Pseudo minimum phi-divergence estimator for multinomial logistic regression with complex sample design
本文建立了研究复杂样本设计下多项逻辑斯谛回归模型的理论框架。通过一个数值例子和模拟研究，给出了响应变量服从过分散多项分布的逻辑斯谛回归模型参数的新估计、伪最小Cressie-Read散度估计和类内相关系数的新估计.结果表明，当λ = 2/3的伪最小Cressie-Read散度估计被插入时，Binder的簇内相关系数估计方法具有良好的性能.
2016-06-03 stat.ME
Strongly Consistent of Kullback-Leibler Divergence Estimator and Tests for Model Selection Based on a Bias Reduced Kernel Density Estimator
本文研究了有偏约化核密度估计的强相合性，得到了强相合的库尔贝克-莱布勒散度（KLD）估计.作为应用，我们给出了模型选择的拟合优度检验和渐近标准正态检验。蒙特卡罗模拟表明了所提出的估计方法和统计检验的有效性。
2018-05-18 stat.ME
Minimum ϕ-divergence estimation in constrained latent class models for binary data
本文的主要目的是介绍和研究二进制项的潜在类模型中最小散度估计作为极大似然估计的替代的行为。正如下面将变得清楚的那样，最小散度估计量是极大似然估计量的自然扩展。研究了二元数据隐类模型最小散度估计的渐近性质.最后，为了比较这些新的估计量与极大似然估计量在样本量不足以应用渐近结果时的效率和稳健性，我们进行了模拟研究。
2014-05-31 stat.ME
Robust estimation via $γ$-divergence for diffusion processes
Meisei University（明海大学）；RIKEN Center for Brain Science（理化学研究所脑科学中心）；Josai University（城西大学）
本文提出通过γ-散度方法对扩散过程中的异常值进行鲁棒估计，探讨了估计量的渐近性质和影响函数的有界性。
2026-03-05 math.ST stat.ME stat.TH
Minimum $L^q$-distance estimators for non-normalized parametric models
提出并研究了正半轴上光滑密度函数模型参数的一种新的估计方法。该程序是基于最近推出的表征结果的相应的概率分布，并被归类为最小距离估计，作为一个距离函数的$L^q$规范。在整个过程中，我们严格处理这些隐含定义的估计的存在性和可测性问题。此外，我们提供了一个共同的渐近设置的一致性结果，并比较我们的新方法与经典的估计指数，瑞利，和伯尔型XII分布在蒙特卡洛模拟研究。我们还评估了非归一化模型的指数多项式族的背景下，不同的估计的性能。
2020-03-13 math.ST stat.ME stat.TH
Towards a better understanding of the dual representation of phi divergences
本文的目的是研究不同的估计程序的基础上$φ-$分歧。基于Fenchel-Legendre对偶的$φ-$发散的对偶表示是本文的主要研究内容。它提供了一种方法来估计$φ-$分歧的经验分布的一个简单的插件，没有任何平滑技术。所得估计量进行了深入的理论研究和模拟表明，所谓的最小$φ-$发散估计（MD $φ$ DE）一般是非鲁棒性和行为类似的极大似然估计。我们给出了一些参数支持非鲁棒性属性，并给出了如何修改经典方法的见解。基于对偶表示，提出了另一类$φ-$发散稳健估计.我们研究的一致性和鲁棒性的影响函数的角度来看，新的估计。在第二部分中，我们调用Basu-Lindsay方法近似$φ-$分歧，并提供这些方法之间的比较。所谓的双$φ-$分歧也进行了讨论，并与我们的新估计。所有这些方法的一个完整的模拟研究，以比较效率和鲁棒性的所有提到的估计对所谓的最小密度功率发散，显示令人鼓舞的结果，有利于我们的新一类的最小双$φ-$分歧。
2015-10-10 stat.ME
Minimum Kernel Discrepancy Estimators
本文综述最小核差异估计量在统计建模中的应用，并给出用于分析其渐近性质的通用理论框架。
2023-08-23 math.ST stat.ME stat.TH
The B-Exponential Divergence and its Generalizations with Applications to Parametric Estimation
