,2015年])已经建立了应用于涉及高维稳定高斯过程的模型的$\ell_1$ -LASSO正则化估计的最佳一致性。时间相关性的唯一代价是一个额外的乘法因子,对于独立同分布(iid)数据,它等于1。此外,[Wong等人,2020]将这些结果扩展到表现出“$β$ -混合”依赖性的重尾VAR,但是速率是次优的,而额外的因子是难以处理的。本文改进了这些结果在两个重要的方向:(i)我们建立了最佳的一致性率和相应的有限样本界的基础模型参数,匹配的iid数据,模的时间依赖的价格,这是很容易解释,等于1的iid数据。(ii)我们将更一般的处罚估计(这是不可分解的,不像$\ell_1$规范),以诱导一般的稀疏模式。所采用的关键技术工具是一种新的,易于使用的浓度绑定重尾线性过程,不依赖于“混合”的概念,并给出更严格的界限。
2022-09-19 math.ST stat.TH
GMM and M Estimation under Network Dependence
Vanderbilt University(范德堡大学)
本文基于网络依赖数据,提出GMM和M估计量,并通过统一大数定律证明其一致性和渐近正态性,同时提供实际应用的估计与推断方法。
2026-03-09 econ.EM math.ST stat.TH
Local Whittle estimation of high-dimensional long-run variance and precision matrices
这项工作开发的非渐近理论估计的长期方差矩阵及其逆,所谓的精度矩阵,为高维时间序列的依赖结构,包括长期依赖的一般假设下。估计涉及收缩技术,阈值和惩罚版本的经典多元本地Whittle估计。结果确保一致的估计,在一个双渐近制度的组件时间序列的数量允许增长的样本量,只要真正的模型参数是稀疏的。关键技术结果是真实模型参数周围长期方差矩阵的局部Whittle估计的集中不等式。特别是,它同时处理进入底层模型的记忆参数的估计。提出了新的算法所考虑的程序,并提供了模拟研究和数据应用。
2022-12-28 math.ST stat.TH
Extremes of multivariate ARMAX processes
通过对ARMAX过程的多变量推广,定义了一种新的多元时间序列模型。我们给出了平稳性的条件,并分析了局部依赖和吸引域。作为所得结果的一个结果,我们导出了一种构造多元极值copula的新方法。我们通过计算多元极值指数和二元上尾相关系数来刻画极值相关性。提出了多元极值指数的估计方法。我们还讨论了ARMAX自回归参数的边际估计,并提出了一个新的估计。
2012-12-09 math.ST stat.TH
Rank-based Estimation under Asymptotic Dependence and Independence, with Applications to Spatial Extremes
多变量极值理论研究的是多个随机变量的联合尾部行为。现有的工作主要集中在渐近相关性,其中观察到一个变量的大值的概率是相同的顺序,同时观察到所有变量的大值。然而,越来越多的证据表明,渐近独立性在现实世界的应用中同样重要。在后一种情况下,现有的统计方法很少,理论上也没有得到很好的理解。我们重新审视非参数估计,并引入基于秩的M-估计参数模型,同时工作在渐近依赖和渐近独立,而不需要先验知识的两个制度适用。在弱正则性条件下,证明了估计量的渐近正态性。我们进一步展示了如何利用双变量估计来获得空间尾模型中的参数估计,并再次为我们的方法提供了一个彻底的理论依据。
2021-01-08 math.ST stat.ME stat.TH
Robust Estimation of Sparse, High Dimensional Time Series with Polynomial Tails
高维向量自回归(VAR)由于在健康、工程、金融和社会科学等领域的新应用,近年来受到了广泛的关注。分析VAR时会出现三个问题:(a)在存在许多时间序列的情况下,模型的高维性质对其参数的一致估计提出了挑战;(b)时间依赖性的存在为各种估计程序的理论分析带来了额外的挑战;(b)在许多应用中存在重尾。最近的工作,例如[Basu和Michailbane,2015],[Kock和Callot,2015],已经解决了基于$\ell_1$ LASSO过程的稀疏高维稳定高斯VAR模型的一致估计。此外,所获得的速率是最优的,在某种意义上,它们与iid数据的速率相匹配,加上时间依赖性的乘法因子(这是所付出的“代价”)。然而,第三个问题在现存的文献中仍然没有得到解决。本文在以下重要方向推广了已有的结果:考虑了由重尾同方差或异方差噪声过程(不具有所有矩)驱动的稀疏高维VAR模型参数的相合估计.一种鲁棒的惩罚方法(例如,LASSO)的最优一致性率和相应的有限样本边界的基础模型参数获得匹配的iid数据,虽然付出代价的时间依赖性。理论结果说明VAR模型和其他流行的时间序列模型。值得注意的是,使用的关键技术工具是重尾依赖过程的单一浓度边界。
