Robust test statistics for the two-way MANOVA based on the minimum covariance determinant estimator
基于最小协方差行列式(MCD)估计量的双向MANOVA稳健检验统计量被提出作为经典Wilks' Lambda检验统计量的替代,后者是基于广义方差的经典正态理论估计量,对异常值非常敏感。经典的Wilks' Lambda统计量的鲁棒性,取代经典的估计高度鲁棒和有效的加权MCD估计。此外,Monte Carlo模拟被用来评估各种设计下的新的检验统计量的性能,通过调查他们的有限样本精度,功率和鲁棒性对离群值。最后,将这些稳健检验统计量应用于一个实际数据实例。
2018-06-11 math.ST stat.TH
An EM algorithm for absolutely continuous Marshall-Olkin bivariate Pareto distribution with location and scale
本文考虑了一类Block-Basu型二元Pareto分布。在这里,在标准的方式,首先马歇尔-奥尔金型奇异二元分布已被构造,然后通过去除类似于块和Basu模型的奇异分量,一个绝对连续BB-BVPA模型已被构造。此外,还引入了位置和尺度参数。因此,该模型有七个参数。导出了这种绝对连续分布的不同性质。由于参数的极大似然估计不能用封闭形式表示,我们提出用期望最大化算法来计算模型参数的估计。为了说明的目的,已经进行了一些模拟实验。该模型适合降雨数据的滑坡风险估计的背景下。
2023-01-13 math.ST stat.CO stat.TH
Robust estimation of location and concentration parameters for the von Mises-Fisher distribution
讨论了vonMises-Fisher分布的位置和浓度参数的稳健估计。通过将两个参数表示为欧几里德空间上的一个向量来实现关键的重新参数化。通过这种表示,我们首先证明了冯米塞斯-费舍尔分布的极大似然估计在某些情况下并不稳健。然后,我们提出了两个家庭的鲁棒估计,可以作为两个密度幂发散的最小值。所提出的家庭使我们能够同时估计位置和浓度参数。估计的一些性质进行了探讨。简单的迭代算法,建议找到数字估计。与现有的稳健估计的比较,以及讨论之间的差异和相似性的两个建议的估计。仿真研究评估有限样本性能的估计。我们考虑海星数据集,并讨论了调整参数的选择和离群值检测。
2012-01-31 stat.ME
Estimation of Multivariate Location and Covariance using the S -Hellinger Distance
本文描述了Hellinger距离的一个推广,我们称之为S-Hellinger距离;这个一般族通过调节参数$α$将Hellinger距离与$L_2$ -散度平滑地连接起来,并且确实是Ghosh等人的S-Divergence族的一个子族。我们使用这种一般的分歧的上下文中估计的位置和协方差下(连续)多变量模型,并表明,建议的最小S-Hellinger距离估计是仿射等变的,渐近一致的,并在适当的条件下具有高的崩溃点。我们还说明了它的性能,通过广泛的模拟研究表明,所提出的估计比最小Hellinger距离估计的位置和相关参数在不同类型的污染下的污染比例高达20%的更强大的估计。
2014-12-05 stat.ME
The nonparametric location-scale mixture cure model
我们提出了完全非参数的方法来研究两组分混合治愈模型的位置-尺度建模,其中感兴趣的响应仅是间接观察到的,由于存在删失和存在所谓的长期幸存者,总是删失。我们使用协变量局部化的非参数估计,这取决于一个带宽序列,提出了一个估计的误差分布函数,以前没有被认为是在文献中。当该带宽属于欠平滑带宽的一定范围时,所提出的误差分布函数的估计量的渐近分布不依赖于该带宽,并且该估计量是根-n相容的.这表明,计算成本高的带宽选择过程是不必要的,以获得一个有效的估计的误差分布,并且可以使用一个更简单的经验法则的方法来代替。模拟研究调查我们的方法的有限样本属性,并说明使用所获得的数据来研究淋巴结阴性乳腺癌患者的远处转移的行为的方法。
2018-03-09 stat.ME
Joint Estimation of Location and Scatter in Complex Elliptical Distributions: A robust semiparametric and computationally efficient $R$-estimator of the shape matrix
