Robust Hypothesis Testing and Model Selection for Parametric Proportional Hazard Regression Models
半参数Cox比例风险回归模型在许多应用科学领域中得到了广泛的应用。然而,一个完全参数的比例风险模型,如果适当的假设,往往可以导致更有效的推理。为了解决传统的极大似然估计的极端非鲁棒性,在这种完全参数比例风险模型下的数据中存在离群值,最近提出了一种稳健估计方法,扩展了最小密度幂散度估计(MDPDE)的概念。本文研究了参数比例风险模型下的统计推断问题,并利用MDPDE方法建立了稳健的Wald型假设检验和模型选择方法。我们还得到了必要的渐近结果,用于构造一般复合假设的检验程序,并研究其渐近功效。通过适当的影响函数分析,从理论上研究了所声称的鲁棒性。我们已经研究了有限样本水平和权力的建议MDPDE基于Wald型测试通过广泛的模拟,比较也与现有的半参数方法。文中还讨论了鲁棒整定参数的选取问题。最后通过三个有趣的实际数据例子说明了所提出的鲁棒性测试和模型选择程序的实际用途。
2020-09-26 stat.AP stat.ME
Semiparametric Regression Analysis of Interval-Censored Competing Risks Data
当每例研究受试者可能经历由多种原因之一引起的事件或失败,并且失败时间未被精确观察到,但已知位于两次连续检查之间的时间间隔内时,就会出现区间删失竞争风险数据。我们用公式表示可能随时间变化的协变量对累积发生率或子分布函数(即,特定原因导致的边际失效概率),通过广泛的一类半参数回归模型,捕获子分布的比例和非比例风险结构。我们允许每个受试者进行任意数量的检查,并容纳关于失败原因的缺失信息。我们考虑非参数极大似然估计,并设计了一个快速和稳定的EM型算法的计算。然后,我们建立的一致性,渐近正态性,半参数估计的有效性,呼吁现代经验过程理论。此外,我们通过广泛的模拟研究表明,所提出的方法在现实情况下表现良好。最后,我们提供了一个应用程序,对不同病毒亚型的HIV-1感染的研究。
2016-03-01 stat.ME
A penalized logistic generalized regression estimator
Reed College(里德学院);Bucknell University(巴克内尔大学);Genospace
本文在模型辅助框架下提出一种惩罚逻辑广义回归估计量,结合Lasso或Ridge惩罚控制辅助变量影响,经模拟和实例验证可提高稀疏模型下估计效率,适用于含多辅助变量的复杂调查数据场景。
2026-09-01 stat.ME
Bartlett corrections in beta regression models
我们考虑在β回归模型中执行精确的小样本检验推断的问题,这对于建模假设$(0,1)$中的值的连续变量(例如比率和比例)是有用的。我们推导出Bartlett校正的似然比检验统计量,也考虑自助Bartlett校正。使用蒙特卡罗模拟,我们比较有限样本的性能的两个校正测试的标准似然比检验,也到它的变体,采用Skovgaard的调整,后者已经在文献中。数值证据支持我们提出的修正检验。我们还提出了一个经验的应用。
2015-01-29 stat.ME
A comparison of methods for the analysis of binomial proportion data in behavioral research
在行为和精神病学研究中,经常会出现由有限数量的试验中每个受试者的“成功”和“失败”比例组成的数据。这类聚集的二进制数据通常是非正态分布的,如果应用通常的一般线性模型并且样本量较小,则可能会导致参数估计和预测问题。在这里,我们研究了一些可用的分析方法的性能适用于比例数据的分析,即线性回归,泊松回归,β-二项回归和广义线性混合模型(GLISPR)。我们报告的结论,从模拟研究评估功率和I型错误率的这些模型的情况下,类似于那些遇到的行为研究人员和不同的样本量,集群大小和固定效应参数;此外,我们描述了从应用这些方法的数据从两个真正的行为实验的结果。我们的研究结果表明,虽然GLSTO和β-二项回归是分析聚类二进制结果的强大工具,但线性近似仍然可以在这种情况下提供可靠的假设检验。另一方面,泊松回归在用于比例数据建模时,可能会严重受到模型误设的影响。我们的结论提供了一些指导方针,选择合适的分析仪器,样品和集群大小取决于实验条件。
2016-05-06 q-bio.NC q-bio.QM stat.ME
Robust inference in inflated beta regression
Department of Statistics, University of São Paulo(圣保罗大学统计系)
本文提出稳健估计器以缓解最大似然推断的不足,同时保持膨胀贝塔框架的简洁和可解释性,并通过模拟研究和实际数据应用展示其优势。
2026-05-13 stat.ME
An explicit mean-covariance parameterization for multivariate response linear regression
