Deriving Lehmer and Hölder means as maximum weighted likelihood estimates for the multivariate exponential family
Université de Sherbrooke(谢布鲁克大学)
本文将 Lehmer 和 Hölder 均值族与加权最大似然估计的联系从一元指数族推广到多元指数族,为这些均值族提供概率解释并拓展其应用。
2024-05-02 cs.LG math.ST stat.TH
Weighted likelihood estimation under two-phase sampling
本文在两阶段分层不放回抽样下建立了加权似然估计的渐近理论。我们还考虑了几个变种的WLE涉及估计的权重和校准。在双重抽样和第二阶段不放回不放回抽样下,建立了一套经验过程工具,包括Glivenko-Cantelli定理、M-估计的收敛速度定理和逆概率加权经验过程的Donsker定理.利用这些一般结果,我们得到的渐近分布的有限维参数的WLE一般半参数模型中的一个冗余参数的估计是可估计的定期或非定期率。我们在具有右删失和区间删失的Cox模型中说明了这些结果和方法。我们比较的方法,通过他们的渐近方差下的不放回抽样和更常见的(和更容易分析)的伯努利采样的假设在第二阶段。
2013-04-08 math.ST stat.TH
A Weighted Likelihood Approach Based on Statistical Data Depths
本文提出基于统计数据深度的加权似然估计方法,通过比较观测相对于模型与样本的深度差异进行降权,在保持与MLE相同渐近效率的同时实现高稳健性,并适用于高维数据。
2025-07-22 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
Hawkes process and Edgeworth expansion with application to maximum likelihood estimator
Hawks过程是一个具有自激性质的点过程。它已被用于模拟地震,社交媒体事件,感染等,而且引起了很多关注然而,作为一个现实问题,经常会出现我们无法在足够的观测时间内获得数据的情况。在这种情况下,用正态分布来近似估计量的误差分布是不合适的。为了克服这个问题,我们提供了一个严格的数学理论基础的高阶渐近行为的一维Hawkes过程的指数核。作为一个重要的应用,我们给出了指数Hawkes过程极大似然估计的二阶渐近分布。此外,我们还提出了模拟结果。
2020-07-08 math.ST stat.TH
Estimating undocumented Covid-19 infections in Cuba by means of a hybrid mechanistic-statistical approach
我们采用参考文献[1]的混合机械统计方法来估计古巴无记录的Covid-19感染总数。该方案是基于最大似然估计的SIR类模型参数的感染人口,假设检测过程匹配伯努利试验。我们的估计表明,(a)60%的感染没有记录,(b)数据背后的真正流行病在报告提出的10天前达到峰值,(c)繁殖数量在80天后迅速消失。
2020-08-07 math.DS q-bio.PE stat.AP
Jackknife empirical likelihood ratio test for log symmetric distribution using probability weighted moments
针对对数对称分布的拟合检验需求,基于概率加权矩提出对数对称性拟合优度检验及更易实施的刀切经验似然比检验,推导了统计量渐近分布,经模拟和数据集验证了方法有效性。
2024-10-05 math.ST stat.ME stat.TH
Nonparametric maximum likelihood estimation under a likelihood ratio order
基于独立样本的两个单变量分布的比较是统计学中的一个基本问题,在各种科学学科中都有应用。在许多情况下,我们可以假设这两个分布是随机有序的,这意味着直观地说,来自一个分布的样本往往比来自另一个分布的样本大。在经济学、生物医学和其他领域中出现的一种随机序是似然比序,也称为密度比序,其中两个分布的密度函数之比是单调非递减的。本文在似然比阶下,导出并研究了个体分布及其密度比的非参数极大似然估计。我们的工作适用于离散分布,连续分布,和混合连续-离散分布。我们证明了在某些情况下的估计分布依分布收敛,我们说明了我们的结果,使用数值实验和分析的生物标志物预测细菌感染的儿童全身炎症反应综合征。
2021-07-07 math.ST stat.ME stat.TH
