High-dimensional empirical likelihood inference
使用一般估计方程的高维统计推断具有挑战性，并且仍然较少探索。本文主要研究了这一领域的两个问题：模型参数多分量的置信集估计和模型规格检验。对于第一个，我们建议构造一组新的估计方程，使得估计高维滋扰参数的影响变得渐近可忽略不计。新的结构使我们能够估计一个有效的置信区域的经验似然比。对于第二个，我们提出了一个检验统计量作为最大的边际经验似然比，以量化数据证据对模型的规格。我们的理论建立了建议的经验似然方法的有效性，适应过度识别和指数增长的数据维度。数值研究表明，有前途的性能和潜在的实用价值的新方法。
2019-11-06 stat.ME
Log-F-penalized Conditional Logistic Regression for Sparse Data
Simon Fraser University（西蒙菲莎大学）
针对稀疏匹配病例对照研究中条件逻辑回归估计量偏差与收缩控制不足问题，提出log-F惩罚条件逻辑回归方法，其在模拟中表现出与Firth方法相当的置信区间覆盖率，且均方误差更低。
2026-08-03 stat.ME
Composite likelihood inference for space-time point processes
针对热带雨林普查点模式时间序列短、空间覆盖大的特点，提出基于条件复合似然的时空点过程参数估计方法，采用固定时间跨度-空间域递增的渐近框架，通过模拟和实际数据验证了方法的有效性。
2024-09-18 stat.ME
Joint Conditional Maximum Likelihood Estimation of Beta Regression for Panel Data with Higher-Order Autoregressive Errors
University of California, San Francisco（旧金山加利福尼亚大学）
针对面板Beta回归无法处理高阶自回归依赖的问题，提出联合条件最大似然Beta-AR(k)模型及两种协方差估计器，模拟验证PCSE优于DK，并给出Stata实现。
2026-09-23 stat.ME
Semiparametric empirical likelihood inference with estimating equations under density ratio models
密度比模型（DRM）为组合来自多信源的信息提供了一个灵活而有用的平台。在本文中，我们考虑的统计推断下的两个样本DRM的额外的参数定义通过和/或额外的辅助信息表示为估计方程。研究了DRMs中未知参数的最大经验似然估计（MELE）的渐近性质，并建立了经验似然比（ELR）统计量的卡方极限分布.我们表明，渐近方差的MELE的未知参数不减少，如果一个估计方程下降。获得类似的性质的推断的累积分布函数和分位数的每个涉及的人口。我们还提出了一个ELR测试的有效性和有用性的辅助信息。仿真研究表明，正确指定的估计方程的辅助信息的结果更有效的估计和更短的置信区间。两个真实数据的例子被用来说明。
2021-02-25 math.ST stat.ME stat.TH
Most Likely Transformations
提出并研究了条件变换模型类中极大似然估计的性质。基于一个合适的显式参数化的无条件或有条件的转换函数，我们建立了一个级联的越来越复杂的转换模型，可以估计，比较和分析的极大似然框架。任何单变量响应变量的无条件或条件分布函数的模型可以在相同的理论和计算框架中简单地通过选择适当的转换函数及其参数化来建立和估计。直接评估分布函数的能力使我们能够根据精确的似然估计模型，特别是在存在随机截尾或截断的情况下。对于离散和连续响应，我们建立了所提出的估计量的渐近正态性。一个参考软件实现的极大似然为基础的估计条件转换模型，允许相同的灵活性，在这里开发的理论被用来说明广泛的可能的应用。
2017-06-20 stat.ME
Evaluating the Robustness of Targeted Maximum Likelihood Estimators via Realistic Simulations in Nutrition Intervention Trials