我们开发了一种新的方法来拟合多变量响应线性回归模型,该模型利用了回归系数矩阵和误差协方差阵之间的参数联系。具体来说,我们假设多元误差随机向量中的条目之间的相关性与其对应的回归系数矩阵列之间的角度的余弦成比例,因此随着两个回归系数矩阵列之间的角度减小,对应误差之间的相关性增大。我们强调两种模型下,这种参数化出现:潜变量降秩回归模型和变量误差回归模型。我们提出了一种新的非凸加权残差平方和准则,利用这种参数化,并承认一类新的惩罚估计。该优化算法采用加速近端梯度下降算法求解。我们的方法用于研究在NCI-60细胞系上测量的microRNA表达和癌症药物活性之间的关联。实现我们的方法MCMVR的R包可以在github.com/ajmolstad/MCMVR上获得。
2021-12-08 stat.ME
Post-selection inference for L1-penalized likelihood models
本文提出了一种新的L1(lasso)惩罚似然模型(包括广义回归模型)的后选择推断方法。我们的方法概括了Lee et al(2014)提出的选择后框架。该方法提供了渐进有效的p值和置信区间,条件是套索完成的固有选择。我们目前的应用这项工作(正规化)逻辑斯谛回归,Cox的比例风险模型和图形套索。
2016-10-13 stat.ME
Robust beta regression through the logit transformation
University of São Paulo(圣保罗大学)
本文提出新的稳健估计方法,用于解决beta回归模型中最大似然估计的鲁棒性不足问题,通过渐近性质和稳健检验方法提升模型可靠性。
2022-09-22 stat.ME
Inference and local influence diagnostics for unit-Lindley additive partially linear models
Gazi University(加齐大学);Universidade de São Paulo(圣保罗大学)
提出单位Lindley加性部分线性模型,结合单参数分布与加性部分线性结构,通过惩罚似然估计和B样条平滑,并利用局部影响方法进行稳健性诊断。
2026-06-24 stat.CO stat.ME
The Rule of link functions on Binomial Regression Model: A Cross Sectional Study on Child Malnutrition, Bangladesh
本研究利用MICS-2019调查数据,在GLM框架下应用logit、probit、cloglog和cauchy等链接函数的二项回归模型分析孟加拉国0-5岁儿童营养不良比例,发现probit模型基于最低标准误差和拟合优度表现最佳。
2024-03-06 stat.ME
A parametric quantile beta regression for modeling case fatality rates of COVID-19
受COVID-19病死率(CFR)的启发,本文基于广义三参数贝塔(GB 3)分布建立了一个全参数分位数回归模型。Beta回归模型主要用于对比率和比例进行建模。然而,这些模型通常是指定的条件平均值。因此,如果观察到的响应变量遵循非对称分布(如CFR数据),则这些数据可能不充分。此外,β回归模型不考虑协变量在因变量范围内的影响,这可以通过条件分位数方法来实现。为了引入所提出的GB 3回归模型,我们首先通过插入分位数参数来重新参数化GB 3分布,然后我们开发了新提出的分位数模型。我们还提出了一个简单的解释预测响应关系的百分位数的增加/减少。进行蒙特卡罗研究以评估最大似然估计的性能和链接函数的选择。最后,来自智利的一个真实的COVID-19数据集进行了分析和讨论,以说明所提出的方法。
2021-10-09 stat.ME
Proportional-limit asymptotics for Diaconis-Ylvisaker-penalised logistic regression with fitted intercept
本文为带拟合截距的Diaconis-Ylvisaker惩罚逻辑回归建立比例极限下的估计量渐近理论,给出斜率极限律、检验统计量分布及可行推断方法。
2026-09-10 math.ST stat.ME stat.TH
Extreme quantile regression in a proportional tail framework
我们重新审视了Einmahl等人最初引入的异方差极值模型(JRSSB,2016),以描述非平稳序列的演变,其极值随时间推移而演变,并将其适应于一般的极端分位数回归框架。给出了极值指标和积分skedasis函数的估计,并证明了它们的渐近正态性。我们的结果是非常相似的异方差极端,但不同的证明方法强调耦合参数。我们还提出了skedasis函数的逐点估计和条件极值分位数的Weissman估计,并证明了这两个估计的渐近正态性。
2020-02-05 math.ST stat.TH
Statistical inference for case-control logistic regression via integrating external summary data
针对病例对照数据下逻辑回归截距参数不可识别的问题,提出一种基于经验似然的方法,通过整合外部汇总数据实现截距及所有回归参数的一致估计,并证明了估计量的渐近正态性。