Prepivoting composite score statistics by weighted bootstrap iteration
对数似然比的复合模拟在假设检验和设置置信区域中所起的作用并不像在典型似然设置中那样突出,因为它的渐近分布取决于未知参数。基于复合对数似然比的近似主元可以通过使用渐近参数来导出。然而,这种枢轴的实际分布可能与渐近参考有很大不同,导致测试和置信区域的水平远离标称值。在复合似然框架中使用自举而不是渐近分布进行了探讨。基于适当统计量的预旋转测试和置信度集被证明是准确的和计算上有吸引力的推理工具。
2013-01-29 math.ST stat.CO stat.ME
Maximum Likelihood Estimation of Gaussian Cluster Weighted Models and Relationships with Mixtures of Regression
加权模型(CWM)是一种混合方法,用于对响应变量和一组解释变量的联合概率进行建模。根据极大似然方法,通过期望最大化算法估计参数。在高斯假设下,分析了类加权模型的完全数据似然函数。进一步,在适当的假设下,我们证明了高斯聚类加权模型的似然函数的最大化导致了有限混合回归和有限混合伴随变量回归的相同的参数估计.在这个意义上,后者可以被认为是高斯聚类加权模型的嵌套模型。
2013-08-08 stat.CO
Weighted likelihood estimation of multivariate location and scatter
讨论了一种新的方法来获得加权似然估计的多元位置和分散。提出了一种加权方案,该方案是基于马氏距离的分布,而不是在假设的模型的数据的分布。该策略允许避免影响非参数密度估计的维数灾难,该灾难涉及通过Pearson残差Markatou et al(1998)构建权重。然后,基于加权似然离群检测规则和鲁棒降维技术的发展。数值研究和实际数据的例子说明了该方法的有效性。
2017-06-19 stat.ME
Jackknife empirical likelihood based inference for Probability weighted moments
在本文中,我们讨论刀切经验似然(JEL)和调整刀切经验似然(AJEL)为基础的推理,找到置信区间的概率加权矩(PWM)。我们得到了JEL比和AJEL比统计量的渐近分布。我们比较的性能,建议的置信区间与最近开发的方法在覆盖概率和平均长度。我们还开发了基于JEL和AJEL的PWM测试,并研究了它的性能。最后,我们用印度各州的降雨量数据来说明我们的方法。
2018-07-12 stat.ME
Weighted empirical likelihood for quantile regression with nonignorable missing covariates
本文提出了协变量不可分离的分位数回归模型中回归参数的经验似然加权估计。建议的估计是计算简单,实现半参数效率,如果完全观察到的变量的缺失概率被正确指定。理论上量化了所提出的估计器相对于完整案例分析估计器的效率增益,并通过仿真和真实数据应用进行了说明。
2017-10-07 stat.ME
Theoretical properties of the log-concave maximum likelihood estimator of a multidimensional density
本文给出了$\mathbb{R}^d$中基于独立同分布样本的密度对数凹极大似然估计的理论性质。我们的研究涵盖了真实的底层密度是对数凹的情况下,这个模型是错误的。我们首先表明,对于一个序列的对数凹密度,分布依分布收敛意味着更强的收敛类型-特别是,它意味着收敛在海灵格距离,甚至在某些指数加权全变差规范。在我们的主要结果中,我们证明了存在唯一的对数凹密度,最小化的Kullback-Leibler分歧从真密度类所有的对数凹密度,也表明,对数凹的最大似然估计几乎肯定收敛于这些指数加权全变差规范,这个最小。在正确指定的模型的情况下,这表明估计量具有很强的一致性;在错误指定的模型中,它表明估计量收敛于在Kullback-Leibler意义上最接近真实密度的对数凹密度。
2009-08-30 math.ST stat.TH
Novel closed-form point estimators for a weighted exponential family derived from likelihood equations
本文提出加权指数族的闭式点估计,并用自助法降低偏差,蒙特卡罗模拟验证其有效性。
2024-05-25 stat.ME
Statistical Inference Based on a New Weighted Likelihood Approach