从理论和计算两方面研究了一组独立同复椭圆对称(CES)分布观测值的位置向量和形状矩阵的联合估计问题。这个联合估计问题是在半参数模型的原始上下文中框架,允许我们处理(通常未知的)密度生成器作为\textit{infinite-dimensional}滋扰参数。在本文的第一部分中,一个计算效率和节省内存的实现的强大的和半参数有效的$R$估计形状矩阵。在此基础上,在第二部分中,联合估计,依赖于泰勒的$M$ -估计的位置和形状矩阵的$R$ -估计,提出了其均方误差(MSE)性能相比,半参数克拉美-拉奥界(CSCRB)。
2021-01-26 eess.SP stat.ME
A Note on Location Parameter Estimation using the Weighted Hodges-Lehmann Estimator
本文提出两类新的加权Hodges-Lehmann (WHL)估计量用于位置参数估计,通过模拟实验证明其在破坏点、偏差和相对效率上优于均值、加权中位数等传统方法。
2023-09-11 stat.AP stat.ME
A Componentwise Estimation Procedure for Multivariate Location and Scatter: Robustness, Efficiency and Scalability
Bethune College(贝休恩学院);Indian Statistical Institute(印度统计研究所)
本文提出了一种新的稳健且高效的估计方法,用于估计椭圆对称分布的位置和散射矩阵,通过最小密度幂分歧方法改进,具有良好的鲁棒性和可扩展性。
2025-11-20 stat.ME
A Location-Invariant Estimator of Extremal Quantile Treatment Effects for Heavy-Tailed Distributions
Huazhong University of Science and Technology(华中科技大学);Tencent(腾讯)
针对重尾分布极值QTE估计量的位置偏移不不变问题,通过适配位置不变EVI估计量并替换外推方案,提出位置不变的极值QTE估计量,经模拟验证其性质良好。
2026-09-07 cs.LG stat.AP stat.ME
High-Dimensional Hettmansperger-Randles Estimator and its Applications
本文提出了一种用于高维椭圆分布位置参数和散布矩阵的高维 Hettmansperger-Randles 估计量,并将其应用于单样本位置检验和二次判别分析,新方法在多种分布下均表现出有效性和优越性。
2025-05-03 stat.ME
Resample-smoothing of Voronoi intensity estimators
Voronoi强度估计,这是点过程的强度函数的非参数估计,都是无参数和自适应的,在一个给定的位置的强度估计是由包含该位置的Voronoi/Dirichlet细胞的倒数大小。然而,它们的主要缺点是,它们倾向于在观察到的点图案的点密度高的区域中使数据欠平滑,而在点密度低的区域中使数据过平滑。为了解决这个问题,即找到一些中间地带之间的过度和欠平滑,我们提出了一个额外的平滑技术的Voronoi强度估计的点过程在任意度量空间,这是基于重复的独立稀疏的点过程/模式。通过模拟研究,我们表明,我们的重采样平滑技术,提高了估计显着。此外,我们还研究了无偏性和方差等统计特性,并提出了一种经验法则和数据驱动的交叉验证方法来选择要应用的细化/平滑量。最后,我们将我们提出的强度估计方案应用于两个数据集:松树树苗的位置(平面点模式)和机动车交通事故(线性网络点模式)。
2018-07-06 stat.ME
Some Doubly and Multiply Robust Estimators of Controlled Direct Effects
这封信介绍了几个双重,三重,四重控制的直接效果的鲁棒估计。其中,三重和四重稳健估计是局部半参数有效的,并且非常适合于使用数据自适应方法来估计它们的滋扰函数。
2020-11-18 stat.ME
Inference for three-parameter M-Wright distributions with applications
我们提出了点估计的三个参数(位置,规模和分数参数)的变化分布产生的赖特函数。我们还提供了不确定性量化的建议点估计在一定条件下的程序。密度类包括三参数单侧和三参数对称双峰$M$ -Wright分布族。单边族自然地推广了艾里模型和半正态模型。对称类包括对称的艾里密度和正态密度或高斯密度。当位置参数为零时,尺度参数的区间估计优于\cite{cah12}中导出的估计。我们得到的渐近协方差结构的规模和分数参数估计,它允许估计的相关性。区间估计的覆盖概率略微依赖于所提出的位置参数估计。对于对称的情况下,样本均值(或中位数)是有利于比中位数(或平均值)时,分数参数大于(或小于)0.39106方面的渐近相对效率。使用合成数据的估计算法进行了测试,并与他们的自助同行进行了比较。建议的推理程序上的年龄和身高数据进行了演示。
