首页/论文/1806.06378

arXiv 1806.063782018-06-17math.STstat.TH

Poisson过程的矩估计与多步MLE

Method of Moments Estimators and Multu-step MLE for Poisson Processes

Ali S. Dabye, Alix A. Gounoung, Yury A. Kutoyants

备注：: 19 pages

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在非齐次Poisson过程观测的情况下，我们引入了有限维参数的两类估计。这些是矩量法和多步MLE的估计量。证明了矩量法的估计是相合的且渐近正态的，多步极大似然估计是相合的且渐近有效的。多步MLE过程的构造分两步完成。首先，我们构造了一个一致的估计，然后使用该估计的一步和两步MLE的建设。所提出的方法的主要优点是其计算简单。

英文摘要：

We introduce two types of estimators of the finite-dimensional parameters in the case of observations of inhomogeneous Poisson processes. These are the estimators of the method of moments and multi-step MLE. It is shown that the estimators of the method of moments are consistent and asymptotically normal and the multi-step MLE are consistent and asymptotically efficient. The construction of multi-step MLE-process is done in two steps. First we construct a consistent estimator by the observations on some learning interval and then this estimator is used for construction of one-step and two-step MLEs. The main advantage of the proposed approach is its computational simplicity.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

振荡布朗运动中自组织临界性的水平：n-一致性与MLE的稳定泊松型收敛

The level of self-organized criticality in oscillating Brownian motion: $n$-consistency and stable Poisson-type convergence of the MLE

University of Freiburg（弗赖堡大学）

研究振荡布朗运动中自组织临界性水平的MLE收敛性，证明其n-一致性及稳定泊松型极限分布。

2026-09-23math.PRmath.STstat.TH

高斯设计下泊松模型中最大似然估计的有限样本行为

Finite sample behavior of the maximum likelihood estimator in the Poisson model under Gaussian design

CREST/ENSAE Paris（巴黎高等统计分析与经济研究所/ENSAE巴黎）

本研究利用经验过程理论和随机锥几何，揭示了泊松回归中MLE存在的相变阈值，并给出了保证最优风险所需的样本量指数阈值，同时揭示了中间状态并缩小了差距。

2026-09-29math.STstat.TH

具有协变量的加权有向网络的网络Poisson模型

A network Poisson model for weighted directed networks with covariates

网络中的边不仅是二进制的，要么存在要么不存在，而且在许多情况下还采用加权值（例如，两个用户之间的电子邮件数量）。本文提出了一个协变量- $p_0$模型来描述具有度异质性和协变量的二元有向网络。然而，它可能会导致信息丢失时，它应用于加权网络。本文提出用Poisson分布对加权有向网络进行建模，该分布允许网络的稀疏性、度的异质性以及由节点协变量引起的同质性。我们称之为\emph{network Poisson model}。该模型包含密度参数$μ$、$2n$维节点参数$θ$和协变量的固定维回归系数$γ$。由于参数的数量随着$n$的增加而增加，渐近理论是非标准的。当节点数$n$趋于无穷大时，我们建立了最大似然估计量（MLE）$\hatθ$和$\hat{γ}$的$\ell_\infty$ -误差，对于$\hatθ$为$O_p( (\log n/n)^{1/2} )$，对于$\hat{γ}$为$O_p( \log n/n)$，直到一个额外的因子。我们还得到了极大似然估计的渐近正态性。数值研究和数据分析证明了我们的理论研究结果。bθ的Op（log n/n）和bγ的Op（log n/n），直到一个附加的因子。我们还得到了极大似然估计的渐近正态性。数值研究和数据分析证明了我们的理论研究结果。

2021-07-21math.STstat.TH

使用MLE建模稀疏数据并应用于微生物组数据

Modeling Sparse Data Using MLE with Applications to Microbiome Data

对诸如微生物组和转录组学（RNA-seq）数据之类的稀疏数据进行建模是非常具有挑战性的，因为零的数量过多并且分布偏态。许多概率模型已被用于建模稀疏数据，包括泊松，负二项，零膨胀泊松和零膨胀负二项模型。识别零膨胀或障碍模型的最合适的概率模型的一种方法是基于Kolmogorov-Smirnov（KS）检验的p值。识别概率模型的主要挑战是模型参数在实践中通常是未知的。本文给出了一类零膨胀模型和栅栏模型的极大似然估计。我们还导出了相应的费舍尔信息矩阵，以探讨估计量的渐近性质。我们包括新的概率模型，如零膨胀贝塔二项式和零膨胀贝塔负二项式模型。我们对微生物组数据的应用表明，我们的新模型比文献中常用的模型更适合于微生物组数据建模。

