Asymptotic efficiency for Sobol' and Cram{é}r-von Mises indices under two designs of experiments
本文针对两种实验设计(Pick-Freeze 方案与 Given-Data 设定)推导了 Cramér-von Mises 指数的渐近效率界,并讨论了达到最优界的估计方法,填补了该指数渐近效率研究的空白。
2025-07-21 math.ST stat.TH
On the Discrete Cramér-von Mises Statistics under Random Censorship
在这项工作中,引入非参数对数秩型统计检验,以验证纯离散变量的均匀性,任意右删失无穷多个类别。特别地,建立了删失情形下离散模型的Cramér-vonMises检验统计量.为了引入检验,我们在一般的多元离散设置中发展了加权对数秩统计量,它补充了Gill(1980)和Andersen等人(1982)以前的基本结果。由于在无界范畴集上存在持续跳跃,检验的渐近分布不是分布自由的。一个大类的加权过程的统计检验被描述为一个加权系列的独立卡方变量的权重可以一致估计和相关的限制协方差算子可以是无限维的。该测试是一致的任何备择假设,特别是,它允许我们处理交叉风险函数。我们还提供了一个模拟研究,以说明理论结果。
2012-01-11 math.PR math.ST stat.TH
Weak Convergence and Gaussian Limits for a General-Dimensional Origin-Invariant Cramér--von Mises Statistic
Bulacan State University(布拉干州立大学)
本文研究了在多项式β-混合依赖下,空间Cramér-von Mises统计量的渐近分布,并提供了Python实现。通过结合三种方法,将经典独立性检验扩展到空间依赖数据,给出了三种权重函数的特征值公式,并通过模拟实验验证了其有效性。
2026-07-27 math.ST stat.ME stat.TH
High-Dimensional Bernstein Von-Mises Theorems for Covariance and Precision Matrices
Florida State University(佛罗里达州立大学);University of Florida(佛罗里达大学);University of Technology Sydney(悉尼科技大学)
本文研究了高维情况下协方差与精度矩阵后验分布的渐近正态性,提出在特定增长限制下,其极限分布为对称矩阵正态分布,并适用于广泛先验分布。
2026-01-30 math.ST stat.TH
Bernstein von Mises Theorems for Gaussian Regression with increasing number of regressors
本文对贝叶斯非参数和半参数估计理论作出了贡献。研究了当回归变量个数随样本量增加时,高斯线性回归模型的后验分布的渐近正态性。在此框架下得到了两类Bernstein-von Mises定理:参数本身的非参数定理和参数泛函的半参数定理。我们将它们应用于高斯序列模型和Sobolev类和$C^α$类中的函数回归,得到了极小极大收敛速度。在我们的应用中,泛函的贝叶斯估计达到了自适应性。
2012-03-01 math.ST stat.TH
On Semi-parametric Bernstein-von Mises Theorems for BART
在贝叶斯非参数统计/机器学习中,很少有方法像贝叶斯加性回归树(BART)一样受到关注。虽然BART现在经常用于预测任务,但其理论特性直到最近才开始被理解。在这项工作中,我们继续Rockova和van der Pas(2017)发起的BART理论研究。特别是,我们研究了Bernstein-von Mises(BvM)现象(即渐近正态性)的光滑线性泛函的回归表面的框架内的非参数回归固定协变量。与其他适应性先验一样,当功能性和真实性不相容时,BvM现象可能会失败。为了克服诅咒的自适应分层先验下,我们诱导自相似性假设,以确保收敛到一个单一的高斯分布,而不是高斯混合。已知对功能参数的类似定性限制对于自适应推理是必要的。许多机器学习方法缺乏连贯的概率机制来衡量不确定性。BART很容易通过后验可信集提供这种量化。BvM定理意味着可信集也是具有相同渐近覆盖的置信区域。本文给出了BART先验的第一个渐近正态性结果,从频率论的角度证明了BART是一个有效的工具。
2019-05-09 math.ST stat.TH
Variational Bernstein-von Mises theorem with increasing parameter dimension
