Nonparametric statistical inference for the context tree of a stationary ergodic process
考虑了在不附加条件的情况下，估计有限字母表平稳遍历过程的上下文树的问题。作为出发点，我们在不可约上下文树空间中引入了一个Hamming度量，并利用遍历平稳过程空间中的弱拓扑的性质，证明了如果Hamming度量是无界的，则上下文树不存在相容估计.即使在有界的情况下，我们表明，不存在双边的置信界限。然而，我们证明，片面的推断是可能的，在这个一般的设置，我们构造了一个一致的估计，这是一个下界的上下文树的过程中的覆盖概率的明确公式。我们开发了一个有效的算法来计算的下界，我们应用该方法来测试的语言假设的编纂书面文本在欧洲葡萄牙语的上下文树。
2015-08-20 math.ST stat.TH
Nonparametric estimation in functional linear models with second order stationary regressors
考虑函数线性回归中斜率参数的估计问题，其中标量响应Y1，.，Yn依赖于二阶平稳随机函数X1，.，Xn.一个正交系列估计的功能斜率参数与额外的阈值在傅立叶域中的建议和其性能的测量相对于广泛的加权风险覆盖作为示例的均方预测误差和平均积分平方误差的衍生估计。本文在斜率参数的不同正则性空间和协方差算子的不同连接条件下，导出了估计量在一大类正则性空间上的极小极大最优收敛速率。这些一般结果通过著名的周期函数的索伯列夫空间作为斜率参数的正则性空间以及有限或无限平滑协方差算子的情况的具体例子来说明。
2009-01-27 math.ST stat.TH
Some Theoretical Results Concerning Time-varying Nonparametric Regression with Local Stationary Regressors and Error
关于李和游在Journal of Applied Statistics and Management中提出的一个三步估计方法，对于具有时变回归函数、局部平稳回归变量和时变AR（p）（tvAR（p））误差过程的非参数回归模型，我们建立了每个估计的所有必要的渐近性质.给出了非参数回归函数初估计的收敛速度和渐近正态性，建立了误差项中时变系数函数的渐近分布，并给出了非参数回归函数加细估计的渐近性质.此外，对于变量选择的ULASSO方法和误差项结构的常系数检测，我们证明了ULASSO估计能够一致地识别真实的误差项结构.我们进行了两个模拟研究，以说明有限样本性能的估计和验证我们的理论讨论的性质的估计。
2020-10-24 math.ST stat.ME stat.TH
Nonparametric specification for non-stationary time series regression
我们研究了广义似然比检验（GLRT）的行为（范，张和张[安。29（2001）153-193]），其中回归量和误差是非平稳时间序列并且可以互相关。研究发现，在弱相关和非平稳的情况下，广义似然比保持了局部选择检测的极大极小率。然而，在一般情况下，Wilks现象以及经典的残差自助法是敏感的条件异方差的错误，非平稳性或时间依赖性。平均测试建议，以减轻带宽的选择测试的敏感性，并示出比基于单一带宽的测试更强大。提出了一种可供选择的自举方法，并证明了该方法在对非平稳时间序列的时变系数模型进行推断时是一致的。
2014-02-04 math.ST stat.TH
Nonparametric density estimation for stationary processes under multiplicative measurement errors
本文针对乘性测量误差模型下的强混合平稳过程，提出非参数密度估计新方法，处理非独立数据，给出收敛速度、极小极大风险下界及渐近正态性，并通过模拟验证有效性。
2024-03-20 math.ST stat.TH
Nonparametric estimation for dependent data with an application to panel time series
本文考虑相依数据的非参数估计，其中观测值不一定来自线性过程。我们研究了密度估计，并讨论了相关的问题，在非参数回归使用2-混合相关措施。我们比较的结果下2-混合的假设下，该过程是线性的。在面板时间序列的情况下，一个观察数据从几个人，它往往是太强，假设联合线性的过程。相反，在本文中开发的方法使我们能够量化的依赖，通过2-混合，允许非线性。我们提出了面板均值函数的一个估计，并得到了它的收敛速率。我们表明，在一定的条件下，收敛的收敛速率可以通过允许在面板中的个人的数量，以提高随着时间的推移。