本文在Bregman散度的基础上提出了一类新的最小散度估计，其中定义的凸函数具有指数性质。这些估计避免了使用中间核密度的必要性，其中许多估计也具有很强的鲁棒性。它进一步表明，所提出的方法可以扩展到构建一类广义估计方程，其中所得到的估计池包括各种各样的最小散度估计和范围从高度鲁棒的调整参数的选择的基础上充分有效。所有得到的估计量都是M-估计量，其中定义函数明确使用参数模型的形式。这些估计的性质进行了详细讨论，理论结果证实了模拟和真实数据的例子。据观察，在许多情况下，从上述广义类的某些鲁棒估计提供更好的鲁棒性和效率之间的妥协相比，现有的标准。
2018-10-27 stat.ME
A logistic regression analysis approach for sample survey data based on phi-divergence measures
基于$ϕ$ -散度测度，提出了一类新的二元逻辑斯谛回归模型的最小距离估计。伪最小φ-散度估计量（PM $ϕ$ E）族是一般抽样调查设计中“最小φ-散度估计量”（M $ϕ$ E）的推广，它包含Roberts等在\cite{r}中考虑的伪极大似然估计量（PMLE）作为特例。通过模拟研究，它表明，一些PM $ϕ$ ES有一个更好的行为，在效率方面，比PMLE。
2016-11-08 stat.ME
Non-Parametric Maximum Likelihood Density Estimation and Simulation-Based Minimum Distance Estimators
间接推断估计器（即，基于模拟的最小距离估计）在一个参数模型的基础上，辅助非参数最大似然密度估计被证明是渐近正态的。如果参数模型是正确指定的，它进一步表明，渐近方差-协方差阵等于逆的Fisher信息矩阵。这些结果是基于非参数极大似然密度估计的参数一致收敛速度和参数一致Donsker型定理。
2011-09-20 math.PR math.ST stat.ME
Empirical phi-divergence test statistics for testing simple null hypotheses based on exponentially tilted empirical likelihood estimators
在计量经济学中，在不假设潜在分布的情况下施加限制来模拟复杂的现实是一种有价值的方法论工具。然而，如果一个子集的限制是不正确的指定，通常的测试统计量正确指定的模型往往拒绝一个简单的原假设。在这种情况下，我们可以说模型存在误设定。我们研究了Balakrishnan et al.（2015）中引入的经验φ-发散检验统计量的行为，通过使用Schennach（2007）的指数倾斜经验似然估计量，作为小样本量的显著性水平的效率和错误指定下的鲁棒性之间的良好折衷。
2015-10-27 stat.ME
Robust Empirical Bayes Small Area Estimation with Density Power Divergence
一个两阶段的正常层次模型称为费伊-赫里奥特模型和经验贝叶斯估计被广泛用于提供间接和基于模型的估计手段在小面积。然而，当假设的正态分布被错误指定时，经验贝叶斯估计的性能可能很差。在这篇文章中，我们提出了一个简单的修改，通过使用密度功率发散，并提出了一个新的鲁棒经验贝叶斯小区域估计。基于模型参数鲁棒估计的渐近性质，推导出了估计量的均方误差和估计的均方误差。我们调查所提出的方法，通过模拟和应用调查数据的数值性能。
2019-08-23 stat.ME
Robust Wald-type test in GLM with random design based on minimum density power divergence estimators
研究了具有随机协变量的广义线性模型（GLM）下的鲁棒推断问题。我们推导出了随机设计下GLM中参数的最小密度幂散度估计的性质，并利用该估计提出了稳健的Wald型检验，用于检验GLM中任意一般复合原假设.所提出的测试的渐近性和鲁棒性也检查GLM与随机设计。建议的强大的推理程序，流行的泊松回归模型分析计数数据的应用进行了详细的讨论，从理论上和数值模拟研究和实际数据的例子。
2020-04-03 stat.AP stat.ME
Comparaison between the two models : new approach using the $α$-divergence
对于连续分布，我们提出了新的非参数一致Rényi- $α$和$α$ -Tsallis散度估计.我们讨论这种方法的选择模型（在alétoire和自回归AR（1））。我们lestimateur使用的内核密度esttimer底层。然而，我们能够证明在一定的条件下，估计是一致的。我们还描述了如何应用这些估计，并通过数值实验证明其有效性。