最近开发的几种方法有可能利用机器学习来追求受因果推断启发的目标量，包括逆加权，双稳健估计方程和替代估计器，如目标极大似然估计。这些程序的最近的增强可以通过添加一层交叉验证（交叉验证的目标极大似然估计和双重机器学习，分别应用于替代和估计方程方法）来增加鲁棒性。虽然这些方法已经在模拟和实验数据集上进行了单独评估，但尚未对它们在“真实世界”模拟中的性能进行全面分析。在这项工作中，我们基准多个广泛使用的方法估计的平均处理效应使用10个不同的营养干预研究数据。一组现实的模拟，基于一种新的方法，高度自适应套索，用于估计的数据生成分布，保证一定程度的复杂性（欠平滑）是用来更好地模仿真实的数据生成分布的复杂性。我们应用这种新方法通过个体研究估计数据生成分布，随后使用这些拟合来模拟数据并估计处理效应参数及其标准误和由此产生的置信区间。根据分析结果，对替代估计量和估计方程估计量的交叉验证变量的使用提出了一般性建议。我们的结论是，交叉验证的附加层有助于避免无意的过拟合的滋扰参数泛函，并导致更强大的推理。
2021-09-28 stat.ME
Estimating the rate of defects under imperfect sampling inspection - a new approach
我们考虑的问题，估计的缺陷率（平均每项缺陷数），给定两个独立的不完美的检查员检测到的一个样本的项目的缺陷计数。与众所周知的“捕获-重新捕获”方法的设置相反，我们{ \it{do not} }具有关于由{ \it{both} }检查器联合检测到的缺陷数量的信息。我们解决这个问题，通过构建两种类型的估计-一个简单的矩型估计，和一个复杂的最大似然估计。这些估计的性能进行了研究分析，并通过模拟。结果表明，极大似然估计优于矩型估计。并与捕获-再捕获方法作了系统的比较。
2019-04-22 stat.ME
Two-sample extended empirical likelihood for estimating equations
我们提出了一个两个样本的扩展经验似然估计方程定义的两个p维参数之间的差异的推断。标准的两个样本的经验似然的差异是Bartlett可校正的，但其域是一个有界子集的参数空间。我们通过复合相似变换扩展其域，得到定义在全参数空间上的两样本扩展经验似然。扩展的经验似然具有与标准经验似然相同的渐近分布，并且可以达到Bartlett校正的二阶精度。我们包括两个应用程序来说明使用两个样本的经验似然方法，并证明优越的覆盖精度的扩展经验似然置信区域。
2014-12-22 math.ST stat.TH
Estimating Marginal Likelihoods in Likelihood-Free Inference via Neural Density Estimation
针对无似然推断中边际似然难以计算的问题，提出一种利用序列神经似然估计（SNLE）输出的简单通用方法来估计边际似然。
2025-07-11 stat.CO
Estimating survival parameters under conditionally independent left truncation
来自电子健康记录（EHR）的数据库通常会受到左截断，这是一种由于患者需要生存足够长的时间才能满足某些入选标准而引起的选择偏倚。调整左截断偏倚的标准方法依赖于进入时间和生存时间之间的边际独立性假设，这在实践中可能并不总是满足。在这项工作中，我们研究如何一个较弱的条件独立性假设可以导致无偏估计的共同统计参数。特别是，我们展示了截断数据集中条件参数的可估计性，以及利用包含混杂因素的非截断数据的参考数据的边际参数的可估计性。后者是对应用于真实世界外部比较器的观察因果推断方法的补充，这是真实世界数据库的常见用例。我们实现我们提出的方法在模拟研究中，证明无偏估计和有效的统计推断。我们还说明了在现实世界中的临床基因组数据库的生存分布估计条件独立的左截断。
2022-02-25 stat.AP stat.ME
On the Asymptotic Normality of the Conditional Maximum Likelihood Estimators for the Truncated Regression Model and the Tobit Model
本文研究了截断截尾回归模型和Tobit模型的条件极大似然估计的渐近正态性。我们证明了在Hayashi（2000）\footnote{see page 516, and page 520 of Hayashi (2000).}关于这两个模型的条件ML估计的渐近正态性的证明是正确的，即充分条件是$\mathbf{x_tx'_t}$的非奇异性.
