Noniterative Likelihood-Derived Estimation through Auxiliary Estimating Equations
Pontificia Universidad Católica de Chile（智利天主教庞蒂菲亚大学）；University of São Paulo（圣保罗大学）
本文提出一种通过辅助估计方程构造非迭代似然导出估计量的方法，得到闭式估计量，并建立其理论性质，通过多种模型和模拟验证了其有效性。
2026-09-22 stat.ME
Consistent Estimation in Box-Cox Transformed Linear Mixed Models
将Box-Cox变换应用于线性混合模型，以分析阳性和分组数据。Box-Cox变换的问题是变换参数的极大似然估计一般不一致。为了解决这个问题，我们提出了一个简单的和相合估计量的转换参数的矩方法的基础上。利用相合估计量构造了模型参数的相合估计量，并在一定条件下证明了模型参数的估计在$m\to\infty$下是相合的，其中$m$是组数.此外，在估计（未来）观测值的期望时，由于变换参数的相合估计量，所得估计量也保持相合性。通过仿真将该估计方法与极大似然估计方法进行了比较，结果表明该估计方法优于极大似然估计方法。最后，将该方法应用于一个真实的数据集。
2016-09-06 stat.ME
Nonparametric modal regression in the presence of measurement error
在对预测器$X$上的响应$Y$进行回归的上下文中，我们考虑当$X$倾向于测量误差时，估计给定$X=x$的$Y$的分布的局部模式。我们提出了两种非参数估计方法，一种是基于估计的联合密度的$(X, Y)$存在测量误差，和其他建立在估计的条件密度的$Y$给定$X=x$使用易错数据。我们研究了每个建议的模式估计器的渐近性质，并提供实施细节，包括模式搜索和带宽选择的均值漂移算法。数值研究提出了比较所提出的方法与现有的模式估计方法开发的无错误的数据天真地适用于易出错的数据。
2016-10-27 stat.ME
A Generalized Estimating Equation Approach to Network Regression
针对网络数据回归中未考虑社区结构与因变量双重角色的问题，提出基于社区检测聚类的广义估计方程方法，证明了渐近正态性，并验证了其在COVID-19发病率分析中的有效性。
2024-02-14 stat.ME
An Approximate Monte Carlo Simulation Method for Estimating Uncertainty and Constructing Confidence Intervals for 2020 Census Statistics
针对2020年人口普查数据产品缺乏不确定性估计的问题，提出一种近似蒙特卡洛模拟方法，利用TopDown算法输出进行迭代，估计均方误差、偏差、方差并构建有效置信区间，且不损害隐私保护。
2025-03-25 stat.ME
On sensitivity value of pair-matched observational studies
一项观察性研究可能由于未能控制不可测量的混杂因素而在估计因果效应时产生偏倚。本文提出了一个新的数量称为“敏感性值”，这是定义为最小强度的不可测量的混杂因素需要改变的定性结论的天真分析假设没有不可测量的混杂因素。我们建立了配对观察性研究中灵敏度值的渐近正态性。然后，理论结果用于近似敏感性分析的功效，并选择研究设计。我们探索潜在的使用敏感性值来筛选多个假设，在存在未测量的混杂使用微阵列数据集。
2017-05-22 stat.ME
Estimating Continuous Distributions in Bayesian Classifiers
当用贝叶斯网络对概率分布建模时，我们面临着如何处理连续变量的问题。大多数以前的工作要么解决了离散化的问题，或假设数据是由一个单一的高斯。在本文中，我们放弃了正态性假设，而是使用非参数密度估计的统计方法。对于一个朴素贝叶斯分类器，我们提出了各种自然和人工领域的实验结果，比较两种方法的密度估计：假设正态分布和建模每个条件分布与一个单一的高斯，并使用非参数核密度估计。我们观察到大量的减少在几个自然和人工数据集的错误，这表明核估计是一个有用的工具，学习贝叶斯模型。
2013-02-20 cs.AI cs.LG stat.ML
Optimal subsampling for quantile regression in big data
研究了分位数回归的最优子采样问题。我们导出了一般子抽样估计量的渐近分布，然后导出了两种最优子抽样概率。一个版本最小化的渐近方差-协方差阵的线性变换的参数估计和其他最小化的原始参数估计的迹。前者不依赖于给定协变量的响应密度，易于实现。提出了基于最优子抽样概率的算法，并建立了估计量的渐近分布和渐近最优性。此外，我们提出了一个迭代的子采样过程的基础上的线性变换参数估计，具有很大的可扩展性，以利用现有的计算资源的最佳子采样概率。此外，此过程产生参数估计量的标准误，而不估计给定协变量的响应密度。我们提供了基于模拟和真实数据的数值例子来说明所提出的方法。
2020-01-28 stat.CO stat.ME