2017-11-09 stat.ME
A Robust Adaptive Modified Maximum Likelihood Estimator for the Linear Regression Model
在线性回归中,如果误差服从正态分布,则最小二乘(LS)估计具有一定的最优性。这一假设在实践中经常被违反,部分原因是数据离群值。稳健估计可以很好地解决这一问题,因此在实际中得到了广泛的应用。回归稳健估计的一个例子是自适应修正极大似然(AMML)估计(Donmez,2010)。然而,它们对$x$离群值(所谓的杠杆点)不稳健。在这项研究中,我们提出了一个新的回归估计,通过采用适当的加权方案的AMML估计方法。由此产生的估计被称为鲁棒AMML(RAMML),因为它不仅对y离群值是鲁棒的,而且对x离群值是鲁棒的。通过仿真研究,比较了RAMML估计与MM、最小截尾平方(LTS)和S。结果表明,根据均方误差(MSE)准则,RAMML估计在大多数情况下是优选的。两个数据集从文献中也进行了分析,以显示RAMML估计方法的实施。
2020-06-30 stat.ME
Penalized Spline M-Estimators for Discretely Sampled Functional Data: Existence and Asymptotics
本文研究离散采样函数数据在凸损失函数下的惩罚样条M估计,建立非渐近存在性与局部化引理,证明最优收敛速率并识别结点状态及临界转折点,表明离散数据下仍可达到参数化速率,且方法兼具稳健性与计算效率。
2025-08-16 stat.ME
Robust estimators for generalized linear models with a dispersion parameter
本文提出了带离差参数的广义线性模型的高稳健有效估计。估计器基于三个步骤。在第一步中,最大秩相关估计器用于一致地估计斜率直到比例因子。在第二步中,使用简单回归模型的MT估计量一致地估计比例因子、截距和离散参数。组合估计是高度稳健的,但效率低下。然后,基于初始估计量的随机分位数残差用于检测待拒绝的离群值,并定义待保留的观测值集S。最后,计算了给定S中观测值的条件极大似然(CML)估计。我们发现,在该模型下,随着样本量的增加,S趋于完全样本。因此,CML趋向于无条件极大似然估计。因此,它是高效的,同时保持了初始估计的高度鲁棒性。详细研究了负二项回归模型的情形。
2017-03-28 stat.ME
Robust optimal estimation of location from discretely sampled functional data
估计位置是功能数据分析中的一个核心问题,但目前大多数估计过程要么不切实际地假设完全观察到的轨迹,要么缺乏鲁棒性,相对于许多种异常,可以在功能设置中遇到。为了弥补这些不足,我们介绍了第一类最佳的鲁棒位置估计的基础上离散采样的功能数据。所提出的方法是基于M-型平滑样条估计重复测量,适用于共同和独立观察轨迹受到测量误差。我们表明,在适当的假设下,所提出的估计族对于常见和独立观察到的轨迹都是极大极小率最优的,我们在蒙特卡洛研究和涉及最近Covid-19数据的真实数据示例中说明了其极具竞争力的性能和实用性。
2021-04-05 stat.ME
Robust penalized estimators for functional linear regression
函数数据分析是统计学中一个快速发展的分支。流行的函数线性模型的估计过程要么缺乏鲁棒性,要么计算负担沉重。为了解决这些缺点,一个灵活的家庭惩罚低秩估计的基础上提出了一个有界损失函数。在弱正则条件下,证明了所提出的估计类是相容的,并且在预测误差方面具有很高的收敛速度。这些结果可以推广到更高的维度下类似的假设。有限样本性能的估计量的建议家庭的Monte Carlo研究表明,这些估计达到高效率,同时提供保护,防止离群值。所提出的估计相比,有利的现有方法的强大以及非强大的替代品。在一个复杂的真实数据集上的实验结果也表明了该方法的良好性能。
2021-08-26 stat.ME
Robust regression based on shrinkage estimators
针对线性回归问题,提出了一种参数的鲁棒估计方法.它是基于收缩的概念,经常用于金融和以前研究的异常检测多变量数据。一个彻底的模拟研究进行调查:正常和重尾误差的效率,在污染下的鲁棒性,计算时间,仿射等方差和崩溃值的回归估计。两个经典的数据集经常使用的文献和一个真正的社会经济数据集的生活环境Deadly的地区在利物浦(英国),进行了研究。仿真结果和实际数据的例子表明,所提出的稳健估计回归的优点。
2019-05-08 stat.ME
Comment: Performance of Double-Robust Estimators When ``Inverse Probability'' Weights Are Highly Variable