2008-02-05 math.PR math.ST stat.TH
Empirical likelihood for estimating equations with missing values
当随机观测值的某些分量具有缺失性时，我们考虑由一般估计方程定义的参数的经验似然推断。由于估计方程的性质是广泛的，我们提出了一个非参数插补的缺失值从核估计的条件分布的缺失变量给定的总是可观察的变量。经验似然用于构建感兴趣参数的轮廓似然。我们证明，建议的非参数填补可以消除选择偏差的缺失和经验似然导致更有效的参数估计。通过对重组近交系小鼠遗传数据集的模拟和实证研究，对所提出的方法进行了进一步评估。
2009-03-04 math.ST stat.TH
The exact distribution of the conditional likelihood-ratio test in instrumental variables regression
本文推导了工具变量回归中条件似然比检验在弱工具和多内生变量下的精确渐近分布，以集中矩阵所有特征值为条件，相比现有上界方法显著提高了检验功效，并提供了计算方法与数值验证。
2025-09-07 econ.EM math.ST stat.TH
Conditional Density Estimation via Weighted Logistic Regressions
与条件均值作为简单的点估计相比，条件密度函数更能描述具有多峰、非对称或异方差的分布。本文通过讨论非齐次Poisson过程模型的广义密度与似然函数之间的关系，提出了一种新的参数条件密度估计方法.最大似然估计可以通过加权逻辑斯谛回归获得，并且通过组合逐块交替最大化方案和局部病例对照抽样可以显著地放松计算。我们还提供了模拟研究的说明。
2020-10-21 stat.ME stat.ML
Maximum Likelihood Estimation for Conditionally Heteroscedastic Models when the Innovation Process is in the Domain of Attraction of a Stable Law
本文证明了一般条件异方差模型参数的极大似然估计的强相合性和渐近正态性，该模型具有$α$稳定的新息。然后，我们放宽假设，只假设创新过程在分布上收敛于一个稳定的过程。利用具有稳定密度的伪极大似然估计，得到了估计的强相合性和渐近正态性。这一框架似乎适用于表现出厚尾的金融数据。我们将此方法应用于几个金融指标，并计算稳定的风险价值。
2012-12-28 math.ST stat.TH
Conditional Density Estimation by Penalized Likelihood Model Selection and Applications
在本技术报告中，我们考虑使用最大似然方法的条件密度估计。在较弱的假设下，得到了单模型Kullback-Leibler型损失的最大似然估计的理论界.我们使用惩罚模型选择技术来选择集合中的最佳模型。我们给出了罚函数选择的一般条件，并证明了罚函数选择的结果是oracle型不等式。这种构造被应用到基于分区的条件密度模型的两个例子中，在这些模型中，条件密度仅以分段方式依赖于协变量。第一个例子依赖于经典的分段多项式密度，而第二个使用高斯混合物与不同的混合比例，但相同的混合成分。我们展示了这最后一种情况是如何与无监督分割应用程序，一直是我们的动机，这项研究的来源。
2012-07-09 math.ST stat.TH
Estimating divergence functionals and the likelihood ratio by convex risk minimization
我们开发和分析$M$ -估计方法的分歧泛函和似然比的两个概率分布。我们的方法是基于一个非渐近变分表征的$f$ -分歧，这使得估计分歧的问题，通过凸经验风险优化来解决。由此产生的估计是简单的实现，只需要标准的凸规划的解决方案。我们提出了这些估计的一致性和收敛性分析。仅在密度比的条件下，我们证明了我们的估计在一定的条件下可以获得最优的似然比和发散泛函的极小极大率。我们推导出一个有效的优化算法来计算我们的估计，并通过模拟说明其收敛性和实际可行性。
2009-04-22 cs.IT math.IT math.ST
Estimation of conditional inequality curves and measures via estimating the conditional quantile function
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；Institute of Mathematics Polish Academy of Sciences（波兰科学院数学研究所）
本文扩展经典不平等测度至条件情形，提出基于保序回归的无交叉条件分位数估计法，证明一致性并模拟验证，应用于年龄组薪资不平等分析。
2026-10-05 math.ST stat.AP stat.ME
Autoregressive Generative Modeling with Noise Conditional Maximum Likelihood Estimation
Yale University（耶鲁大学）