Frontier estimation with local polynomials and high power-transformed data
本文提出了一种新的估计样本前沿的方法。估计器是基于幂变换数据的局部多项式回归。我们假设变换的指数趋于无穷大，而带宽趋于零。我们给出了这两个参数的条件，以获得几乎完全收敛。给出了估计量的渐近条件偏差和方差，并在有限样本情形下说明了其良好的性能。
2011-04-01 stat.ME
Detecting Structural Shifts and Estimating Change-Points in Interval-Based Time Series
本文针对区间值金融时间序列，提出基于随机微分方程的OULC模型，利用MLE框架与Newton-Raphson算法进行变点检测，并设计参数化自助法计算置信区间，实验证明其优于传统OC模型。
2024-10-13 stat.CO stat.ME
Improving Nonparametric Density Estimation with Tensor Decompositions
Technische Universität Berlin（柏林工业大学）；Machine Learning Group（机器学习组）
虽然非参数密度估计通常在低维数据上表现良好，但当应用于高维数据时，它们的性能可能会受到影响，这可能是由于维数灾难。避免这种情况的一种技术是假设特征之间没有依赖性，并且数据是从可分离的密度中采样的。这允许独立地估计每个边缘分布，从而避免与估计全关节密度相关联的慢速率。这是朴素贝叶斯模型中采用的一种策略，类似于估计秩一张量。在本文中，我们研究这些改进是否可以扩展到其他简化的依赖性假设，我们通过非负张量分解模型。在我们的中心理论结果中，我们证明了将估计限制在低秩非负PARAFAC或Tucker分解中可以消除多维直方图的箱宽率的维数指数。这些结果通过直接应用现有的非负张量分解直方图估计实验验证具有较高的统计意义。
2020-10-06 cs.LG math.ST stat.ME
Corrected score methods for estimating Bayesian networks with error-prone nodes
出于使用有噪声的流式细胞术数据推断细胞信号网络的动机，我们开发了基于易错数据的贝叶斯网络推断程序。基于惩罚估计方法，提出了两种用于推断网络中节点之间因果关系的方法，该方法考虑了测量误差并鼓励稀疏性。我们讨论了建议的网络估计的一致性，并开发了一种方法来选择调整参数的惩罚估计方法。进行了实证研究，以比较所提出的方法和天真的方法，忽略测量误差与应用程序的合成数据和单细胞流式细胞术数据。
2020-02-10 stat.ME
Estimating Distributions with Failure Rate Properties from Noisy Quantile Data
Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）；Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）；The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
研究从噪声分位数数据估计具有失效率特性的分布问题，提出IFR约束最大似然估计器，通过两步法解决，建立误差界和收敛速率，扩展到其他特性，经实验和案例研究提升了拟合度与决策质量。
2026-07-16 stat.AP
Gaussian Process Mixtures for Estimating Heterogeneous Treatment Effects
我们开发了一个高斯过程混合模型的异质处理效应估计，利用转换的结果。我们将提出的方法，试图改善相对于过去的工作，已转换的变量相关的方法，以及传统的结果建模的点估计和不确定性量化。使用转换结果对处理效应异质性建模的早期工作依赖于基于树的方法，例如单回归树和随机森林。在非参数模型的保护伞下，使用贝叶斯加性回归树和各种加权单树进行了结果建模。当大样本可用时，这些方法工作良好，但在较小的样本中，结果对模型误指定更敏感-我们的方法试图通过基于贝叶斯非参数的正确指定模型来提高推理质量。此外，虽然我们从一个假设治疗分配机制是已知的模型开始，但从数据中学习的扩展适用于观察性研究。我们的方法被应用到模拟和真实的数据，以证明我们的理论改进的推理方面的两个因果被估量：条件平均处理效应和平均处理效应。通过利用我们正确指定的模型，我们能够更准确地估计处理效应，同时减少其方差。
2018-12-18 stat.ME stat.OT
Censored Quantile Regression Forests
Department of Mathematics University of California San Diego（加利福尼亚大学圣地亚哥分校数学系）
随机森林是一种功能强大的非参数回归方法，但在存在随机删失观测值的情况下，其使用受到严重限制，并且由于所产生的偏差，天真地应用可能会表现出较差的预测性能。基于随机森林的局部自适应表示，我们开发了随机截尾回归分位数模型的回归调整。回归调整是基于新的估计方程，适应删失，并导致分位数得分时，数据不显示删失。所提出的方法被称为删失分位数回归森林，允许我们在没有任何参数建模假设的情况下估计事件发生时间的分位数。我们建立了温和的模型规格下的一致性。数值研究表明，所提出的程序的一个明显的优势。