2022-11-14 math.ST stat.TH
Estimation of extreme $L^1$-multivariate expectiles with functional covariates
本文研究了极端水平下多元期望值的半参数估计。所考虑的多变量风险度量还包括关于函数协变量的可能条件,该函数协变量属于无限维空间。利用一阶最优性条件最优性条件,我们将这些期望值解释为一个多维非线性最优化问题的解。然后,推理是基于梯度下降型的最小化算法,加上相容核估计我们的关键统计量,如条件分位数,条件尾指数和条件尾依赖函数。该方法适用于等价重尾边缘和多元正则变分条件下的潜在未知随机向量的任意依赖结构。我们的主要结果建立了速度速率的最佳近似解向量的概率的一致性。这使得我们能够根据数据样本量来估计整个过程的全局计算成本。
2023-03-29 math.ST stat.TH
Conditional Extreme Value Estimation for Dependent Time Series
Department of Mathematical Sciences, University of Copenhagen(哥本哈根大学数学科学系)
本文提出了一种基于条件尾过程的依赖时间序列极值估计方法,通过α-混合和β-混合条件分析,应用于石油工业极端事件建模,揭示了不同条件值下的尾部行为差异。
2026-02-03 math.ST stat.TH
Covariance estimation with direction dependence accuracy
本文为未知中心化随机向量构造协方差矩阵估计量,证明其在算子范数和方向依赖精度上均达到最优,解决了高维协方差估计的方向依赖问题。
2024-02-13 math.PR math.ST stat.TH
On approximate pseudo-maximum likelihood estimation for LARCH-processes
Robinson [J. Econometrics 47(1991)67- 84]引入了线性时间序列(Linear time sequence,LQR)过程来模拟波动率和杠杆率的长期相关性。最近的文献中已经研究了Lithium过程的基本理论性质。然而,目前还缺乏估计方法和相应的渐近理论。本文考虑系数为非可和双曲衰减的Lyndham过程的相依参数估计。导出了渐近极限定理。对于近似条件伪极大似然估计,证明了具有$\sqrt{n}$ -收敛速率的中心极限定理。为了获得仅包括观测值的可计算版本,需要进一步近似。可计算估计量也是渐近正态的,但是收敛速率比$\sqrt{n}.$慢
2010-01-12 math.ST stat.TH
Maximum pseudo-likelihood estimation based on estimated residuals in copula semiparametric models
本文讨论的情况下,当一个人感兴趣的依赖结构的多维响应变量中存在的多元协变量。假设协变量通过回归模型只影响边缘分布,而由copula描述的相关结构不受影响。讨论了Copula函数的参数估计,重点讨论了最大伪似然方法。证明了在适当的正则性假设下,由残差计算的估计量与基于不可观测误差的估计量是渐近等价的。在这种情况下,可以忽略响应首先针对协变量的影响进行调整的事实。蒙特卡洛模拟研究探讨了(除其他外)不满足规律性假设且声称的结果不成立的情况。结果表明,在这种情况下,最大伪似然估计可能表现不佳,Copula参数的矩估计是感兴趣的。我们的结果补充了Copula函数的非参数估计的结果。
2019-03-11 math.ST stat.TH
Pseudo full likelihood estimation for prospective survival analysis with a general semiparametric shared frailty model: asymptotic theory