我们介绍了一个简单的修改标准的最大似然估计（MLE）框架。而不是一个单一的无条件的模型下的数据的可能性最大化，我们最大限度地提高了家庭的\textit{noise conditional}的可能性，由一个连续的噪声水平扰动的数据。我们发现，以这种方式训练的模型对噪声更具鲁棒性，获得更高的测试可能性，并生成更高质量的图像。它们也可以通过一种新的基于分数的采样方案进行采样，该方案可以解决自回归模型中样本生成过程中出现的经典\textit{covariate shift}问题。将这种增强应用于自回归图像模型，我们在ImageNet 64 x64数据集上获得了每维3.32位，并在CIFAR-10数据集上从37.50到12.09的Frechet Inception距离（FID）方面大幅提高了生成样本的质量。
2022-10-19 cs.LG stat.ML
Estimation for recurrent events through conditional estimating equations
我们提出了新的估计的统计分析的依赖性的平均间隙时间长度之间的连续复发事件，一组解释性随机变量和右删失的存在。的依赖性表示通过回归和过度分散参数，估计通过条件估计方程。每个间隙时间长度的均值和方差以观察到的先前事件的历史和其他协变量为条件，是参数和协变量的已知函数。在一定的截尾条件下，我们构造了渐近无偏且只包含观测数据的归一化估计函数。我们讨论了参数估计序列的存在性、相合性和渐近正态性，这些参数是估计方程的根。模拟表明，我们的估计可以成功地使用一个相对较小的样本量在短期的研究。
2021-09-08 stat.AP
Analysis of binary spatial data by quasi-likelihood estimating equations
本文的目的是描述空间相关的二进制数据的拟似然估计方程的应用。在本文中，逻辑函数是用来模拟的边际概率的二进制响应的参数的利益。通过对相关性的适当假设，利用Leonov-Shiryaev公式并结合特征函数的比较，可以建立二元响应的线性组合的渐近正态性。然后可以导出拟似然估计的相合性和渐近正态性。通过用变异函数对空间相关性进行建模，我们应用这些渐近结果来测试两个空间相关的二进制结果的独立性，并基于Lansing Woods的数据用一个众所周知的例子来说明这些概念。文中还讨论了广义估计方程与所提方法的比较。
2005-05-27 math.ST stat.TH
Maximum sampled conditional likelihood for informative subsampling
University of Connecticut（康涅狄格大学）；Iowa State University（爱荷华州立大学）
子采样是在计算资源有限的情况下从海量数据集中提取信息的一种有效方法。在从全部数据中提取子样本之后，大多数可用的方法使用逆概率加权（IPW）目标函数来估计模型参数。IPW估计器没有充分利用所选子样本中的信息。在本文中，我们建议使用基于采样数据的最大采样条件似然估计（MSCLE）。我们建立了MSCLE的渐近正态性，并证明了它的渐近方差协方差阵在包括IPW估计在内的一类渐近无偏估计中是最小的.我们进一步讨论了L-最优子采样概率的渐近结果，并说明了广义线性模型的估计过程。数值实验提供了评估所提出的方法的实际性能。
2022-10-09 cs.IT cs.LG math.IT
Super-Resolution via Conditional Implicit Maximum Likelihood Estimation
University of California, Berkeley（加州大学伯克利分校）；University of Toronto（多伦多大学）
单图像超分辨率（SISR）是一个典型的问题，具有不同的应用。像SRGAN这样的领先方法产生的图像包含各种伪影，如高频噪声，幻觉颜色和形状失真，这对结果的真实性产生了不利影响。在本文中，我们提出了一种替代方法的基础上扩展的隐式最大似然估计（IMLE）的方法。我们在降噪和保留原始颜色和形状方面表现出更大的有效性，从而产生更逼真的超分辨率图像。
2018-10-02 cs.CV cs.GR cs.LG
Estimating Generalized Additive Conditional Quantiles for Absolutely Regular Processes
针对严格平稳绝对正则过程，提出带未知链接函数的广义加性条件分位数非参数估计方法，并证明各估计量的相合速率、二阶渐近展开与逐点渐近正态性。
2023-06-06 math.ST stat.TH
A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models
Booth School of Business, University of Chicago（芝加哥大学商学院）
本文提出基于似然的方法用于条件深度生成模型的分布回归，揭示了其在高维空间中绕过维度灾难的统计基础，并通过实验验证了方法的有效性。
2025-10-01 cs.AI cs.LG math.ST
Conditional Likelihood Ratio Test with Many Weak Instruments
London School of Economics（伦敦政治经济学院）；Hitotsubashi University（一桥大学）
本文扩展了Moreira(2003)提出的条件似然比检验，以处理误差方差未知且存在许多弱工具变量的工具变量回归模型。传统检验在估计误差方差时失去精确相似性且渐近无效，本文提出改进的临界值函数，证明在许多弱工具变量渐近下检验渐近有效。
2022-10-14 econ.EM math.ST stat.TH