2007-06-27 math.ST stat.TH
On nonparametric inference for spatial regression models under domain expanding and infill asymptotics
在Lu and Tj \ostheim（2014）的基础上，发展了空间回归模型的非参数推断，该模型在区域扩展和填充（DEI）渐近条件下，发展了平稳空间过程的密度函数的非参数推断。特别地，我们得到了非参数空间回归模型的均值和方差函数的多元中心极限定理。基于这些结果，我们提出了一种方法来构建均值和方差函数的置信带。
2019-07-11 math.ST stat.TH
Nonparametric two sample test of spectral densities
University of Vienna（维也纳大学）；University of Poitiers（普瓦捷大学）
本文提出一种非参数方法，用于检验两个高斯平稳过程的谱密度相等性，并在模拟和真实数据中验证了其有效性。
2026-02-11 math.ST stat.TH
Specification testing in nonparametric AR-ARCH models
本文考虑了具有条件异方差的自回归时间序列模型，其中条件均值和条件方差函数均为非参数模型。对创新与过去时间序列值无关的模型假设进行了检验。该测试基于经验特征函数的加权$L^2$距离。在独立性的原假设下得到了渐近分布，并证明了对固定方案的一致性。一个光滑的自回归残差自助程序的建议，其性能在模拟研究。
2016-10-11 math.ST stat.TH
Nonparametric volatility density estimation for discrete time models
我们考虑具有平稳波动过程的资产价格的离散时间模型。我们的目标是在一组连续的时刻估计这个过程的多元密度。提出了一种基于平方过程对数的傅立叶型反卷积核密度估计器来估计波动率密度。扩展的偏差和界限的方差。
2002-06-14 math.ST stat.TH
Simultaneous nonparametric inference of time series
我们考虑平稳过程的边际密度和回归函数的核估计。证明了对于一类广泛的时间序列，在适当的中心和尺度下，核密度和回归估计的最大偏差是渐近Gumbel的。我们的结果基本上推广了以前的独立或beta混合假设下获得的。渐近的结果可以应用于评估模式的边缘密度或回归函数通过建设的同时置信带，其中一个可以执行拟合优度检验。作为一个应用，我们构建了一个动态短期利率模型的漂移和波动率函数的同时置信带的美国国债收益率曲线利率数据。
2010-10-20 math.ST stat.TH
Nonparametric estimation of the stationary density for Hawkes-diffusion systems with known and unknown intensity
本文研究 Hawkes-扩散系统二维平稳密度的非参数估计，在强度已知与未知时分别建立核估计量的收敛速率，并借助 Girsanov 变换和指数矩界完成证明及数值验证。
2025-09-30 math.ST stat.TH
Asymptotic Theory for Kernel Estimators under Moderate Deviations from a Unit Root, with an Application to the Asymptotic Size of Nonparametric Tests
我们提供了新的渐近理论的核密度估计，当这些被应用到自回归过程表现出中度偏离单位根。这填补了现有文献中的空白，迄今为止只考虑了近集成和平稳的自回归过程。这些结果有应用到非参数预测回归模型。特别地，我们证明了非参数t检验的零拒绝概率在回归变量的持续性程度上是一致控制的。这为通常的非参数推断程序的有效性提供了严格的理由，即使在回归变量可能高度持久的情况下。
2019-08-16 math.ST stat.TH
Nonparametric M-estimation for right censored regression model with stationary ergodic data
研究了平稳遍历右删失回归模型的非参数M-估计。定义为隐函数，当协变量取值于R^d（d >= 1）且数据来自平稳遍历过程时，考虑了稳健回归族的核型估计.在较弱的假设下，证明了估计量的强相合性（含率）和渐近分布。此外，提供了一个可用的置信区间，它不依赖于任何未知量。我们的结果在没有任何混合条件下成立，并且不需要存在边缘密度。还提供了基于模拟数据的比较研究。