2019-02-08 cs.LG econ.EM stat.ME
Small Area Estimation under Square Root Transformed Fay-Herriot model with Functional Measurement Error in Covariates
针对协变量含函数型测量误差的平方根变换 Fay-Herriot 小区域模型，提出仅依赖观测响应与次级调查数据的预测量及参数估计方法，并通过多情景模拟评估 MSPE。
2023-09-26 stat.ME
Estimating Changepoints in Extremal Dependence, Applied to Aviation Stock Prices During COVID-19 Pandemic
本文利用二元Hüsler-Reiss分布建模航空股日收益率的极端依赖性，提出基于LRT和MIC的变点检测方法，并成功识别COVID-19期间印度航空股依赖性变点，为投资组合优化提供支持。
2024-06-14 stat.AP
Probit transformation for nonparametric kernel estimation of the copula density
Copula模型在现代统计学中已经无处不在。在这里，非参数估计copula密度的问题得到解决。可以说是最流行的非参数密度估计，核估计不适合单位平方支持的Copula密度，主要是因为它受到边界偏差问题的严重影响。此外，大多数常见的copula都允许无界密度，而核方法在这种情况下是不一致的。本文提出了一种核Copula密度估计。该方法的基本思想是通过概率单位函数将Copula密度的一致边缘变换为正态分布，在变换域中估计Copula密度，这一过程不需要边界问题，并通过反变换得到Copula密度的估计.虽然这是自然的，但在早期的文献中，这种方法的原始应用并没有表现得很好。在这里，它表明，如果结合局部似然密度估计方法，这个想法产生非常好的，易于实现的估计，固定边界问题，在一个自然的方式，能够应付无界copula密度。所建议的估计量的渐近性质推导，并设计了一个实用的方法来选择至关重要的平滑参数。最后，广泛的模拟研究和真实数据分析证明了其与主要竞争对手相比的优异性能。
2014-04-17 math.ST stat.ME stat.TH
Conditional Density Estimation with Dimensionality Reduction via Squared-Loss Conditional Entropy Minimization
Tokyo Institute of Technology（东京工业大学）
回归的目的是在给定输入的情况下估计输出的条件均值。然而，回归是不够的信息，如果条件密度是多峰，异方差，和不对称的。在这种情况下，估计条件密度本身是优选的，但是条件密度估计（CDE）在高维空间中是具有挑战性的。处理高维的一种简单方法是首先执行降维（DR），然后执行CDE。然而，这样的两步过程在实践中执行得不好，因为在第一DR步骤中引起的误差可能在第二CDE步骤中被放大。在本文中，我们提出了一种新的单次拍摄过程，同时进行CDE和DR在一个集成的方式。我们的主要思想是制定DR作为最小化的条件熵的平方损失变量的问题，这是通过CDE解决。因此，一个额外的CDE步骤是不需要DR后。我们证明了所提出的方法的有用性，通过广泛的实验，包括人形机器人过渡和计算机艺术的各种数据集。
2014-04-28 cs.LG stat.ML
Eficient Monte Carlo Simulation of the Left Tail of Positive Gaussian Quadratic Forms
估计高斯随机向量中二次型的左尾在许多应用中具有重要的实际意义。在本文中，我们提出了一个有效的和强大的重要性抽样估计，并赋予有界相对误差性质。与朴素的蒙特卡罗方法相比，该方法显著减少了所需的模拟次数。因此，我们的重要性抽样估计是特别有用的，当感兴趣的概率非常小。选定的模拟结果来说明我们的估计相比，天真的蒙特卡罗在中心和非中心的情况下，以及真实和复杂的设置的效率。
2019-01-26 stat.ME
Discriminative classification with generative features: bridging Naive Bayes and logistic regression
Brigham Young University（杨百翰大学）；University of California, Santa Barbara（加州大学圣芭芭拉分校）
Smart Bayes通过整合生成特征与判别模型，提升分类性能，优于朴素贝叶斯和逻辑回归。
2025-11-30 cs.AI cs.LG stat.CO
Censored Quantile Regression Forest
University of California San Diego（加州大学圣地亚哥分校）；Alexa AI（Alexa人工智能部门）
