The shortest confidence interval for the weighted sum of two Binomial proportions
考虑了二项模型中成功概率的区间估计。Zielienski（2018）表明，使用样本非均匀性信息的置信区间优于经典置信区间。本文构造了非齐次样本的最短置信区间。
2019-03-27 math.ST stat.ME stat.TH
Exact-corrected confidence interval for risk difference in noninferiority binomial trials
提出了非劣效性二项试验风险差的一种新的置信区间估计。与Chan & Zhang（1999）的置信区间相比，置信区间与第一类错误的精确无条件检验一致，并且具有提高的功效，特别是对于较小的样本量。理论上证明了所提出的置信区间的改进性能，并通过仿真和实例证明了这一点。一个R包也分布，实现了所提出的方法以及其他置信区间估计。
2021-10-14 math.ST stat.ME stat.TH
Valid and Approximately Valid Confidence Intervals for Current Status Data
我们引入了一个新的框架，用于创建逐点置信区间的事件时间分布的当前状态数据。现有的方法是基于渐近性。我们的框架是基于二项属性和激励置信区间，这是非常简单的应用和有效的，即，保证名义上的覆盖范围。尽管这些置信区间对于小样本量而言必然是保守的，但它们的覆盖率逐渐接近标称值。该二项框架还激励近似有效的置信区间，并且模拟显示这些近似区间通常具有比现有区间更接近标称水平的覆盖率，并且具有更短的长度，包括基于似然比的置信区间。与以往的渐近方法，需要不同的渐近分布的连续或基于网格的评估，二项式框架可以应用于任何类型的评估分布。
2018-05-16 stat.ME
Penalized likelihood inference for beta-binomial meta-analysis of proportions of rare events
The Graduate Institute for Advanced Studies, The Graduate University for Advanced Studies（高级研究研究生院，高级研究院）；Department of Interdisciplinary Statistical Mathematics, The Institute of Statistical Mathematics（统计数学系，统计数学研究所）
针对罕见事件比例元分析中常用最大似然估计器存在有限样本偏差的问题，提出最大惩罚似然估计器，通过最大化Jeffreys先验惩罚增强的对数似然得到，模拟显示其在多方面优于普通MLE，还引入新置信区间，为相关元分析提供有用替代方法。
2026-07-30 stat.ME
Comment on 'Exact-corrected confidence interval for risk difference in noninferiority binomial trials'
本评论指出Hawila & Berg 2023年关于非劣效二项试验风险差置信区间的论文存在标题误导、统计量不满足单调性、推断可能不一致、缺乏有效模拟验证四大问题。
2024-04-12 stat.ME
Coverage-adjusted confidence intervals for a binomial proportion
本文研究了基于二项抽样的比例$p$的区间估计问题。已知$p$的“精确”Clopper-Pearson置信区间不必要保守。我们建议覆盖调整的Clopper-Pearson间隔使用$p$的先验和后验分布。调整后的间期具有更好的覆盖范围，并且通常比文献中发现的竞争间期更短。使用新的热图类型图比较置信区间，我们发现覆盖率调整的区间特别适合接近0或1的$p$。
2012-07-10 math.ST stat.ME stat.TH
Optimal Explicit Binomial Confidence Interval with Guaranteed Coverage Probability
在本文中，我们开发了一种方法来优化显式二项置信区间最近导出的Chen等人。优化降低保守性，同时保证规定的覆盖概率。
2009-01-30 math.ST stat.CO stat.TH
Confidence Regions for Parameters of Negative Binomial Distribution
我们描述了一个一般的方法来构造一个置信区域的两个参数的负二项分布。这是通过扩大抽样分布的矩量法估计，使用中心极限定理。
2016-12-23 math.ST stat.TH