2014-01-21 stat.ME
Robust estimation of polyserial correlation coefficients: A density power divergence approach
University of Zurich（苏黎世大学）
本文提出基于密度幂分歧的稳健估计方法，用于多项序相关系数的估计，该方法在保持高效率的同时提升了对异常值的鲁棒性。
2026-02-10 math.ST stat.AP stat.ME
A Proximal Point Algorithm for Minimum Divergence Estimators with Application to Mixture Models
从发散准则（如$φ-$发散）导出的估计量通常比极大似然估计量更稳健。我们特别感兴趣的是所谓的MD $φ$ DE，一个估计建立使用的双重表示$φ$ -分歧。本文提出了一种迭代邻近点算法，它允许计算这样的估计。该算法通过其构造包含公知的期望最大化算法。我们的工作是基于\citep{Tseng}关于似然函数的论文。我们给出了该算法产生的序列的几个收敛性质，并通过放宽最近项的可识别性条件改进了已有的结果，该条件对于大多数混合模型是无法验证的，而对于非混合模型是很难验证的.由于收敛性分析使用的正则条件（连续性和可微性）的目标函数，它有一个上确形式，我们发现这是有用的，提出一些分析方法来研究这样的功能。这里再次讨论了期望最大化算法在高斯和威布尔混合的精神，我们的方法的收敛。仿真结果证实了我们的工作的有效性和鲁棒性对离群值的估计。
2016-06-12 stat.CO stat.ME
$γ$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator
The University of Tokyo（东京大学）；RIKEN AIP（理化学研究所先进智能项目中心）
近似贝叶斯计算（ABC）是一种无似然性的推理方法，已在各种应用中采用。然而，如果数据差异度量选择不当，ABC可能对离群值敏感。在本文中，我们建议使用最近邻为基础的$γ$ -分歧估计作为数据差异的措施。我们表明，我们的估计具有一个合适的理论鲁棒性的属性称为降序属性。此外，我们的估计享有各种理想的属性，如高灵活性，渐近无偏性，几乎必然收敛，线性时间的计算复杂度。通过实验，我们证明了我们的方法实现了显着更高的鲁棒性比现有的差异措施。
2021-03-05 cs.LG stat.CO stat.ME
Generalized Wald-type Tests based on Minimum Density Power Divergence Estimators
在假设检验中，检验的稳健性是一个重要问题。通常，基于极大似然的测试在标准正则条件下是最有效的，但是即使在与假设条件的小偏差下，它们也是高度非鲁棒的。在本文中，我们提出了广义Wald型测试的基础上最小密度功率发散估计参数假设。该方法避免了非参数密度估计的使用和带宽的选择。效率和鲁棒性之间的权衡由调谐参数$β$控制。检验统计量的渐近分布是具有适当自由度的卡方分布。所提出的测试的性能进行了探讨，通过模拟和实际数据分析。
2015-03-07 stat.ME
Spontaneous Clustering via Minimum γ-divergence
我们提出了一种新的聚类方法的基础上的局部最小化的γ-散度，我们称之为自发聚类。所提出的方法的最大优点是，它可以自动检测的集群，充分反映了数据结构的数量。相比之下，现有的方法，如K-means，模糊C-均值，基于模型的聚类需要规定的聚类数。我们检测所有的局部极小点的γ-散度，这被定义为聚类的中心。在一个简单的条件下，得到了γ-散度存在局部极小点的一个充分必要条件.仿真研究和实际数据分析进行比较，我们的建议与现有的方法。
2013-04-30 stat.ME
Statistical Inference based on Bridge Divergences
M-估计提供了简单的稳健的替代极大似然估计。然而，大部分的鲁棒性文献，集中在位置，位置规模和回归估计的问题，而不是一般参数的估计。密度幂散度（DPD）和对数密度幂散度（LDPD）测度在一般参数模型中提供了两类竞争M-估计（由散度得到），其中MLE作为特例。在这些家庭中的每一个，估计的鲁棒性是通过密度功率下加权离群观测。这两个家庭已被证明是非常有用的工具，在该地区的鲁棒推理。然而，这两个族的最小距离估计之间的关系和层次尚未得到全面的研究或完全建立。给定一组特定的真实数据，如何从这两类分歧的并集中选择一个最优成员？在本文中，我们提出了一个广义家庭的分歧，将上述两个类，这个家庭提供了一个光滑的桥梁之间的DPD和LDPD措施。这个系列有助于澄清和解决DPD和LDPD的重要系列之间的关系的几个长期存在的问题，除了是一个重要的工具，在不同领域的统计推断在其本身的权利。