2021-12-27math.STstat.MEstat.TH

平面上的泊松源定位。如果顺利

Poisson Source Localization on the Plane. Smooth Case

利用非齐次Poisson过程的观测值来研究Poisson源的局部化问题。我们假设平面上有$k$探测器，每个探测器提供泊松过程的观测，泊松过程的强度函数依赖于发射器的位置。我们描述了最大似然估计和贝叶斯估计的性质。我们证明了在正则性条件下，这些估计是相合的，渐近正态的和渐近有效的。然后，我们提出了一些简单的一致性估计，这些估计进一步被用来构造渐近有效的一步MLE过程。

2018-06-17math.STstat.TH

分组序贯抽样下拟极大似然估计、误设定模型及依赖性的非渐近界

Non-asymptotic bounds for quasi-MLE, misspecified models, and dependence under group sequential sampling

Google Inc.（谷歌公司）；University of Texas at Austin（德克萨斯大学奥斯汀分校）

针对分组序贯拟极大似然估计，在模型可能误设定且组内存在依赖性的情况下，推导了渐近多元正态极限和显式非渐近正态逼近界，并应用于癫痫临床试验数据。

2026-06-05math.PRmath.STstat.TH

更多相关论文收起更多论文

尖点型变点模型的误设定

On misspecification in cusp-type change-point models

用独立同分布法进行参数估计的问题。考虑了非齐次泊松过程在误设定情形下的观测。该模型是在均匀泊松噪声的存在下观察到的泊松信号。假设过程的强度函数在变点（信号到达的未知时刻）处具有尖点型奇异性，而信号的假设（理论）和真实（观察）水平是不同的。描述了伪极大似然估计的渐近性质。证明了估计量收敛于使Kullback-Leibler散度最小的值，估计的归一化误差收敛于某个极限分布，其多项式矩也收敛.

2022-11-18math.STstat.TH

Poisson过程在非正则情形下估计的性质

On Properties of Estimators in non Regular Situations for Poisson Processes

本文考虑非齐次泊松过程的观测值的参数估计问题。众所周知，如果满足正则性条件，则极大似然估计和贝叶斯估计是一致的，渐近正态的和渐近有效的。这些正则性条件可以粗略地表示为：a）被观测过程的强度函数属于已知参数函数族，b）模型是可辨识的，c）Fisher信息是正连续函数，d）强度函数关于未知参数是足够光滑的，e）该参数是区间的一个内点.我们感兴趣的是当这些正则性条件不满足时估计量的性质。更确切地说，我们预设了一个审查的结果，对应于拒绝这些条件一个接一个，我们显示的性质的极大似然估计和贝叶斯估计的变化。这些结果的证明基本上是建立在Schwargimov和Khasminskii的一些一般性结果的基础上的。

2009-03-26math.STstat.TH

飞机上两个放射源的定位

Localization of two radioactive sources on the plane

研究了K探测器在两个放射源平面上的定位问题。每个探测器记录一个非均匀泊松过程的实现，该过程的强度函数是来自源的信号与已知强度的恒定泊松噪声的和。两个源的排放开始的时间是已知的，主要问题是源的位置的估计。在大信号的渐近性中，描述了极大似然估计和贝叶斯估计在信号前沿光滑、尖点型和变点型三种不同情况下的性质。

2022-11-16math.STstat.TH

关于关系模型的封闭性

On the closure of relational models

列联表的关系模型是对数线性模型的推广，允许效应与可能不完整的表中的任意单元格子集相关，并且不一定包含总体效应。在这种普遍性下，泊松和多项式抽样下的最大似然估计并不总是相同的。本文讨论了数据中存在观测零点时的极大似然估计理论。一个独特的极大似然估计，这样的数据总是存在于原始模型中的分布序列的逐点极限的集合中。这个集合等于原始模型关于Bregman信息散度的闭包。迭代缩放的相同变体可用于计算原始模型及其闭包中的MLE。

2015-04-30stat.ME

关于随机过程的得分函数和拟合优度检验

On Score-Functions and Goodness-of-Fit Tests for Stochastic Processes

考虑了三种随机过程模型的渐近分布自由的拟合优度检验的构造问题。所有模型的原假设均为复合参数。所有的测试都是基于分数函数过程，其中未知参数被MLE代替。我们表明，一个特殊的时间变化的极限得分函数过程转换为布朗桥。这一性质使我们能够构造以下三种随机过程模型的渐近分布自由检验：小噪声动力系统、遍历扩散过程、非齐次Poisson过程和非线性AR时间序列。