Explicit Formula for Constructing Binomial Confidence Interval with Guaranteed Coverage Probability
本文给出了在保证覆盖概率下构造二项参数置信区间的显式公式。该公式克服了正态近似在性质上是渐近的限制，从而在应用中不可避免地引入未知误差。此外，从区间宽度的角度来看，与经典的Clopper-Pearson方法相比，该公式非常严格。在严格公式的基础上，我们还得到了性能优良的覆盖概率近似公式。
2007-07-05 math.PR math.ST stat.ME
Robust Confidence Intervals for a Binomial Proportion: Local Optimality and Adaptivity
University of Chicago（芝加哥大学）；Rutgers University（罗格斯大学）
本文研究了在未知污染比例下二项比例的稳健置信区间构造，通过局部最优性和适应性分析，提出了一种保证有效覆盖和高效计算的置信区间方法，并探讨了其在泊松数据和Erdős--Rényi模型中的应用。
2026-01-11 math.ST stat.ME stat.TH
The cost of using exact confidence intervals for a binomial proportion
当计算二项比例p的置信区间时，必须在使用精确区间和较短的近似区间之间进行选择，精确区间对所有p值的覆盖概率至少为1-α，而较短的近似区间对某些p的覆盖率可能较低，但平均覆盖率等于1-α。我们调查的成本使用精确的单侧和双侧Clopper-皮尔逊置信区间，而不是更短的近似区间，首先在增加预期长度，然后在增加样本量，以获得所需的预期长度。使用渐近展开，我们还给出了一个封闭形式的公式，用于确定精确Clopper-Pearson方法的样本量。对于双侧区间，我们的调查揭示了一个有趣的连接之间的频率Clopper-皮尔逊区间和贝叶斯区间的基础上noninformative先验。
2013-03-06 math.ST stat.ME stat.TH
Practical Valid Inferences for the Two-Sample Binomial Problem
我们感兴趣的是两个二项式参数是否不同，哪个参数更大，以及有多大。这个看起来很简单的问题在20世纪30年代由费舍尔提出，并从那时起成为许多评论文章的主题。然而，在这个问题上仍有新的工作，没有协商一致的解决办法。以前的评论主要集中在测试和有效性和功效的属性上，或者主要集中在置信区间、它们的覆盖范围和预期长度上。在这里，我们评估两者。例如，我们考虑p值及其匹配置信区间是否相容，这意味着当且仅当$1-α$置信区间排除所有空参数值时，p值在$α$水平下拒绝。为了聚焦，我们只检查非渐近推断，因此大多数p值和置信区间是有效的（即，准确地说，是建筑。在这个重点，我们回顾不同的方法，强调许多属性和解释方面，我们希望从应用频率论推理：有效性，准确性，良好的权力，等方差，兼容性，连贯性，参数化和方向的影响。我们表明，没有一种方法可以满足所有理想的属性，并根据这些属性给予更重要的建议。
2021-03-24 stat.ME
Analysis of two Binomial Proportions in Non-inferiority Confirmatory Trials
在本文中，我们建议考虑一个确切的似然评分（ELS）测试的非劣性比较，我们推导出其基于测试的置信区间之间的差异，两个独立的二项比例。该检验的p值通过使用精确二项概率获得，其中滋扰参数被其限制性最大似然估计替代。计算的第一类错误显示，在80%或90%统计功效下，与流行的渐近方法相比，所提出的ELS方法在充分功效的确证性临床试验的非劣效性比较中具有重要优势。对于比较治疗组的不平衡样本量，渐近评分法的第一类错误在真实比例范围内以系统模式显示高于标称水平，但ELS法未出现此类问题。平均而言，ELS方法的真实第一类错误比经验比较中考虑的所有方法更接近标称水平。此外，在极少数情况下，ELS测试的第一类错误超过标称水平，但仅为少量。此外，对于大多数验证性试验，使用ELS方法的p值和置信区间可在不到30秒的计算机时间内获得。理论论据和有吸引力的经验证据，以及快速的计算时间，应该使ELS方法在统计实践中非常有吸引力。
2022-07-10 stat.AP stat.ME
On randomized confidence intervals for the binomial probability
假设X_1，X_2，. X_n是独立同分布的.还假设我们的目标是找到theta的精确置信区间，该置信区间是1-α/2上置信区间和1-α/2下置信区间的交集。Clopper-Pearson区间是theta的标准置信区间，在实践中广泛使用。我们考虑Stevens，1950的随机置信区间，并给出一些扩展，包括伪随机置信区间。我们还考虑了“数据随机化”的置信区间的Korn，1987年，并指出了一些额外的有吸引力的功能，这个区间。我们还有助于讨论这种置信区间的实际应用。
