An Extended Empirical Saddlepoint Approximation for Intractable Likelihoods
计算生态学、生物学和遗传学中使用的复杂随机模型所带来的挑战刺激了统计推断近似方法的发展。在这里,我们专注于合成似然函数(SL),一个程序,减少了观察到的和模拟的数据,一组汇总统计量,并通过一个合成的似然函数量化它们之间的差异。SL几乎不需要调整,但它依赖于汇总统计量的近似正态性。我们放松这个假设,提出了一种新的,更灵活的,密度估计:扩展经验鞍点近似。除了证明SL的一致性,无论是新的或高斯密度估计,我们用两个例子来说明该方法。其中之一是一个复杂的基于个体的森林模型,SL为统计推断提供了为数不多的实际可能性之一。例子表明,新的密度估计是能够捕捉大偏离正态分布,同时可扩展到高维,这反过来又导致更准确的参数估计,相对于高斯替代。新的密度估计器由esaddle R包实现,该包可以在Comprehensive R Archive Network(CRAN)上找到。
2017-06-08 stat.AP stat.ME
On the Asymptotic Distribution of the Scan Statistic for Empirical Distributions
我们调查的扫描统计量的几个变种的渐近行为应用于经验分布,它可以被应用到检测任何长度的异常间隔的存在。特别令人感兴趣的是学生化的扫描统计,这在实践中是优选的。证明中的主要成分是Kolmogorov定理,泊松近似和Kabluchko等人(2014)的最新技术结果。
2020-03-24 math.PR math.ST stat.TH
Empirical phi-divergence test-statistics for the equalityof means of two populations
经验φ-发散检验统计量已被证明是一个有用的技术简单的原假设,以改善有限样本行为的经典似然比检验统计量,以及模型误设定问题,在这两种情况下的一个人口的问题。本文介绍了两个样本问题的方法。仿真研究表明,在这种情况下,新的检验统计量成为一个有竞争力的工具,相对于经典的z检验和似然比检验统计量。
2016-01-14 stat.ME
Asymptotic Theory of $L$-Statistics and Integrable Empirical Processes
本文发展了经验分位数函数关于随机权函数积分的渐近理论,它是经典$L$ -统计量的推广。当样本修剪或Winsorization应用于渐近线性估计量时,它们会出现。其关键思想是在适合整合的空间中考虑经验过程。首先,我们在有界可积函数空间中刻画了经验分布函数和随机权函数的弱收敛性。其次,我们建立了经验分位数函数可积函数的delta方法。第三,我们推导了$L$ -统计量的delta方法。最后,我们证明了它们的自助过程的弱收敛性,证明了非参数自助过程的有效性。
2019-10-16 econ.EM math.ST stat.TH
New $U$-empirical tests of symmetry based on extremal order statistics, and their efficiencies
我们使用的极值顺序统计量,这使得建立几个新的非参数对称性检验方面的对称性的表征。讨论了它们的极限分布,并计算了它们在位置选择下的局部精确Bahadur效率。
2014-03-28 math.ST stat.TH
Empirical phi-divergence test statistics for testing simple and composite null hypotheses
本文的主要目的是首先介绍一个新的家庭的经验检验统计量测试一个简单的原假设时,通过一组特定的无偏估计函数定义的参数向量。该检验统计量族基于两个概率向量之间的距离,其中第一概率向量通过使参数向量上的经验似然最大化而获得,并且第二向量在简单的原假设下从参数的固定向量定义。为此目的所考虑的距离是φ-发散度量。然后推导出该族检验统计量的渐进分布。所提出的方法是说明通过著名的数据Newcomb的测量光的通过时间。模拟研究进行比较其性能与经验的似然比检验时,置信区间构造的基础上,小样本量。结果表明,“经验修正的似然比检验统计量”是经验似然比检验统计量的一种有竞争力的替代方法,并且在数据中存在污染的情况下比经验似然比检验统计量更稳健.最后,我们提出了经验的Φ发散检验统计量测试复合原假设,并提出了一些渐近以及模拟结果,这些测试程序的性能进行评估。
2014-08-17 math.ST stat.ME stat.TH
Statistical inference in massive datasets by empirical likelihood
本文将分治法与经验似然法相结合,提出了一种新的海量数据统计推断方法。与目前流行的两种方法(小Bootstrap包法和二次抽样Bootstrap法)相比,该方法充分利用了数据集,减少了计算量。大量的数值研究和实际数据分析表明,我们所提出的方法的有效性和灵活性。此外,我们的方法的渐近性质。
2020-04-18 math.ST stat.ME stat.ML