在这项工作中,我们提出了一个简单的估计程序的一般脆弱性模型分析的前瞻性相关故障时间。早期的工作表明,这种方法在模拟研究中表现良好。在这里,我们提供了严格的大样本理论的建议估计的回归系数向量和相关参数,包括一致的方差估计。
2006-02-12 math.ST stat.TH
Inference on Gaussian mixture models with dependent labels
Columbia University(哥伦比亚大学);Harvard University(哈佛大学)
本文研究球形双组分高斯混合模型中相依标签下的估计极限,证明任意相依下朴素估计量$\sqrt{n}$相合,并在伊辛模型下发现相变,提出变分逼近估计量。
2025-10-07 math.ST stat.TH
Change Point Estimation in Panel Data with Temporal and Cross-sectional Dependence
我们研究了基于均值漂移模型的大样本数据中的公共变点检测问题,其中误差表现出时间和横截面的依赖性。基于最小二乘法的程序被用来估计的位置的变化点。进一步,我们建立了最小二乘估计的收敛速度和渐近分布。分布的形式由变点前后均值的范数差的行为决定。由于这种规范差异的行为是,先验,未知的从业者,我们还开发了一种新的数据驱动的自适应程序,提供有效的置信区间的共同变化点,而不需要任何这样的知识。基于合成数据的数值计算表明,在不同的时间和横截面依赖性,样本量和面板数量的设置下,在有限样本的估计性能。最后,我们研究了金融股票数据的应用程序,并讨论了确定的变化点。
2019-04-25 math.ST stat.ME stat.TH
Wasserstein-based Minimax Estimation of Dependence in Multivariate Regularly Varying Extremes
本文首次为多元线性因子模型中谱测度估计建立极小极大风险界,以Wasserstein距离导出非渐近收敛速率并证明最优性,提出两步估计量达到下界,弥合极值理论中偏差-方差权衡的空白。
2024-11-09 math.ST stat.ME stat.TH
A Novel Multiple Imputation Approach For Parameter Estimation in Observation-Driven Time Series Models With Missing Data
Mathematics and Statistics Institute and Graduate Program in Statistics - Universidade Federal do Rio Grande do Sul(乌拉圭河联邦大学数学与统计研究所及统计学研究生项目)
本文提出一种新方法,用于观测驱动时间序列模型中缺失数据的参数估计,通过利用系统性成分的迭代性质传播依赖结构,减少对估计的影响,适用于连续、离散和混合数据。
2026-03-16 math.ST stat.ME stat.TH
Dependence and dependence structures: estimation and visualization using the unifying concept of distance multivariance
距离多变量是一种多变量相关性度量,它可以检测任意数量的随机向量之间的相关性,每个随机向量可以具有不同的维度。在这里,我们讨论了几个新的方面,提出了一个简洁的概述,并使用它作为基础上的几个新的结果和概念:特别是,我们表明,距离多变量统一(和扩展)距离协方差和希尔伯特-施密特独立准则HSIC,此外还经典的线性相关措施:协方差,皮尔逊相关性和RV系数出现的限制情况。基于距离多变量定义了几个新的措施:一个多相关,它满足一个自然集的多元相关性测量公理和$m$ -多变量,这是一个依赖措施产生测试成对独立性和独立性的高阶。这些测试在计算上是可行的,并且在非常温和的力矩条件下,它们与所有备选方案一致。此外,提出了一个一般的可视化方案,高阶依赖关系,包括一致的估计(基于距离多变量)的依赖结构。提供了许多说明性的例子。在应用程序中使用距离多变量的所有函数都发布在R软件包“多变量”中。
2019-08-06 math.PR math.ST stat.ME