本文针对含潜变量的参数模型,建立了变分贝叶斯在参数维度递增情形下的有限样本理论,证明了非渐近变分Bernstein-von Mises定理及估计量的一致性和渐近正态性,并以多元高斯混合模型为例验证。
2025-08-04 math.ST stat.TH
A Bernstein-von Mises Theorem for Generalized Fiducial Distributions
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文在局部渐近正态性框架下,建立了广义证物推断的伯恩斯坦-冯·米塞定理,适用于非独立同分布数据,并扩展了现有广义证物理论在自由结样条模型中的应用。
2026-09-11 math.ST stat.TH
Finite Sample Bernstein -- von Mises Theorem for Semiparametric Problems
在允许有限样本和模型误设定的非经典设置中重新考虑经典参数和半参数Bernstein - von Mises(BvM)结果。在一个有限维的冗余参数的情况下,我们得到的目标参数的后验分布,这是明确的滋扰和目标参数的尺寸的高斯近似的误差上界。这有助于识别BvM结果适用的完整参数的所谓\emph{critical dimension} $ p $。在重要的身份证里。的情况下,我们证明了条件“$ p^{3} / n $是小的”是足够的BvM结果是有效的,在一般的假设模型。我们还提供了一个例子,一个模型的相变效应:陈述的BVM定理失败时,尺寸$ p $接近$ n^{1/3} $。将所得结果推广到Sobolev类中含有冗余参数的无穷维参数的情形。特别是,我们显示了接近正常的后,如果平滑参数$s$超过3/2。
2014-06-15 math.ST stat.TH
A Bernstein-Von Mises Theorem for discrete probability distributions
当模型维数随样本量增加时,我们研究了离散环境下后验分布的渐近正态性。本文考虑$\mathbbm{N}\setminus \{0\}$上的概率质量函数$θ_0$和满足$k_n^3\leq n\inf_{i\leq k_n}θ_0(i).$的截尾水平序列$(k_n)_n$。令$\hatθ$表示$(θ_0(i))_{i\leq k_n}$的极大似然估计,令$Δ_n(θ_0)$表示$k_n$维向量,其第$i$坐标由\sqrt{n}定义(\hat θ_n(i)-θ_0(i))对于$1\leq i\leq k_n.$我们检验了在$θ_0$上的温和条件下和在$k_n$ -维单形上的先验概率序列上,经过中心化和重新缩放后,以$\hatθ_n$为中心并由$\sqrt{n}$重新缩放的后验分布与$k_n$维高斯分布之间的变化距离$\mathcal{N}(Δ_n(θ_0),I^{-1}(θ_0))$以概率收敛于$0.$该定理可用于证明Shannon和Rényi熵的贝叶斯估计量的渐进正态性。证明是基于中心和非中心卡方(皮尔逊)统计量的浓度不等式。后者允许相对于Fisher距离而不是相对于Hellinger距离建立后验浓度率,因为它在非参数贝叶斯统计中很常见。
2009-01-29 math.ST stat.TH
Asymptotic efficiency of inferential models and a possibilistic Bernstein--von Mises theorem
本文针对推理模型(IM)能否同时具备有限样本有效性和渐近效率的问题,通过提出一个新的可能性Bernstein--von Mises定理给出了肯定回答,并证明了IM解的渐近高效性及在冗余参数消除问题中的适用性。
2025-07-11 math.ST stat.TH
On APF Test for Poisson Process with Shift and Scale Parameters
提出了具有未知尺度和移位参数的非齐次Poisson过程的拟合优度检验。提出了一种Cramer-vonMises型检验统计量,并研究了它的渐近性质.我们证明了在原假设下,该统计量的极限分布不依赖于未知参数。
2018-06-17 math.ST stat.TH
Robust Multivariate Nonparametric Tests via Projection-Averaging
在这项工作中,我们推广的Cramér-von Mises统计通过投影平均,以获得一个稳健的多变量两样本问题的测试。该检验对所有固定的备选方案是一致的,对重尾数据是鲁棒的,对某类备选方案是极小极大率最优的。我们的检验统计量是完全免费的调整参数,即使在高维计算效率。当维度趋于无穷大时,该检验具有与现有的高维均值检验相当的功效。作为我们的方法的副产品,我们引入了一个新的度量称为角距离,可以被认为是一个强大的替代欧几里德距离。使用角距离,我们连接到再生核希尔伯特空间的方法所提出的方法。除了Cramér-von Mises统计量,我们还证明了投影平均技术可以用于定义许多其他问题中的稳健多变量检验。