评论“当"逆概率”权重高度可变时双稳健估计的性能“[arXiv:0804.2958]
2008-04-18 stat.ME
The shooting S-estimator for robust regression
针对最小二乘法对异常值不稳健及传统S-estimation降权完整观测导致信息丢失的问题,提出shooting S-estimator,结合坐标下降算法与简单S-regression,在丧失回归等变性代价下实现对逐分量污染的稳健性。
2015-06-03 stat.ME
Redescending M-estimators and Deterministic Annealing, with Applications to Robust Regression and Tail Index Estimation
基于非指定离群模型的数据增广,构造了一类新的降阶M-估计。给出了估计量收敛于Huber型跳跃均值的充要条件。通过引入温度参数,可以应用确定性退火的概念,使得估计器对迭代的起始点不敏感。退火M-估计作为温度的函数的性质进行了探讨。最后,给出了两个应用。第一个是实验粒子物理中相互作用顶点的稳健估计,包括异常点检测。第二种是利用稳健回归诊断估计样本分布的尾部指数。
2010-06-18 stat.ME
On the multiply robust estimation of the mean of the g-functional
本文研究了Robins(1986)的纵向g-计算公式的乘稳健(MR)估计。在本文的第一部分中,我们回顾并扩展了Tchetgen-Tchetgen(2009)和Molina,Rotnitzky,Sued和Robins(2017)最近提出的参数乘稳健估计。在本文的第二部分中,我们推导出乘法和双鲁棒估计,使用非参数机器学习(ML)估计的滋扰功能,代替参数模型。我们使用样本分割来避免对Donsker条件的需要,从而允许分析师选择他们选择的ML算法。我们对比了我们的非参数双稳健和乘稳健估计的渐近行为。特别是,我们推导出公式的渐近偏差。检查这些公式,我们的结论是,虽然在某些数据生成的法律,在MR估计的偏差收敛到零的速度可以超过DR估计,尽管如此,在大多数法律,DR和MR估计的偏差收敛到零的速度相同。
2017-05-24 stat.ME
A More Efficient, Doubly Robust, Nonparametric Estimator of Treatment Effects in Multilevel Studies
当在多水平研究中研究处理效应时,研究者通常使用(半)参数估计,其对结果、处理和/或聚类中研究单元之间的相关性结构进行强参数假设。我们提出了一种新的估计处理效应,不做这样的假设。具体而言,新的估计是双重强大的,渐近正态,往往比现有的估计更有效,所有的结果,治疗和相关结构,而无需作出任何参数建模假设。我们通过估计两个非标准的滋扰功能在因果推断,条件倾向得分和结果协方差模型,使用现有的机器学习方法设计的独立和同分布(i.i.d)的数据。新的估计也表明,在模拟和真实的数据中,新的估计是比现有的估计更有效,特别是在研究集群特定的处理效应。
2022-05-10 stat.ME
Robust Fitting for Generalized Additive Models for Location, Scale and Shape
广义位置、尺度和形状广义可加模型(GAMLSS)估计和平滑参数选择的有效性依赖于似然函数的正确设定。已知偏离这种假设会误导任何基于可能性的推断,并可能阻碍旨在确保非线性效应的某种程度的平滑性的惩罚方案。我们提出了一种通用的方法来实现鲁棒性拟合GAMLSS通过限制低对数似然值的观测值的贡献。鲁棒的平滑参数的选择可以通过最小化信息标准,自然产生的鲁棒的可能性或通过扩展的Fellner-Schall方法进行。后者允许自动平滑参数选择,并且在具有多个平滑参数的应用中特别有利。我们还提出了一种新的中值降权比例准则,以解决调整非线性效应模型的鲁棒估计的挑战。这使得一个公平的比较与现有的稳健估计的特殊情况下,广义可加模型,我们的估计竞争有利。我们的建议的整体良好的性能说明了进一步的模拟在GAMLSS设置和应用程序的功能磁共振脑成像使用双变量平滑样条。
2019-11-12 stat.ME
Robust estimation in controlled branching processes: Bayesian estimators via disparities
本文关注的是贝叶斯推理方法的数据控制分支过程,占模型的鲁棒性,通过使用的差异。在正则条件下,我们证明了在假设模型下,基于概率的后验估计,如期望和最大后验估计,是相容的和有效的。此外,我们表明,估计是强大的模型误设定和存在异常离群值。为此,我们开发了几个基本的想法,最小差异估计贝叶斯估计建立在基于可靠性的后验,依赖树结构的数据。我们通过一个模拟的例子来说明我们的方法,并将我们的方法应用到一个真实的数据集从细胞动力学。
2018-02-16 stat.ME