2017-06-18 stat.ME
General bootstrap for dual phi-divergence estimates
本文介绍了由交换加权样本构造的自举$ϕ$ -散度估计的一般概念。利用经验过程理论，得到了这些广义Bootstrapped $ϕ$ -散度估计的渐近性质，并利用它们构造了具有渐近正确覆盖概率的Bootstrapped置信集.讨论了一些实际问题，特别是护送参数的选择和几个发散的例子进行了调查。仿真结果表明，所提出的估计器的有限样本性能。
2011-10-15 math.ST stat.ME stat.TH
Testing Composite Null Hypothesis Based on $S$-Divergences
我们提出了一个强大的测试复合原假设的基础上，一般$S$发散家庭。这需要Ghosh等人的结果的非平凡推广。（2015年）。我们得到的渐近和理论的鲁棒性测试的最小$S$发散估计的性能下施加的原假设的参数限制。在正常模式的上下文中的说明也被提出。
2015-04-16 math.ST stat.ME stat.TH
Minimum Gamma Divergence for Regression and Classification Problems
本书系统介绍最小伽马散度方法，涵盖回归、泊松点过程及机器学习应用，旨在提升统计估计与模型的稳健性和性能。
2024-09-02 stat.ME
Relative Density-Ratio Estimation for Robust Distribution Comparison
基于密度比的直接近似而不经过分子和分母密度的单独近似的发散估计已经成功地应用于涉及分布比较的机器学习任务，如离群值检测、迁移学习和两样本同质性检验。然而，由于密度比函数往往具有很大的波动性，在实际应用中，发散度的估计仍然是一个具有挑战性的任务。在本文中，我们建议使用相对分歧的分布比较，这涉及到相对密度比的近似。由于相对密度比总是比相应的普通密度比更平滑，我们提出的方法在非参数收敛速度方面是有利的。此外，我们表明，所提出的发散估计具有渐近方差独立的模型的复杂性下的参数设置，这意味着所提出的估计很难过拟合，即使与复杂的模型。通过实验，我们证明了所提出的方法的实用性。
2011-06-23 math.ST stat.ME stat.ML
Minimum Stein Discrepancy Estimators
Imperial College London（帝国理工学院）；University College London（伦敦大学学院）；University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）
当极大似然估计不可行时，人们往往转向得分匹配，对比发散，或最小概率流，以获得易于处理的参数估计。我们提供了一个统一的角度来看，这些技术的最小斯坦差异估计，并使用这个镜头设计新的扩散核斯坦差异（DKSD）和扩散评分匹配（DSM）估计互补的优势。我们建立了DKSD和DSM估计量的相合性、渐近正态性和稳健性，然后推导了随机黎曼梯度下降算法，使其有效地优化。我们的方法的主要优势是它的灵活性，这使我们能够设计估计与所需的属性为特定的模型在手仔细选择斯坦差异。我们说明了这一优势的分数匹配，如非光滑，重尾或轻尾密度的几个具有挑战性的问题。
2022-10-06 cs.LG math.ST stat.ME
The Logarithmic Super Divergence and its use in Statistical Inference
本文引入了一个新的发散超族，它在精神上类似于Ghosh等人（2013）引入的S-发散族。这个新的族用作包含对数幂发散族（Renyi，1961; Maji，Chakraborty和Basu 2014）和对数密度幂发散族（Jones等人，2001年，作为特例。这个新的家庭和相应的最小距离程序的各种属性进行了讨论，特别强调的鲁棒性问题，这些属性通过仿真研究证明。特别是该方法证明了一阶影响函数在评估相应的最小距离程序的鲁棒性方面的局限性。
2014-07-15 math.ST stat.AP stat.ME
Uniform-in-bandwidth consistency for nonparametric estimation of divergence measures
我们提出了连续分布之间的发散测度的非参数估计。我们的方法是基于一个插件的核型估计的密度函数。我们给出了建议估计的带宽一致性的一致性。因此，还提供了其渐近100%置信区间。