Virtual Historical Simulation for estimating the conditional VaR of large portfolios
为了估计投资组合回报的条件风险，可以提倡两种策略。多变量策略需要估计风险因素向量的动态模型，这对于大型投资组合来说通常是具有挑战性的。基于投资组合收益动态模型的单变量方法似乎更有吸引力。然而，当单个收益的组合是时变的，投资组合的收益序列通常是非平稳的，这可能会使统计推断失效。另一种办法是重新建立一个“虚拟投资组合”，其收益是利用投资组合的当前构成建立的，可以估计一个静态动态模型。本文建立了这种方法的渐近性质，我们称之为虚拟历史模拟。数值模拟和实际数据的插图。
2019-09-10 econ.EM math.ST stat.TH
Direct sampling from conditional distributions by sequential maximum likelihood estimations
本文提出了一种基于顺序最大似然估计的近似算法，用于直接从对数仿射模型的条件分布中采样，无需前期研究。
2025-11-19 math.ST stat.TH
Estimating the null distribution for conditional inference and genome-scale screening
在解决多重检验问题的一种新方法中，Efron（2004; 2007）制定了适用于对数千个未受影响的基因、非相关单核苷酸多态性或其他生物学特征的数据建模的零分布下的检验统计量或标称p值的分布估计。零分布的估计不仅可以改进经验贝叶斯方法，而且可以改进许多其他多重比较方法。这样的估计作为建议的多重比较程序的基础上，最近的频率最小化后的预期损失的方法，举例说明了一个非加性的损失函数设计的基因组筛选，而不是验证。估计零分布的优点是检查的有利位置，条件推理的其余部分的文件。在基因组规模多重检验的模拟研究中，将估计的零分布作为近似从属统计量，对观察到的置信水平进行条件化处理，显著改善了条件推断。为了使研究人员能够确定是否依赖于一个特定的估计零分布进行推理或决策，提供了一个信息理论得分，量化了条件反射的好处。作为辅助程度和推理关联程度的总和，得分反映了条件作用在两个冲突项之间的平衡。基因表达微阵列数据的应用程序说明了所介绍的方法。
2009-10-05 math.ST stat.ME stat.TH
Estimating Concurrent Climate Extremes: A Conditional Approach
多个气候变量的极端值同时出现可能会造成巨大的社会和环境影响。因此，人们越来越有兴趣了解这些并发的极端。在许多应用中，不仅频率，而且幅度并发极值的兴趣。解决这个问题的一种方法是研究一个气候变量的分布，而另一个气候变量是极端的。在这项工作中，我们开发了一个统计框架，估计双变量并发极端通过条件的方法，单变量极值建模相结合的依赖建模的条件尾分布使用技术从分位数回归和极值分析，以量化并发极端。我们重点讨论了以日降水量取季节最大值为条件的日风速分布。加拿大区域气候模式大合奏是用来评估性能的拟议框架，通过模拟研究与指定的依赖结构，并通过气候模式模拟的依赖结构的分析。
2021-03-12 stat.AP
On the Asymptotic Normality of Estimating the Affine Preferential Attachment Network Models with Random Initial Degrees
本文考虑了具有随机初始度的偏好连接模型中仿射参数（和幂律指数）的估计。我们推导出的可能性，并证明了最大似然估计（MLE）是渐近正态和有效的。我们还提出了一个准最大似然估计（QMLE），以克服MLE的依赖于历史的初始度。为了证明我们的想法的力量，我们提出了数值模拟。
2017-03-08 math.ST stat.TH
Bounding Evidence and Estimating Log-Likelihood in VAE
Jagiellonian University（雅盖隆大学）
针对VAE中因仅知证据下界而难以比较模型训练效果的问题，本文提出一种通用有效的证据上界来高效近似数据对数似然，并通过理论与实验验证了其优越性及模型评估能力。
2025-03-05 cs.AI cs.LG stat.ML
Unrestricted conditional maximum likelihood estimation for a Fréchet regression model
KU Leuven（荷语鲁汶大学）；UCLouvain（法语鲁汶大学）
针对Fréchet回归模型，提出无约束条件最大似然估计，证明其在非紧参数空间上的一致性和渐近正态性，并通过宇宙闭包实现参数空间紧化。
2026-09-15 math.ST stat.TH
Learning Concave Conditional Likelihood Models for Improved Analysis of Tandem Mass Spectra
University of California, Davis（加州大学戴维斯分校）
