Gaussian approximation for the sup-norm of high-dimensional matrix-variate U-statistics and its applications
研究了高维非退化二阶U-统计量在上确界范数下的高斯逼近。我们提出了一个两步高斯近似过程,不施加结构假设的数据分布。具体而言,受到温和的时刻条件的内核,我们建立显式的收敛速率,衰减多项式的样本量的高维尺度限制,其中的尺寸可以远远大于样本量。我们还补充了一个实用的高斯野生bootstrap方法来近似的分位数的中心U-统计量的最大值,并证明了它的渐近有效性。在高维非高斯数据的统计应用中,包括:(i)原则性和数据相关的调整参数选择的协方差阵及其相关泛函的正则化估计;(ii)协方差和秩相关阵的同时推断。特别是,对于阈值协方差阵估计与自助选择的调整参数,我们表明,高斯样的收敛速度可以实现重尾数据,这是不太保守的Bonferroni技术,忽略了底层数据分布的依赖性。此外,我们还表明,即使是亚高斯分布,自举阈值的协方差阵估计的误差界可以比那些具有通用阈值的极大极小估计更紧。
2016-09-30 math.ST stat.ME stat.TH
Differential Equations for Gaussian Statistical Models with Rational Maximum Likelihood Estimator
该研究建立了具有有理MLE的多元高斯统计模型与一阶非线性PDE解的一一对应,重新解读已知模型并发现新模型,还关联双有理几何的homaloidal多项式,为该类模型分类提供新思路。
2025-09-02 math.AG math.ST stat.TH
Statistical Inference on High Dimensional Gaussian Graphical Regression Models
针对高维高斯图回归中统计推断未被探索的问题,提出基于多任务学习器的去偏估计量,通过新型投影技术降低计算成本,证明其渐近正态性可支撑有效统计推断,模拟和脑癌基因数据分析验证了实用性。
2024-11-03 math.ST stat.ME stat.TH
Asymptotics and statistical inferences on independent and non-identically distributed bivariate Gaussian triangular arrays
本文建立了独立非同分布的二元高斯三角阵列的归一化最大值分布的一阶和二阶渐近性,其中$n$第行的每个向量服从二元高斯分布,相关系数是$i/n$的单调连续函数.进一步研究了该未知函数的参数推断问题。并给出了一些模拟研究和实际数据集分析。
2016-04-26 stat.ME
Iterative Statistical Linear Regression for Gaussian Smoothing in Continuous-Time Non-linear Stochastic Dynamic Systems
本文研究离散观测非线性随机微分方程的近似光滑问题。这个问题是通过开发线性化随机微分方程相对于一个任意的高斯过程的方法来解决。两种方法的基础上开发的1)采取的离散化过程的统计线性回归的限制和2)最小化的成本函数的上限。它们的区别表现在近似过程的扩散上。这反过来又给出了新的推导预先存在的高斯平滑时,使用方法1和一类新的高斯平滑时,使用方法2。此外,基于上述发展的迭代高斯平滑器在离散时间一般化的连续时间设置通过迭代重新线性化的随机微分方程相对于当前的高斯过程近似平滑的过程。在两个具有挑战性的跟踪问题,再入问题和雷达跟踪协调转弯模型与状态相关扩散的方法进行了验证。结果表明,该方法具有更好的估计精度比国家的最先进的平滑。
2019-01-18 stat.ME
Optimal statistical decision for Gaussian graphical model selection
高斯图模型是高斯随机向量的依赖结构的图形表示。它被认为是生物信息学、差错控制码、语音语言、信息检索等不同应用领域的有力工具。高斯图模型选择是从给定大小的样本中识别高斯图模型的统计问题。文献中提出了不同的高斯图形模型选择方法。其中之一是基于考虑家庭的个人条件独立性测试。这种方法的应用导致了各种建设的多重检验统计过程的高斯图形模型选择。这些程序的一个重要特征是其对于给定样本量的误差率。在现有的文献中,非常注意控制错误的边缘包含(第一类错误)的错误率。然而,在图形模型选择中,考虑不正确边缘排除(第二类错误)的错误率也很重要。为了处理这个问题,我们考虑图形的模型选择问题的多重决策理论的框架。统计过程的质量是通过具有附加损失的风险函数来衡量的。附加损失允许考虑两种类型的误差。我们构建了一个奈曼结构的测试为个人的假设,并将它们结合起来,以获得一个多决策统计过程。我们表明,所得到的程序是最优的意义上,它最小化的线性组合的期望数量的I型和第二类错误的类无偏多个决策程序。