2016-04-29 stat.ME
Testing for a constant coefficient of variation in nonparametric regression
本文对一般非参数回归模型中变异系数为常数的假设提出了一种新的检验方法。该检验基于回归函数的平方与方差函数之间的$L^2$距离估计值。我们证明了在原假设和固定替代下该距离的标准化估计的渐近正态性，并通过模拟研究研究了相应的Bootstrap检验的有限样本性质。所得结果适用于一般混合条件下的平稳过程，并用于构造金融时间序列中平稳性假设的检验。
2008-09-29 math.ST stat.TH
Empirical process theory for locally stationary processes
我们使用函数相关测度为局部平稳过程的经验过程理论提供了一个框架。我们的结果扩展了已知的结果平稳马尔可夫链和混合序列的另一种常见的可能性，以衡量依赖性，并允许额外的时间依赖性。我们的主要结果是局部平稳过程的一个泛函中心极限定理。此外，还建立了和的期望的极大不等式。我们的理论在一些例子中的适用性，例如，我们提供了一致收敛性速度与局部平稳噪声的非参数回归。
2021-08-19 math.ST stat.TH
Nonparametric regression on hidden phi-mixing variables: identifiability and consistency of a pseudo-likelihood based estimation procedure
本文概述了一个新的非参数估计过程的不可观测φ-混合过程。假设关于平稳隐藏状态（Xk）的唯一信息由过程（Yk）给出，其中Yk是f（Xk）的噪声观测。本文介绍了一种利用长度为b的观测值块来估计函数f和隐态分布的极大伪似然方法。在特殊情况下，b=1和b=2的模型的可辨识性进行了研究。建立了f的估计量和隐状态的分布的一致性，因为观测的数量增长到无穷大。
2015-08-26 math.ST stat.TH
A recursive nonparametric estimator for the transition kernel of a piecewise-deterministic Markov process
在本文中，我们研究了一个非参数的方法来提供一个递归估计的非平稳分段确定的马尔可夫过程的转移密度，从只有一个观察的路径在一个很长的时间。在这个框架中，我们没有观察到一个马尔可夫链的过渡核的兴趣。幸运的是，我们可以将感兴趣的跃迁密度写为过程的两个嵌入链的不变分布之比。我们的方法包括估计这些不变测度。我们的状态的一致性和中心极限定理的主要特点的过程的一些一般假设下的结果。仿真研究表明了我们的估计量具有良好的渐近性态。
2013-05-06 math.ST stat.TH
Multivariate Nonparametric Volatility Density Estimation
考虑了一个连续时间随机波动率模型。该模型包含一个平稳的波动过程，我们的目标是估计的有限维分布的多元密度。我们假设我们在离散的时刻观察这个过程。采样时间将与消失距离等距。提出了一种基于平方过程对数的多元傅里叶型反卷积核密度估计器，用于估计多元波动率密度。的偏差和约束的方差的扩展。关键词：随机波动模型，多元密度估计，核估计，反褶积，混合
2009-10-22 math.ST stat.TH
Parametric convergence rate of some nonparametric estimators in mixtures of power series distributions
本文研究无穷支撑幂级数分布混合的估计问题，证明NPMLE的Hellinger距离收敛速度及对数因子最优性，构建基于NPMLE的两类达到参数化收敛速度的估计量，通过模拟与真实数据验证性能，并比较两类自助法构建置信区间的表现。
2025-07-31 math.ST stat.TH
Quantile Processes for Semi and Nonparametric Regression
分位数曲线的集合提供了条件分布的全貌。在不同分位数水平下，估计曲线的适当居中和缩放版本产生所谓的分位数回归过程（QRP）。本文在一般的级数逼近框架下建立了QRP问题的弱收敛性，包括增维线性模型、非参数模型和部分线性模型。在最后一类模型中得到了一个有趣的结果，其中参数和非参数估计量是渐近独立的。我们的一般过程收敛结果的应用包括构造非交叉分位数曲线和估计条件分布函数。由于独立的兴趣，我们得到了一系列的Bahadur表示与指数界的尾概率的所有剩余条款。这类界在分析分而治之下的统计推断过程中是潜在有用的。
2017-07-21 math.ST stat.TH