讨论了一种新的参数估计的加权似然方法。该方法的动机是需要产生一个简单的估计策略,提供了一个强大的解决方案,同时是完全有效的,当模型被正确指定。这是通过在极大似然评分方程中对每个观测值的得分函数进行适当加权来实现的。权重函数确定每个观测值与模型相对于其余观测值的兼容性,并仅在必要时应用降权,而不是始终自动对一部分观测值进行降权。这允许估计量在模型上保持完全的渐近有效性。我们建立了所有的理论属性的估计,并通过模拟和真实数据的例子证实了理论。我们的方法为Markatou等人(1997,1998)的加权似然方法提供了一种替代方法。
2019-08-27 stat.ME
Weighted estimation of the dependence function for an extreme-value distribution
二元极值分布已被用于环境科学和风险管理中的极值建模。一个重要的问题是估计依赖函数,例如Pickands依赖函数。Pickands依赖函数的一些估计已经通过假设边缘是已知的来研究。最近,Genest和Segers [安。37(2009)2990-3022]用经验分布代替边缘分布导出了这些建议估计量的渐近分布。在这篇文章中,我们提出了一类加权估计,包括Genest和Segers(2009)的加权估计作为特例。提出了一种构造Pickands依赖函数置信区间的刀切经验似然方法,避免了复杂的渐近方差估计.仿真研究表明,我们提出的刀切经验似然方法的有效性。
2013-03-20 math.ST stat.TH
Exact expressions for the weights used in least-squares regression estimation for the log-logistic and Weibull distribution
对数逻辑分布和韦布尔分布的估计可使用概率绘图所用的方程进行。该方程导致高度异方差回归。推导出残差方差的精确表达式,可用于进行加权回归。在大样本情况下,最大似然估计的性能最好,但在小样本情况下,加权回归在偏差和均方误差方面优于极大似然估计。
2014-06-25 math.ST stat.TH
Analyzing cellwise weighted data
针对数据矩阵各单元格带权的情形,本文提出基于解包变换的逐元加权似然框架,支持最大似然估计、似然比检验和协方差矩阵估计,并给出R实现及渐近等价的快速近似方法。
2023-01-03 stat.CO stat.ME
Existence and consistency of weighted maximum likelihood estimator for extreme quantile regression
针对极端条件分位数估计中的非线性与尾部外推难题,本文结合块最大值理论与广义随机森林,提出加权最大似然估计法,并证明其存在性与一致性,在模拟和股票投资组合损失数据上验证了有效性。
2026-10-07 stat.ME
Latent likelihood ratio tests for assessing spatial kernels in epidemic models
在流行病时空随机模型的关键评估中,最重要的问题之一是选择用于表示感染性挑战与感染和易感宿主的空间分离之间的关系的传输核。由于控制策略的设计通常基于对传输实际可能发生的距离的评估,并且对该距离的估计对核函数的选择非常敏感,因此重要的是,可以根据观察来仔细检查用于通知控制策略的模型,以便得出针对所选核函数的可能证据。虽然存在一系列的方法来模型批评,该领域仍然是一个需要进一步研究的认识。在本文中,作者的早期贡献的基础上,我们介绍了一种新的方法来评估空间内核的有效性-潜在的似然比检验-并比较其能力,以检测模型误设与使用感染链接残差的测试的基础上。我们表明,新的方法,它结合了贝叶斯和频率论的想法,通过处理的统计决策者作为一个复杂的实体,可以用来制定测试具有更大的权力比感染链接残差检测内核的错误,特别是当错误的程度是适度的。这种新方法避免了使用完全贝叶斯方法,这可能会引入不希望的复杂性相关的计算复杂性和先验灵敏度。
2019-11-05 stat.AP
Information-theoretic bounds for exact recovery in weighted stochastic block models using the Renyi divergence