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
On the Impossibility of Statistically Improving Empirical Optimization: A Second-Order Stochastic Dominance Perspective
当随机最优化中的基本概率分布仅通过数据观察时,已经研究了各种数据驱动的公式以获得近似最优解。我们表明,没有这样的配方可以,在某种意义上说,从理论上提高统计质量的经验优化得到的解决方案。我们通过证明任何数据驱动解决方案的最优性差距对Oracle最佳解决方案的一阶行为(包括偏差和方差)是由经验优化主导的二阶随机性来论证这一点,只要相对于底层分布保持适当的平滑性。我们证明了这种不可能的改进,在一系列的例子,包括正则化优化,分布鲁棒优化,参数优化和贝叶斯推广。我们还讨论了半参数统计推断和数据驱动的优化文献中的其他观点,我们的结果的连接。
2021-05-27 math.OC stat.ME
Empirical likelihood test for high-dimensional two-sample model
提出了一种基于经验似然的非参数方法,用于检测高维线性模型系数的变化,其中模型变量的数目随着样本量的增加而增加。这相当于检验无变化的原假设与回归系数变化一次的备择假设。基于经验似然比统计量的理论渐近性态,我们提出了一种在固定设计下更简单、更易于实际应用的检验统计量。在原假设下证明了该检验统计量的渐近正态性,这一结果不同于具有固定变量数的模型的$χ^2$定律。在备择假设下,检验统计量会发生偏离。然后,我们可以找到两个相位的参数差的渐近置信区域。一些蒙特卡罗模拟研究的行为,建议的检验统计量。
2015-06-19 math.ST stat.ME stat.TH
Asymptotic theory and statistical inference for the samples problems with heavy-tailed data using the functional empirical process
本文提出截断功能经验过程(TFEP)以处理重尾数据样本问题,通过截断极端统计量稳定经验过程,推导新渐近分布并提供稳健置信区间,验证其在高斯方法失效时的有效性。
2025-12-08 math.PR stat.ME
Two Tunable Gini-Type Measures with U-Statistic Estimation: Theory, Simulation, and an Empirical Application to GDP per Capita in the Americas
University of Brasilia(巴西利亚大学);Federal University of Pelotas(佩洛塔斯联邦大学)
本文提出两种基尼型不平等度量G_p和H_q,通过调节参数p和q影响观测间的差异。推导出U统计量插件估计量,并在弱一致性及渐近正态性条件下进行理论分析,通过蒙特卡洛研究和美洲人均GDP实证展示参数对不平等度量的影响。
2026-05-08 stat.ME
Empirical and Simulated Adjustments of Composite Likelihood Ratio Statistics
复合似然推理由于其计算复杂性和理论性质而得到广泛的应用。不幸的是,执行复合似然比检验是不方便的,因为它们笨拙的渐近分布。有许多建议调整复合似然比检验,以恢复一个渐近的χ 2分布,但他们都依赖于敏感性和变异性矩阵。对于Wald类型和分数类型的对应物也是如此。在实际应用中,通常需要估计敏感性和变异性矩阵,但在这种情况下,没有基于复合似然的统计性能的比较。考虑两种方法通常用于估计敏感性和变异性矩阵,即利用独立观察的经验方法,和蒙特卡罗模拟,进行统计的基础上的推理的准确性的比较。在两个例子中涉及成对似然的结果表明,一个非常大量的独立的观察应该是可用的,以获得准确的覆盖率使用经验估计,而有限的模拟从完整的模型提供准确的结果,无论独立的观察的可用性。
2014-07-31 stat.CO
Power-law distributions in binned empirical data
许多人为和自然现象,包括地震的强度,城市人口和国际战争的规模,被认为遵循幂律分布。幂律模式的准确识别对于正确理解和建模复杂系统具有重要意义。然而,支持或反对幂律假设的统计证据由于经验分布尾部的大幅波动而变得复杂,并且当信息因数据分组而丢失时,这些情况会变得更糟。我们适应的统计原则的框架来测试的幂律假设,开发的Clauset,Shalizi和纽曼,装箱数据的情况下。这种方法包括最大似然拟合,基于Kolmogorov-Smirnov拟合优度统计的假设检验和用于与替代解释进行比较的似然比检验。我们评估这些方法的有效性与已知结构的合成分箱数据,量化损失的统计能力,由于分箱,并将该方法应用于12个现实世界的分箱数据集与重尾模式。
2014-04-14 physics.data-an physics.soc-ph stat.AP
A Non-Parametric Box-Cox Approach to Robustifying High-Dimensional Linear Hypothesis Testing