2013-02-27 math.ST stat.TH
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
On the Binomial Confidence Interval and Probabilistic Robust Control
Clopper-Pearson置信区间在一些统计学文献中曾被证明是一种精确的方法。最近，这种区间估计方法被引入到概率控制理论中，并在控制界被称为非保守的。在本文中，我们澄清了这样一个事实，即所谓的精确方法实际上是保守的。特别是，我们推导出的分析结果证明的保守性程度的背景下，概率鲁棒性分析。本研究鼓励寻求更好的方法构造置信区间的鲁棒控制的目的。
2008-05-12 math.OC math.ST stat.TH
Locally correct confidence intervals for a binomial proportion: A new criteria for an interval estimator
为二项比例形成“置信区间”的推荐方法给出的区间估计实际上并不满足置信区间的定义，因为它们的覆盖率有时低于标称置信水平。这些方法受到青睐，因为它们的区间平均长度比Clopper-Pearson（金标准）方法短，Clopper-Pearson方法的区间实际上是置信区间。对这些方法进行比较是很棘手的--最好的方法也许应该是给出最短间隔（平均而言）的方法，但什么时候一种方法的覆盖率如此之低，以至于不应该将其归类为形成置信区间的方法？由于未遵守置信区间的定义，因此需要另一个标准来形成二项式比例的区间估计值。在本文中，我们提出了一个新的标准，满足该标准的方法被称为产生$\textit{locally correct confidence intervals}$。我们提出了一种方法，产生这样的间隔，并证明其间隔具有较短的平均长度比任何其他方法，满足标准。与Clopper-Pearson方法相比，该方法给出的区间平均长度明显较小。中间$p$方法也满足新的准则，并具有自己的最优性。
2021-06-29 math.ST stat.TH
Confidence Intervals for Ratios of Proportions in Stratified Bilateral Correlated Data
分层双侧研究的置信区间（CI）方法使用组内相关性以避免误导性结果。在这篇文章中，我们提出了四种CI方法（样本量加权的全球基于MLE的Wald型CI，完全基于MLE的Wald型CI，轮廓似然CI和完全基于MLE的评分CI），以研究在Dallal的组内模型下分层双侧数据的临床试验设计的比例比的CI。进行了蒙特卡罗模拟，并且基于完整MLE的分数置信区间（CS）方法产生了稳健的结果。最后，一个真实的数据例子来说明所提出的四个CI。
2023-03-23 stat.ME
Teachable normal approximations to binomial and related probabilities or confidence bounds
Trier University（特里尔大学）
本文提出了可教学的二项分布及相关概率的正态近似方法，提供误差界和置信区间界，适用于不同层次的学生理解。
2026-02-25 math.PR math.ST stat.OT
Permutation-based simultaneous confidence bounds for the false discovery proportion
当测试多个假设时，人们的兴趣通常是确保错误发现（FDP）的比例很小，并且具有很高的置信度。在本文中，置信上界的FDP构造，这是同时在所有拒绝截止。特别地，这允许用户事后选择一组假设，使得FDP以高置信度低于某个常数。我们的方法使用排列来解释数据中的依赖结构。到目前为止，只有Meinshausen提供了一个精确的，基于置换和计算上可行的方法同时FDP界。我们提供了一个精确的方法，统一改进这个过程。此外，我们提供了一个推广的这种方法。它允许用户选择同时置信界限的形状。这为用户在确定该方法的功率特性方面提供了更大的自由度。有趣的是，几个现有的排列方法，如显着性分析的微阵列（SAM）和Westfall和杨氏的maxT方法，作为特例。
2018-08-16 stat.ME
Approximate Negative-Binomial Confidence Intervals: Asbestos Fiber Counts
