Asymptotic normality of an estimator of kernel-based conditional mean dependence measure
我们提出了一个估计的核为基础的条件均值的依赖性措施,从一个朴素的估计通常的经验估计的基础上进行适当的修改。然后在条件均值独立假设和备择假设下得到了该估计量的渐近正态性。然后引入了一个新的条件均值独立性的随机变量值到希尔伯特空间的测试。
2022-07-26 math.ST stat.TH
Concentration of the bootstrap empirical process, with applications to statistical inference
University of Rennes, ENSAI, CNRS, CREST-UMR 9194(雷恩大学、ENSai、CNRS、CREST-UMR 9194)
本文研究了基于可交换权重的自助经验过程的集中性,推导了其上界不等式,并应用于均值估计的置信区域和两样本置换检验的非渐近界。
2026-04-03 math.PR math.ST stat.TH
Leave-One-Out Neighborhood Smoothing for Graphons: Berry--Esseen Bounds and Edge-Wise Confidence Intervals
University of Cincinnati(辛辛那提大学)
本文提出留一法邻域平滑方法,通过解耦邻域选择与边平均,恢复条件独立性,从而实现对图ons中单个边概率的置信区间估计和诚实调参。
2026-10-29 stat.ME
Empirical Bayes conditional density estimation
给定解释变量的向量,响应的条件密度的非参数估计问题是经典的,并且在许多预测问题中具有突出的重要性,因为条件密度比回归函数更全面地描述了响应和预测变量之间的关联。这个问题在经济、精算科学和医学等不同领域都有应用。我们研究了条件密度的经验贝叶斯估计,建立了高斯核无限混合中先验超参数的自动数据驱动选择,具有预测依赖的混合权重,可以导致其性能与频率估计是最小最大最优的估计(直到对数因子)在局部Hölder光滑条件密度类上的速率自适应,降维如果响应独立于(某些)解释变量不包含关于响应的信息,与估计其条件密度的目的无关。
2015-04-20 stat.ME
Asymptotic Normality of the Conditional Value-at-Risk based Pickands Estimator
本文针对极值指数的 Pickands 估计量渐近效率差的问题,证明了基于 CVaR 的 Pickands 估计量在函数空间中的弱收敛性及渐近正态性,并通过模拟验证了理论结果。
2024-07-26 math.ST stat.OT stat.TH
Inference for Extremal Conditional Quantile Models, with an Application to Market and Birthweight Risks
分位数回归是经济学和其他科学中越来越重要的经验工具,用于分析一组回归变量对结果的条件分布的影响。极值分位数回归,或应用于尾部的分位数回归,在许多经济和金融应用中很有意义,例如条件风险价值,生产效率和(S,s)模型中的调整带。在本文中,我们提供了可行的推断工具,极值条件分位数模型,依赖于极值近似的自归一化分位数回归统计分布。该方法易于实现,即使在非回归情况下也可以独立感兴趣。我们用两个实证例子来说明结果,分析股票收益的极端波动和活婴儿出生体重在250和1500克之间的极低波动。
2009-12-26 econ.EM math.ST q-fin.RM
A Neighborhood-Assisted Hotelling's $T^2$ Test for High-Dimensional Means
已经提出了许多测试,以弥补经典的霍特林的$T^2$测试在“大$p$,小$n$“的范式,但最佳平方和类型的测试的存在还没有被探索。本文证明了在一定条件下,在所有基于$L_2$ -范数的检验中,用$Σ^η$对$η\in (-\infty, \infty)$进行数据转换时,用已知$Σ^{-1}$的总体Hotelling $T^2$检验具有最佳功效。为了将结果推广到未知$Σ^{-1}$的情况,我们提出了一种邻域辅助的Hotelling $T^2$统计量,该统计量通过用正则化协方差估计量代替经典Hotelling $T^2$统计量中样本协方差阵的逆来获得.利用回归模型,我们建立了它的渐近正态性在温和的条件下。我们表明,所提出的测试是能够匹配的人口Hotelling的$T^2$测试在一定条件下的性能,从而具有一定的最优性。此外,它可以自适应地获得最佳功率,通过经验选择的邻域大小,以最大限度地提高其信噪比。仿真实验和案例研究,以证明所提出的测试的经验性能。
2018-02-01 stat.ME
Estimation risk in conditional expectiles
Sao Paulo School of Economics, FGV(圣保罗经济管理学院,FGV);Argus Media;Sao Paulo School of Business Administation, FGV(圣保罗商业管理学院,FGV)
该研究在条件尺度模型下建立了条件期望分位数两步估计量的一致性与渐近正态性,阐明了标准化残差替代真实创新项的影响,发现其评估加密市场尾部风险比传统分位数度量更稳健。
2026-09-03 econ.EM stat.ME
Conditional Density Estimation with Neural Networks: Best Practices and Benchmarks
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院(KIT))