针对高维线性假设检验的模型误设问题,提出非参数Box-Cox框架及对应稀疏估计算法与三类检验方法,证明其极限分布性质,通过模拟和超市数据验证了方法的有效性与必要性。
2024-05-21 stat.ME
Statistics of Robust Optimization: A Generalized Empirical Likelihood Approach
我们研究了随机最优化问题的统计推断和分布鲁棒解方法,重点是最优值和渐近达到精确覆盖的解的置信区间。我们开发了一个广义经验似然框架-基于非参数$f$ -发散球-Hadamard可微泛函的分布不确定性集,特别是随机最优化问题。作为这一理论的后果,我们提供了一个原则性的方法来选择分布不确定性区域的大小,以提供单侧和双侧置信区间,实现准确的覆盖。我们还给出了我们的分布鲁棒制剂的渐近展开,显示如何鲁棒正则化问题的方差。最后,我们表明,我们研究的分布鲁棒配方的优化享受(基本上)相同的一致性性质,在经典的样本平均近似。我们的一般方法适用于快速混合平稳序列,包括几何遍历哈里斯经常性马尔可夫链。
2018-06-30 stat.ML
Asymptotic and finite-sample distributions of one- and two-sample empirical relative entropy
De Vinci Higher Education, De Vinci Research Center(德芬奇高等教育,德芬奇研究中心);École normale supérieure(巴黎高等师范学院)
研究两个概率分布散度统计检验中经验相对熵的分布,推导有限样本集中不等式、渐近分布及贝里 - 埃森界,引入新方法获和统计量非线性函数的贝里 - 埃森不等式,涵盖单双样本经验相对熵。
2026-07-21 math.ST q-fin.ST q-fin.TR
Asymptotic Representations of Statistics in the Functional Empirical process : A portal and some applications
在这本研究专著中,我们处理一个非常普遍的渐近表示的统计称为GRI表示的功能经验过程,一维和多维,另一个调用剩余经验过程。大多数L-统计量组合形式的统计量都包含在这里所讨论的渐近理论中。本论文设想为一种挂有模块的\textbf{spaceship}。宇宙飞船是一个函数高斯过程,每个模块是一个统计量的渐近表示的高斯过程。这样,就有可能从一个模块导航到另一个模块,也就是说,找到任何一对统计数据的联合分布,将它们与区域和时间进行比较。为了能够做到这一点,我们应该在开始时有一个广泛的概念。在构造的框架内,任何有限数量的其他统计量的渐近联合律自动给出,以及其空间变化或时间变化的绝对值或相对值的联合分布。我们还处理一般问题的可分解性统计比较统计可分解性,我们介绍一个新的观点,与功能分解。提供了仅基于GRI的一般结果。\noindent这本专著也是GRI手册的门户,将涵盖尽可能多的统计数据。在预见到这一点,我们把三个重要的例子作为展示案例。预计这个门户网站和手册将吸引在渐近领域工作的研究人员的注意,并将提供有用的工具,科学家谁是有兴趣的应用程序的渐近测试,完成计算机软件包。
2018-03-24 stat.ME
Multiway empirical likelihood
本文提出多路经验似然方法,用于多组实体索引观测的统计推断,构造留出行或列的伪值,并给出在任意退化情形下均收敛于卡方分布的修正统计量,展示了优于传统 t 比值的高阶性质。
2024-08-09 econ.EM stat.ME
Jackknife Empirical Likelihood Method for U Statistics Based on Multivariate Samples and its Applications
Indian Statistical Institute(印度统计研究所);Trinity College Dublin(都柏林三一学院)
本文提出了一种基于多元三样本U统计量的jackknife经验似然方法,用于构建参数的置信区间,通过蒙特卡洛实验验证其在覆盖概率和计算效率上的优越性。
2025-12-02 math.ST stat.ME stat.TH
Empirical Likelihood for Change Point Detection in Autoregressive Models
变点分析已成为许多应用领域的重要研究课题。为了检测时间序列数据中的变化及其位置,已经进行了若干研究工作。本文提出了一种基于经验似然的非参数方法来检测自回归(AR)模型中参数的结构变化。在一定条件下,证明了经验似然比检验统计量的渐近零分布是极值分布。进一步证明了检验统计量的一致性。已进行模拟,以表明拟议的检验统计量的权力是显着的。所提出的方法被应用到现实世界的数据集,以进一步说明测试过程。
2017-11-27 stat.ME
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
Concentration-based confidence intervals for U-statistics