鉴定复杂生物样品中存在的蛋白质的最广泛使用的技术是串联质谱法，其快速产生代表肽的大量光谱集合（即，蛋白质构象）。在这项工作中，我们大大扩展了参数学习能力的动态贝叶斯网络（DBN）肽评分算法，Didea，通过推导发射分布，其条件对数似然评分函数保持凹。我们发现，这一类的排放分布，称为凸虚拟排放（CVEs），自然地概括了对数和指数函数，同时呈现最大似然估计和条件最大似然估计凹范围广泛的贝叶斯网络。在Didea中利用CVE可以有效地学习大量参数，同时确保全局收敛，这与Didea以前的参数学习框架（只能使用昂贵的网格搜索学习单个参数）和其他可训练模型（只能确保收敛到局部最优值）形成鲜明对比。新训练的评分函数在评分函数准确性和下游Fisher核分析方面都大大优于最新技术水平。此外，我们显着提高Didea的运行时性能，通过连续优化其消息传递时间表，并推导出Didea的新凹分数和相关MS/MS评分功能之间的显式连接。
2019-09-04 cs.LG q-bio.QM stat.ML
An Asymptotic Result of Conditional Logistic Regression Estimator
在集群特定的研究，普通逻辑斯谛回归和条件逻辑斯谛回归的二元结果提供最大似然估计（MLE）和条件最大似然估计（CMLE），分别。在本文中，我们表明，CMLE渐近接近MLE时，每个单独的数据点被复制无限次。我们的理论推导是基于这样的观察，即出现在条件平均对数似然函数中的项是多项式的系数，因此可以通过柯西微分公式转化为复积分。复积分的渐近分析，然后可以使用经典的最速下降法最速下降法。我们的结果意味着，CMLE可以是有偏见的，如果个人的权重乘以一个常数，我们应该谨慎分配权重集群特定的研究。
2020-05-13 math.ST stat.TH
Finite-Rank Logistic Gaussian Processes with Exact Likelihood for Conditional Density Estimation
Duke University（杜克大学）；Eli Lilly and Company（礼来公司）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Virginia Commonwealth University（弗吉尼亚联邦大学）
本文提出ExFR-LGP方法，通过有限秩高斯过程先验实现条件密度估计的精确似然，获得闭式解，并证明其最优收缩速率，在合成数据和ADNI数据上验证了有效性。
2026-10-08 math.ST stat.AP stat.ME
Multiscale Dictionary Learning for Estimating Conditional Distributions
Icahn School of Medicine at Mt Sinai（西奈山伊坎医学院）；Child Mind Institute（儿童心理研究所）；Duke University（杜克大学）
给定高维特征的响应的条件分布的非参数估计是一个具有挑战性的问题。重要的是，不仅要允许响应密度的平均值，而且还要允许响应密度的方差和形状随特征灵活变化，这些特征是多维的。我们提出了一个多尺度字典学习模型，它表示的条件响应密度作为字典密度的凸组合，使用的密度和它们的权重依赖于通过树分解的特征空间的路径。一个快速的图划分算法被应用到获得的树分解，贝叶斯方法，然后使用自适应修剪和平均在不同的子树在一个软概率的方式。该算法可以有效地扩展到大约一百万个特征。最先进的预测性能展示了玩具的例子和两个神经科学应用程序，包括多达一百万的功能。
2013-12-04 cs.LG stat.ML
Quasi-maximum-likelihood estimation in conditionally heteroscedastic time series: A stochastic recurrence equations approach
本文研究了一般乘型$X_t=σ_tZ_t$的条件异方差时间序列模型的拟极大似然估计，其中不可观测波动率$σ_t$是$(X_{t-1},...,X_{t-p},σ_{t-1},... ,σ_{t-q})$的参数函数，对于某些$p,q\ge0$，且$(Z_t)$是标准化的i.i.d.噪声我们假设这些模型是随机递归方程的解，满足收缩（随机Lipschitz系数）属性。这些假设对于流行的Gestival过程、非对称Gestival过程和指数Gestival过程都是成立的。利用压缩性质，给出了随机递归方程严格平稳解$(X_t)$存在唯一的条件，并建立了QMLE的相合性和渐近正态性.我们还讨论了这种时间序列模型的可逆性问题。
2007-02-23 math.ST stat.TH
Sharp training-conditional coverage for conformal prediction under covariate shift
Mofid Securities（莫菲德证券公司）
本文研究协变量偏移下加权分裂共形预测的训练条件覆盖，提出基于集中不等式的显式界，并比较加权分位数、随机拒绝采样等方法，给出有限样本证书。
2026-09-29 cs.LG math.ST stat.ME
Linear Estimating Equations for Exponential Families with Application to Gaussian Linear Concentration Models
在许多分布族中，极大似然估计是难以处理的，因为进入似然函数的密度的归一化常数不容易获得。Hyvärinen（2005）的评分匹配估计量提供了一种不需要该归一化常数的替代方案。对于指数族，相应的估计方程变为线性。分数匹配估计是一致的，渐近正态分布的这种模式，虽然不一定有效。高斯线性浓度模型就是这类模型的例子。对于在协方差中也是线性的线性浓度模型，我们证明了分数匹配估计量与最大似然估计量相同，因此在这种情况下它也是有效的。高斯图形模型和图形模型的对称形式特别有趣的线性浓度模型的子类，我们调查的分数匹配估计这种情况下的潜在用途。