2024-05-31 stat.ME stat.ML
The phase transition for the existence of the maximum likelihood estimate in high-dimensional logistic regression
本文严格地证明了高斯协变量的高维逻辑斯谛回归模型的最大似然估计(MLE)的存在性经历了一个急剧的“相变”.我们引入一个显式边界曲线$h_{\text{MLE}}$,它由两个标量参数化,测量回归系数的未知序列的整体大小,具有以下性质:在限制大样本量$n$和特征数$p$以这样一种方式成比例,即$p/n \rightarrow κ$,我们表明,如果问题是足够高的维度在这个意义上,$κ> h_{\text{MLE}}$,则MLE不存在的概率为1。相反,如果是$κ< h_{\text{MLE}}$,则MLE以概率1渐进存在。
2018-04-25 stat.ME stat.ML
Maximum likelihood estimation in a partially observed stratified regression model with censored data
分层比例强度模型通过允许研究人群的不同组具有不同的基线强度函数来概括Cox比例强度模型。本文考虑了当样本中某些个体的阶层变量不可观测时,该模型的估计问题。在这种情况下,我们构造了分层模型参数的非参数极大似然估计,并建立了它们的相合性和渐近正态性。也得到了极限方差的一致估计。
2008-05-06 math.ST stat.TH
Simultaneous high-probability bounds on the false discovery proportion in structured, regression, and online settings
虽然传统的多重测试程序禁止用户做出自适应分析选择,但Goeman和Solari(2011)提出了一种同时推理框架,该框架允许用户在保持所选集合的错误发现比例(FDP)的高概率界限的同时具有这种灵活性。在本文中,我们提出了一类新的同时FDP界,专为嵌套序列的拒绝集。虽然大多数现有的同时FDP界限是基于封闭测试,使用全局空测试的基础上排序的p值,我们还考虑设置边信息可以利用提高功率,变量选择设置,其中敲除统计可以用来订购变量,以及在线设置,其中必须作出拒绝的决定,因为数据到达。我们的有限样本,封闭形式的界限是基于重新利用的FDP估计错误发现率(FDR)控制程序设计的上述设置。这些结果建立了一个新的连接之间的并行文献的同时FDP界和FDR控制方法,并使用证明技术,采用鞅和过滤,这是新的这些文献。我们证明了我们的研究结果的效用,通过增加最近的仿制品分析英国生物银行数据集。
2019-12-01 math.ST stat.TH
On comparison of estimators for proportional error nonlinear regression models in the limit of small measurement error
本文比较了比例误差非线性回归模型的极大似然(ML)、拟似然(QL)和加权最小二乘(WLS)估计。热释光沉积测年的文献揭示了另一种类似于加权最小二乘法的估计,但观察到的反应用作权重。我们称之为数据加权最小二乘(DWLS)的估计量也包含在比较中。我们发现,在顺序$σ, $所有四个估计的行为类似于普通的最小二乘估计标准的线性回归模型。在$σ^2, $的阶上,估计量有偏差。在小的测量误差的限制下是有效的公式推导出的偏差和方差的四个估计。最大似然估计比拟似然估计具有更小的偏差。条件下,加权最小二乘和最大似然估计有类似的偏差。在$σ^ {2} $阶上,所有估计量具有相似的标准误差。在高阶$σ$上,当随机误差的前四阶矩与正态分布相同时,极大似然估计比拟似然估计具有更小的方差.最大似然和拟似然估计方程是无偏的。在大样本下,这两个估计量服从多元正态分布。加权最小二乘和数据加权最小二乘的估计方程是有偏的。然而,在$σ\to 0$和$n \to \infty, $的极限下,如果$ n^ {1/2} σ$保持有界,则这两个估计量也服从多元正态分布。模拟研究证明了适用性的推导公式中存在的测量误差典型的沉积数据。结果表明,从热释光沉积测年的数据集。
2019-11-21 math.ST stat.TH
Estimation, Confidence Intervals, and Large-Scale Hypotheses Testing for High-Dimensional Mixed Linear Regression
研究了高维混合线性回归模型,其中输出变量来自两个线性回归模型之一,且混合比例未知,随机协变量的协方差结构未知.基于一个高维的期望最大化算法,我们提出了一个迭代过程来估计两个回归向量,并建立其收敛速度。基于迭代估计,我们进一步构造了去偏估计,并证明了它们的渐近正态性。对于单个坐标,构造以去偏估计量为中心的置信区间。此外,提出了一个大规模的多重检验程序来检验的回归系数,并示出控制的错误发现率(FDR)渐近。仿真研究进行了检查所提出的方法的数值性能和现有的方法相比,其优越性。所提出的方法进一步说明,通过分析的数据集的多重图像细胞仪,其中调查的细胞表型,包括20个表位或标记物的组合的表达水平之间的相互作用网络。