2014-06-23 stat.ME
Dual $ϕ$-divergences estimation in normal models
研究了正态位置模型下由$ϕ$ -发散的对偶表示得到的一类稳健估计。这类估计的成员进行了比较，发现他们是有效的真实模型，并提供了一个有吸引力的替代极大似然，在鲁棒性。
2011-08-15 stat.AP stat.CO stat.ME
Robust Principal Component Analysis using Density Power Divergence
针对PCA易受异常值影响且现有稳健方法在高维下稳健性或计算、理论性质不足的问题，提出基于最小密度幂散度估计量的稳健PCA及高效算法，并通过模拟和真实数据集验证。
2023-09-24 stat.ME stat.ML
Discriminating between two models based on Bregman divergence in small samples
最近在[1，2]中，Ali-Akbar Bromideh引入了库尔贝克-莱布勒散度（KLD）检验统计量来区分两个模型。研究发现，在小样本量的情况下，最小Kulback-Leibler散度比（RMKLD）比最大似然比（RML）更有效。本文的目的是推广Ali-Akbar Bromideh的工作，提出一种基于Bregman分歧的假设检验，以改进模型的选择过程。我们的方法与他不同。在观察了n个未知密度f的数据点后，我们首先测量偏差降低的核密度估计与第一个估计的候选模型之间的接近度。其次，在偏差减少的核密度估计和第二估计候选模型之间。在这两种情况下，使用Bregman散度（BD）和偏差降低的核估计量[3]，重点是提高核密度估计量的收敛速度。因此，我们的模型选择检验程序基于模型选择检验统计量值与标准正态表中临界值的比较。我们建立了Bregman散度估计的渐近性质，并推导了幂函数的逼近式。多步MLE过程将用于估计模型的参数。我们解释了一个真实的数据集和数据生成过程（DGP）的BD的适用性。将使用蒙特卡罗模拟和数值分析来解释结果。
2017-09-29 stat.ME
A simulation study of semiparametric estimation in copula models based on minimum Alpha-Divergence
本文的目的是介绍两种估计copula参数的半参数方法。这些方法是基于最小α-散度之间的非参数估计copula密度使用局部似然概率单位变换方法和一个真正的copula密度函数。一个蒙特卡罗研究进行测量这些方法的性能的基础上，海林格距离和奈曼分歧的特殊情况下，阿尔法发散。仿真结果进行了比较，最大伪李克图（MPL）估计作为一种传统的估计方法，在著名的二元Copula模型。这些结果表明，基于最小伪Hellinger距离估计的方法在小样本量和弱相关性的情况下具有良好的性能。将参数估计方法应用于水文学中的一个实际数据集。
2020-09-11 stat.ME stat.OT
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
Minimum information divergence of Q-functions for dynamic treatment resumes
本文旨在提出一种新的应用信息几何强化学习集中在动态处理简历。在强化学习的标准框架中，Q函数被定义为单阶段情况下给定状态和动作的奖励的条件期望。我们引入一个等价关系，称为政策等价，在所有的Q-函数的空间。在Q函数空间中定义了每个阶段的一类信息发散。主要目的是提出一个估计的最优策略函数的最小信息发散的方法的基础上的轨迹数据集。特别是，我们讨论了$γ$功率发散，示出了具有有利的属性，使得政策等效Q-函数之间的$γ$功率发散消失。这个属性本质上是工作，以寻求最佳的政策，这是讨论的一个半参数模型的Q函数的框架。幂指数$γ$的具体选择给出了值函数与Q函数的几何平均和调和平均之间的有趣关系。数值实验证明了最小$γ$ -功率发散方法的动态治疗方案的背景下的性能。
2022-11-16 stat.ME stat.ML
Minimum Copula Divergence for Robust Estimation
本文提出仅基于 copula 函数的稳健估计框架，通过引入 copula 散度族并提出最小 copula 散度估计器（MCDE），有效应对模型误设与重尾数据，在极端观测下保证稳健性。
2025-09-16 stat.ME
Estimation of parametric and semiparametric mixture models using phi-divergences