2014-06-12 math.ST stat.TH
Estimating the Effect of Central Bank Independence on Inflation Using Longitudinal Targeted Maximum Likelihood Estimation
独立的中央银行可以降低一国通货膨胀的观点是一个有争议的假设。迄今为止，还无法令人满意地回答这个问题，因为产生这些数据的复杂宏观经济结构尚未充分纳入统计分析。我们开发了一个因果模型，总结了通货膨胀的经济过程。基于这一因果模型和最近的数据，我们讨论和确定的假设下，中央银行的独立性对通货膨胀的影响可以识别和估计。考虑到这些假设和替代假设，我们使用现代双稳健效应估计器来估计这种效应，即，纵向目标最大似然估计。估计过程采用了机器学习算法，并针对复杂的纵向宏观经济数据相关的挑战进行了调整。我们并没有找到强有力的证据来支持长期独立的中央银行必然会降低通货膨胀的假设。仿真研究评估了所提出的方法在复杂环境中的敏感性，当某些假设被违反时，并强调了使用适当的学习算法进行估计的重要性。
2021-05-14 econ.EM stat.AP
Parameter estimation and model testing for Markov processes via conditional characteristic functions
马尔可夫过程被广泛应用于包括金融在内的各种学科。这些过程的跃迁密度通常是未知的。然而，条件特征函数更有可能是可用的，特别是对于Lévy驱动的过程。我们提出了一种经验似然方法，参数估计和模型规格测试，基于条件特征函数的过程中，无论是连续或不连续的样本路径。提供了参数的经验似然估计的理论性质和过程的参数规格的平滑经验似然比检验。仿真和实证案例研究进行了确认所提出的估计和测试的有效性。
2013-02-01 math.ST stat.TH
Estimating a class of diffusions from discrete observations via approximate maximum likelihood method
分析了基于扩散$X$沿固定时间间隔的离散观测值$[0,T]$和积分的Euler近似的扩散参数$(\vartheta,σ)$的近似极大似然估计方法。我们假设$X$满足一个形式为$dX_t =μ(X_t ,\vartheta )\, dt+\sqrtσ b(X_t )\, dW_t$的矩阵，初始条件为非随机的。在$\vartheta$中，时延一般是非线性的。在假设基于$[0,T]$上路径连续观测的漂移参数的极大似然估计$\hat{\vartheta}_T$存在的基础上，证明了由$X$沿$[0,T]$的离散观测通过近似对数似然函数的极大化得到的参数的可测估计$(\hat{\vartheta}_{n,T},\hatσ_{n,T})$存在，且$\hatσ_{n,T}$是相合且渐近正态的，并且当$T$固定时，$δ_{n,T} =\max_{0\leq i<n}(t_{i+1}-t_i )$趋于零时，$\hat{\vartheta}_{n,T}-\hat{\vartheta}_T$趋于零，概率为$\sqrtδ_{n,T}$。在遍历扩散的情况下，当$T$以$Tδ_n$在等距采样下趋于零的方式趋于无穷大时，同样适用，并且我们应用这些来显示$\hat{\vartheta}_{n,T}$，$\hatσ_{n,T}$和$\hat{\vartheta}_{n,T}$在这种情况下的渐近效率的一致性和渐近正态性…
2018-08-20 math.ST stat.TH
Conditional inference in parametric models
本文提出了一种新的方法，条件推理的基础上模拟的样本条件的统计数据。还提供了一个显式表达式的近似的条件可能性的长期运行的样本所观察到的统计量。它表明，当条件统计量是足够的一个给定的参数，近似密度仍然是不变的参数。提出了一种新的Rao-Blackwellisation方法，仿真结果表明Lehmann-Scheffé定理对这种近似是有效的。本文还研究了带干扰参数的指数族的条件推理，并给出了蒙特卡罗检验。最后考虑了通过条件似然估计感兴趣的参数。与参数bootstrap方法进行了比较。
2012-02-05 stat.AP
Estimating the relative rate of recombination to mutation in bacteria from single-locus variants using composite likelihood methods
许多研究建议使用密切相关的细菌分离株的DNA序列之间的比较来估计该细菌物种的重组突变的相对速率。我们考虑这样一种方法，它使用单基因座的变体：对分离的DNA在一个单一的基因座不同。从这些数据中推导出重组与突变的相对速率的点估计的一种方法是使用复合似然方法。我们扩展了最近在这方面的工作，以便能够构建置信区间为我们的估计，而不需要诉诸计算密集型引导程序，并开发一个测试是否跨位点的相对速率变化。我们的测试和构造置信区间的方法是通过对数据中的依赖结构进行建模，然后应用渐近理论来获得使用复合似然估计的分布。我们将这些方法应用于8种细菌的多位点序列分型（MLST）数据，发现其中3种细菌（蜡状芽孢杆菌、屎肠球菌和肺炎克雷伯菌）的速率变化相当大的有力证据。
2015-06-02 q-bio.PE stat.AP