集中不平等在机器学习、概率和统计研究中越来越受欢迎。使用浓度不等式,可以为许多感兴趣的量构建置信区间(CI)。不幸的是,这些CI中的许多需要总体方差的知识,这通常是未知的,使得这些CI不切实际的数值应用。然而,最近的结果,同时绑定的数量的概率的利益和他们的方差允许建设的经验CI,方差被替换为他们的样本估计。在这些新的结果是双边经验CI的U-统计量,这是有用的建设CI丰富的一类参数。在这篇文章中,我们得到了一些新的单侧经验CI的U-统计量及其方差。我们表明,我们的单侧CI可用于构建U统计量的更严格的双侧CI,比目前报道的更严格。我们还演示了如何使用我们的CI来构建新的经验CI的平均值,这提供了更严格的界限比目前已知的CI相同数量的观察,在各种设置下。
2019-03-05 math.ST stat.TH
A novel approach of empirical likelihood with massive data
针对经验似然难以处理海量数据的问题,提出SSMEL方法,在保持全数据估计效率与Wilks定理性质的同时无需估计协方差矩阵,克服了DC算法的统计推断障碍。
2023-06-06 stat.ME
A Primer on Private Statistics
University of Waterloo(滑铁卢大学);Northeastern University(东北大学)
在过去几年里,不同的私人统计估计出现了一系列发展。研究分为两个学派,侧重于实证统计和人口统计。我们认为,这两条线的工作是更相似的,而不是不同的方法,最初的实证统计框架的例子,但可以同样适用于人口统计。我们还提供了在这一领域的最新工作的全面覆盖。
2020-04-30 cs.CR cs.DS cs.IT
Statistical Inference for Bayesian Risk Minimization via Exponentially Tilted Empirical Likelihood
著名的Bernstein von-Mises定理确保了当模型被正确指定时,贝叶斯后验的可信区域被很好地校准,在频率论意义上,随着数据的积累,它们的覆盖概率趋于标称值。然而,众所周知,当模型被错误指定或仅部分指定时,这种传统的贝叶斯框架缺乏鲁棒性,例如在分位数回归、基于风险最小化的监督/无监督学习和稳健估计中。为了克服这个困难,我们提出了一个新的贝叶斯推理方法,取代(错误指定或部分指定)的似然与适当的指数倾斜的经验似然加上正则化项。我们的代理经验似然精心构造使用的一阶最优性条件的经验风险最小化的矩条件。我们表明,贝叶斯后验组合这种替代经验似然和先验是渐近接近的正态分布集中在经验风险最小化的协方差阵采取适当的三明治形式。因此,所得到的贝叶斯可信区域被自动校准,以提供有效的不确定性量化。在计算上,所提出的方法可以很容易地实现马尔可夫链蒙特卡罗采样算法。我们的数值结果表明,所提出的方法往往比现有的国家的最先进的竞争对手更准确。
2021-09-16 stat.ME
Empirical Bayes mean estimation with nonparametric errors via order statistic regression on replicated data
本文研究了$K$噪声观测值对$N$单元效应量的经验Bayes估计。我们表明,它是可能实现近贝叶斯最优的均方误差,没有任何假设或知识的影响大小分布或噪声。噪声分布可以是异方差的,并且从单元到单元任意变化。我们的建议,我们称之为极光,利用复制固有的$K$观察每单位和重铸的效果大小估计问题作为一个一般的回归问题。具有线性回归的Aurora可证明地匹配广泛的估计器的性能,包括样本均值、修剪均值、样本中位数以及其James-Stein收缩版本。Aurora自动化了互联网规模数据集的效应大小估计,正如我们在一家大型科技公司的数据上所展示的那样。
2021-08-10 stat.ME
Deriving the asymptotic distribution of U- and V-statistics of dependent data using weighted empirical processes
一般认为,具有无界核的V-泛函不是Hadamard可微的,因此,具有无界核的U-和V-统计量的渐近分布不能用函数Delta方法(FDM)导出。然而,在这篇文章中,我们表明,V-泛函是拟阿达玛可微的,因此,一个修改版本的FDM(最近介绍的(J.多元分析。101(2010)2452- 2463))可以应用于该问题。修改后的FDM需要弱收敛的加权版本的基本经验过程。后者不是问题,因为在文献中存在关于加权经验过程的若干结果;例如,参见(J. Econometrics 130(2006)307- 335,Ann. Probab. 24(1996)2098- 2127,经验过程及其在统计学中的应用(1986)Wiley,Statistist. Sinica 18(2008)313- 333)。改进的FDM方法具有非常灵活的优点。基础数据和未知分布函数的估计量。这两个方面都将通过各种例子加以说明。特别是,我们将表明,我们的FDM方法主要涵盖了文献中已知的U-和V-统计量的渐近分布的依赖数据的基础上的所有结果-我们的假设是由趋势甚至更弱。此外,使用我们的FDM方法,我们将这些结果扩展到现有文献中没有涉及的依赖概念。