采用负二项分布分析石棉纤维数，以考虑到仅捕获有限数量纤维的采样误差以及识别和计数采样纤维时不可避免的人为变化。这个分布的一个简单的近似推导的分位数和近似的置信限。近似的成功关键取决于斯特林展开的使用到足够的阶数、近似分布的精确归一化、对正态分布的量的合理扰动以及通过反梯形积分准确地近似总和。通过模拟和比较传统的近似置信区间的特定情况下，负二项分布接近泊松分布检查开发的近似的准确性。由此产生的统计数据直接关系到石棉采样和分析的准确性的早期研究。估计石棉纤维平均浓度的不确定性，只有一个单一的计数推导。判定限（检测限（LOD））和检测限被认为是控制假阳性和阴性检测断言，并与传统的限制计算假设正态分布。
2016-11-29 stat.AP
Two-Sample Inference in Highly Dispersed Negative Binomial Models
总体均值差异的双样本推断通常依赖于中心极限定理近似。当数据来自负二项分布时，Shilane等人（2010）的先前工作表明，正态近似在单样本推断中通常不可靠，并提出了替代技术。我们试图将这些方法推广到高分散负二项模型中关于样本均值差异的两样本推断问题。我们证明了正态近似在两个样本设置中更加稳健，并且即使在不适合单独使用任何一个样本时也可以经常应用。我们还提供了一个直观的推广伯恩斯坦不等式的两个样本的情况下。这两种方法的简单混合可以提高边界和小样本设置的覆盖率。我们随后调查的覆盖质量的置信区间和样本量的考虑，在各种各样的模拟研究。总的来说，我们证明了正态近似在近似平均差的分布方面比相应的单样本理论更稳健。
2012-03-05 stat.ME
Anytime-valid simultaneous lower confidence bounds for the true discovery proportion
Institute for Statistics, University of Bremen（不来梅大学统计研究所）
本文提出结合闭合检验框架与安全任意时间有效推断（SAVI）概念，计算多重检验设置中真实发现比例的下置信界。该方法提供在每个观测时间点都有效的置信界，并对所有可能的假设子集同时有效。在假设固定的情况下，允许子集变化，支持序列更新和可选停止，适用于数据采集成本高的领域如神经科学。
2026-04-22 stat.ME
Coverage Probability of Wald Interval for Binomial Parameters
本文给出了二项参数估计Wald区间最小覆盖概率的精确计算方法。类似的方法可以用于其他类型的置信区间。
2009-01-30 math.ST stat.CO stat.TH
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
Two-sided confidence interval of a binomial proportion: how to choose?
简介：二项比例的置信区间（CI）估计已被多次审查，但方向性解释，区分高估和低估，被忽略，而样本量和理论比例方差从实验到实验没有正式考虑。在此，我们定义和应用新的评估标准，然后给出这些CI的实际使用的建议。材料与方法：利用Google Scholar进行文献检索。评价标准为（i）单侧条件误差，（ii）假设随机理论比例的单侧局部平均误差和（iii）CI的预期半宽。结果：Wald的CI没有控制任何风险，即使预期的成功次数达到32次。似然比CI的平衡性优于Logistic Wald CI。Clopper-Pearson中P CI控制单侧局部平均误差，而简单Clopper-Pearson CI对单侧条件误差均严格保守。百分位数和基本bootstrap CI与Wald CI具有相同的偏倚顺序，而针对离散bootstrap分布修改的学生化CI和BCa偏倚较小，但不如参数方法有效。CI的半宽度反映了局部平均误差。结论：我们建议使用Clopper-Pearson中间P CI估计比例，但在受控实验条件下的非理论比例比较除外，其中Clopper-Pearson CI可能更好。
2021-03-17 stat.AP stat.OT
Confidence bounds for the true discovery proportion based on the exact distribution of the number of rejections
针对先验指定假设集合，提出利用拒绝数精确分布计算TDP下置信界的方法，去除同时性要求以提升功效，并验证稳健性及应用于fMRI数据。
2023-10-12 stat.ME
Localizing differences in smooths with simultaneous confidence bounds on the true discovery proportion
本研究提出一种基于真实发现比例（TDP）同时置信界的方法，通过Simes局部检验的闭合检验定位两个光滑函数的差异区域，证明了相关统计量的PRDS性质，借助低次惩罚B样条协方差的非对角衰减结构实现良好功效，经仿真和脑瘫步态研究验证有效。