我们推导出精确恢复的社区在加权随机块模型,观察收集的形式加权邻接矩阵,每个边缘的权重独立于由其端点的社区成员资格所确定的分布而产生的尖锐阈值。我们的主要结果,表征成功和失败的最大似然估计边缘权重时,从离散分布之间的精确边界,涉及Renyi发散的顺序$\frac{1}{2}$之间的分布内社区和社区之间的边缘。当Renyi散度高于某个阈值时,意味着边缘分布充分分离,最大似然法成功,概率趋于1;当Renyi散度低于阈值时,最大似然法失败,概率远离0。在图形通道的语言中,Renyi分歧指出了具有二进制输入的离散图形通道的信息理论容量。我们的研究结果概括了以前建立的阈值,专门为未加权块模型,并支持一个重要的自然直觉有关的内在硬度社区估计的边缘分类的问题。一路上,我们建立了一个一般的关系之间的Renyi分歧和成功的概率的最大似然估计的任意边缘重量分布。最后,我们讨论的后果,我们的界限的相关问题的截尾块模型和子矩阵本地化,这可能被视为特殊情况下,我们的文件中开发的框架。
2015-09-21 cs.IT cs.SI math.IT
Exact recovery in Gaussian weighted stochastic block model and planted dense subgraphs: Statistical and algorithmic thresholds
本文研究高斯加权 Stochastic block model 的精确恢复问题,确定了基于信噪比的信息论阈值,证明不存在信息-计算间隙,并对比了社区检测与植入密集子图恢复的难度差异。
2024-02-19 math.PR math.ST stat.TH
On a family of stochastic SVIR influenza epidemic models and maximum likelihood estimation
本研究提出了一个封闭人群中流感动态的随机模型。我们考虑以接种疫苗的形式治疗疾病,并将疫苗的有效期和人群中个体的传染性结合起来。我们的模型是一个SVIR模型,具有三项转移概率,其中所有从疾病中恢复的个体获得对疾病菌株的永久天然免疫力。基于在任意时刻获得感染和接种疫苗的概率的结构,给出了家庭中特殊的SVIR模型。最大似然法和期望最大化的方法推导出的参数链。此外,一些流行病学评估参数,如基本再生数的估计计算。给出了模型的数值模拟实例。
2019-01-15 q-bio.PE stat.ME
Likelihood-free inference via classification
越来越复杂的生成模型正在跨学科使用,因为它们允许对数据进行真实的表征,但它们的共同困难是评估似然函数的计算成本过高,从而执行基于似然的统计推断。出现了一个无似然推理框架,其中通过找到产生类似于观测数据的模拟数据的值来识别参数。虽然广泛适用,在这个框架中的一个主要困难是如何衡量模拟和观测数据之间的差异。将原始问题转化为将数据分类为模拟与观察的问题,我们发现分类精度可以用来评估差异。因此,完整的分类方法库可用于推理难以处理的生成模型。我们验证了我们的方法,使用理论和模拟点估计和贝叶斯推断,并证明其使用的真实数据推断一个基于个人的流行病学模型,在幼儿中心的细菌感染。
2017-03-03 stat.CO stat.ME stat.ML
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
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
Weighted Chernoff information and optimal loss exponent in context-sensitive hypothesis testing
National Research University Higher School of Economics(国立高等经济大学);Swansea University(斯旺西大学);Institute for Information Transmission Problems, Russian Academy of Sciences (IITP RAS)(俄罗斯科学院信息传输问题研究所);Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学)
本文研究了在乘法上下文权重下独立同分布观测的二元假设检验,推导了加权总损失的最优指数形式,并探讨了加权Chernoff信息的结构假设及其在不同模型中的应用。
2026-05-09 cs.IT math.IT math.PR
Unified Rules of Renewable Weighted Sums for Various Online Updating Estimations