Estimation of Large Covariance and Precision Matrices from Temporally Dependent Observations
本文考虑了高维次高斯或双尾观测数据的大协方差阵和精度阵的估计问题。时间依赖性被允许是长范围的,因此具有比当前文献中考虑的更长的记忆。我们表明,几种常用的独立观测方法可以适用于时间依赖的数据。特别地,给出了协方差矩阵和相关阵的广义门限估计,精度矩阵的约束$\ell_1$极小化和$\ell_1$惩罚似然估计的收敛速度.稀疏性和符号一致性的性质也被建立。提出了一种间隙-块交叉验证的方法来选择调谐参数,在仿真中取得了很好的效果。作为一个启发性的例子,我们使用具有长程时间依赖性的静息态fMRI时间序列数据来研究脑功能连接。
2017-07-18 math.ST stat.ML stat.TH
A semi-parametric estimation for max-mixture spatial processes
我们提出了一个半参数估计过程,以估计参数的最大混合模型和最大稳定模型(逆最大稳定模型)作为替代的复合似然。一个很好的估计所提出的估计需要的依赖措施,以检测所有的依赖结构的模型,特别是在处理最大混合模型。我们通过使用F-madogram克服了这一挑战。半参数估计是基于准最小二乘法,通过最小化理论F-madogram和经验之间的平方差。我们通过模拟研究评估了这种估计的性能。结果表明,平均而言,估计是执行良好的,虽然在某些情况下,它遇到了一些困难。我们应用我们的估计程序来模拟东澳大利亚的每日风暴。
2017-12-05 math.PR math.ST stat.TH
Enhancing Signal Proportion Estimation Through Leveraging Arbitrary Covariance Structures
North Carolina State University(北卡罗来纳州立大学)
本文提出一种利用变量间任意协方差信息的新信号比例估计器,改进了不同稀疏性和依赖结构下的性能,通过理论分析和模拟验证其在估计精度和弱信号检测上的优势。
2026-05-14 math.ST stat.ME stat.ML
Parametric dependence between random vectors via copula-based divergence measures
本文通过$Phi$ -分歧族提出了多组可能大小不同的随机变量之间基于Copula的依赖量化。为此目的提供了一个公理化的框架,之后,我们专注于绝对连续的设置假设Copula密度存在。我们考虑参数和半参数框架,讨论估计程序,并报告所提出的估计的渐近性质。特别是,我们首先集中在高斯copula方法产生明确的和有吸引力的依赖系数的特定选择的$Phi$,这是更适合估计。接下来,考虑一般参数copula族,特别注意嵌套的阿基米德copula,它是随机向量依赖建模的自然选择。通过实例说明了结果。模拟和现实世界的金融数据的应用程序也提供了。
2023-02-27 math.ST stat.ME stat.TH
Semiparametric estimation for isotropic max-stable space-time processes
有规律变化的时空过程已被证明是有用的研究极端依赖的时空数据。我们提出了一个半参数估计过程的基础上的极值封闭形式的表达式来估计参数模型的极值依赖函数。我们建立了参数估计的渐近性质,并提出了子抽样程序,以获得渐近正确的置信区间。仿真研究表明,所提出的方法适用于中等样本量,是强大的小偏离的基础模型。最后,我们应用此估计程序,在佛罗里达州的一个地区的雷达降雨测量拟合的最大稳定的过程。补充结果和一些关键结果的证明,并在补充的模拟研究。
2018-07-15 math.ST stat.ME stat.TH
A New Perspective on Robust $M$-Estimation: Finite Sample Theory and Applications to Dependence-Adjusted Multiple Testing