Robust Estimators and Test-Statistics for One-Shot Device Testing Under the Exponential Distribution
本文提出了一种新的单次器件模型参数的估计族--最小密度幂离估计(MDPDEs),以及一种新的基于MDPDEs的检验统计量族--Z型检验统计量,用于检验相应的模型参数。MDPDE族包含Balakrishnan和Ling(2012)中考虑的极大似然估计(MLE)作为一种特殊情况。通过仿真研究,它表明,一些MDPDE有一个更好的行为比MLE的鲁棒性。同时,可以看出,一些基于MDPDE的Z型检验在鲁棒性方面也比经典Z-检验统计量具有更好的行为。
2017-04-25 stat.ME
Penalized MM Regression Estimation with $L_{γ}$ Penalty: A Robust Version of Bridge Regression
桥式回归估计推广了岭回归和LASSO估计。由于它以$L_{γ}$惩罚最小化残差平方和,因此该估计量通常对数据中的离群值不稳健。已经有人尝试定义桥回归方法的鲁棒版本,但是虽然这些方法产生对离群值和重尾误差鲁棒的桥回归估计,但是它们对杠杆点不鲁棒。我们提出了一个强大的桥梁回归估计方法结合MM和桥梁回归估计方法。从所提出的方法得到的MM桥回归估计是强大的离群值和杠杆点。此外,通过适当选择惩罚函数,该方法能够同时进行变量选择和参数估计。实现了MM桥式回归估计的一致性、渐近正态性和稀疏性。我们提出了一个算法来计算MM桥回归估计。仿真研究和实际数据的例子来证明有限样本情况下的MM桥回归估计的性能。
2015-11-25 stat.ME
Sufficient Dimension Reduction for Feasible and Robust Estimation of Average Causal Effect
在观察性研究中估计处理效应时,我们使用半参数局部有效降维方法评估治疗分配机制和治疗组和非治疗组的平均缓解。然后,我们整合所有的结果,通过填补,逆概率加权和双重鲁棒增强估计。当响应模型正确时,双稳健估计是局部有效的,而插补估计是超有效的。为了利用这两个过程,我们引入了一个收缩估计自动结合两者,它保留了双重鲁棒性,同时提高响应模型正确时的方差。我们通过模拟实验和一个真实的数据集,母亲吸烟对婴儿出生体重的影响,证明了这些估计的性能。关键词和短语:平均处理效应,双重稳健估计,效率,逆概率加权,收缩估计。
2018-11-05 stat.ME
Robust and sparse estimation methods for high dimensional linear and logistic regression
弹性网估计的完全鲁棒版本被引入线性和逻辑斯谛回归。计算估计量的算法是基于仅对数据子集重复应用非稳健经典估计量的思想。它示出了如何离群的自由子集可以有效地识别,以及如何适当的调整参数的弹性网处罚可以选择。最后的重新加权步骤提高了估计器的效率。仿真研究与非鲁棒和其他竞争的鲁棒估计,并揭示了新提出的方法的优越性。这也得到了合理的计算时间和实际数据示例中的良好性能的支持。
2017-03-15 stat.ME
Multiply-robust Estimator of Cumulative Incidence Function Difference for Right-Censored Competing Risks Data
School of Statistics and Data Science, LPMC and KLMDASR, Nankai University(南开大学统计与数据科学学院)
本文提出一种多重鲁棒估计器,用于估计右删失竞争风险数据中因果特异性累计发病率函数差,通过伪值方法和多重鲁棒框架结合,提高估计鲁棒性。
2026-03-26 stat.ME
Quantile Least Squares: A Flexible Approach for Robust Estimation and Validation of Location-Scale Families
本文提出分位数最小二乘(QLS)方法,利用样本分位数的联合渐近正态性构造位置-尺度参数的显式稳健估计量,并建立拟合优度检验,在谷歌股票收益率数据上验证了逻辑分布假设。
2025-05-02 stat.CO stat.ME
Inference for a Two-Component Mixture of Symmetric Distributions under Log-Concavity
在这篇文章中,我们重新估计未知的零-对称分布在两个组件的位置混合模型,在以前的作品中考虑的问题,现在假设零-对称分布有一个对数凹密度。当一致估计的移位位置和混合概率,我们表明,非参数对数凹最大似然估计(MLE)的混合密度和未知的零对称分量是一致的Hellinger距离。在移位位置和混合概率的估计是$\sqrt n$一致的情况下,我们建立这些MLE在$L_1$距离中以$n^{-2/5}$的速率收敛到真理。为了估计移位位置和混合概率,我们使用由\cite{hunteretal2007}提出的估计器。使用\proglang{R}包\pkg{logcondens.mode}有效地计算未知的零对称密度。