本文建立了流数据模型中各种在线更新估计的可更新加权和(RWS)统一框架。新定义的RWS为在线更新似然、在线更新损失函数、在线更新估计方程等奠定了基础,其思想直观、启发式,算法计算简单。本文选择非参数模型作为示例设置。RWS适用于各种类型的非参数估计,包括但不限于非参数似然、拟似然和最小二乘。此外,该方法和理论还可以推广到含参数和非参数函数的模型。证明了新估计量的估计相合性和渐近正态性,并得到了新估计量的预言性质。此外,这些属性总是得到满足,没有任何限制的数据批次的数量,这意味着新的方法是自适应的情况下,流数据集到达永久。仿真实验和实际数据分析的各种数值例子进一步说明了该方法的行为。
2020-08-20 stat.ME
Empirical likelihood inference for partial functional linear regression models based on B spline
本文将经验似然方法应用于基于B样条的部分泛函线性回归模型中回归参数的推断。我们证明了回归参数的经验对数似然比收敛于独立χ 2分布的加权和的规律,并运行模拟来评估我们的方法的有限样本性能。
2017-10-31 stat.ME
A Generalized Empirical Likelihood Approach for Two-Group Comparisons Given a U-Statistic Constraint
我们研究了一个广义的经验似然方法在两组设置参数的约束有一种形式的U-统计。在这种情况下,由经验似然性的约束组成的被加数不是独立的,并且每个被加数的权重可能不具有作为概率点质量的直接解释,这与基于独立被加数的常见经验似然性约束不同。我们表明,由此产生的经验似然比统计量具有加权卡方分布在单变量的情况下,在多变量的情况下,加权卡方分布的组合。通过广泛的蒙特卡罗研究,我们表明,所提出的方法适用于一些著名的U-统计量具有强大的第一类错误控制下的各种潜在的分布,包括违反交换条件下的零假设。对于应用程序,我们采用所提出的方法来测试假设的交叉设计表明所提出的方法在各种假设检验的适应性。
2015-05-01 stat.ME
Nonparametric Inference Framework for Time-dependent Epidemic Models
本文为时变感染率的随机SIR模型构建了非参数推断框架,通过似似然近似、B样条建模和参数自举法进行参数估计与置信区间构建,并成功应用于安大略省COVID-19多波次数据。
2024-09-26 stat.ME
Finite Mixture Modeling with Riemannian Gaussian Distributions on Hyperbolic Space
Department of Mathematics, Baruch College(巴鲁克学院数学系);Department of Mathematics, The Graduate Center, City University of New York(纽约市立大学研究生院数学系)
本文提出在双曲空间上使用各向同性黎曼高斯分布进行有限混合建模,推导密度、径向归一化常数及涉及互补误差函数的有限和表示,并提出加权最大似然估计方法,推导了EM和广义EM算法,通过模拟和实际网络数据展示其有效性。
2026-04-27 stat.ME
Estimation of a multivariate von Mises distribution for contaminated torus data
University G. Fortunato(乔瓦尼·富尔纳托大学);Department of Mathematics, University of Trento(特伦托大学数学系)
本文提出利用加权似然方法对受污染环面数据进行多维von Mises分布的稳健估计。
2026-03-03 stat.ME
Individual-level Modeling of COVID-19 Epidemic Risk
持续的COVID-19大流行需要多方面的公共卫生应对措施,包括在开发疫苗和疗法的同时采取补充干预措施以控制疾病的传播。许多这些干预措施需要根据现有数据(包括症状、接触模式和环境因素)进行流行病风险预测。在这里,我们提出了一种新的概率形式主义的基础上的个人水平模型(ILM),提供了严格的公式,个人的感染概率,这可以通过极大似然估计(MLE)应用于在人口水平上定义的房室模型参数化。我们描述了一种方法,其中实时收集的个体数据与总体病例计数相结合,以更新作为个体风险因素函数的感染易感性预测因子。
2020-08-21 q-bio.PE stat.AP stat.CO
Correcting Mode Proportion Bias in Generalized Bayesian Inference via a Weighted Kernel Stein Discrepancy
本文提出加权KSD方法,用于纠正通用贝叶斯推断中的模式比例偏差,提升多模式后验处理能力。
2026-01-06 cs.LG stat.ME stat.ML