随机森林是一种功能强大的非参数回归方法，但在存在随机删失观测值的情况下，其使用受到严重限制，并且由于所产生的偏差，天真地应用可能会表现出较差的预测性能。基于随机森林的一种局部自适应表示，研究了随机删失回归分位数模型的回归调整。回归调整是基于一个新的估计方程，适应删失，并导致分位数得分时，数据不显示删失。所提出的程序命名为{ \it删失分位数回归森林}，允许我们估计的时间到事件的分位数，而无需任何参数建模假设。我们建立了温和的模型规格下的一致性。数值研究表明，所提出的程序的一个明显的优势。
2020-01-08 cs.LG stat.ML
Estimating historic movement of a climatological variable from a pair of misaligned data sets
在本文中，我们考虑的问题估计的平均函数从一对古气候功能数据集，其中之一已注册与其他。我们从理论上表明，注册一个数据集相对于其他是正确的方式来制定这个问题，这是在一个“中性”的时间尺度，这是在多组纵向增长数据的分析中首选的平均函数的估计相比。一旦完成该配准，可以从合并的数据计算平均函数的Nadaraya-Watson估计量。我们表明，如果一个相合估计量的时间变换用于此注册，上述估计的平均函数将是一致的，在一些额外的条件下。我们研究的潜在变化，渐近均方误差的估计，可能是因为时间变换的数据集的贡献。在通过模拟证明了尽管在配准中存在估计误差，但附加数据可以导致改进的估计之后，我们估计了三对古气候数据集的平均函数。分析揭示了数据集和估计问题的一些有趣的方面。
2017-12-20 stat.ME
Estimating the Number of Sources in Magnetoencephalography Using Spiked Population Eigenvalues
脑磁图（MEG）是一种先进的成像技术，用于测量由大脑内部的电活动产生的人类头部外部的磁场。脑磁图中的各种源定位方法都需要知道潜在的活动源，这些活动源是由先验识别的。用于估计源数目的常用方法包括主成分分析或信息准则方法，这两种方法都利用数据的特征值分布，从而避免求解耗时的逆问题。不幸的是，所有这些方法都对信噪比（SNR）非常敏感，因为检查样本极值特征值并不一定反映总体特征值的扰动。为了从噪声很大的脑磁图数据中发现未知源，我们引入了一个框架，称为SNR重新缩放功能的最佳变换的内在维度（ID）。其定义为相关转换数据矩阵的加标群体特征值的数量。结果表明，ID产生一个更合理的估计源的数量比它的样本对应，特别是当信噪比是小的。通过实例，我们说明了新的方法能够捕获的信号源的数目，可以逃脱主成分分析或其他信息准则为基础的方法。
2017-07-05 stat.ME
Inverting estimating equations for causal inference on quantiles
针对因果推断多聚焦均值、分位数信息利用不足的问题，提出基于逆估计方程的统一框架，将均值因果推断方法推广至分位数，推导了有效影响函数与估计量渐近性质，可复用现有均值因果推断结论拓展分位数因果分析。
2024-08-14 math.ST stat.ME stat.ML
Estimating effective population size changes from preferentially sampled genetic sequences
结合统计建模的溯祖理论，使我们能够估计有效种群大小波动的分子序列的个人采样的人口的利益。当序列在时间上连续采样并且采样时间的分布取决于有效种群大小时，采样时间的显式统计建模改善了种群大小估计。以前的工作假设，家谱相关的采样序列是已知的，建模采样时间作为一个非齐次泊松过程的对数强度等于一个线性函数的对数转换的有效种群大小。我们从两个方面改进这种方法。首先，我们扩展的方法，允许联合贝叶斯估计的系谱，有效种群大小轨迹，和其他模型参数。接下来，我们通过以随时间变化的协变量的形式引入额外的信息源来改进采样时间模型。我们使用模拟研究验证了我们的新建模框架，并将我们的新方法应用于季节性流感的种群动力学分析和最近在西非爆发的埃博拉病毒。
2019-03-28 q-bio.PE stat.ME
A unified framework for estimating direct causal effect under spatial confounding and interference, with the R package spaci
University of Manchester（曼彻斯特大学）；Federal University of Agriculture, Abeokuta（阿贝奥库塔联邦农业大学）
提出统一框架同时处理空间混杂和干扰，通过iDAPS匹配和recoverU+双重稳健估计器估计直接因果效应，并验证于SCR/SNCR臭氧影响。
2026-09-25 stat.ME
Local likelihood estimation of local parameters for nonstationary random fields
我们开发了一个加权的局部似然估计的参数，管理本地的空间依赖性的局部平稳随机场。这种局部似然估计的优点是它平滑地降低了远距离观测的影响，适用于不规则的采样位置，并且在适当设计时，可以权衡偏差和方差以减少估计误差。本文首先阐述了我们的技术问题的估计未知的正函数乘以一个平稳的随机场。这个例子给出了具体的证据，证明了我们的局部似然性与朴素的局部似然性相比的好处，在朴素的局部似然性中，假设整个邻域都是静态模型。然后，我们讨论的困难问题，估计带宽参数，控制量的影响，从遥远的观测。最后，我们提出了一个模拟实验，估计局部Matérn随机场的局部光滑性时，观察现场在随机采样位置在$[0,1]^2$。