2016-05-06 math.ST stat.ME stat.TH
On unbiased estimators for functions of the rate parameter of the exponential distribution
针对无位置参数的指数分布,本文显式构造率参数多种函数的无偏估计量,并证明其渐近正态性,补充了位置-率指数分布的既有估计公式。
2025-07-25 math.ST stat.ME stat.TH
Fast robust location and scatter estimation: a depth-based method
针对高维数据中MCD估计计算负担重的问题,提出基于深度的FDB算法,以深度修剪区域替代最优子集,在保证与MCD同等稳健性的同时提升计算效率,并通过模拟和实际任务验证其性能。
2023-05-13 stat.CO stat.ME
Cluster-Robust Estimators for Bivariate Mixed-Effects Meta-Regression
荟萃分析通常包括基于一组共同的研究参与者报告多个效应量的试验。这些效应量通常是相关的。稳健方差-协方差估计是合成相依效应的有效方法。然而,当研究数量较少时,最先进的稳健估计量可能会产生膨胀的1型错误。为了提高小样本估计的性能,本文提出了两种新的聚类稳健估计。对于这两个新的估计量的想法是转换的残差估计方差的帽子矩阵的对角线项。我们的建议是渐近等价于以前提出的集群鲁棒估计,如偏差减少线性化方法。我们将这些方法应用于现实世界的数据,并在广泛的模拟研究中比较和对比它们的性能。我们专注于二元元回归,虽然这些方法可以更普遍地应用。
2022-03-04 stat.CO stat.ME
Weak Instruments, First-Stage Heteroskedasticity, the Robust F-Test and a GMM Estimator with the Weight Matrix Based on First-Stage Residuals
本文关注Andrews(2018)的蒙特卡罗分析中与稳健第一阶段F统计量相关的发现,他在异方差分组数据设计中发现,即使稳健F统计量的值非常大,标准2SLS置信区间也有很大的覆盖失真。这一发现似乎不相信强大的F-统计作为一个测试识别不足。然而,它在这里示出的强大的F-统计量的大值确实意味着有第一阶段的信息,但这可能不会很好地利用2SLS估计,或标准的GMM估计。一个估计,纠正这是一个强大的GMM估计,表示为GMMf,与强大的权重矩阵不基于结构残差,但在第一阶段的残差。对于Andrews(2018)的分组数据设置,该GMMf估计量根据组特异性浓度参数以与同方差下的2SLS相同的方式为组特异性估计量提供权重,这使用弱工具变量渐近性进行了形式化显示。在Andrews(2018)设计中,GMMf估计量比2SLS估计量表现得更好,在稳健F统计量的更多标准值下,相对偏倚和Wald检验大小失真表现良好。我们表明,同样的模式可以发生在一个动态的面板数据模型时,误差方差随时间异方差。我们进一步推导了Stock和Yogo(2005)的弱工具变量临界值适用于与GMMf估计量行为相关的稳健F统计量的条件。
2022-08-03 econ.EM stat.ME
Robust Estimation in Stochastic Frontier Models
本文将Basu等[1998,Biometrika 85,549-559]的思想引入随机前沿模型,提出了一种稳健的估计方法。在正则条件下证明了该估计是强相合的和渐近正态的,并研究了其稳健性。我们使用模拟研究表明,估计有很强的鲁棒性与极大似然估计几乎没有损失的渐近有效性。一个真实的数据分析进行说明使用的估计。
2015-07-28 stat.ME stat.OT
Robust Wald-type test in GLM with random design based on minimum density power divergence estimators
研究了具有随机协变量的广义线性模型(GLM)下的鲁棒推断问题。我们推导出了随机设计下GLM中参数的最小密度幂散度估计的性质,并利用该估计提出了稳健的Wald型检验,用于检验GLM中任意一般复合原假设.所提出的测试的渐近性和鲁棒性也检查GLM与随机设计。建议的强大的推理程序,流行的泊松回归模型分析计数数据的应用进行了详细的讨论,从理论上和数值模拟研究和实际数据的例子。
2020-04-03 stat.AP stat.ME
Doubly Robust Estimators with Weak Overlap