Clustering and Classification via Cluster-Weighted Factor Analyzers
在基于模型的聚类和分类中,当感兴趣的随机向量构成响应变量Y和解释变量X的集合p时,聚类加权模型构成方便的方法。然而,当p高时,其适用性可能受到限制。为了克服这个问题,本文假设一个潜在的因素结构的X在每个混合成分。这导致了聚类加权因子分析(CWFA)模型。通过对Y的方差和X的协方差阵施加约束,引入了一种新的16个CWFA模型族用于基于模型的聚类和分类。交替的期望条件最大化算法,所有的模型在家庭中的参数的极大似然估计,描述了初始化算法,提出了一个5步的分层过程,它使用的嵌套结构的家庭中的模型,从而保证自然的排名之间的16个可能性。人工和实际数据表明,这些模型具有很好的聚类和分类性能,算法能够很好地恢复参数。
2012-09-28 stat.AP stat.CO stat.ME
Using maximum weighted likelihood to derive Lehmer and Hölder mean families
本文通过正则单参数指数族,建立Lehmer与Hölder均值族同最大加权似然估计的联系,给出其概率解释,以拓宽应用。
2023-12-20 math.ST stat.OT stat.TH
Introducing prior information in Weighted Likelihood Bootstrap with applications to model misspecification
我们提出后验Bootstrap,一组算法扩展加权Likestive Bootstrap,适当地将先验信息和解决问题的模型误指定贝叶斯推断。我们考虑两种方法来结合先验知识:第一种是基于惩罚的加权Likestival Bootstrap目标函数,第二种是使用伪样本的先验预测分布。我们还提出了分层模型的方法,这是以前不知道的方法的基础上加权Likestival Bootstrap。Edgeworth展开指导我们的方法的发展,并使我们能够提供更深入的了解加权Likestrant Bootstrap的属性比以前已知的。我们的实验证实了理论结果,并显示在错误指定的设置对贝叶斯推断的模型误指定的影响减少。
2021-04-16 math.ST stat.ME stat.TH
Composite likelihood estimation for a gaussian process under fixed domain asymptotics
本文研究了具有指数协方差函数的一维高斯过程在固定域渐近下的协方差参数估计问题。我们表明,加权成对最大似然估计的微遍历参数可以是一致的或不一致的。这取决于似然优化中的容许参数值的范围。另一方面,加权两两条件极大似然估计总是相容的。当它们是一致的时,这两个估计量也是渐近高斯的。它们的渐近方差大于或严格大于极大似然估计量的渐近方差。为了比较两两似然估计量的有限样本行为及其渐近分布,给出了一个模拟研究。对于更一般的协方差函数,对于方差参数的加权成对最大似然估计量,提供了一个附加的不一致结果。
2019-07-12 math.ST stat.TH
Weighted Likelihood for Semiparametric Models and Two-phase Stratified Samples, with Application to Cox Regression
加权似然,其中一个解决霍维茨-汤普森或逆概率加权(IPW)版本的似然方程,提供了一个简单的和强大的方法拟合模型的两相分层样本。我们考虑半参数模型的无限维估计方程的解决方案导致$\sqrt{N}$一致和渐近高斯估计的欧几里德和非参数。如果经由Bernoulli(i.i.d.)在已知抽样概率的情况下,标准估计方程理论表明,欧几里德参数的加权似然估计的影响函数是普通影响函数的IPW形式。通过证明IPW经验过程的弱收敛性,并借用加权Bootstrap经验过程的结果,得到了有限总体分层抽样的并行渐近展开. Bernoulli抽样的渐近方差包含影响函数的层内二阶矩,而有限总体分层抽样的渐近方差仅包含层内方差。当观测到的抽样比被用作先验已知的估计值时,也会出现后一种渐近方差。本文提出了一种用估计权值拟合半参数模型的一般方法。我们的几个关键结果已经得到了特殊情况下的Cox回归分层病例队列研究,其他复杂的调查设计和缺失数据问题更普遍。本文的目的是帮助把以前的工作在适当的背景下,并铺平道路,应用到其他模型。
2005-11-15 math.ST stat.TH
Selecting likelihood weights by cross-validation