2024-10-31 stat.ME
A Fuzzy Approach for Randomized Confidence Intervals
Universidade Estadual de Campinas (UNICAMP)（坎皮纳斯州立大学）
本文提出基于Neyman-Pearson引理的随机置信区间方法，用于更广泛地适用于不满足正则条件的分布，并在高方差情况下表现出更好的性能。
2025-12-29 stat.ME
Shortest fixed-width confidence intervals for a bounded parameter: The Push algorithm
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文扩展Push算法提出有界参数最短固定宽度置信区间计算方法，适用于离散或满足单调似然比性质的连续有界参数，经多分布验证效果优于标准方法，还应用于WHO烟草使用数据。
2026-10-15 stat.CO stat.ME
Construction of Confidence Intervals
统计学的介绍性文本通常只涵盖了经典的“两西格玛”置信区间的平均值，并没有描述方法来获得置信区间的其他估计。本技术报告填补了这一空白，首先定义了不同的方法来构建置信区间，然后将其应用于二项比例、平均值和任意估计量。除了频率论的方法，似然比和最高后验密度的方法进行了解释。本文介绍了一般极大似然估计量的方差估计的两种方法（Hessian，Jackknife），并对任意估计量提出了自助法。对于三个例子，通过蒙特卡罗模拟的覆盖概率和间隔长度的不同方法进行评估。所有方法都有R代码，实践者可以获得在哪些情况下应该使用哪个方法的指导方针。
2018-07-10 stat.ME
Binomial confidence intervals for rare events: importance of defining margin of error relative to magnitude of proportion
本文针对稀有事件比例估计，提出以相对误差边际衡量置信区间精度，并评估四种常用区间方法在覆盖概率与相对误差边际下的表现，给出实践中可采用的相对误差边际取值范围。
2024-01-15 stat.AP
Confidence Intervals Based on the Modified Chi-Squared Distribution and its Applications in Medicine
本文针对临床研究中小样本量导致正态近似置信区间不准确的问题，提出基于二次型统计量的修正卡方分布方法，并给出适用样本量与比例建议，通过真实临床试验数据验证其能提高统计推断可靠性。
2025-11-09 stat.ME
Robust statistical inference for the matched net benefit and the matched win ratio using prioritized composite endpoints
作为复合终点至首次事件时间分析的替代方法，已提出{ \it净获益}（NB）和{ \it赢比}（WR）--使用基于临床重要性的优先组分结局评估处理效应。然而，NB和WR的统计推断依赖于大样本假设，这可能导致无效的检验统计量和不充分、不令人满意的置信区间，特别是当样本量较小或获胜比例接近0或1时。在本文中，我们开发了一个系统的方法来解决这些限制在配对样本设计。我们首先在无治疗差异的原假设下引入一个新的检验统计量。然后，我们提出了计算样本量的公式。最后，我们给出了这两个估计量的置信区间估计。为了估计置信区间，我们使用{ \it方差估计恢复方法}（MOVER），该方法将两个单独的个体比例置信区间合并为感兴趣的被估量的混合区间。我们通过模拟研究来评估所提出的检验统计量和MOVER置信区间估计的性能。我们证明了MOVER的置信区间是一样好的大样本置信区间时，样本是大的，当胜利的比例是有界远离0和1。此外，当样本较小或比例处于或接近边界0和1时，MOVER区间的表现优于其竞争对手。我们使用来自随机临床研究的三个例子来说明该方法（及其竞争对手）。
2020-11-21 stat.ME
Calculation of sample size guaranteeing the required width of the empirical confidence interval with predefined probability