University of Rochester(罗切斯特大学);Emory University(埃默里大学);Vanderbilt University(范德堡大学);University of California, Davis(加州大学戴维斯分校)
本文提出一种在修剪倾向分数后仍保持双重稳健性的估计方法,通过偏倚校正提升估计精度,在四个应用中展示了更精确的结果。
2026-04-15 econ.EM stat.ME
Machine learning for causal inference: on the use of cross-fit estimators
现代因果推断方法允许使用机器学习来削弱参数建模假设。然而,机器学习的使用可能导致推理的复杂化。双稳健交叉拟合估计已被提出,以产生更好的统计特性。我们进行了模拟研究,以评估几种不同的估计的平均因果效应(ACE)的性能。模拟治疗和结局的数据生成机制包括对数转换、多项式项和不连续性。我们比较了单稳健估计(g-计算,逆概率加权)和双稳健估计(增广逆概率加权,目标极大似然估计)。分别用参数模型和集成机器学习估计营养功能。我们进一步评估了双稳健交叉拟合估计。使用正确指定的参数模型,所有估计量均无偏,且置信区间达到标称覆盖范围。当与机器学习一起使用时,双稳健交叉拟合估计量在偏差、方差和置信区间覆盖率方面大大优于所有其他估计量。由于在高维数据中很难正确地指定参数模型,在大多数流行病学研究中,集成学习和交叉拟合的双稳健估计可能是估计ACE的首选方法。然而,这些方法可能需要更大的样本量以避免有限样本问题。
2020-08-28 stat.ME stat.ML
Robust Estimation under Outcome Dependent Right Censoring in Huntington Disease: Estimators for Low and High Censoring Rates
Johns Hopkins University(约翰斯·霍普金斯大学);Penn State University(宾夕法尼亚州立大学);Columbia University Medical Center(哥伦比亚大学医学中心);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出三种稳健估计器用于亨廷顿病中因结果依赖右删失的问题,通过比较不同删失率下的表现,为估计器选择提供实用指导。
2025-11-19 stat.AP stat.ME
Triply Robust Panel Estimators
Stanford University(斯坦福大学);Columbia University(哥伦比亚大学);Harvard University(哈佛大学)
本文提出三重稳健面板估计器,通过结合灵活模型、单位权重和时间权重,显著优于传统估计方法,在多种实证设置中表现更优。
2026-02-09 econ.EM stat.ME
Model misspecification and bias for inverse probability weighting and doubly robust estimators
在因果推理文献中,属于一类半参数估计量的估计量被称为鲁棒的,如果它在至少一个工作模型被正确指定的假设下具有期望的性质。本文提出了一种粗略的分析方法来研究当所有工作模型都被错误指定时,平均因果效应的半参数估计的大样本偏差。我们将我们的方法应用到三个原型估计,两个逆概率加权(IPW)估计,使用错误指定的倾向得分模型,和一个双重稳健(DR)估计,使用错误指定的模型的结果回归和倾向得分。要分析的问题时,使用两个错误指定的模型是优于一个,我们推导出充要条件的DR估计有一个小的偏差比一个简单的IPW估计,当它有一个小的偏差比IPW估计与归一化权重。如果结果模型的误指定是中度的IPW和DR估计的偏差的比较表明,DR估计有一个较小的偏差比IPW估计。然而,所有的偏见包括PS模型的错误,我们建议研究人员在建模PS时要小心,只要涉及这样的模型。
2018-06-25 math.ST stat.ME stat.TH
Robust and Sparse Multinomial Regression in High Dimensions
针对高维数据,提出了一种稳健稀疏的多项式回归估计。估计器的鲁棒性通过修剪观测值来实现,估计器的稀疏性通过弹性网惩罚来获得,弹性网惩罚是$L_1$和$L_2$惩罚的混合。从这个角度来看,建议的估计是一个扩展的enet-LTS估计\citep{Kurnaz18}的线性和逻辑斯谛回归的多项式回归设置。在介绍了一种算法的计算,进行了模拟研究,以显示性能相比,非稳健版本的多项式回归估计。一些真实数据的例子强调了这个强大的估计的有用性。
2022-05-24 math.ST stat.CO stat.ME
On (in)consistency of M-estimators under contamination