给定一组经验观测,条件密度估计旨在通过对条件变量$\mathbf{x}$和因变量$\mathbf{y}$的条件概率$p(\mathbf{y}|\mathbf{x})$建模来捕获它们之间的统计关系。本文基于数学见解和经验评估,为神经网络的金融应用开发了条件密度估计的最佳实践。特别是,我们引入了一个噪声正则化和数据归一化方案,减轻了过拟合,初始化和超参数敏感性等估计的问题。我们将我们提出的方法与流行的半参数和非参数密度估计进行比较,在模拟和Euro Stoxx 50数据的各种基准测试中证实了其有效性,并显示出其优越的性能。我们的方法允许获得高质量的估计更高的时刻,分位数和非线性回报转换的统计预期,对回报动态的假设很少。
2019-04-13 cs.LG q-fin.CP q-fin.ST
Testing Conditional Mean Independence Using Generative Neural Networks
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Maryland, College Park(马里兰大学帕克分校);Washington University in St Louis(圣路易斯华盛顿大学)
本文提出一种基于深度生成式神经网络和自举法的条件均值独立性(CMI)检验方法,通过精心构造检验统计量克服非参数估计误差影响,在高维及多元响应场景中表现出色且保持非平凡势。
2025-01-28 cs.LG stat.ML
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
Gimbal Regression: Orientation-Adaptive Local Linear Regression under Spatial Heterogeneity
本文提出Gimbal回归,通过方向权重和确定性保障,实现稳定且可审计的局部回归估计,提升数值稳定性。
2026-03-29 econ.EM stat.AP stat.CO
High-dimensional graphs and variable selection with the Lasso
多元正态分布的逆协方差阵中的零元模式对应于变量之间的条件独立约束。协方差选择的目的是从数据中估计这些结构零点。我们表明,邻域选择与Lasso是一个计算上有吸引力的替代标准的协方差选择稀疏高维图。邻域选择分别估计图中每个节点的条件独立性限制,因此等价于高斯线性模型的变量选择。我们表明,建议的邻域选择方案是一致的稀疏高维图。一致性取决于罚参数的选择。最优预测的预言值不会导致一致的邻域估计。相反,控制错误地加入图的一些不同的连通性组件的概率,稀疏图的一致性估计实现(指数率),即使当变量的数量增长的观察的数量上升到一个任意的权力。
2006-08-01 math.ST stat.TH
Neighborhood radius estimation in Variable-neighborhood Random Fields
我们考虑由有限区域条件概率定义的随机场,该概率取决于随边界条件变化的区域的邻域。为了预测任何有限区域内的符号,有必要检查随机数的邻域符号,这些邻域符号可能根据它们的值而改变。类似于一维设置,我们称这些邻域符号为区域的上下文。这个框架是变长马尔可夫链概念的自然扩张,是由Rissanen(1983)在他的经典论文中引入的d维域。我们定义了一个算法来估计最小的球的半径包含上下文的基础上实现的字段。我们证明了这个估计的一致性。我们的证明是建设性的,并产生明确的上界的概率错误估计的范围内。
2011-02-24 math.PR math.ST stat.TH
Estimating Conditional Distributions via Sklar's Theorem and Empirical Checkerboard Approximations, with Consequences to Nonparametric Regression
University of Salzburg(萨尔茨堡大学)
本文通过Sklar定理和经验近似方法,提出了一种估计条件分布的新方法,并展示了其在非参数回归中的应用价值。
2026-02-01 math.ST stat.TH
An Oracle Approach for Interaction Neighborhood Estimation in Random Fields
本文研究了由随机场有限个实现的部分观测得到的相互作用邻域估计问题。我们引入了一个模型选择规则来选择自然候选中的条件概率估计。我们的主要结果是一个预言不等式所得到的估计满足。然后,我们使用这个选择规则在一个两步的程序来评估相互作用的邻居。选择规则选择可能的相互作用点的小的先验集合,并且切割步骤从该先验集合中移除不相关的点。我们还证明了伊辛模型满足的主要定理的假设,没有限制的温度,相互作用图的结构或相互作用的范围。因此,它提供了一个大类的应用程序,我们的结果。在这些模型中,我们给出了一个计算效率高的程序。最后,我们展示了我们的方法在模拟研究的实际效率。
2010-10-22 math.ST stat.TH
Conditional Tail-Related Risk Estimation Using Composite Asymmetric Least Squares and Empirical Likelihood
本文利用复合非对称最小二乘法(CALS)和经验似然法,提出了一个两步估计Gestival序列的条件风险价值(VaR)和条件预期亏损(ES)的方法。首先,我们在几个显着性水平进行非对称最小二乘回归来模拟波动率结构,并将其与Gyndham模型中的创新过程分离开来。需要注意的是,期望值可以作为一个纽带,弥补从VaR估计到ES估计的差距,因为存在一个从期望值到特定分位数的双射映射,并且ES可以通过一个简单的公式由期望值导出。然后,我们引入经验似然方法来确定上述关系,这种方法是数据驱动的和分布无关的。理论研究保证了我们所提出的方法得到的估计量的渐近性质,如相合性和渐近正态分布。蒙特卡罗实验和实证应用进行评估所提出的方法的性能。结果表明,我们提出的估计方法是有竞争力的一些替代现有的尾部相关的风险估计方法。