混合模型的研究构成了统计学研究的一个大领域。在这项工作的第一部分中，我们提出了φ发散和现有的方法，产生强大的估计。我们对所谓的φ-发散的对偶公式更感兴趣。我们建立了一个新的鲁棒估计基于这个公式。我们研究了它的渐近性质，并给出了数值模拟数据与现有的方法进行比较。我们还介绍了一个近似点算法，其目的是计算基于发散的估计。我们给出了该算法的一些收敛性质，并在理论和仿真例子上说明了它们。在本文的第二部分中，我们建立了一个新的结构的两组分混合模型，其中一个组分是未知的。新的方法允许将事先的线性信息，如力矩类型和L-矩约束的未知组件。我们研究所提出的估计量的渐近性质。几个模拟数据的实验结果示出了新的方法的优点和增益，使用先验信息相比，现有的方法，不包括任何先验信息，除了对未知组件的对称性假设。
2016-11-24 stat.ME
Bias corrected minimum distance estimator for short and long memory processes
本文提出了一种新的短记忆和长记忆模型参数的最小距离估计（MDE）。这种偏差校正最小距离估计器（BCMDE）考虑了通常MDE中的校正，以在均值未知时解释样本自相关函数的偏差。证明了一般分数自回归滑动平均（ARFIMA（p，d，q））模型BCMDE的弱相合性，并在某些特殊情况下得到了BCMDE的渐近分布.仿真研究表明，BCMDE提出了一个良好的性能相比，在文献中常用的其他程序，如极大似然估计，Whittle估计和MDE。结果还表明，BCMDE提出，在一般情况下，最小的均方误差，是更少的偏见比MDE时，平均值是一个非平凡的时间函数。
2018-09-19 stat.ME
Divergence based Robust Estimation of the Tail Index through An Exponential Regression Model
极值理论在金融学、经济学、水文学等应用科学中有着广泛的应用。在单变量极值理论中，我们从一般的最大吸引域（MAD）中选择一个合适的分布来模拟数据，该分布由尾部指数表征;尾部有三大类--帕累托型、威布尔型和冈贝尔型。最简单和最常见的尾部指数估计量是希尔估计量，它只适用于帕累托型尾部，并且具有很高的偏差;在假设模型存在离群值的情况下，它也是高度非鲁棒的。最近有一些尝试产生渐近无偏或鲁棒的替代希尔估计;然而，所有的鲁棒替代品工作的任何一种类型的尾巴。本文提出了一种新的一般估计的尾部指数，这是既稳健，并具有较小的偏差下的所有三种尾部类型相比，现有的稳健估计。这实质上产生了Matthys和Beirlant（2003）在相同模型近似下通过使用密度幂发散的适当指数回归框架提出的估计量的鲁棒推广。估计的鲁棒性的文件中推导出随着广泛的模拟研究。文中还提出了一种偏差校正方法，并应用于一些实际数据实例。
2016-07-01 stat.AP stat.ME
Minimum disparity estimation in controlled branching processes
在假设后代律属于一般参数族的条件下，研究了受控分枝过程的最小差异估计。在一定的正则条件下，证明了基于后代律的非参数极大似然估计的最小差异估计是相合的且渐近正态分布的.此外，还讨论了估计量的稳健性。通过一个模拟的例子，重点是最小Hellinger和负指数差距估计，它表明，这两个都是对离群值的鲁棒性，是负指数也对内点的鲁棒性。
2015-11-19 stat.ME
Bayesian estimation of the Kullback-Leibler divergence for categorical sytems using mixtures of Dirichlet priors
本文提出基于狄利克雷先验混合的贝叶斯方法估计Kullback-Leibler散度，并扩展至平方Hellinger散度，在类别多和散度值高时优于其他估计技术。
2023-07-09 cs.IT math.IT physics.data-an
Divergence Measures Estimation and Its Asymptotic Normality Theory Using Wavelets Empirical Processes
本文给出了广义$ϕ$ -发散测度的渐近理论，其中包括最常见的发散测度：Renyi族和Tsallis族以及Kullback-Leibler测度.而不是使用Parzen非参数估计的概率密度函数的差异估计，我们使用小波的方法和几何的Besov空间。单侧和双侧统计检验以及对称化估计。在一般情况下得到了几乎处处收敛速度和渐近正态性定理，并对Renyi族和Tsallis族以及Kullback-Leibler测度进行了特殊化.结果的适用性通常的分布函数的地址。
2017-04-14 stat.ME