该研究分析污染下稳健位置-尺度估计量的一致性,发现中位数、Huber估计量等在非对称污染下不一致,Tukey估计量一致,但现有标准稳健尺度估计量在污染下均不一致,需新一致尺度估计量支持Tukey估计量的无干扰参数推断。
2025-02-13 econ.EM math.ST stat.ME
Instance-Optimal Adaptive Location Estimation via Multiscale Mid-Summaries
Department of Statistics, University of Chicago(芝加哥大学统计学系)
针对未知噪声分布的位置估计问题,提出一种形状无关的估计器,通过多尺度中位数摘要达到实例最优速率,适用于更广的对称单峰密度类,且计算复杂度为O(log n)。
2026-09-18 math.ST stat.ME stat.ML
The Adaptive Doubly Robust Estimator for Policy Evaluation in Adaptive Experiments and a Paradox Concerning Logging Policy
CyberAgent Inc.(CyberAgent公司);Temple University(天普大学)
双鲁棒(DR)估计,其中包括两个讨厌的参数,条件平均结果和日志记录政策(选择一个动作的概率),是至关重要的因果推理。本文提出了一种用于自适应实验中相依样本的DR估计器。为了得到一个渐近正态的半参数估计从相依样本与非Donsker滋扰估计,我们提出了自适应拟合作为一个变量的样本分裂。我们还报告了一个经验悖论,我们提出的DR估计往往表现出更好的性能相比,其他估计利用真正的日志记录政策。虽然类似的现象是已知的估计与i.i.d.样本,传统的解释的基础上渐近效率不能阐明我们的情况下,依赖样本。我们通过模拟研究证实了这一假设。
2021-06-18 cs.LG econ.EM stat.ME
The Preliminary Results on Super Robustness
在本文中,我们研究超稳健估计方法,即使在实验中噪声观测值超过一半时,也能产生可靠的估计。(1)证明了指数幂分布的极大似然位置估计(简称L^p位置估计)在统计上是严格超稳健的,对于给定的p<1。(2)对于给定的实验和一个超鲁棒估计族,存在一个估计器,它生成的估计足够接近一般变换群的完美估计。(3)L^p估计族是一个超鲁棒估计族。(4)对于一个给定的实验,L^p估计的平移,缩放和旋转产生完美的估计时,p是足够小的,即使是非常嘈杂的实验。
2015-02-14 math.ST stat.ME stat.TH
Robust Strongly Convergent M-Estimators Under Non-IID Assumption
在最小假设条件下,研究了广义线性模型的M-估计。在这些条件下,讨论了估计量的强收敛性,并给出了估计算子在非独立同分布情形下的一个展开式。身份证的案子。案例显示为一个特殊的应用程序。各种后果的结果进行了讨论的二进制和连续模型。
2021-10-24 math.FA math.PR math.ST
Robust Wald-type tests for non-homogeneous observations based on minimum density power divergence estimator
研究了非同分布数据下的稳健假设检验问题。我们提出了Wald型检验的简单和复合假设的独立,但非齐次观测的基础上强大的最小密度功率发散估计的共同的基础参数。渐近和理论的鲁棒性所提出的测试进行了讨论。本文详细讨论了它在固定设计广义线性模型中一般线性假设检验问题中的应用,并对正态分布和泊松分布下的特殊情况作了具体的说明。
2017-07-07 math.ST stat.ME stat.TH
Benchmarking Estimators for Natural Experiments: A Novel Dataset and a Doubly Robust Algorithm
New York University(纽约大学)
针对自然实验处理效应估计在真实非营利数据上结果不一致的问题,本文构建专家指导的合成结果基准,验证双重稳健估计量显著更优,并提出带新损失函数的估计量及可扩展Python工具包。
2024-09-06 cs.LG stat.ME stat.ML
A Note on Doubly Robust Estimator in Regression Discontinuity Designs
Department of Basic Science, The University of Tokyo(东京大学基础科学系)
本文提出了用于断点回归设计的双稳健估计量(DR-RD),通过结合两个条件期望结果估计量,在至少一个估计量一致时即可保证处理效应估计的一致性,从而增强了估计的稳健性。
2025-01-27 cs.LG econ.EM math.ST