Nonparametric Volatility Density Estimation
考虑了两类随机波动率模型。这两种模型都包含一个平稳的波动过程，在一个固定的时刻，我们的目标是估计其密度。我们讨论离散时间模型，例如，日志价格过程建模为产品的波动过程和独立同分布。噪声我们也考虑某些连续时间扩散过程的样本。采样的时刻将与消失距离等距。提出了一种基于平方过程对数的傅立叶型反卷积核密度估计器来估计波动率密度。扩展的偏差和界限的方差。
2002-06-16 math.ST stat.TH
Nonparametric estimation of jump rates for a specific class of Piecewise Deterministic Markov Processes
本文考虑了一个具有已知流和确定转移测度，未知跳率$λ$的分段确定马尔可夫过程.为了非参数地估计跳跃率，我们首先构造了平稳密度的自适应估计，然后导出了$λ$的商估计$\hatλ_n$.我们提供了统一的界限，这些估计的风险，并证明了估计的跳跃率是近minimax（高达$\ln^2(n)$因素）。模拟说明了我们的估计的行为。
2020-12-08 math.PR math.ST stat.TH
Nonparametric estimation of a renewal reward process from discrete data
研究了更新奖励过程在[0，T]上离散可观测样本路径上跳密度的非参数估计.我们考虑的制度时，采样率为0。主要的困难是更新奖励过程不是Levy过程：增量是非平稳和依赖的。本文提出了一种自适应小波阈值密度估计器，并研究了它在Besov空间Lp损失下的性能。我们实现了极小极大收敛率的采样率，消失与T在多项式速率。与Buchmann和Grübel（2003）和Duval（2012）的精神相同，估计过程基于复合算子的反演。该逆函数没有封闭形式的表达式，并采用不动点方法逼近。
2012-07-06 math.ST stat.TH
Nonparametric Statistical Inference for Ergodic Processes
本文提出了一种时间序列的统计分析方法，它可以在假设产生数据的过程是平稳遍历的条件下，得到一些经典数理统计问题的解。也就是说，三个问题被认为是：拟合优度（或身份）测试，过程分类，和变点问题。对于每一个问题的测试是渐近准确的情况下，当数据是由平稳遍历过程产生的。测试是基于分布距离的经验估计。
2012-04-03 cs.IT math.IT math.ST
Problem of Estimation of Fractional Derivative for a Spectral Function of Gaussian Stationary Processes
研究了高斯平稳序列（时间序列）未知谱函数分数阶导数的非参数估计问题，证明了当导数阶数小于小于0.5时，该问题是适定性的，且具有经典的收敛速度。我们还证明了所提供的估计的渐近无偏性和正态性，并具有最佳收敛速度。为了构造函数范数下的置信区域，我们建立了连续函数相应空间中的中心极限定理。
2015-04-16 math.ST stat.TH
Nonparametric estimation of a regression function using the gamma kernel method in ergodic processes
本文利用Chen（2000）提出的Gamma核方法研究了非负支撑下密度和回归函数的非参数估计。在一般遍历假设下，证明了相应估计量的强一致相合性和渐近正态性。我们的结果推广了Shi和Song（2016）在经典i.i.d.框架，以及Bouezmarni和Rombouts（2008年，2010年b）和Gospodinov和Hirukawa（2007年）的混合时间序列的作品。
2016-10-16 math.ST stat.TH
Nonparametric estimation of service time distribution in the $M/G/\infty$ queue and related estimation problems
本文研究了由不完全的队列数据估计$M/G/\infty$队列的服务时间分布的问题。我们的目标是估计$G$从观察的队列长度过程在一个固定的时间间隔上的定期网格的点。我们提出了一个估计，并分析其精度在一个家庭的目标服务时间分布。原始的$M/G/\infty$问题与估计平稳高斯过程的协方差函数的导数的问题密切相关。我们考虑后一个问题，并推导出最小最大风险的下界。所得到的结果强烈表明，所提出的估计的服务时间分布是速率最优的。
2015-08-01 math.ST stat.TH