重尾误差会损害最小二乘估计的精度,而这可能会被单个严重偏离的观测值破坏。正如彼得·胡贝尔(Peter Huber)在1973年的开创性著作中所论证的那样[{ \it Ann. Statist.} { \bf 1}(1973)799- 821],迫切需要最小二乘法的稳健替代方法。为了实现对重尾采样分布的鲁棒性,我们重新审视了Huber估计从一个新的角度,让调谐参数涉及偏离样本量。在本文中,我们开发的非渐近浓度的结果,这样一个自适应的Huber估计,即调整参数适应样本量,尺寸,和噪声的方差的Huber估计。具体地说,我们得到了一个次高斯型偏差不等式和非渐近Bahadur表示时,噪声变量只有有限的二阶矩。非渐近结果进一步产生两个传统的正常的近似结果是独立的利益,Berry-Esseen不等式和Cramér型中度偏差。作为大规模同时推理的一个重要应用,我们将这些稳健的正态近似结果应用于分析中等重尾数据的依赖调整多重检验过程。结果表明,稳健的依赖性调整过程渐近控制总体错误发现比例在名义水平下温和的时刻条件。模拟和真实数据集上的彻底的数值结果也支持我们的理论。
2017-11-15 math.ST stat.ME stat.TH
Limit Theory for Online Expectile Estimation under Short and Long Range Dependence
University of Chicago(芝加哥大学)
本文针对依赖数据在线期望分位数估计的理论缺口,提出带常数学习率的单遍随机梯度算法,推导短程、长程依赖下的极限理论,通过数值实验验证了相关结论。
2026-10-14 cs.LG math.ST stat.ML
Structured Matrix Learning under Arbitrary Entrywise Dependence and Estimation of Markov Transition Kernel
Princeton University(普林斯顿大学)
本文研究任意噪声依赖下的含噪低秩加稀疏矩阵恢复框架,提出非相干约束最小二乘估计器并证明其紧致性,同时将其应用于Markov转移核估计、多任务回归等问题,实现了极小化最优性。
2025-04-04 cs.LG math.ST stat.ML
Entrywise Estimation of Singular Vectors of Low-Rank Matrices with Heteroskedasticity and Dependence
本文提出了一种高维低秩矩阵奇异向量的估计方法,其中噪声矩阵允许行内相关和行间异方差.我们证明有限样本$\ell_{2,\infty}$界和Berry-Esseen定理的估计的各个条目,我们将这些结果应用到高维混合模型。我们的Berry-Esseen定理清楚地显示了信号矩阵,噪声的协方差结构和奇异向量估计任务中的误差分布之间的几何关系。这些结果在数值模拟中得到了说明。与以前的结果不同,这种类型的结果依赖于高斯性或加性噪声条目之间的独立性的假设,处理这些结果的证明中条目之间的依赖性需要仔细的留一分析和条件参数。我们的结果只依赖于信噪比,样本量,和信号矩阵的频谱特性。
2022-09-13 math.OC math.SP math.ST
Adaptive Long-Run Variance Thresholding for Sparse Covariance Estimation in High-Dimensional Time Series
University of Electronic Science and Technology of China(电子科技大学)
本文研究了弱依赖高维时间序列稀疏协方差估计,提出基于长期方差的阈值方法,实现对时间依赖性的适应,证明了估计器在谱范数下的一致性及最优收敛速度,并展示了支持恢复一致性。
2026-05-14 math.ST stat.ME stat.TH
The effect of Informative Selection on the estimation of parameters related to Spatial Processes
本文将信息选择、总体分布和样本分布的概念推广到空间过程中。这些概念首先定义在这样的背景下,其中感兴趣的随机过程的输出由总体中每个个体的独立且同分布的实现组成。它已被证明,信息选择诱导随机依赖的实现所选择的单位。在空间过程的背景下,“人口”是一个连续的空间,人口的两个不同要素的实现不是独立的。我们展示了如何信息选择可能会导致不同的依赖性之间的选定单位和样本分布如何不同的总体分布。
2021-03-18 math.ST stat.ME stat.TH