2017-01-09 stat.ML
Gaussian kernel smoothing
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
图像采集和分割很可能会引入噪声。进一步的图像处理,如图像配准和参数化,可以引入额外的噪声。因此,必须减少噪声测量并提升信号。为了增加信噪比(SNR)和随后的基于随机场理论的统计推断所需的数据的平滑度,某种类型的平滑是必要的。在众多的图像平滑方法中,高斯核平滑由于其数值实现简单,已经成为脑成像研究者的一种事实上的平滑技术。高斯核平滑还增加了统计灵敏度和统计功效以及高斯性。高斯核平滑可以被视为体素值的加权平均。那么从中心极限定理看,加权平均值应该更高斯。
2021-11-29 cs.CV stat.CO stat.ME
Statistical matching of non-Gaussian data
统计匹配问题是一个具有结构化缺失数据的数据集成问题。一般形式涉及对多个数据集的分析,这些数据集只有一个严格的变量子集,这些变量在所有数据集中联合观察。最简单的版本涉及两个数据集,标记为A和B,具有三个感兴趣的变量$X, Y$和$Z$。在数据集A中观察到变量$X$和$Y$,在数据集$B$中观察到变量$X$和$Z$。由于缺乏联合$(Y, Z)$观察结果,统计推断变得复杂。由于可识别性问题和参数估计的难度,参数建模可能具有挑战性。我们使用合适的数据增强方案和可识别性约束开发了计算上可行的非高斯数据统计匹配程序。最近邻插补是一种常见的替代技术,由于其易于使用和通用性。最近邻匹配是基于一个条件独立的假设,可能不适合非高斯数据。违反条件独立性假设可能导致不适当的归责。我们比较了基于模型的方法,最近邻插补的一些流式细胞术数据集,并发现基于模型的方法可以解决一些非参数最近邻技术的弱点。
2019-03-29 stat.ME
Minimum Mean Square Error Estimation Under Gaussian Mixture Statistics
本文研究了当x和n独立且服从高斯混合分布时,给定观测值y = Hx+n,x的最小均方误差(MMSE)估计. GM分布的引入,代表了对更为常见和简单的高斯信号和高斯噪声情况的推广。我们提出了必要的理论基础,并推导出x的MMSE估计的封闭形式。此外,我们还给出了其均方误差(MSE)的上界和下界。这些界限是通过蒙特卡罗模拟验证。
2011-08-17 math.ST stat.TH
Gaussian Multiplier Bootstrap Procedure for the $k$th Largest Coordinate of High-Dimensional Statistics
State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);School of Mathematical Science, University of Chinese Academy of Sciences(中国科学院大学数学科学学院);Department of Information and Computing Science, University of Science and Technology Beijing(北京科技大学信息科学系)
本文提出了一种用于高维统计中第k大坐标Gaussian乘法器自助法的过程,解决了k≥1的通用情况,并通过实验验证了其有效性。
2026-07-16 math.ST stat.TH
Approximation Theorems for High-Dimensional Canonical U-Statistics: Gaussian Chaos and Phase Transition
Tsinghua University(清华大学);Shanghai University of Finance and Economics(上海财经大学);Ruhr-Universität Bochum(波鸿鲁尔大学)
本文研究高维典范二阶U-统计量最大值的联合推断,提出以联合符号高斯二次混沌为目标的一般逼近定理,识别有效秩驱动的相变,并引入避免特征系统估计的高斯乘子自助法,通过应用和模拟验证其有效性。