Asymptotic Inference of Autocovariances of Stationary Processes
本文提出了平稳过程自协方差渐近推断的系统理论。我们考虑基于最大（或${\cal L}^\infty$）和二次（或${\cal L}^2$）偏差对序列相关性进行非参数检验。对于这两种情况，适当的中心和重新缩放，偏差的渐近分布分别是Gumbel和Gaussian。为了建立这样一个渐近理论，作为副产品，我们发展了一个正常的比较原则，并提出了一个充分条件的联合累积量的平稳过程的可和性。我们采用了基于模拟的块的块引导过程，提高了有限样本的性能。
2011-05-17 math.ST stat.TH
Theoretical Analysis of Nonparametric Filament Estimation
本文研究了概率密度$f$的细丝或脊线的非参数估计。当沿着由$f$的Hessian的第二特征向量的向量场驱动的积分曲线遍历$f$的支撑时，丝上的点被认为是密度的局部极值。我们“parametrize”点上的细丝，这样的积分曲线，因此，积分曲线和细丝的估计将被认为是通过一个插件的方法，使用内核密度估计。我们建立的收敛速度和渐近分布结果的估计的积分曲线和细丝。主要的理论结果建立了估计的灯丝从其理论对应的均匀偏差的渐近分布。这个结果利用了由流形$M_h, h \in(0,1]$作为$h \to 0$索引的非平稳高斯过程的极值行为。
2015-10-24 math.ST stat.TH
Nonparametric estimation in a nonlinear cointegration type model
本文给出了时间序列回归模型$Z_t=f(X_t)+W_t$的非参数估计的渐近理论，其中\ensuremath \{X_t\}和\ensuremath \{Z_t\}是可观测的非平稳过程，$\{W_t\}$是不可观测的平稳过程.在计量经济学中，这可以被解释为一种非线性协整类型的关系，但我们相信，我们的结果是更广泛的利益。允许$\{X_t\}$的非平稳过程类是零递归马尔可夫链类的一个子类。这个子类包含随机游动、单位根过程和非线性过程。在假设$\{W_t\}$是满足一定混合条件的马尔可夫链的条件下，我们得到了f（x）的非参数估计的渐近性.通过仿真实验研究了$\hat{f}(x)$的有限样本性质。
2007-08-03 math.ST stat.TH
quantreg.nonpar: An R Package for Performing Nonparametric Series Quantile Regression
R包quantreg.nonpar实现了非参数分位数回归方法来估计部分线性分位数模型并进行推断。quantreg.nonpar基于对模型的非参数部分的系列近似来获得条件分位数函数及其导数的点估计。它还提供了逐点和均匀的置信区间的协变量值和/或分位数指数的相同功能，使用分析和重新排序方法的区域。本文介绍了该软件包，并展示了其中包含的函数的基本功能。
2016-10-26 econ.EM stat.CO
hermiter: R package for Sequential Nonparametric Estimation
本文介绍了R包hermiter，该包利用基于Hermite级数的估计器实现单变量和双变量概率密度、累积分布、分位数及相关系数的估计，特别适用于序贯和大数据单遍批量估计，并支持并行与分布式计算。
2023-07-02 stat.CO
Uniform Convergence Rate of the Nonparametric Estimator for Integrated Diffusion Processes
本文研究积分扩散过程系数的非参数估计，首次在观测区间趋于消失、长时间跨度及无界支撑条件下，为 Nadaraya-Watson 估计量建立一致收敛速度。
2025-03-19 math.PR math.ST stat.TH
Quantile Fourier Transform, Quantile Series, and Nonparametric Estimation of Quantile Spectra
IBM T. J. Watson Research Center（IBM T.J. 沃森研究中心）
本文提出非参数方法估计分位数谱及交叉谱，基于分位数离散傅里叶变换和分位数序列，利用滞后窗方法构建自协方差函数估计谱，通过平滑技术减少统计波动，通过模拟研究评估方法性能。
2025-11-25 stat.CO stat.ME
Nonparametric methods for volatility density estimation