任何估计研究的目标都是对感兴趣的参数进行区间估计。这些估计主要使用基于相应参数的样本点估计的经验置信区间来表示。相反，计算必要的样本量通常使用基于参数预期值的预期置信区间。至少自1989年以来，保证经验置信区间所需宽度的所需概率的方法就已为人所知。然而，到目前为止，这种方法并没有实现大多数软件，甚至没有在许多现代论文和教科书中描述。在这里，我们提出了简洁的描述的方法来计算样本量，以获得经验的置信区间所需的宽度与预定义的概率，并给出了一个框架，其一般实施。我们在正态分布、泊松分布和二项分布中举例说明该方法。数值结果表明，使用$0.8$或$0.9$的标准概率获得经验置信区间所需宽度所需的样本量可能比为参数预期值计算的样本量大20%以上。
2018-07-01 stat.ME
An Accurate Computational Approach for Partial Likelihood Using Poisson-Binomial Distributions
针对Cox模型偏似然近似计算不精确的问题，提出基于泊松-二项分布精确计算条件概率的方法，统一处理有结与无结数据，减少偏差和均方误差，提高置信区间覆盖率。
2025-02-26 stat.ME
A Comprehensive Comparison of the Wald, Wilson, and adjusted Wilson Confidence Intervals for Proportions
本文通过彩虹色码和像素图全面比较 Wald、Wilson 及调整后 Wilson 置信区间，发现添加特定伪观测数（如 3、4、6）的调整后 Wilson 区间在多种样本量和比例下优于其他方法。
2025-08-13 stat.CO stat.ME
Exact confidence intervals and hypothesis tests for parameters of discrete distributions
本文研究随机递增离散分布（如二项分布和泊松分布）单变量参数的精确置信区间和双侧假设检验。它表明，几种流行的方法来构建短间隔缺乏严格的嵌套，这意味着接受一个较低的置信水平并不总是会导致一个较短的置信区间。这些区间对应于一类检验，这些检验显示为不可区分的模型分配不同的$p$值。最后，我们证明了在严格嵌套的区间，信念区间，包括Clopper-Pearson区间的二项式比例和Garwood区间的泊松平均值，是最优的。
2016-09-30 math.ST stat.TH
Differentially Private Confidence Intervals for Proportions under Stratified Random Sampling
针对调查抽样场景下缺乏差分隐私置信区间严谨方法的问题，本文提出三种分层随机抽样下比例的差分隐私置信区间算法，分析其隐私保障与渐近性质，并通过模拟和1940年人口普查数据应用验证有效性。
2024-04-11 cs.CR stat.ME
Selective Sign-Determining Multiple Confidence Intervals with FCR Control
给定$m$未知参数和相应的独立估计器，Benjamini-Hochberg（BH）过程可以用于对参数的符号进行分类，使得错误方向决策（方向FDR）的预期比例被控制在预设水平$q$。更雄心勃勃的是，我们的目标是构建符号确定置信区间--而不是只分类的符号--这样的预期比例的非覆盖构造区间（FCR）的控制。我们建议一个有效的程序，调整边际置信区间，以构建一个最大数量的符号确定置信区间。我们提出了一个新的边际置信区间，专门为我们的程序，它允许平衡的权力和长度之间的权衡构建的间隔，事实上，往往享受（几乎）两全其美。我们应用我们的方法来检测一项高度公开的社会神经科学研究中相关性的迹象，并在第二个例子中，检测GWAS数据中SNP与2型糖尿病的关联方向。在这两个例子中，我们比较我们的程序与现有的方法，并获得令人鼓舞的结果。
2018-05-23 stat.ME
Simultaneous Control of All False Discovery Proportions in Large-Scale Multiple Hypothesis Testing
封闭检验程序通常用于族错误率（FWER）控制，但它们也可以用于获得所有假设子集中错误发现比例（FDP）的同时置信界限。在本文中，我们研究了封闭测试的特殊情况下，Simes本地测试。我们构建了一个新的快速和准确的捷径，我们用它来研究这种方法的权力时，假设的数量趋于无穷大。我们表明，如果存在最少量的信号，在任何期望的FDP水平检测假假设的平均功率不会消失。此外，我们证明了FDP的置信界是真实的FDP的相合估计量的每个非零子集。对于有限数量的假设的情况下，我们之间的连接Simes为基础的封闭测试和Benjamini和Hochberg的程序。
2017-10-23 stat.ME
Exact Computation of Minimum Sample Size for Estimation of Binomial Parameters