引入(相关性)加权可能性是为了正式接受各种以偏差换取精确度的统计程序。与其经典的对应,加权似然结合了所有相关的信息,同时继承了许多理想的功能,包括良好的渐近性质。然而,为了有效,需要明智地选择其构建所涉及的权重。选择这些权重是本文的主题,在本文中,我们演示了交叉验证的使用。我们证明了由此产生的加权似然估计(WLE)是弱相容的和渐近正态的。疾病映射数据的应用程序进行了演示。
2005-05-27 math.ST stat.TH
Improving Estimation Efficiency In Structural Equation Models By An Easy Empirical Likelihood Approach
在这篇文章中,我们构造了经验似然(EL)加权估计的线性泛函的概率测度的存在边信息。出于可能无限维的半参数模型中的冗余参数的动机,我们考虑使用估计的约束函数,并允许约束的数量随着样本量的增加而增加。我们研究的渐近性质和效率增益。所得结果用于构造结构方程模型参数的改进估计。参数的EL加权估计被证明具有减少的方差在SEM中的边信息的随机独立的随机误差和随机协变量的存在。给出了效率增益的一些模拟结果。
2023-01-23 math.ST stat.TH
Fast Convergence for Weighted Least Squares Estimates
研究加权最小二乘估计在Fisher信息无穷时收敛速度快于经典平方根率的问题,通过构造双变量绝对连续分布族,证明其收敛阶渐近小于经典速率。
2026-07-21 math.ST stat.TH
On the Asymptotics of Importance Weighted Variational Inference
针对重要性加权变分推断缺乏极限性质理论分析的问题,证明了蒙特卡洛与观测样本量同时趋于无穷时估计量的一致性,还在样本增长速率条件下证明了渐近正态性与有效性,并区分了重要性比平滑性相关情形。
2025-01-14 math.ST stat.TH
Empirical likelihood confidence regions for the parameters of a two phases nonlinear model with and without missing response data
本文利用经验似然法构造随机设计的两相非线性模型参数间差异的置信区域。我们表明,经验的似然比有一个渐近卡方分布。其结果是威尔克定理的非参数版本。经验似然法也被用来构造响应变量随机缺失的两阶段非线性模型的参数之差的置信区域。为了构造参数的置信区域,我们提出了三种经验似然统计量:基于完全数据的经验似然、加权经验似然和带插补值的经验似然。我们证明,所有三个经验似然比有渐近卡方分布。通过Monte-Carlo仿真验证了所提方法在覆盖概率和区间长度方面的有效性。
2015-02-17 math.ST stat.TH
Introduction To Gaussian Process Regression In Bayesian Inverse Problems, With New ResultsOn Experimental Design For Weighted Error Measures
现代应用中出现的贝叶斯后验分布,包括层析成像和地下水流中偏微分方程模型中的逆问题,由于评估数据可能性的计算成本很大,因此在计算上通常是棘手的。为了缓解这个问题,我们考虑使用高斯过程回归来建立一个代理模型的可能性,从而在近似的后验分布,是服从于实际计算。这项工作作为一个介绍高斯过程回归,特别是在建立代理模型的背景下,逆问题,并提出了新的见解到一个合适的选择训练点。我们发现,真实的和近似的后验分布之间的误差可以有界的真实和近似的可能性之间的误差,测量在$L^2$ -范数加权的真实后验,并有效地界定真实和近似的可能性之间的误差,在这个范数建议选择训练点的高斯过程代理模型的基础上的真实后验。
2023-02-09 cs.NA math.NA math.ST
Penalized Composite Quasi-Likelihood for Ultrahigh-Dimensional Variable Selection
在高维模型选择问题中,惩罚简单最小二乘方法得到了广泛的应用。针对惩罚模型选择方法的鲁棒性和效率问题,提出了一种数据驱动的凸损失函数加权线性组合和加权$L_1$ -惩罚模型.它是完全数据自适应的,不需要误差分布的先验知识。加权的$L_1$ -罚函数用于保证罚函数项的凸性和改善由$L_1$ -罚函数引起的偏差。在维数远大于样本量的情况下,我们建立了该方法的一个强预言性质,该性质同时具有模型选择一致性和对真实非零系数的估计效率.作为具体的例子,我们介绍了一个强大的复合L1-L2的方法,和最佳复合分位数方法,并评估其性能在模拟和真实数据的例子。
2010-06-30 math.ST stat.ME stat.TH