Robust minimum divergence estimation in a spatial Poisson point process
针对物种分布建模中似然分析因模型错误设定而不稳健的问题，提出一种基于泊松点过程新散度的稳健估计方法，通过对对数似然方程加权减轻异质观测影响，提升了预测性能。
2023-06-30 stat.ME
Robust Inference Using the Exponential-Polynomial Divergence
基于密度的最小发散程序代表参数统计推断中的流行技术。它们结合了强大的鲁棒性和高（有时是全）渐近有效性。在基于密度的最小距离方法中，基于Bregman散度的方法具有一个吸引人的特性，即散度的经验公式不需要使用任何非参数平滑技术，如核密度估计。基于密度功率发散（DPD）的方法代表了这一研究领域的当前标准。在本文中，我们将提出一个更广义的分歧，包括DPD作为一个特殊的情况下，并产生几个新的选项，提供更好的鲁棒性和效率之间的妥协。
2020-12-21 stat.ME
Robust Estimation in Generalised Linear Models : The Density Power Divergence Approach
广义线性模型（GLM）是分析生物学、社会学、农业、工程学等许多应用领域实际数据的重要工具，在这些应用领域中，响应变量与解释变量之间的关系可能不是线性的，或者在所有情况下分布可能不是正态的。然而，经常这样的真实数据包含大量的离群值的标准参数模型中使用的分析;在这种情况下，经典的极大似然估计可能无法产生合理的估计和相关的推断可能是不可靠的。本文对广义线性模型提出了一种稳健估计方法，该方法能在效率损失很小的情况下产生稳健估计。我们还将详细探讨广义线性模型的两种特殊情况--计数数据的泊松回归和二进制数据的逻辑斯谛回归--它们广泛应用于现实生活中的实验。我们还将通过几个有趣的数据例子来说明所提出的估计量的性能
2014-03-26 stat.ME
Robust Independent Component Analysis via Minimum Divergence Estimation
独立成分分析（ICA）已被证明在许多应用中是有用的。然而，大多数ICA方法是敏感的数据污染和离群值。在这篇文章中，我们介绍了一个通用的最小U-发散ICA框架，其中包括一些标准的ICA方法作为特殊情况。在U族中，我们进一步关注伽马发散，由于其理想的超鲁棒性，这给出了所提出的方法gamma-ICA。严格研究了γ-ICA一致性的统计特性和技术条件。在极限情况下，它导致的MLE-ICA的一致性的一个必要和充分条件。这个充分必要条件比文献中已知的条件弱。由于ICA中感兴趣的参数是一个正交矩阵，因此本文引入了一种基于特殊正交群上梯度流的几何算法来实现gamma-ICA。此外，一个数据驱动的伽玛值，这是实现gamma-ICA的关键选择，开发。与标准ICA方法相比，gamma-ICA的性能，特别是鲁棒性，通过使用模拟数据和图像数据的实验研究证明。
2012-10-20 stat.ME
Private Minimum Hellinger Distance Estimation via Hellinger Distance Differential Privacy
George Mason University（乔治梅森大学）
本文提出满足Hellinger差分隐私约束的最小Hellinger距离估计器，保持了鲁棒性和效率，同时开发了差分隐私梯度下降和牛顿-拉夫森算法，并通过数值实验验证了其在数据污染下的鲁棒性。
2026-11-03 cs.CR math.PR math.ST
Minimum Wasserstein distance estimator under covariate shift: closed-form, super-efficiency and irregularity
KLATASDS-MOE, School of Statistics, East China Normal University（华东师范大学统计学院）；Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）
本文提出了一种在协变量偏移下具有闭式解的W估计器，通过最优传输理论解释最近邻方法，并在特定情况下展现出超效率和统一性。
2026-01-12 stat.ME stat.ML
Estimation of Multivariate Location and Covariance using the S -Hellinger Distance