2026-09-24 math.ST stat.TH
Think continuous: Markovian Gaussian models in spatial statistics
高斯马尔可夫随机场(GMRF)是空间统计学中计算效率较高的模型。不幸的是,由于马尔可夫性难以在连续空间中部署,因此传统上难以将GMRF与更传统的高斯随机场模型联系起来。继Lindgren等人(2011)的开创性工作之后,我们阐述了马尔可夫高斯随机场和GMRF之间的联系。特别是,我们讨论的理论和实践方面的快速计算与连续指定的马尔可夫高斯随机场,以及它们提供的明确的优势,简约和可解释的各向异性和非平稳模型。
2011-10-31 math.ST stat.CO stat.TH
Slow rates of approximation of U-statistics and V-statistics by quadratic forms of Gaussians
本文构造重尾二阶 U/V 统计量,证明其由 Gaussian 二次型逼近的误差具有紧的慢速率,并在 ν=3 时达到 Θ(n^{-1/12})。
2024-06-18 math.PR math.ST stat.TH
Strong Gaussian approximation for U-statistics in high dimensions and beyond
Tsinghua University(清华大学);Shanghai University of Finance and Economics(上海财经大学)
本文提出了一种高维非退化U统计量的强高斯近似方法,结合鞅最大不等式和高维独立和的近似,实现了无需$\mathcal{L}^\infty$-型界或自助法的函数高斯极限,并应用于突变点统计量和自归一化检验。
2026-03-11 math.ST stat.ME stat.TH
Detecting sparse cone alternatives for Gaussian random fields, with an application to fMRI
我们的问题是在高斯随机场样本中的每一点上找到一个很好的近似值的最大值的检验统计量的随机场的锥替代。这些检验统计量已在神经科学文献中提出,用于分析允许血流动力学反应中未知延迟的fMRI数据。然而,该检验统计量的3D随机场的最大值的零分布以及用于检测大脑激活的阈值未得到解决。为了找到解决方案,我们通过随机场的检验统计量偏移集的预期欧拉示性数(EC)来近似P值。我们的主要结果是所需的EC密度,来自使用高斯运动公式。
2012-07-16 math.ST stat.ME stat.TH
Use of the geometric mean as a statistic for the scale of the coupled Gaussian distributions
几何平均数是一个适当的统计量的规模的重尾耦合高斯分布或等效的学生的t分布。耦合高斯是由非线性统计耦合参数化的分布族的成员,该非线性统计耦合是自由度的倒数,并且与高斯的逆尺度中的波动成比例。现有的估计的规模的耦合高斯依赖于估计的全分布,他们遭受的问题与重尾分布中的离群值。本文证明了耦合高斯的尺度等于广义均值与耦合平方根的乘积。从我们用随机样本的广义平均值对耦合高斯分布的尺度进行的数值计算中可以看出,只有来自柯西分布(耦合参数为1)的样本才能对大样本形成方差递减的无偏估计。然而,我们也证明了尺度是几何平均数,耦合项和谐波数的函数。数值实验表明,这种估计是无偏的,在大样本的耦合值范围很宽的方差递减。
2018-08-13 cond-mat.stat-mech math.ST stat.ME
Large deviations of time-averaged statistics for Gaussian processes
本文研究了高斯过程的时均均方位移(TAMSD)的大偏差。大偏差理论与随机系统中大波动概率的指数衰减有关。从数学的观点来看,如果一个给定的统计量属于某个范围的概率呈指数下降,则该统计量满足大偏差原理。TAMSD是异常扩散检测问题中使用的主要统计量之一。应用广义卡方分布和亚伽玛随机变量理论,证明了高斯过程TAMSD的大偏差的上界。作为一种特殊情况,我们考虑分数布朗运动,最流行的模型之一的反常扩散。此外,我们还得到了反常扩散指数估计的大偏差的上界。
2018-11-27 cond-mat.stat-mech math.PR math.ST