2020-11-06 stat.ME stat.ML
Sub-optimality of the Naive Mean Field approximation for proportional high-dimensional Linear Regression
本文针对高维线性回归中朴素平均场近似的次优性,推导其渐近特征,证明其在对数归一化常数上的不准确及不确定性量化的过度自信,并首次将高斯比较不等式用于贝叶斯变分推断分析。
2023-10-15 math.ST stat.TH
Inference for the proportional odds cumulative logit model with monotonicity constraints for ordinal predictors and ordinal response
本文研究有序预测变量和响应变量下比例优势累积logit模型的推断,证明有约束与无约束估计渐近等价,据此构建置信区域和检验,并通过模拟和学校数据验证。
2025-05-26 econ.EM stat.ME
Interval-censored linear quantile regression
本文提出一种局部加权方法估计区间删失线性分位数回归,通过局部核平滑与改进EM算法估计权重及分布,并经模拟和HIV/AIDS数据验证了其有效性。
2024-04-17 stat.CO stat.ME
On the Unbiased Asymptotic Normality of Quantile Regression with Fixed Effects
具有固定个体效应的非线性面板数据模型为描述微观计量经济学数据提供了一套重要的工具。在一大类这样的模型中(包括概率单位、比例风险和分位数回归,仅举几例),不可能区分出个体效应,推断通常在“大n大T”渐近框架中是合理的。然而,目前在平滑评分函数(如概率单位和比例风险)和分位数回归模型中施加的假设类型存在相当大的差距。在本文中,我们表明,这一差距可以被弥合,并建立渐近无偏正态的分位数回归面板的n,T的条件下,是非常接近通常假设在标准的非线性面板。我们的结果大大改进了现有的理论,并表明,分位数回归适用于相同类型的面板数据(在n,T)作为其他常用的非线性面板数据模型。数值实验证实了我们的理论研究结果。
2020-02-06 econ.EM math.ST stat.TH
A comparison of some conformal quantile regression methods
我们比较了最近提出的两种方法,它们结合了共形推理和分位数回归的思想,以在样本交换下产生局部自适应和边缘有效的预测区间(Romano等人,2019; Kivaranovic等人,2019年)。首先,我们证明了这两种方法是渐近有效的大样本下,在一些额外的假设。然后,我们比较他们的经验模拟和真实数据。我们的研究结果表明,Romano et al.(2019)中的方法通常在有限样本中产生更紧密的预测区间。最后,我们讨论了如何通过固定用于训练和一致化的观测的相对比例来调整这些过程。
2019-09-12 math.ST stat.ME stat.ML
Asymptotic Inference for Constrained Regression
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心);The Lundquist Institute for Biomedical Innovation at Harbor-UCLA Medical Center(哈珀-加州大学洛杉矶分校医学中心伦德奎斯特生物医学创新研究所)
本文提出在高维回归中考虑参数空间约束的渐近推断方法,用于估计糖尿病相关连续结果的遗传效应,并研究其理论性质与数值表现。
2026-01-05 math.ST stat.ME stat.TH
Joint Specification of Model Space and Parameter Space Prior Distributions
我们考虑规范的先验分布贝叶斯模型比较,侧重于回归型模型。我们提出了一个特定的联合规范的先验分布跨模型,使后验模型概率的分散先验分布的个别模型的参数(林德利悖论)的敏感性减少。我们用一系列模拟和真实数据的例子说明了在我们提出的先验密度下线性和对数线性回归中推断和预测后验量的行为。
2012-07-24 stat.ME
Correcting the Coverage Bias of Quantile Regression
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
本文提出一组与模型无关的方法来修正分位数回归的覆盖率偏差,通过建立留一法覆盖率与对偶变量拟合值的新联系,实现高维情形下低成本交叉验证与精确校准。
2025-11-07 math.ST stat.ME stat.TH
Strong log-concavity in probit regression
Bocconi University(博科尼大学)
本文证明了在没有岭惩罚(即高斯先验)的probit回归似然函数中会出现强对数凹性,并给出了固定设计下的特征刻画以及高斯设计下的条件数分析。