本文描述了Hellinger距离的一个推广，我们称之为S-Hellinger距离;这个一般族通过调节参数$α$将Hellinger距离与$L_2$ -散度平滑地连接起来，并且确实是Ghosh等人的S-Divergence族的一个子族。我们使用这种一般的分歧的上下文中估计的位置和协方差下（连续）多变量模型，并表明，建议的最小S-Hellinger距离估计是仿射等变的，渐近一致的，并在适当的条件下具有高的崩溃点。我们还说明了它的性能，通过广泛的模拟研究表明，所提出的估计比最小Hellinger距离估计的位置和相关参数在不同类型的污染下的污染比例高达20%的更强大的估计。
2014-12-05 stat.ME
Minimum regularized covariance trace estimator and outlier detection for functional data
提出MRCT估计量，利用基于中心性子集的fast-MCD型算法和自动选择的正则化参数α，实现高维或稀疏函数型数据的稳健协方差估计与自动异常值检测。
2023-07-25 stat.ME
The Minimum Regularized Covariance Determinant estimator
最小协方差行列式（MCD）方法使用具有最低样本协方差行列式的给定大小的子集稳健地估计位置和散布矩阵。它的主要缺点是当维度超过子集大小时无法应用。我们提出了最小正则协方差行列式（MRCD）的方法，它不同于MCD的散射矩阵是一个凸组合的目标矩阵和样本协方差阵的子集。数据驱动的过程设置目标矩阵的权重，以便仅在需要时使用正则化。的MRCD估计定义在任何维度，是良好的条件建设，并保持良好的稳健性的MCD。我们证明了所谓的浓度步骤可以执行，以减少MRCD目标函数，我们利用这一事实，构建一个快速算法。我们验证的准确性和鲁棒性的MRCD估计在模拟研究中，并说明其实际用途异常值检测和回归分析在现实生活中的高维数据集化学和犯罪学。
2018-12-01 stat.ME
Focused econometric estimation for noisy and small datasets: A Bayesian Minimum Expected Loss estimator approach
许多推理情形的中心是参数的有理函数的估计。统计学和计量经济学的主流估计这些数量的基础上插件的方法，而不考虑的主要目标的推理情况。我们提出了贝叶斯最小预期损失（MELO）的方法，明确关注的功能，并计算其频率变异。MELO估计量的渐近性质类似于插入式方法。然而，模拟实验表明，我们的建议是更好的情况下，其特征在于小样本量和噪声模型。此外，我们在应用程序中观察到，当数据集信息量不是很大时，我们的方法比常用的替代方法提供更低的标准误差。
2018-09-19 econ.EM stat.ME
Constructing targeted minimum loss/maximum likelihood estimators: a simple illustration to build intuition
本文以更易懂的方式补充说明了如何构建目标最大似然/最小损失估计器（TMLE），帮助应用受众理解如何利用有效影响函数在因果推断中结合机器学习实现有效推断。
2025-07-15 stat.ME
Robust Estimation under Linear Mixed Models: The Minimum Density Power Divergence Approach
针对线性混合模型经典估计在模型偏差下不稳定的问题，提出适用于独立非同分布观测的最小密度幂散度估计量，证明其理论与稳健性质，给出调优参数选择方案，模拟与真实数据验证了其性能优势。
2020-10-12 stat.AP stat.ME
Minimum Density Power Divergence Estimation for the Generalized Exponential Distribution
针对降雨数据中的异常值问题，本文采用最小密度幂散度估计（MDPDE）方法估计广义指数分布参数，推导了估计方程与渐近分布，并通过影响函数和相对效率分析及模拟与真实数据验证，表明其稳健性和高效性优于现有方法。
2024-02-07 stat.ME
Minimum Local Distance Density Estimation
本文提出了一种基于一阶顺序统计量的局部密度估计。为了估计点$x$处的密度，将原始样本划分为子集，并且使用所有这些子集上到$x$的平均最小样本距离来定义$x$处的密度估计。因此，调整参数是子集的数量，而不是基于核或直方图的密度估计器的典型带宽。该方法类似于最近邻密度估计，但它提供了更平滑的估计。我们推导出这个最小样本距离统计量的渐近分布，以研究子集的数量和大小的全局最优值。仿真是用来说明和比较的估计的收敛性能。结果表明，该方法提供了很好的估计的各种密度的调整参数没有变化，它提供了竞争力的收敛性能。
2014-12-09 stat.ME