Estimating linear covariance models with numerical nonlinear algebra
数值非线性代数被应用于由协方差阵上的线性约束定义的高斯模型的极大似然估计。我们研究的一般情况下，以及特殊的模型（如Toeplitz，稀疏，树），在统计学的兴趣。本文研究了极大似然度及其对偶模拟，并介绍了一个求解评分方程的软件包LinearCovarianceModels.jl。因此，可以可靠地计算所有局部最大值。此外，我们还确定了估计量为有理函数的几种情况。
2019-09-02 math.AG stat.CO
Independent component analysis via nonparametric maximum likelihood estimation
独立成分分析（ICA）模型是一种非常流行的半参数模型，其中我们观察到随机向量$X = AS$的独立副本，其中$A$是非奇异矩阵，而$S$具有独立分量。本文提出了一种新的方法，利用非参数极大似然估计解混矩阵$W = A^{-1}$和$S$各分量的边缘分布。具体来说，我们研究的投影的经验分布的ICA分布具有对数凹边缘的子集。我们表明，从估计的分解矩阵的角度来看，它没有区别是否正确地指定的对数-ε。该方法进一步证明了理论结果和模拟研究。
2012-06-03 math.ST stat.TH
Hypothesis Testing for Class-Conditional Noise Using Local Maximum Likelihood
University of Bristol（布里斯托大学）；GSK（葛兰素史克）
针对现有类别条件标签噪声假设检验依赖过强参数假设、易出现模型误设的问题，提出基于局部最大似然估计的非参数逻辑回归检验方法，拓展了检验适用范围，并通过实验验证了其优劣。
2023-12-15 cs.LG stat.ML
Conditional Density Estimation Tools in Python and R with Applications to Photometric Redshifts and Likelihood-Free Cosmological Inference
在天文学中众所周知，在测光红移估计中传播非高斯预测不确定性是减少下游宇宙学分析中偏差的关键。同样，似然自由推理方法，这是开始出现作为一种工具，宇宙学分析，需要一个完整的不确定性景观的参数给定观测数据的特征。然而，大多数机器学习（ML）或基于训练的方法与开源软件的目标点预测或分类，因此无法量化复杂回归和参数推断设置中的不确定性。作为专注于从特征$\mathbf{x}$预测响应（或参数）$\mathbf{y}$的方法的替代，我们提供了非参数条件密度估计（CDE）工具，用于近似和验证给定的$\mathbf{y}$的整个概率密度函数（PDF）$\mathrm{p}(\mathbf{y}|\mathbf{x})$（即，条件是）$\mathbf{x}$。由于没有一种通用的CDE方法，因此这项工作的目标是为非参数CDE和方法评估提供一系列全面的统计工具和开源软件，这些工具和软件可以适应不同类型的设置，并且可以轻松地适应手头的问题。具体来说，我们介绍了四个CDE软件包在$\texttt{Python}$和$\texttt{R}$的基础上ML预测方法调整和优化CDE：$\texttt{NNKCDE}$，$\texttt{RFCDE}$，$\texttt{FlexCode}$，和$\texttt{DeepCDE}$。此外，我们提出了$\texttt{cdetools}$包，其中包括计算CDE损失函数的…
2019-12-21 astro-ph.IM stat.CO stat.ML
Conditional Density Estimation with Dimensionality Reduction via Squared-Loss Conditional Entropy Minimization
Tokyo Institute of Technology（东京工业大学）
回归的目的是在给定输入的情况下估计输出的条件均值。然而，回归是不够的信息，如果条件密度是多峰，异方差，和不对称的。在这种情况下，估计条件密度本身是优选的，但是条件密度估计（CDE）在高维空间中是具有挑战性的。处理高维的一种简单方法是首先执行降维（DR），然后执行CDE。然而，这样的两步过程在实践中执行得不好，因为在第一DR步骤中引起的误差可能在第二CDE步骤中被放大。在本文中，我们提出了一种新的单次拍摄过程，同时进行CDE和DR在一个集成的方式。我们的主要思想是制定DR作为最小化的条件熵的平方损失变量的问题，这是通过CDE解决。因此，一个额外的CDE步骤是不需要DR后。我们证明了所提出的方法的有用性，通过广泛的实验，包括人形机器人过渡和计算机艺术的各种数据集。
2014-04-28 cs.LG stat.ML
Estimating the logistic regression equation when the model is incorrect
Norwegian Computing Centre（挪威计算中心）；University of Oslo（奥斯陆大学）
研究当逻辑回归模型仅为真实函数的近似时，基于似然的估计量（如最大似然估计）的一致性和渐近正态性，并指出最小化加权距离的“最小假”参数值。
2026-05-26 math.ST 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
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