金融过程的随机波动率模型已经变得越来越流行。所提出的模型通常包含一个平稳的波动过程。我们将激励和审查几个非参数方法估计的波动率过程的密度。这两个模型的基础上离散采样连续时间过程和离散时间模型将进行讨论。分析的关键见解是将波动率密度估计问题转换为标准方法存在的反卷积模型。综述了三种非参数密度估计：傅立叶型反卷积核密度估计、小波反卷积密度估计和惩罚投影估计。这些估计的性能进行比较。关键词：随机波动模型，反褶积，密度估计，核估计，小波，最小对比估计，混合
2009-10-27 math.ST q-fin.ST stat.ME
Nonparametric inference for density-dependent McKean--Vlasov diffusions
Duisburg-Essen University（杜伊斯堡-埃森大学）
本研究针对多元McKean--Vlasov扩散过程，提出基于稀疏ReQU神经网络的筛最大似然估计量，证明其在平稳密度与漂移系数估计上的收敛速率，且该速率达到极小极大最优性。
2026-09-02 math.PR math.ST stat.ML
Nonparametric Sequential Change-point Detection on High Order Compositional Time Series Models with Exogenous Variables
本文研究带外生变量的高阶成分时间序列模型，提出一种非参数序贯变点检测方法，证明了其渐近性质，并成功应用于汽车碰撞率数据的变点检测。
2025-03-04 stat.ME
Bayesian Nonparametric Adaptive Spectral Density Estimation for Financial Time Series
Centre for Translational Data Science（转化数据科学中心）；University of Sydney（悉尼大学）；University of Sydney Business School（悉尼大学商学院）
在金融时间序列建模中，非平稳性和长期相关性的区分是一个长期存在的难题。本文采用了自适应谱技术，联合模型的非平稳性和依赖性的金融时间序列在非参数的方式假设的时间序列由一个有限的，但数量未知，局部平稳过程，其中的位置也是未知的。该模型允许非参数估计的依赖性结构，通过建模的自协方差函数在谱域中。我们所有的估计都是在贝叶斯框架内进行的，我们使用可逆跳跃马尔可夫链蒙特卡罗算法进行推理。我们通过模拟研究研究了估计的频率论性质，并提出了一种从非参数谱生成时间序列数据的新方法。结果表明，我们的技术在一系列数据生成过程中表现良好。我们将我们的方法应用到一些真实的例子，我们的结果表明，几个金融时间序列表现出长期相关性和非平稳性。
2019-02-09 cs.LG q-fin.ST stat.AP
Nonparametric quantile regression for time series with replicated observations and its application to climate data
本文提出了一个无模型的非参数估计的条件分位数的时间序列回归模型，其中的协变量向量是重复多次的响应值。这种类型的数据在气候研究中比比皆是。为了解决这些问题，我们提出的方法利用数据的复制性质，并改进了传统的分位数回归的限制性线性模型结构。在一个非常一般的框架下，导出了模型均值和方差函数的非参数估计的相关渐近理论。我们提供了一个详细的模拟研究，它清楚地表明了所提出的方法在效率上优于其他基准模型，特别是当真正的数据生成过程需要非线性均值函数和异方差模式与时间相关的协变量。当注意力集中在感兴趣变量的较高分位数时，非参数方法的预测准确性显著高于其他方法。最后，以一个著名的热带气旋风速资料和一个空气污染资料为例，说明了该方法的有效性。
2021-07-06 stat.ME
Nonparametric Block Bootstrap Kolmogorov-Smirnov Goodness-of-Fit Test
本文针对平稳序列相关数据中KS拟合优度检验的非参数自助偏差校正缺失问题，提出基于非参数分块自助的偏差校正方法，并通过模拟和S&P 500股票收益实证验证其检验水平与功效。
2025-11-07 stat.ME
Adaptation for nonparametric estimators of locally stationary processes
提出了局部平稳过程非参数估计的两种自适应带宽选择方法。我们研究了交叉验证方法和基于对比度最小化的方法，并推导出这两种方法的渐近性质。结果适用于不同的统计下，包括非线性过程的局部平稳性的广泛设置。同时，我们深化了基于平稳近似的局部平稳性的一般框架。例如，一个一般的伯恩斯坦不等式推导出这样的过程。对协方差函数和更复杂的泛函进行的仿真研究表明，这两种自适应方法都能很好地工作。