2012-07-25 math.ST stat.TH
BONuS: Multiple multivariate testing with a data-adaptive test statistic
Peking University(北京大学);UC Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);UT Austin(德克萨斯大学奥斯汀分校)
本研究提出BONuS自适应经验贝叶斯多重检验方法,可控制FDR并提升功效,经多场景验证有效。
2026-11-11 math.ST stat.ME stat.TH
Raking-ratio empirical process with auxiliary information learning
耙比方法是一种统计和计算方法,它调整经验测量以匹配有限划分集合的真实概率。研究了当辅助信息由估计给出时,一类函数指标下的耙比经验过程的渐近性态。我们假设这些估计是从比统计员的样本更大的另一个样本中学习分区集的概率而得到的,就像两阶段抽样调查的情况一样。在一定的度量熵假设和信源样本大小的条件下,我们建立了该过程的强逼近,并证明了该过程的弱收敛性与经典的耙比经验过程相同.我们也给出了可能的统计应用这些结果,如加强的$Z$ -测试和卡方拟合优度测试。
2019-05-06 math.ST stat.TH
Empirical likelihood test in a posteriori change-point nonlinear model
为了检验非线性参数回归中是否发生了变化,本文提出了一种基于经验似然的非参数方法。首先,我们测试了无变化的原假设与回归参数变化的替代。在原假设下,证明了回归参数估计的相合性和收敛速度。得到了在原假设下检验统计量的渐近分布,从而可以找到渐近临界值。另一方面,我们证明了所提出的检验统计量的渐近功效等于1。这些理论结果可以找到一个简单的检验统计量,非常有用的应用。在备择假设下,研究了一类特殊的具有两个变点的传染病模型。通过Monte-Carlo模拟的数值研究显示了所提出的检验统计量的性能,与文献中现有的方法相比。
2014-05-21 math.ST stat.TH
The Empirical Likelihood Approach to Quantifying Uncertainty in Sample Average Approximation
我们研究的经验似然方法来构建一个给定的解决方案的最优值和最优性差距的置信区间,此后量化的样本平均近似的统计不确定性,优化问题的期望值目标和约束条件下,潜在的概率分布,通过有限的数据观察。这种方法依赖于两个分布鲁棒优化问题的不确定分布,与基于发散的不确定性集,适当校准,以提供渐近的统计保证。
2016-10-23 math.ST stat.ME stat.TH
Empirical Optimal Transport under Estimated Costs: Distributional Limits and Statistical Applications
基于最优输运(OT)的数据分析经常面临底层费用函数(部分)未知的问题。本文讨论了当费用函数和措施由数据估计时,经验OT值的分布极限的推导。出于统计推断的目的,而且从稳定性分析的观点来看,理解这些量的波动是至关重要的。我们的研究结果直接应用于组族的拟合优度测试问题,在机器学习应用中出现不变的运输成本,在估计混合分布之间的距离的问题,以及经验切片OT量的分析。所建立的分布极限假设成本过程在一致范数下弱收敛,或者成本由OT值在固定参数空间上的最优化问题确定。对于第一个设置,我们依赖于仔细的下限和上界的OT值的措施和成本结合Skorokhod表示。第二种设置基于参数空间上OT值过程的函数增量方法。证明技术可能是独立的利益。
2023-01-04 math.PR math.ST stat.TH
Weak convergence of the empirical copula process with respect to weighted metrics
经验Copula过程在许多基于Copula或秩的统计过程的渐近分析中起着核心作用。在其他应用中,关于其弱收敛的结果可以用来发展渐近理论的依赖措施或copula密度的估计,他们允许获得随机独立性或特定的copula结构的测试,或者他们可以作为一个基本的工具,多元秩统计量的分析。在本文中,我们建立了弱收敛的经验copula过程(允许的观察是串行依赖)的加权上确界距离。我们的研究结果的有用性说明了一般的二元秩统计量和估计程序的Pickands依赖函数中产生的多元极值理论的应用。
2014-11-21 math.ST stat.TH
Jackknife empirical likelihood with complex surveys
针对一般不等概率抽样设计的调查数据,提出了刀切经验似然方法,并对U统计量定义的参数进行了分析。从理论上证明了刀切伪经验似然比统计量作为卡方随机变量渐近分布,并可用于构造复杂调查样本的置信区间。在研究过程中,我们考虑了有无辅助信息,利用设计权重或校准权重。仿真结果表明,在覆盖概率和尾误差率方面,刀切伪经验似然比置信区间优于基于正态近似的置信区间.