2026-11-02 math.ST stat.TH
Asymptotics of Linear Regression with Linearly Dependent Data
University of Pennsylvania(宾夕法尼亚大学)
本文针对非高斯线性相关数据的高维线性回归场景,证明高斯普适性定理并通过不动点方程刻画估计误差,分析相关数据下的最优正则化等问题,仿真验证了理论预测。
2024-12-07 cs.LG cs.SY eess.SY
Statistical estimation in the proportional hazards model with risk set sampling
回归参数的Thomas偏似然估计被广泛应用于Cox模型嵌套病例对照数据的分析。本文提出了回归参数的一种新的估计,它是相合的且渐近正态的。它的渐近方差比Thomas的估计量离零点的渐近方差小于。与其他一些现有的估计,建议的估计不依赖于任何更多的数据比严格必要的托马斯估计,是很容易计算的封闭形式的估计方程的唯一的解决方案。方差估计是以估计函数的导数的倒数的负来获得的,因此推断是容易获得的。最后给出了一个数值例子来支持理论。
2004-10-05 math.ST stat.TH
Imbalanced Mixed Linear Regression
Weizmann Institute of Science(魏茨曼科学研究所)
考虑混合线性回归(MLR)问题,其中每个观测样本都属于$K$未知线性模型中的一个.在实际应用中,$K$组分的比例往往不平衡。不幸的是,大多数MLR方法在这样的设置中不能很好地执行。出于这种实际的挑战,在这项工作中,我们提出了混合IRLS,一种新的,简单,快速的算法MLR具有良好的性能,平衡和不平衡的混合物。与同时恢复$K$模型的流行方法相反,Mix-IRLS使用鲁棒回归工具顺序地进行恢复。从经验上讲,Mix-IRLS在其他方法失败的广泛环境中取得了成功。这些包括不平衡的混合物,小样本量,离群值的存在,以及未知数量的模型$K$。此外,Mix-IRLS在几个真实世界的数据集上优于竞争方法,在某些情况下,表现更好。我们补充我们的经验结果得出的恢复保证混合IRLS,这突出了它的优势不平衡的混合物。
2023-01-29 cs.LG math.OC stat.ME
Smooth backfitting of proportional hazards with multiplicative components
光滑后拟合在结构化回归中具有许多理论和实践上的优势。平滑后拟合将数据向下投影到感兴趣的结构化空间,提供数据和估计器之间的直接联系。本文将光滑后拟合的思想引入到比例风险模型的生存分析中,其中我们假设潜在的条件风险具有乘法分量。我们开发渐近理论的估计,我们使用的平滑backfitter在实际应用中,我们扩展了最近的进展,在样本预测方法,允许更多的信息被纳入,同时仍然遵守结构化的要求,在样本预测。
2020-02-06 math.ST stat.TH
Consistent estimation in Cox proportional hazards model with measurement errors and unbounded parameter set
研究了具有测量误差的Cox比例风险模型.在Kukush等人(2011)[Journal of Statistical Research 45,77-94]和Chimisov和Kukush(2014)[Modern Stochastics:Theory and Applications 1,13-32]中,研究了基线风险率$λ(\cdot)$和回归参数$β$的同时估计量$λ_n(\cdot)$、$β_n$的渐近性质,其中假设参数集$Θ=Θ_λ\times Θ_β$有界。在本文中,集合$Θ_λ$从上到下是无界的,并且不与$0$分离。我们分两步构造估计量:首先推导出强一致估计量,然后修改它以提供其渐近正态性。
2017-03-31 math.ST stat.TH
Adaptive testing on a regression function at a point
本文研究了当一个回归函数在零点下满足符号或形状约束时,在某一点上的推断问题。我们提出了一个测试,实现了最佳的极大极小率自适应的范围内的Hölder类,直到一个$\log\log n$长期,我们证明是必要的适应。我们将结果应用于自适应单侧检验的回归不连续性参数下的单调性限制,单调回归函数的值在边界和真实的零假设的比例在多重检验问题。
2015-10-14 math.ST stat.TH
Asymptotics For High Dimensional Regression M-Estimates: Fixed Design Results
我们研究了在适度的$p/n$制度下回归M-估计的坐标的渐近分布,其中协变量$p$的数量与样本量$n$成比例地增长。在适当的正则性条件下,我们建立了假设固定设计矩阵的回归M-估计的坐标方向渐近正态性。我们的证明是基于二阶庞加莱不等式(Chatterjee,2009)和留一法分析(El Karoui et al.,2011年)。一些相关的例子表明,我们的正则性条件是由广泛的一类设计矩阵满足。我们还展示了一个反例,即方差分析型设计,以强调技术假设不仅仅是证明的工件。最后,数值实验证实和补充了我们的理论结果。