2019-02-27 math.ST stat.TH
Nonparametric sequential change-point detection for multivariate time series based on empirical distribution functions
序贯变点检测的目的是当被监测的观测值的某些概率属性发生变化时发出警报。这项工作是关注的非参数，闭端检验程序的基础上的经验分布函数，旨在特别敏感的变化，在当代的多元时间序列分布的差异。建议的检测器是适应的统计数据中使用的后验（离线）变点测试，并涉及加权允许给予更多的重要性，最近的观察。由此产生的顺序变化点检测程序进行比较的检测器，通过估计的阈值函数，使假警报的概率保持近似恒定的监测期间。一个通用的结果的渐近有效性，这样一种方法估计的阈值函数的陈述。作为一个推论，渐进有效性的研究序贯检验的基础上，经验分布函数证明了这些进行时，使用一个依赖的乘数引导多变量时间序列。大规模的蒙特卡罗实验表明，所得到的程序具有良好的有限样本性质。衍生的序贯检验的应用说明了金融数据。
2020-10-25 stat.ME
Nonparametric Density Estimation under Distribution Drift
Brown University（布朗大学）
本文研究分布随时间漂移时的非参数密度估计，针对离散和连续光滑密度证明紧致极小极大风险界，并推广了漂移下不可知学习的已有结果。
2023-10-27 cs.LG stat.ML
Nonparametric estimation of conditional value-at-risk and expected shortfall based on extreme value theory
我们提出了一个金融资产的一系列收益的条件分布的条件风险价值（CVaR）和条件预期亏损（CES）的非参数估计。收益率序列和条件协变量（可能包括滞后收益率和其他外生变量）被假设为强混合，并遵循非参数条件位置-规模模型。将位置和规模的第一阶段非参数估计与Pickands（1975）提出的分布尾部的广义Pareto近似相结合，给出CVaR和CES的最终估计。我们提供了适当的归一化下的估计的一致性和渐近正态性。我们还提出了一个蒙特卡罗研究，揭示了他们的有限样本性能的结果。实证可行性的模型和估计量进行了调查，通过回测练习，使用五种农产品的期货合同的回报。
2016-12-23 stat.ME
Nonparametric inference on Lévy measures of compound Poisson-driven Ornstein-Uhlenbeck processes under macroscopic discrete observations
本文研究了一个平稳的Lévy驱动的Ornstein-Uhlenbeck过程$X = (X_{t})_{t \geq 0}$的非参数推断.本文提出了一种新的宏观观测下Lévy驱动的非线性过程$X$的Lévy测度谱估计.我们还推导出，为估计，多元中心极限定理在有限数量的设计点，和高维中心极限定理的情况下，其中的设计点的数量随着样本量的增加而增加。建立在这些渐近结果，我们开发的方法来构建置信带的Lévy措施，并提出了一个实用的带宽选择方法。
2019-07-11 stat.ME
Nonparametric regression for locally stationary time series
在本文中，我们研究了非参数模型，允许局部平稳回归和回归函数，随着时间的推移平滑变化。这些模型是具有时变系数的时间序列模型的自然扩张。我们引入了一种基于核的方法来估计时变回归函数，并为我们的估计提供了渐近理论。此外，我们证明了理论的主要条件是满足一个大类的非线性自回归过程的时变回归函数。最后，我们研究结构化模型，其中回归函数分裂成随时间变化的附加组件。如将看到的，在这些模型中的估计不受维数灾难的影响。
2013-02-18 math.ST stat.TH
Nonparametric Estimation of Functional Dynamic Factor Model
对于许多现象，数据可以被假设为定义在无限维空间上的连续函数。然而，无限维的数据可能由少量的潜在变量驱动。因此，因子模型与函数数据相关。本文研究了时变函数型数据的函数因子模型。我们提出了平稳和非平稳过程下的非参数估计。我们得到的估计，考虑时间依赖性。具体来说，我们使用不同滞后的协方差中包含的信息。我们证明了所提出的估计是一致的。通过蒙特卡罗模拟，我们发现我们的方法优于基于函数主成分的估计器。我们还将我们的方法应用于月度收益率曲线。一般来说，适当的时间相关信息的整合，提高了潜在因素的估计。
2022-05-17 stat.ME