2023-03-27 stat.ME
Conditional Delta-Method for Resampling Empirical Processes in Multiple Sample Problems
针对经验过程重抽样程序缺乏通用条件泛函delta方法的问题,本文提出适用于多样本问题的通用条件delta方法,并通过多类示例验证其应用灵活性,可改善基于极限结果的统计推断的有限样本性质。
2024-08-20 math.ST stat.TH
Jackknife empirical likelihood ratio test for testing the equality of semivariance
本文针对上半方差相等性检验问题,基于U统计量构建刀切经验似然比检验,通过蒙特卡洛模拟和真实数据验证了方法的有效性。
2024-01-18 stat.ME
Optimization-based Quantification of Simulation Input Uncertainty via Empirical Likelihood
我们研究了一种基于优化的方法来构造统计上准确的置信区间的仿真性能指标下的非参数输入不确定性。这种方法计算置信区间从模拟运行驱动的概率权重定义的数据,这是从解决优化问题,适当地假定平均发散约束。我们说明了这种方法如何提供计算效率和有限样本性能相比,引导和三角洲方法的好处。虽然类似于强大的优化,我们解释了程序设计,并通过经验似然法的泛化开发这种方法的严格的统计保证。
2019-02-13 stat.ME
Inference for Empirical Wasserstein Distances on Finite Spaces
瓦瑟斯坦距离是一个有吸引力的数据分析工具,但统计推断的分布限制的缺乏阻碍。为了克服这一障碍,对于多点支撑的概率测度,我们导出了经验瓦瑟斯坦距离的渐近分布作为随机目标函数线性规划的最优值.这在很大程度上促进了统计推断(例如,基于样本的瓦瑟斯坦距离的置信区间)。我们的证明是基于方向Hadamard可微性。经典的引导失败和替代品进行了讨论。分布结果的效用说明了两个数据集。
2017-04-26 stat.ME
Asymptotic Statistical Theory for the Samples Problems using the Functional Empirical Process, revisited I
本文基于函数经验过程(fep)提出一般样本问题方法,全面建立独立样本的均值、方差及其差值的估计理论,实验表明该方法在样本量达15左右或以上时精度极高且仅需四阶矩有限。
2025-08-07 math.PR stat.ME
A penalized empirical likelihood method in high dimensions
本文提出了一种惩罚经验似然(PEL)方法,用于当观测数据维数的增长速度可能快于样本量时对总体均值的推断。在观测值的不同分量依赖结构下,即(i)非遍历,(ii)长程依赖和(iii)短程依赖,导出了PEL比统计量的渐近分布.由此可见,建议的PEL比统计量的极限分布可以根据相关结构而变化很大,并且它通常不同于固定和有限维情况下经验似然比统计量的通常卡方极限。提出了一种统一的基于子采样的校准,并在所有三种情况下建立了其有效性,(i)-(iii)。有限样本的性质的方法进行了研究,通过模拟研究。
2013-02-27 math.ST stat.TH
Revisiting dependence in multiple testing: empirical distribution approaches for FDP control
National University of Singapore(新加坡国立大学);University of Waterloo(滑铁卢大学);Oregon State University(俄勒冈州立大学)
本文提出基于经验累积分布函数的eFDP方法,无需显式建模依赖性即可实现最优FDP控制,模拟和实际数据验证其更准确、功效更高。
2026-09-09 stat.ME
U-Processes, U-Quantile Processes and Generalized Linear Statistics of Dependent Data
广义线性统计量是一个统一的类,包含U-统计量,U-分位数,L-统计量以及修剪和winsorized U-统计量。例如,许多常用的规模估计属于这一类。GL-统计量仅在独立性下被研究过,本文给出了强混合或L^1近历元依赖于绝对正则过程的序列的GL-统计量的渐近理论。为此,我们证明了经验U-过程的一个几乎必然近似高斯过程。借助于广义Bahadur表示,得出这样的强不变原理对经验U-分位数过程也成立,从而对GL-统计量也成立.作为直接的推论,我们获得了U-过程、U-分位数过程和GL-统计量的中心极限定理和重对数定律。
2011-08-18 math.PR math.ST stat.TH