人们普遍认为，在规定的误差幅度和置信水平下，准确确定用于估计二项式参数的最小样本量是一项"不可能的任务“。在本文中，我们调查这样一个非常古老，但也非常重要的问题，并证明，困难获得精确解不是不可逾越的。与经典的基于中心极限定理的近似样本量方法不同，我们提出了一种新的计算最小样本量的方法，该方法不需要任何近似。此外，我们的方法克服了现有的严格的样本量的方法来自伯努利定理或Barnoff界的保守性。我们的计算机器由两个基本成分组成。首先，我们证明了关于一个区间内有界的二项式参数的覆盖概率的最小值是在一个由有限多个二项式参数值组成的离散集上得到的。这允许将覆盖概率的无限多个评估减少到有限多个评估。其次，递归定界技术的发展，以进一步提高计算效率。
2007-08-02 math.PR math.ST stat.ME
Letter to the Editor: Some comments on: On construction of the smallest one-sided confidence interval for the difference of two proportions
给编辑的信：对王维珍“关于两个比例之差的最小单侧置信区间的构造”的一些评论[arXiv：1002.4945]。
2012-11-15 math.ST stat.TH
Testing and Confidence Intervals for High Dimensional Proportional Hazards Model
提出了一种基于去相关的方法来检验高维比例风险模型的假设和构造其低维分量的置信区间。受几何投影原理的启发，我们提出了新的去相关score、Wald和偏似然比统计量.在不假设模型选择相合的情况下，证明了这些检验统计量的渐近正态性，建立了它们的半参数最优性。我们还开发了新的程序来构建逐点置信区间的基线风险函数和基线生存函数。最后给出了数值结果来支持我们的理论。
2014-12-16 math.ST stat.ML stat.TH
Stochastic EM Estimation and Inference for Zero-Inflated Beta-Binomial Mixed Models for Longitudinal Count Data
IE University（IE大学）
本文提出了一种零膨胀贝塔-二项混合模型，用于处理纵向计数数据中的过度分散和零膨胀问题，通过随机近似EM算法实现高效估计，并通过案例研究验证了其在小样本情况下的优越性。
2026-02-09 math.ST stat.ME stat.TH
Insights and inference for the proportion below the relative poverty line
我们研究了一个常用的相对贫困指标，称为人数比（$H_p$），定义为收入低于相对贫困线的比例，定义为收入中位数的一小部分$p$。我们这样做，考虑这个概念的理论收入人口，其潜力，以确定实际变化后，收入从富人转移到那些收入低于相对贫困线。在这个过程中，我们推导和评估性能的大样本置信区间$H_p$。最后，我们说明了真实收入数据集的估计。
2020-02-25 stat.ME
Post hoc false discovery proportion inference under a Hidden Markov Model
Université de Paris, CNRS（巴黎大学）；Université Paris-Saclay, CNRS, Inria Laboratoire de mathématiques d’Orsay（巴黎萨克雷大学）；Institut de Mathématiques de Toulouse UMR 5219, Université de Toulouse, CNRS UPS（图卢兹数学研究所）；Laboratoire de Probabilités, Statistique et Modélisation, Sorbonne Université, Université de Paris, CNRS（索邦大学）
本研究针对HMM驱动的相依多重检验场景，提出为用户自选假设集构建FDP置信界的方法，涵盖模型已知与非参数估计未知参数的情况，通过bootstrap考虑估计误差，显著提升了置信界精度。
2021-05-01 stat.ME
Exact Confidence Bounds in Discrete Models -- Algorithmic Aspects of Sterne's Method
在这篇文章中，我们回顾了两种方法来构建一个未知的真实参数在一般类的离散统计模型的精确置信界。这些模型包括二项分布族、泊松分布族以及与二乘二表格中的比值比相关的分布。特别是，我们讨论Sterne（1954）的方法在我们的一般框架，并提出了一个明确的算法计算的置信界限。这些方法用各种例子来说明。
2021-12-07 stat.CO