2019-05-21 math.ST stat.ME stat.TH
Integrated empirical measures and generalizations of classical goodness-of-fit statistics
本文基于 $m$ 重积分经验测度推广三类经典拟合优度统计量,给出其极限过程、KL 展开、特征值及便于计算的有限矩乘积。
2024-04-09 math.ST stat.TH
Improved dimension dependence in the Bernstein von Mises Theorem via a new Laplace approximation bound
该研究推导了测度与其拉普拉斯近似间全变差距离的新显式界,证明高维下n远大于d²时BvM定理在广义线性模型和多项式数据中成立,改进了此前n远大于d³的条件,结论为非渐近高概率界形式。
2024-11-04 math.ST stat.TH
Large-sample theory for inferential models: a possibilistic Bernstein--von Mises theorem
本文提出可能性 Bernstein–von Mises 定理,证明推断模型在保持不精确性与严格有效性的同时可达到渐近统计效率。
2024-04-24 math.ST stat.ME stat.TH
Diffusion on the circle and a stochastic correlation model
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校);Indian Institute of Management Ahmedabad(印度管理学院艾哈迈达巴德分校)
本文提出了一种基于圆上扩散过程的随机相关模型,通过解析近似von Mises扩散的转移密度,实现基于似然的估计,并应用于金融数据分析。
2026-01-02 math.ST q-fin.MF stat.TH
A note on the best invariant estimation of continuous probability distributions under mean square loss
考虑连续型概率分布函数的非参数估计问题。对于积分均方误差,我们提供了与Aggarwal(1955)和Ferguson(1967)提出的最佳不变估计量相对应的统计量。临界值的表进行计算,并与传统的Cramér-von Mises统计的统计量的数值功率比较几个代表性的分布。
2017-08-26 math.ST physics.data-an stat.TH
On Asymptotically Distribution Free Tests with Parametric Hypothesis for Ergodic Diffusion Processes
考虑了由遍历扩散过程的观测值构造渐近分布自由检验的问题。在基本假设下,假定趋势系数依赖于有限维参数,研究了Cramer-vonMises型统计量.基本的统计量取决于局部时间估计与不变密度的偏差,其中参数由最大似然估计代替。本文提出了一种线性变换,它使检验统计量收敛于Wiener过程的积分。因此,基于该统计量的检验是渐近分布自由的。
2013-05-15 math.ST stat.TH
Functional $K$ Sample Problem via Multivariate Optimal Measure Transport-Based Permutation Test
针对函数型数据的 $K$ 样本分布相等性检验,提出基于经验特征泛函成对比较的多元检验统计量,并用离散最优输运计算单一 $p$ 值,以比特币数据验证。
2025-04-24 math.ST stat.TH
Conditional limit laws for goodness-of-fit tests
研究了指数族模型在完全充分统计量条件下的Cramér-von Mises型拟合优度统计量的条件分布.我们表明,这种分布是接近的,在大样本中,参数自举,即,无条件分布下的统计参数的值由最大似然估计。作为证明的一部分,我们给出了这些模型中Rao-Blackwell估计的一致Edgeworth展开式。
2012-07-25 math.ST stat.TH