2009-10-31 stat.CO stat.ME
Bayesian Regularization of Gaussian Graphical Models with Measurement Error
我们考虑一个框架，用于确定和估计的条件成对关系的变量时，所观察到的样本被污染的测量误差在高维设置。假设真实的潜在变量遵循多元高斯分布，如果不存在测量误差，则通常通过在稀疏约束下估计精度矩阵来解决该问题。然而，当存在测量误差时，不对其进行校正会导致精度矩阵的不一致估计和关系的不良识别。我们提出了一种新的贝叶斯方法来纠正观测样本的测量误差。该贝叶斯程序利用最新的加标-平板Lasso变体获得精密度矩阵的点估计值，并通过最近提出的针对缺失数据设计的插补-正则化优化程序校正污染。我们的方法被证明比天真的方法，忽略测量误差在识别和估计精度。为了显示该方法的实用性，我们应用新的方法来建立一个条件基因网络从微阵列数据集。
2019-07-04 stat.ME
Estimating standard errors for importance sampling estimators with multiple Markov chains
朴素的重要性抽样估计，从一个单一的重要性密度的样本的基础上，可以是数字不稳定的。相反，我们考虑广义重要性抽样估计的样本从一个以上的概率分布相结合。我们研究这个问题的马尔可夫链蒙特卡洛的背景下，独立的样本被替换为马尔可夫链样本。如果链以多项式速度收敛到各自的目标分布，那么在两个有限矩条件下，我们证明了广义估计的中心极限定理成立。此外，我们开发了一个易于实现的方法来计算有效的渐近标准误差的基础上批平均值。我们还提供了一个批均值估计量来计算Geyer（1994）的反向Logistic估计量的渐近有效的标准误差。我们使用贝叶斯变量选择过程中的线性回归说明的方法。特别是，广义重要性抽样估计是用来执行经验贝叶斯变量的选择和批均值估计是用来获得标准误差在一个高维设置，目前的方法是不适用的。
2016-08-11 math.ST stat.CO stat.ME
Estimating the Wasserstein barycenter of one-dimensional distributions under sparse sampling
Department of Biostatistics University of Washington（华盛顿大学生物统计学系）；I-BioStat KU Leuven（荷语鲁汶大学I-BioStat）；Department of Statistical Sciences University of Toronto（多伦多大学统计科学系）；Vaccine and Infectious Disease Division Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心疫苗与传染病部）
针对每个单元仅通过少量独立同分布样本观测到一维分布的数据，提出边际构造重心（MCB）估计量，通过二项混合方法估计潜在分位数分布，克服稀疏采样下经验Wasserstein重心的偏差，并证明其一致性和渐近正态性。
2026-06-08 stat.ME
Incorporating External Controls for Estimating the Average Treatment Effect on the Treated with High-Dimensional Data: Retaining Double Robustness and Ensuring Double Safety
National Cheng Kung University（国立成功大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Cornell University（康奈尔大学）
本文针对高维数据下估计处理组平均处理效应（ATT）时纳入外部对照可能降低效率的问题，提出一种新型双重稳健估计器，保证效率提升并达到半参数有效性，通过模拟和真实数据验证。
2025-09-24 stat.ME stat.ML
Principal components analysis for sparsely observed correlated functional data using a kernel smoothing approach
本文考虑了从稀疏、不规则观测、噪声污染和（可能）相关的函数数据中估计协方差核及其特征值和特征函数的问题。我们提出了一种方法的基础上，通过适当的内核的个人样本曲线的预平滑。我们表明，朴素的经验协方差的预平滑的样本曲线给出了高度有偏估计的协方差核沿其对角线。我们通过分别估计协方差核的对角和非对角部分来解决这个问题。然后，我们提出了一个实用和有效的方法，通过使用近似的留一曲线交叉验证得分选择的内核的带宽。我们证明，在标准的正则条件下的协方差核和假设独立同分布。样本，我们估计的风险，在$L^2$损失下，当每条曲线的测量数有界时，达到最优的非参数率。我们还表明，即使当样本曲线相关的无噪声数据具有可分离的协方差结构的方式，所提出的方法仍然是一致的，我们量化的作用，这种相关性的估计的风险。
2008-07-07 math.ST stat.ME stat.TH