2016-12-19 math.ST stat.TH
Comparison of probabilistic nowcasts and forecasts of SARS-CoV-2 variant proportions made by hierarchical multinomial linear regression models
Department of Mathematics and Statistics, University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校数学与统计系);School of Public Health and Health Sciences, University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校公共卫生与健康科学学院)
本文研究比较了基于分层多项式线性回归模型的SARS-CoV-2变异比例的概率现在预测和预测方法,探讨了这些模型在不同数据量地区的表现。
2026-05-21 stat.AP
Least square estimators in linear regression models under negatively superadditive dependent random observations
本文研究了基于随机观测的线性回归模型中最小二乘估计的渐近性质。我们提供了温和的假设的时刻和依赖结构的随机间隔的观察和残差下的估计是强一致的。特别是,我们考虑的观察实例是负超加性相互依赖的,而对于残差,我们只是假设它们是由一些连续函数产生的。此外,我们证明了收敛速率是成比例的采样率$N$,我们补充我们的研究结果与模拟研究提供的见解有限的样本属性。
2021-10-06 math.PR math.ST stat.TH
Robust Linear Regression: Optimal Rates in Polynomial Time
CMU(卡内基梅隆大学)
我们获得了强大的和计算有效的估计学习几个线性模型,达到统计最优的收敛速度下最小的分布假设。具体地说,我们假设我们的数据是从一个$k$ -hypercontractive分布和一个$ε$ -分数是adversarially损坏。然后,我们描述了一个估计,收敛到最佳的最小二乘最小化的真实分布的速度成正比的$ε^{2-2/k}$,当噪声是独立的协变量。我们注意到,在我们的工作之前,没有这样的估计是已知的,即使使用无界计算。我们实现的速率是信息理论上最优的,因此我们解决了Klivans,Kothari和Meka [COLT'18]中的主要开放问题。我们的关键见解是确定一个分析条件,作为一个多项式松弛的独立性的随机变量。特别是,我们表明,当噪声和协变量的时刻是负相关的,我们得到了独立的噪声相同的速率。此外,当条件不满足时,我们获得与$ε^{2-4/k}$成比例的速率,并且再次匹配信息理论下限。我们的核心技术贡献是算法上利用独立的随机变量的“平方和”的框架,制定为上述多项式不等式。
2020-12-04 cs.DS cs.LG stat.ML
Beta regression control chart for monitoring fractions and proportions
回归控制图通常用于监控与控制变量相关的感兴趣的变量。但是,对于分数和/或比例数据,使用标准回归控制图可能不充分,因为线性回归模型假定相关变量呈正态分布。为了解决这个问题,我们提出了beta回归控制图(BRCC)。当分数、比率和/或比例数据集与控制变量相关时,BRCC可用于监测这些数据集。建议的控制图假设贝塔分布变量的均值和离差参数与外生变量相关,使用回归结构建模。通过广泛的蒙特卡罗模拟研究的BRCC数值评估,表现出良好的性能,在平均运行长度(ARL)。两个应用程序的实际数据,证明所提出的方法的实用性。
2018-04-04 stat.ME
Asymptotic normality in linear regression with approximately sparse structure
本文研究了高维线性回归的渐近正态性。我们专注于回归变量的协方差阵具有KMS结构的情况下,在渐近设置的预测,$p$,是成比例的观察,$n$的数量。本文的主要结果是推导出预测矩阵$\mathbb{X}$和结果变量$Y$的乘积的适当中心化和归一化平方范数的精确渐近分布,即统计量$\|\mathbb{X}'Y\|_{2}^{2}$。此外,我们考虑一个特定的情况下,近似稀疏的模型参数向量$β$,并进行蒙特卡罗模拟研究。模拟结果表明,统计量接近极限分布相当快,即使在高变量的多重相关和相对较少的观察,建议可能的应用程序的建设的统计检验程序的现实世界的数据和相关问题。
2022-03-08 math.PR math.ST stat.TH
Scaled Sparse Linear Regression