Deep Nonparametric Estimation of Discrete Conditional Distributions via Smoothed Dyadic Partitioning
提出了一种离散条件概率分布的深度估计方法。这样的模型具有若干应用，包括音频、图像和视频数据的生成建模。我们的方法结合了两个主要的技术：二元分割和基于图形的平滑离散空间。通过递归地将每个维度分解为一系列二进制分裂，并使用基于图的趋势过滤对所得分布进行平滑，我们对模型施加了严格的结构，并实现了更高的样本效率。我们通过对合成数据集和真实数据集的一系列基准测试证明了我们模型的优势，在某些情况下，与文献中的其他流行方法相比，误差减少了近一半。我们所有的模型都在Tensorflow中实现，并在https://github.com/tansey/sdp上公开提供。
2017-02-28 stat.ML
Nonparametric estimation of multivariate hidden Markov models using tensor-product B-splines
对于由潜在状态驱动的多变量时间序列，隐马尔可夫模型（HMRM）构成了一个强大的框架，可以灵活地适应手头的情况。然而，在实践中，为多变量观测向量选择适当的发射分布可能具有挑战性。例如，边缘数据分布可能不会立即揭示州内分布形式，而且不同的数据流可能在不同的支持下运行，使得使用多元正态分布的常见方法不充分。在这里，我们探讨了一个非参数估计的排放分布在一个多元HMM的张量积B样条的基础上。在两个模拟研究中，我们展示了我们的建模方法的可行性，并展示了参数分布的不适当选择的潜在陷阱。为了说明其实用性，我们提出了一个案例研究，在该案例中，我们使用HMM对2020年欧洲杯期间守门员传球的长度和角度组成的二元时间序列进行建模，研究比赛动态对球队战术的影响。
2023-02-13 stat.ME
Pruning and Nonparametric Multiple Change Point Detection
变点分析是识别时间序列数据中同质性的统计工具。提出了一种多变点近似非参数估计的剪枝方法。这种通用的变化点检测过程‘cp 30’在动态程序中应用修剪例程，以大大减少搜索空间和计算成本。现有的拟合优度变化点目标可以立即在框架内使用。我们进一步提出了新的变点算法，通过将cp 3 o应用于两个流行的非参数拟合优度度量：“e-cp 3 o”使用E-统计，“ks-cp 3 o”使用Kolmogorov-Smirnov统计。仿真研究突出了这些算法的性能与参数和其他非参数变点方法相比。最后，我们说明这些方法与气候和金融应用。
2017-09-16 stat.ME
A nonparametric estimator of the spectral density of a continuous-time Gaussian process observed at random times
在许多应用中，在随机时间观察数据，并且谱密度的估计图可能与表征和解释现象有关。通过使用小波分析，人们从随机离散时间的一个路径的观测导出具有平稳增量的高斯过程（或平稳高斯过程）的谱密度的非参数估计。对于每一个正的频率，该估计被证明是满足中心极限定理的收敛速度取决于粗糙度的过程和连续观测之间的随机持续时间的时刻。在平稳高斯过程的情况下，可以将此估计量与基于经验周期图的估计量进行比较。这两种估计达到相同的最佳收敛速率，但基于小波分析的估计收敛于不同类的随机时间。模拟的例子和应用程序的生物数据也提供。
2009-11-27 math.ST stat.TH
Confidence bands in nonparametric time series regression
研究了非线性随机回归模型中均值回归和条件方差（或波动率）函数的非参数估计。同时置信带的构建和覆盖概率是渐近正确的。强加的依赖结构允许在许多线性和非线性自回归过程中的应用。结果应用于S&P 500指数数据。
2008-08-07 math.ST stat.TH
Estimation in nonparametric regression model with additive and multiplicative noise via Laguerre series
研究了加性和乘性噪声下的非参数回归估计，构造了基于Laguerre级数的自适应阈值估计。当未知函数属于Laguerre-索伯列夫空间时，该方法具有渐近近最优的收敛速度.我们考虑两种噪声结构下的问题：（1）{ i.i.d.}高斯误差和（2）长记忆高斯误差。在{ i.i.d.}的情况下，我们的收敛速度是类似的文献中发现的。在长记忆情况下，只有当任一噪声源的长记忆足够强时，收敛速度才取决于长记忆参数，否则，收敛速度与{ i.i.d.}噪声
2020-12-22 math.ST stat.TH