Goodness-of-fit tests based on sup-functionals of weighted empirical processes
提出并研究了一类基于加权经验过程子泛函的拟合优度检验统计量。所用的权函数是布朗桥的Erdens-Feller-Kolmogorov-Petrovski上类函数。基于M.切尔格伊格南CsörgIgn,Horváth和Mason对这类检验统计量所得到的结果,我们为这类检验提供了渐近零分布理论,并提出了一种在原假设下制表极限分布函数的算法。一个新的家庭的非参数置信带构造的真实分布函数,它被发现执行得很好。所得到的结果,再加上一个新的结果在分布依分布收敛的更高的批评统计量,介绍了Donoho和金,证明了我们的方法的优势,一个共同的方法,利用一个家庭的经常变化的权函数。此外,我们表明,在各种微妙的问题,检测稀疏的异质混合物,建议的检验统计量实现了Ingster发现的检测边界,当区分零和替代假设,执行最佳自适应未知的稀疏性和大小的非零效应。
2016-04-01 math.ST stat.TH
Neural Estimation of Statistical Divergences
统计偏差(SD),量化了概率分布之间的差异,是统计推断和机器学习的基本组成部分。用于估计这些分歧的现代方法依赖于通过神经网络(NN)参数化经验变分形式并在参数空间上进行优化。这种神经估计器在实践中被大量使用,但相应的性能保证是部分的,需要进一步探索。我们建立了非渐近的绝对误差界的神经估计实现了一个浅NN,专注于四个流行的$\mathsf{f}$ -分歧- Kullback-Leibler,卡方,平方海灵格,和全变差。我们的分析依赖于非渐近函数逼近定理和工具,从经验过程理论来约束两个来源的误差:函数逼近和经验估计。的界限表征NN的大小和样本的样本个数方面的有效误差,并揭示缩放率,确保一致性。对于紧支撑分布,我们进一步证明了在适当的神经网络增长率下,上述前三个发散的神经网络估计是极小极大率最优的,达到了参数收敛速度。
2022-03-29 math.ST stat.ML stat.TH
Statistical Inference for Cluster Trees
聚类树通过表示其高密度聚类的层次结构来提供密度函数的高度可解释的概要。它是使用经验树来估计的,经验树是从密度估计器构造的聚类树。本文讨论的基本问题,量化我们的不确定性,通过评估的统计意义的拓扑特征的经验聚类树。我们首先研究了各种指标,可用于比较不同的树,分析其属性,并评估其适用性的推断。然后,我们提出的方法来构建和总结未知的真实聚类树的置信集。我们引入了一个偏序集群树,我们用修剪一些统计上不显著的功能的经验树,产生可解释的和简约的集群树。最后,我们说明了所提出的方法在各种合成的例子,并进一步证明了它们的效用在移植物抗宿主病(GVHD)数据集的分析。
2017-02-12 math.ST stat.ME stat.ML
Statistical Inference for Adversarial Training: Central Limit Theorems via Optimal Transport
Yonsei University(延世大学);Korea Institute for Advanced Study(韩国高等研究院)
本文通过最优传输理论严格推导对抗训练模型的中心极限定理,证明最优势唯一性,并给出鞍点稳定性与泛化误差的样本复杂度。
2026-09-22 cs.LG math.PR math.ST
Empirical spectral processes for stationary state space models
本文研究了等距离采样的多元连续时间状态空间模型的函数指标归一化加权积分周期图,该模型是多元连续时间ARMA过程。因此,采样距离是固定的,并且驱动Lévy过程至少具有有限的四阶矩。在对函数空间和驱动Lévy过程的矩作不同的假设下,得到了函数指标归一化加权积分周期图的一个中心极限定理.无论是对函数空间的假设还是对Lévy过程矩存在性的假设都较弱。此外,我们还证明了在连续函数空间和高斯过程的对偶空间中的弱收敛性,并给出了协方差函数的显式表示。所得结果可用于推导Whittle估计量的渐近性态,并构造拟合优度检验统计量,如Grenander-Rosenblatt统计量和Cramér-von Mises统计量.我们提出了这两个统计量的精确极限分布,并通过模拟研究显示其性能。
2022-09-15 math.ST stat.TH
Heat diffusion distance processes: a statistically founded method to analyze graph data sets
提出基于热扩散的多尺度图比较方法,定义Lipschitz连续经验过程,证明函数中心极限定理和高斯近似,并设计自助法置信带与两样本检验,用于分析图数据集。