2014-03-30math.STstat.TH

极大似然估计在回归和预测中的应用

On the benefits of maximum likelihood estimation for Regression and Forecasting

Google Research（谷歌研究院）

我们提倡一种实用的极大似然估计（MLE）方法来设计回归和预测的损失函数，作为对特定目标指标直接经验风险最小化的典型方法的替代方案。MLE方法更适合于捕获归纳偏差，例如数据集中的先验领域知识，并且可以在推理时输出可以优化不同类型的目标度量的事后估计。我们目前的理论结果表明，我们的方法是有竞争力的任何估计的目标度量在一些一般条件下。在两个例子的实际设置，泊松和帕累托回归，我们表明，我们的竞争结果可以用来证明，MLE方法有更好的超额风险界限比直接最小化的目标度量。我们还通过经验证明，我们的方法使用设计良好的通用混合似然家族实例化，可以在具有不同数据分布的时间序列预测和回归数据集的各种任务中获得卓越的性能。

2021-10-09cs.AIcs.LGstat.ML

时变Poisson自回归

Time-Varying Poisson Autoregression

本文提出了一个新的时变计量经济模型，称为时变泊松自回归与外生协变量（TV-PARX），适合于建模和预测计数的时间序列。{We表明分数驱动的框架特别适合于恢复时变参数的演变，并提供所需的灵活性来建模和预测以卷积非线性动力学和结构突变为特征的计数时间序列。研究了TV-PARX模型的渐近性质，证明了在较弱的条件下，极大似然估计（MLE）得到强相合且渐近正态的参数估计。通过蒙特卡罗模拟对样本性能和预测精度进行了评估。通过分析意大利每日新冠肺炎感染人数和美国企业违约数量，显示了TV-PARX模型随时间变化的实证有用性。

2022-07-22econ.EMstat.ME

Poisson二项模型的一些新结果

Some New Results for Poisson Binomial Models

Stanford University（斯坦福大学）

我们考虑一个问题的生态推理，其中个人水平的协变量是已知的，但标记的数据是只在聚合水平。预期的应用程序是选举中的选民偏好建模。在Rosenman和Viswanathan（2018）中，我们提出通过逻辑斯谛回归对个体选民概率进行建模，并将问题视为参数向量beta的极大似然估计。可能性是泊松二项分布，即独立但不相同分布的伯努利变量之和的分布，尽管为了计算效率，我们用异方差高斯近似它。在这里，我们通过证明关于极大似然估计的存在性和这种可能性的曲率的结果来扩展先前的工作，这种可能性通常不是对数凹的。我们进一步证明了我们的方法在一个真实数据的例子的效用。使用新泽西州莫里斯县选民的数据，我们证明了我们的方法优于其他生态推理方法在预测一个相关的，但已知的结果：是否一个人投票。

2019-07-21cs.LGstat.MEstat.ML

一种适用于具有时变零膨胀的泊松过程的整数GARCH模型

An Integer GARCH model for a Poisson process with time varying zero-inflation

本研究提出一种带时变零膨胀的泊松过程整数GARCH模型，拓展了已有零膨胀INGARCH模型，给出EM和MLE两种估计方法，经模拟和真实数据验证拟合效果更优。

2022-07-20stat.AP

具有1比特测量的广义线性模型：最大似然估计量的渐近性质

Generalized Linear Models with 1-Bit Measurements: Asymptotics of the Maximum Likelihood Estimator

本文为1比特删失数据下的广义线性模型多参数最大似然估计建立了渐近正态性条件，推导了Fisher信息矩阵，并应用于高斯和泊松模型。

2025-02-07cs.SYeess.ASeess.SP

复杂抽样设计下的最小Hellinger距离估计器

Minimum Hellinger Distance Estimators for Complex Survey Designs

Department of Statistics, George Mason University（乔治梅森大学统计系）

本文提出一种适用于复杂抽样设计的最小Hellinger距离估计器，通过核密度插件方法证明了其一致性、正态分布和鲁棒性，通过模拟和实际应用展示其在效率与鲁棒性之间的权衡。

2025-10-23cs.ITmath.ITmath.PR

一般阶观测驱动模型：最大似然估计的遍历性和相合性

General-order observation-driven models: ergodicity and consistency of the maximum likelihood estimator

观测驱动模型（ODMs）包括许多非线性时间序列的模型，这些模型以类似于但不同于隐马尔可夫模型（HMM）的方式涉及隐变量。有趣的是，与大多数Hynomial相反，ODM享有的似然性可以精确计算，计算复杂性度与观测数量相同，使得极大似然估计成为这些模型的统计推断的特权方法。一般顺序的ODM的一个著名的例子是GALGORY $(p,q)$模型，遍历性和推理已被广泛研究。然而，很少有人知道更一般的模型，特别是整数值的，如对数线性泊松GARCH或NBIN-GARCH的顺序$(p,q)$的大多数现有的结果似乎仅限于情况下$p=q=1$。在这里，我们填补了这一空白，并得出遍历条件一般的ODM。然后，使用已经为一阶ODM开发的方法，可以导出最大似然估计（MLE）的一致性和渐近正态性。

2021-06-08math.PRmath.STstat.TH