尺度稀疏线性回归联合估计线性模型中的回归系数和噪声水平。它选择一个平衡与稀疏回归方法通过迭代估计噪声水平通过平均残差平方和缩放的惩罚成比例的估计噪声水平。迭代算法的成本很小,超过了计算的路径或网格的稀疏回归估计的惩罚水平高于适当的阈值。对于缩放的套索,该算法是在回归系数和噪声水平的惩罚联合损失函数的凸最小化中的梯度下降。在弱正则条件下,我们证明了尺度Lasso同时产生噪声水平的估计和满足某些预言不等式的估计系数向量,以及噪声水平和回归系数的估计.这些不等式提供了噪声水平估计的一致性和渐近正态性的充分条件,包括变量数量大于样本量的某些情况。通过缩放套索进行模型选择后,为最小二乘估计提供了平行结果。数值结果表明,所提出的方法优于早期的联合凸最小化建议的性能。
2012-06-21 math.ST stat.ML stat.TH
Robust censored regression with l1-norm regularization
研究了带有随机右删失和异常值的线性回归模型中的推断问题。离群值的数量可以随着样本量的增加而增加,而它们的比例趋于零。该模型是半参数的,我们只做非常温和的假设误差项的分布,与文献中大多数其他现有的方法。本文提出了对删失线性回归的Stute估计进行l1-范数惩罚的方法。我们得到的收敛速度和建立渐近正态性态估计的回归系数。在无异常值的删失线性模型中,我们的估计量与Stute的估计量具有相同的渐近方差.因此,不存在由于鲁棒性而导致的效率损失。因此,测试和置信集可以依赖于Stute开发的理论。概述的过程在计算上也是有利的,因为它相当于求解凸优化程序。我们还提出了第二个估计,它使用建议的惩罚Stute估计作为第一步,以检测离群值。它具有相似的理论性质,但在有限样本中的性能更好,通过模拟评估。
2021-10-05 math.ST stat.TH
Multi-Parameter Regression Survival Modelling: An Alternative to Proportional Hazards
协变量通过单个感兴趣的分布参数(例如,许多标准生存模型中的尺度参数)进入参数模型是标准做法。事实上,众所周知的比例风险模型就是这种类型。在本文中,我们讨论了一种更一般的方法,即协变量同时通过一个以上的分布参数进入模型(例如,尺寸和形状参数)。我们将这种做法称为“多参数回归”(MPR)建模,并探讨其在生存分析中的应用。我们发现,多参数回归导致更灵活的模型,可以提供更深入的了解底层数据生成过程。为了说明这一概念,我们考虑了两个参数的威布尔模型,导致时间依赖的风险比,从而放松了典型的比例风险假设,并激发了一个新的测试的比例。针对这类多参数回归模型,提出了一种新的变量选择策略。它解释了在两个或多个线性预测因子中估计的回归系数之间产生的相关性--这是其他作者在类似环境中没有考虑过的一个特征。所讨论的方法已经在R.
2019-01-10 stat.ME
Maximum Approximate Bernstein Likelihood Estimation in Proportional Hazard Model for Interval-Censored Data
给出了基于区间删失事件时间数据的比例风险回归模型中基线密度函数和回归系数的极大近似Bernstein似然估计.这不仅使生存函数的估计光滑,收敛速度快,而且改善了回归系数的估计。仿真结果表明,该方法的有限样本性能优于现有方法。所提出的方法说明了实际数据的应用。
2019-08-23 stat.ME
Efficient Predictor Ranking and False Discovery Proportion Control in High-Dimensional Regression
我们提出了一个排序和选择程序,优先考虑相关的预测和控制错误发现比例(FDP)的变量选择。我们的程序采用了一种新的排名方法,建立在去稀疏化的Lasso估计。我们表明,新的排名方法实现了最佳顺序的最小非零效应排名相关的预测提前无关的。采用新的排序方法,我们开发了一个变量选择过程,渐近控制FDP在用户指定的水平。我们表明,我们的程序可以一致地估计变量选择的FDP,只要去稀疏Lasso估计是渐近正态的。在数值分析中,当回归模型相对稀疏时,我们的方法在排序效率和FDP控制方面优于现有方法。
2018-12-11 stat.ME
Scalable and robust regression models for continuous proportional data
Duke University(杜克大学);University of Jyväskylä(于韦斯屈莱大学)
针对beta回归在连续比例数据中易受分布误设和异常值影响的问题,提出基于cobin与micobin分布的稳健回归模型,并通过Kolmogorov-Gamma增广实现高效贝叶斯推断。
2025-10-04 stat.ME
A Flexible Partially Linear Single Index Proportional Hazards Regression Model for Multivariate Survival Data
本文提出一种扩展比例风险模型的灵活部分线性单指标模型,用于多元生存数据,通过分段常数基线、copula关联和样条单指标处理非线性效应,并采用全似然推断,模拟和实际数据验证其有效性。
2025-10-15 stat.ME
Outlier-robust copula regression for bivariate continuous proportions: an application to cushion plant vitality