2023-05-16 math.PR math.ST stat.TH
Testing monotonicity of a hazard: asymptotic distribution theory
引入两个新的检验统计量来检验抽样分布在指定区间[0,a]上具有递增危险率的原假设。这些统计量是保序估计之间的经验L_1型距离,它使用单调性约束,以及经验分布函数或经验累积风险。由于局部非单调性,它们测量经验估计相对于保序估计的偏移。如果风险在[0,a]上严格增加,则在温和条件下建立检验统计量的渐近正态性。这是通过首先用相对于基础分布函数的距离来近似全局经验距离来完成的。由此产生的积分被视为越来越多的局部积分,其中CLT可以应用的总和。局部积分的行为由一个规范过程决定:随机过程x -> W(x)+x^2(其中W是标准的双侧布朗运动)与其最大凸次量之间的差。
2011-10-26 math.ST stat.TH
The state of play of reproducibility in Statistics: an empirical analysis
复制能力,即使用计算机代码和数据复制已发表论文或研究结果的能力,是可靠科学方法的基石。对于科学界无法复制结果的研究,应谨慎对待。在过去的十年中,可重复研究的重要性经常被广泛的科学期刊如\textit{Nature}和\textit{Science}以及国际杂志如\textit{The Economist}所强调。然而,多项研究表明,科学结果在心理学和医学等研究领域往往是不可复制的。统计学是一门涉及开发和研究收集、分析、解释和呈现经验数据的方法的科学,它以其在共享计算机代码和数据方面的开放性而自豪。在本文中,我们通过尝试重现2010-2021年期间利用功能磁共振成像(fMRI)数据在著名期刊上发表的93篇论文的结果,来研究统计学领域的可重复性。总体而言,从计算机代码和数据的角度来看,在所有被检查的93篇论文中,我们只能在14篇(15.1%)论文中重现结果,即论文提供了可执行的计算机代码(或软件)与真实的fMRI数据,我们的结果与论文中的结果相匹配。最后,我们总结了一些针对作者和期刊的建议,以提高统计学研究的可重复性。
2022-09-30 stat.AP
Empirical Power Analysis of a Statistical Test to Quantify Gerrymandering
本文通过生成带偏差的北卡罗来纳州选区地图,实证评估Chikina等人(2020)的离群值检验功效,发现偏差度量选择是主要影响因素。
2025-01-10 cs.CY stat.AP
An easy-to-use empirical likelihood ABC method
在自然科学、工程学和环境科学中,许多科学上动机良好的统计模型都是通过生成过程来指定的,但在某些情况下,可能无法通过分析写下这些模型的可能性。在这些情况下允许贝叶斯推断的近似贝叶斯计算(ABC)方法通常是计算密集型的。最近,计算有吸引力的经验似然ABC方法已在文献中提出。这些方法在很大程度上依赖于一组合适的易于分析的估计方程的可用性。我们提出了一种易于使用的经验似然ABC方法,其中所需的唯一输入是选择汇总统计量,它的观察值,以及模拟模型下任何参数值的汇总统计量的能力。结果表明,使用所提出的方法获得的后验是一致的,并探讨其性能使用各种例子。
2018-10-08 stat.AP stat.CO stat.ME
Statistical Significance Testing in Information Retrieval: An Empirical Analysis of Type I, Type II and Type III Errors
Delft University of Technology(代尔夫特理工大学)
统计显著性检验被广泛接受为评估有效性差异如何反映系统之间的实际差异的一种手段,而不是由于主题选择而产生的随机噪声。根据最近对SIGIR、CIKM、ECIR和TOIS论文的调查,t检验是IR研究者最流行的选择。然而,以前的工作建议计算机密集型测试,如引导或排列测试,主要基于理论论证。在经验的基础上,其他人提出了非参数的替代方法,如Wilcoxon检验。事实上,我们应该使用哪种测试的问题已经伴随着IR和相关领域几十年了。以前关于这个问题的理论研究是有限的,因为我们知道,测试假设不满足IR实验,和实证研究是有限的,因为我们没有必要的控制零假设计算实际的I型和II型出错率在现实条件下。因此,不仅不清楚使用哪种测试,而且我们应该对它们寄予多大的信任。与过去的研究相比,在本文中,我们采用了最近的模拟方法,从TREC数据去绕过这些限制。我们的研究包括针对一系列测试、系统、有效性度量、主题集大小和效应大小以及双尾和单尾情况计算的超过5亿个p值。有了如此大量的IR评估数据,并充分了解零假设,我们终于能够评估统计显著性检验在IR数据中的真实表现,并为从业者提供合理的建议。
2019-06-05 cs.DL cs.IR cs.LG