2018-07-03 math.ST stat.TH
On the weak convergence of the empirical conditional copula under a simplifying assumption
当给定协变量的两个随机变量的条件分布的copula不依赖于协变量的值时,关于该copula的非参数估计可达到的最佳可能的收敛速率,出现了两种相互矛盾的直觉。最后,任何这样的估计量必须基于给定协变量的两个因变量的边际条件分布函数,并且估计这样的局部对象的最佳可能速率比参数速率慢。然而,给定协变量值的条件copula的不变性表明参数收敛速度的可能性。更乐观的直觉被证明是正确的,证实了一个猜想支持广泛的蒙特卡罗模拟I。Hobaek Haff和J. Segers [计算统计和数据分析84:1- 13,2015],并改进了I.吉贝尔斯湾Omelka和N. Veraverbeke [Scandinavian Journal of Statistics 2015,to appear].所提出的方法的新颖性在于在边缘累积分布函数的估计所采用的双重平滑过程。在温和的条件下的带宽序列,估计值在一定的类光滑函数,类具有足够小的熵的经验过程参数工作。copula估计本身是渐近无法区分的一种甲骨文经验copula,使它看起来好像边际条件分布函数是已知的。
2017-05-16 math.ST stat.TH
Estimating conditional hazard functions and densities with the highly-adaptive lasso
针对多元càdlàg函数类上的条件风险函数与密度估计问题,提出基于数据自适应筛的高度自适应套索估计量,证明其收敛速度与定义明确时的经验风险最小化器相当,且基函数数量更少,还拓展至右删失数据场景与新的条件密度估计。
2024-04-17 math.ST stat.TH
Statistical Guarantees for Local Spectral Clustering on Random Neighborhood Graphs
我们研究了个性化PageRank(PPR)算法,一个本地的谱方法聚类,提取集群使用局部偏置随机游动在一个给定的种子节点。与以前的工作相比,我们采用了经典的统计学习设置,从未知的非参数分布中获取样本,并旨在识别足够突出的聚类。我们引入了三个群体水平的泛函-归一化切割,电导和局部扩散,类似于基于图形的泛函的相同的名称-并证明PPR,运行在一个邻域图,恢复集群与小人口归一化切割和大电导和局部扩散。我们应用我们的一般理论,建立PPR识别连接区域的高密度(密度集群),满足一组自然的几何条件。我们还展示了相反的结果,即PPR可能无法恢复几何条件较差的密度集群,即使是渐进的。最后,我们为我们的理论提供了实证支持。
2021-12-23 math.ST stat.TH
Functional Generalized Empirical Likelihood Estimation for Conditional Moment Restrictions
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Weierstrass Institute for Applied Analysis and Stochastics(魏尔斯特拉斯应用分析与随机过程研究所);Eidgenössische Technische Hochschule Zürich(苏黎世联邦理工学院)
针对条件矩约束估计的挑战,提出广义经验似然(GEL)的泛函重构方法,利用任意机器学习模型并基于对偶公式设计实用算法,在多个问题上取得最优性能。
2024-02-16 cs.LG math.ST stat.ML
Posterior consistency of nonparametric conditional moment restricted models
研究了含有无穷维参数$g_0$的非参数条件矩约束模型的估计问题。我们估计它在准贝叶斯的方式,基于有限的信息似然,并调查三种类型的先验后验一致性的影响:(i)截断先验(先验支持的有界集),(ii)薄尾先验(一个先验,有非常薄的尾巴以外的增长有界集)和(iii)正常的前与非收缩方差。此外,允许$g_0$在频率论意义上仅被部分地识别,并且参数空间不需要是紧凑的。使用一个缓慢增长的筛尺寸的后验正则化,它表明,后验收敛到任何小的邻域的识别区域。然后,我们将我们的结果应用到非参数工具回归模型。最后,研究了随机筛维参数下的后验一致性问题。
2012-03-12 math.ST stat.TH
Bridging the Gap between Empirical Welfare Maximization and Conditional Average Treatment Effect Estimation in Policy Learning
本文证明政策学习中经验福利最大化与基于条件平均处理效应估计的插件方法在重新参数化下与最小二乘法精确等价,并据此提出一种更易优化的正则化政策学习方法。
2025-11-05 cs.LG econ.EM math.ST
Learning conditional distributions on continuous spaces
Université d’Évry-Val-d’Essonne(埃夫里-瓦尔德埃松大学);ENSIIE(国立信息与电子高等学校);University of Toronto(多伦多大学)
本文研究连续空间中的条件分布学习,分析固定半径球与 kNN 聚类的收敛速率,并将近邻、近似搜索、Sinkhorn 算法和稀疏传输计划集成到神经网络训练中。
2024-06-13 cs.LG math.ST stat.ML