Syneos Health;Dept. of Mathematical Statistics and Actuarial Science, University of the Free State(自由州大学数学统计与精算科学系);CEMSE Division, King Abdullah University of Science and Technology(阿卜杜拉国王科技大学CEMSE学部);Dept. of Statistics, University of Pretoria(比勒陀利亚大学统计学系);Dept. of Plant and Soil Sciences, University of Pretoria(比勒陀利亚大学植物与土壤科学系);Dept. of Botany and Plant Biotechnology, University of Johannesburg(约翰内斯堡大学生物学与植物生物技术系)
针对二元连续比例数据的内部异常值与残差依赖问题,提出结合矩形beta边缘与单参数copula的贝叶斯稳健回归方法,经垫状植物调查与模拟验证性能优异,可作为跨领域成对比例数据的稳健分析工具。
2025-11-13 stat.ME
Bayesian Regression for a Dirichlet Distributed Response using Stan
对于由总和为1的正值集合或向量组成的观察到的响应,狄利克雷分布(Bol'shev,2018)是量化该过程背后的数据生成机制的有用数学构造。在应用中,这些响应集通常表示为比例或比例的组合,并且通过协变量,人们希望通过这些协变量的值的变化来表现潜在的信号,从而导致不同分布的响应组合。本文简要介绍了这类回归模型,并基于最近开发的公式(Maier,2014),说明了在贝叶斯推断框架Stan中的实现。
2018-08-20 stat.ME
Semiparametric regression and risk prediction with competing risks data under missing cause of failure
队列研究中涉及竞争风险的失败原因经常观察不完全。为了解决这一问题,在随机缺失假设下,已经提出了几种半参数比例原因特异性风险模型的方法。然而,这些建议仅提供了对回归系数的推断,而没有考虑无穷维参数,如协变量特定的累积发生率函数。然而,后者的数量是必不可少的风险预测在现代医学。在本文中,我们提出了一个统一的框架推断的回归系数的比例原因特定的风险模型和协变量特定的累积发生率函数下的随机缺失的故障原因。我们的方法是基于一种新的计算效率的最大伪偏似然估计方法的半参数比例原因特定的风险模型。利用现代经验过程理论,我们推导出所提出的估计的渐近性质的回归系数和协变量特定的累积发生率函数,并提供了方法,为后者同时构建置信带。模拟研究表明,我们的估计表现良好,即使在存在一个大部分的缺失故障原因,回归系数估计可以大大提高效率相比,以前提出的增广逆概率加权估计。该方法使用来自HIV队列研究和膀胱癌临床试验的数据应用。
2020-02-20 stat.ME
Proportional mean model for panel count data with multiple modes of recurrence
当研究受试者暴露于仅在离散时间点观察到的复发性事件时,组计数数据是常见的。本文考虑了具有多重回归模式的面板计数资料的回归分析。我们提出了一个比例均值模型来估计由于不同的复发模式的协变量对基础计数过程的影响。详细研究了$(k>1)$回归模型的基线累积均值函数和回归参数的同时估计问题。所提出的估计量的渐近性质也建立。一个蒙特卡罗模拟研究进行了验证所提出的估计的有限样本行为。将该方法应用于皮肤癌化学预防试验的真实数据。
2021-07-03 stat.ME
Beta Regression with Autoregressive Errors for Interrupted Time Series Analysis of Proportion and Rate Outcomes: A Simulation Study
University of California, San Francisco(旧金山加利福尼亚大学)
研究针对比例和速率结果的中断时间序列分析,介绍了betark方法,它是具有AR(k)误差的贝塔回归的联合条件最大似然估计器,通过递归替换实现。蒙特卡罗研究表明其在多数情况校准更好,能直接考虑自相关,相比其他方法有优势,但在特定条件下自身I型错误仍较高。
2026-10-28 stat.ME
Unsupervised Learning of Mixture Regression Models for Longitudinal Data
研究了重复测量个体的混合回归模型的学习问题。形容词“无监督”意味着混合成分的数量是未知的,必须由数据驱动工具来确定。为此,提出了一种新的惩罚方法,同时选择混合组分的数量,并估计混合比例和未知参数的模型。所提出的方法是能够处理连续和离散响应,只需要前两个时刻的条件下的模型分布。它被证明是一致的,在选择的组分数量和估计的混合比例和未知的回归参数。此外,一个修改的期望最大化算法开发无缝集成模型选择和估计。仿真研究进行评估所提出的程序的有限样本性能。并通过对原发性胆汁性肝硬化数据集的分析进一步说明。
2018-01-08 stat.ME