On construction of the smallest one-sided confidence interval for the difference of two proportions
对于任何一类随机置信限上具有一定单调性排序的单侧$1-α$置信区间，基于覆盖概率函数的直接分析，构造了两个独立二项随机变量的两个比例之差的集合包含意义下的最小区间。给出了置信限的一种特殊排序，并导出了相应的最小置信区间。然后将此间隔应用于剂量-反应研究中二元数据的最小有效剂量（MED），并获得了控制$α$水平的全族差错率的多重检验程序。在存在冗余参数的情况下，讨论了构造最小单侧置信区间的一般方法。
2010-02-26 math.ST stat.TH
Interval Estimation for Binomial Proportions Under Differential Privacy
Duke University（杜克大学）
本文比较了在差分隐私下将比例转换为区间估计的不同方法，发现贝叶斯可信区间表现最佳。
2026-06-29 stat.ME
Confidence intervals for tree-structured varying coefficients
针对树结构变系数模型系数推断的选择性偏差问题，提出一种参数自助法构造划分特定系数的置信区间，并通过模拟与医学数据验证其覆盖率。
2024-06-28 stat.ME
Adaptive Resources Allocation CUSUM for Binomial Count Data Monitoring with Application to COVID-19 Hotspot Detection
Arizona State University（亚利桑那州立大学）；Georgia Institute of Technology（佐治亚理工学院）；Fred Hutchinson Cancer Research Center（弗雷德·哈钦森癌症研究中心）
在本文中，我们提出了一个有效的统计方法（表示为“自适应资源分配”），鲁棒性和有效地检测有限的采样资源的热点。我们的主要思想是结合多臂强盗（MAB）和变点检测方法，以平衡的探索和开发的资源分配热点检测。此外，贝叶斯加权更新用于更新感染率的后验分布。然后，置信上界（UCB）用于资源分配和规划。最后，通过CNOUM监控统计数据来检测更改点以及更改位置。在性能评估方面，我们将所提出的方法与文献中的几种基准方法进行了性能比较，结果表明所提出的算法能够实现更低的检测延迟和更高的检测精度。最后，将该方法应用于华盛顿州县级每日阳性COVID-19病例的真实案例研究中的热点检测，并在非常有限的分布式样本下证明了该方法的有效性。
2022-08-17 cs.LG stat.AP stat.ME
Rank conditional coverage and confidence intervals in high dimensional problems
在低维设置中使用的置信区间程序通常不适合于高维应用。当估计大量参数时，与最显著估计值相关的边际置信区间具有非常低的覆盖率：它们太小并且集中于有偏估计值。在高维环境中形成置信区间的问题以前已经通过选择调整的镜头进行了研究。在这个框架中，目标是控制所选参数形成的非覆盖区间的比例。在本文中，我们接近的问题，考虑秩和覆盖概率之间的关系。边缘置信区间对重要参数的覆盖率非常低，而对具有更无聊估计的参数的覆盖率很高。许多选择调整的间隔显示相同的图案。这种联系促使我们提出一种新的多重检验/覆盖问题中置信区间的覆盖准则--秩条件覆盖（RCC）。这是给定相关估计量的显著性排名的区间的预期覆盖率。我们建议通过自举区间建设产生小的间隔，并有一个等级条件覆盖接近标称水平。这些方法在R包rcc中实现。
2017-02-22 stat.ME
Confidence intervals centered on bootstrap smoothed estimators
Bootstrap平滑（袋装）参数估计已被提出作为一个改进的估计后发现初步的基于数据的模型选择。Efron（2014）的关键结果是一个非常方便且广泛适用的公式，用于delta方法近似自助平滑估计量的标准差。这种近似提供了一个容易计算的指南，这个估计的准确性。此外，Efron（2014）提出了一个以自助平滑估计量为中心的置信区间，其宽度与该近似值对标准差的估计成正比。我们在两个嵌套线性回归模型（完整模型和简单模型）的情况下评估此置信区间，并对简单模型正确的原假设进行初步检验。我们推导出计算方便的表达式的理想自举平滑估计和覆盖概率和预期长度的置信区间。在覆盖概率方面，该置信区间优于具有相同标称覆盖率且基于相同初步检验的模型选择后的置信区间。我们还比较了性能的置信区间为中心的自举平滑估计，在预期的长度，通常的置信区间，具有相同的最小覆盖概率，基于完整的模型。
2018-10-29 stat.ME