On Goodness-of-fit Testing for Ergodic Diffusion Process with Shift Parameter
提出了遍历扩散过程的拟合优度检验问题。在原假设中,扩散的漂移被假定为具有未知移位参数的参数形式。研究了两种Cramer-Von Mises型检验统计量。第一种是基于不变密度的局部时间估计,第二种是基于经验分布函数。通过最大似然估计器估计未知参数。证明了这两个检验统计量的极限分布都不依赖于未知参数,因此这两个检验统计量的分布是渐近无参数的。对所提出的试验和模拟研究的一致性也作了一些考虑。
2012-03-29 math.ST stat.TH
Testing linearity in semi-functional partially linear regression models
提出了半函数部分线性回归模型线性检验的Kolmogorov-Smirnov型统计量和Cramér-von Mises型统计量.我们的检验统计量是基于一个残差标记的经验过程索引的随机投影的功能协变量,这是能够规避“灾难的维数”所带来的功能协变量。建立了零值、固定替代和局部替代序列以$n^{1/2}$速率收敛于零值的检验统计量的渐近性质。一个简单的野生引导程序建议估计的临界值,需要进行测试在实际应用中。从一个广泛的模拟研究的结果表明,我们的测试表现相当不错,在有限的samples.Finally,我们将我们的测试Tecator和AEMET数据集,以检查是否线性的假设是由这些数据集支持。
2022-12-01 math.ST stat.TH
Optimal-order bounds on the rate of convergence to normality in the multivariate delta method
给出了一般抽象非线性统计量最优阶逼近正态性的一致和非一致Berry Esseen(BE)界,并利用BE界得到了向量统计量Delta方法收敛速率的最优界.具体应用皮尔逊,非中心学生和霍特林的统计,球形检验统计量,正则化典型相关,最大似然估计(MLE),所有这些均匀和非均匀BE界似乎是第一个已知的结果,这些种类,除了均匀BE界MLE。当应用到中央学生统计量的研究情况下,我们的一般结果比较以及与已知的情况下,以前通过专门的方法获得的。证明使用Stein型方法开发的陈和邵,Cramér型的倾斜变换,指数和Rosenthal型不等式的总和随机向量建立Pinelis,Sakhanenko,和Utev,以及一些其他的,相当近期的结果,本研究的动机。该方法允许一个获得明确的界限,而中等大小的常数,至少就统一的界限而言。例如,基于具有$\mathbb{E} Y_1=\mathbb{E} Z_1=\mathbb{E} Y_1Z_1=0$和$\mathbb{E} Y_1^2=\mathbb{E} Z_1^2=1$的独立同分布随机对$(Y_1,Z_1),\dots,(Y_n,Z_n)$,对于皮尔逊样本相关系数,具有均匀BE界$3.61\mathbb{E}(Y_1^6+Z_1^6)\,(1+σ^{-3})/\sqrt n$,其中$σ:=\sqrt{\mathbb{E} Y_1^2Z_1^2}$。
2016-01-17 math.PR math.ST stat.ME
Distribution-free testing of linear type
University of Central Florida(中佛罗里达大学)
该研究提出omega-1无分布拟合优度检验,作为Kolmogorov--Smirnov等检验的线性类似物,推导其有限维计算形式与极限分布,经模拟验证收敛快、适用性强。
2026-09-01 math.ST stat.TH
A Unifying Framework for Some Directed Distances in Statistics
概率分布之间的基于密度的有向距离--特别称为发散--广泛用于统计学以及信息论、人工智能和机器学习的相邻研究领域。突出的例子是Kullback-Leibler信息距离(相对熵),例如与无所不在的极大似然估计方法密切相关,以及Pearson的卡方距离,例如用于著名的卡方拟合优度检验。另一条统计推断线是建立在基于分布函数的分歧上,例如Cramer-von Mises检验统计量和Anderson-Darling检验统计量的突出(加权版本),它们经常用于拟合优度调查;一些最近的方法处理(其他种类的)累积配对分歧和密切相关的概念。在本文中,我们提供了一个总体框架,其中特别涵盖了上述基于密度和基于分布函数的分歧的方法;分位数的相异分别其他统计泛函也将包括在内。从这个框架中,我们从结构上提取了许多经典的和最先进的(包括新的)程序。此外,我们推导出新的概念之间的依赖性随机变量,作为替代著名的互信息。还讨论了一些变分表示。
2022-03-02 cs.IT math.IT math.PR