Simulation study of estimating between-study variance and overall effect in meta-analyses of log-response-ratio for lognormal data
随机效应荟萃分析方法需要估计研究间方差$τ^2$。$τ^2$估计量的性能（通过偏倚和覆盖率测量）影响其在评估研究水平效应异质性方面的有用性，也影响总体效应相关估计量的性能。对于效应度量对数响应比（LRR，也称为均值比的对数，RoM），我们回顾了$τ^2$的四个点估计（流行的方法DerSimonian-Laird（DL）、限制极大似然、Mandel和Paule（MP）以及不太熟悉的Jackson方法），$τ^2$的四种区间估计（剖面似然、Q剖面、Biggerstaff和Jackson以及Jackson），总体效应的五点估计量（四个与$τ^2$的点估计量和权重仅使用研究水平样本量的估计量相关），和7个总体效应的区间估计量（4个基于$τ^2$的点估计量、Hartung-Knapp-Sidik-Jonkman（HKSJ）区间、使用$τ^2$的MP估计量而非DL估计量的HKSJ修改版以及基于样本量加权估计量的区间）。我们从对数正态分布的数据的广泛模拟获得经验证据。
2019-07-05 stat.AP stat.ME
Simulations for estimation of heterogeneity variance $τ^2$ in constant and inverse variance weights meta-analysis of log-odds-ratios
研究间方差的一些常用估计量$τ^2$基于Cochran $Q$统计量，用于检验Meta分析中的异质性。我们介绍了新的点和区间估计的$τ^2$的对数优势比。这些包括新的DerSimonian-Kacker型矩估计的基础上的一阶矩的$Q_F$，$Q$统计与有效样本量的权重，和新的中位数无偏估计量。我们通过模拟研究了$τ^2$的这些新估计量的偏倚和覆盖率，为了比较的目的，研究了一些基于具有逆方差权重的$Q$统计量的著名估计量的偏倚和覆盖率，$Q_{IV}$，例如Mandel-Paule，DerSimonian-Laird和限制最大似然估计量，以及基于Kulinskaya-Dollinger（2015）改进的$Q_{IV}$近似的估计量。
2022-08-01 stat.ME
Variance Estimation for the Inverse Probability of Treatment Weighted Kaplan Meier Estimator
针对观察性研究中IPTW Kaplan-Meier估计量方差估计未考虑权重变异性的问题，本文基于估计的倾向得分进行严格渐近分析，提出插入式方差估计量，模拟证明其比XL方差估计量更准确。
2025-11-02 stat.ME
Optimal Difference-based Variance Estimators in Time Series: A General Framework
方差估计对于统计推断是重要的。当观测值被序列相关结构和时变均值结构掩盖时，它就变得非平凡。现有的方法或者忽略或者次优地处理这些滋扰结构。本文提出了一个估计非常数均值时间序列长期方差的一般框架。构建块是差异统计。所提出的估计类是足够一般的，以涵盖许多现有的估计。研究了相容性的充分必要条件。第一个渐近最优估计。我们提出的估计理论上被证明是不变性的任意均值结构，其中可能包括趋势和可能发散的不连续性。
2021-12-30 stat.ME
Targeted Learning Estimation of Sampling Variance for Improved Inference
针对有限样本及近正定性违背下影响函数方差估计反保守的问题，本文提出面向CRR的一步靶向最大似然方差估计量，并通过模拟验证其覆盖率与I类错误控制更优。
2025-05-15 stat.ME
Unifying Design-based Inference: A New Variance Estimation Principle
本文在不含参数或半参数假设的情况下，给出了两类新的具有优良性质的方差估计。第一类新的估计量是Oblozene Chlebizky（OC）方差估计量作为一种新的替代文件1的4广义三明治。鉴于自White（1980）以来40年的空白，OC概念不太可能从其他更标准的框架中产生，这显然是正确的。对于广义三明治方差估计类的任何成员，都有一个具有相同期望值的OC。这个替代方案用一个非随机矩阵替换了中心的随机矩阵。第二种类型的估计量是保证保守的估计量的方差，是基于一个类似的原则，取代随机矩阵与其期望。
2021-09-19 stat.ME
The Bias-Variance Tradeoff of Doubly Robust Estimator with Targeted $L_1$ regularized Neural Networks Predictions
ATE的双稳健（DR）估计可以分2步进行，其中在第一步中，对治疗和结果进行建模，并且在第二步中，将预测插入DR估计器中。第一步中的模型错误指定导致研究人员利用机器学习算法而不是参数算法。然而，强混杂因素和/或工具变量（IV）的存在可能导致复杂的ML算法为治疗模型提供完美的预测，这可能违反正性假设并提高DR估计量的方差。因此，必须控制ML算法，以避免对治疗模型的完美预测，同时仍然了解混杂因素与治疗和结果之间的关系。我们使用两个神经网络架构，并研究如何调整他们的超参数，在混淆和IV的存在下，以实现低偏差方差权衡ATE估计，如DR估计。通过模拟结果，我们将提供建议，如何神经网络可以用于ATE估计。
2021-08-02 stat.AP stat.ME stat.ML
Evaluating the Conservativeness of Robust Sandwich Variance Estimator in Weighted Average Treatment Effects
该研究针对因果推断中IPW估计量的稳健三明治方差估计量常给出窄置信区间的问题，明确其保守性条件，提出保守性评估新标准，并通过模拟与真实数据验证结果。
2023-12-13 stat.ME
Bayesian Estimators for Small Area Models Shrinking Both Means and Variances
对于面积级数据的小面积估计，Fay-Herriot模型被广泛用作基于模型的方法。在Fay-Herriot模型中，通常假设抽样方差是已知的，而实际上使用的是抽样方差的估计量。因此，已知抽样方差的设置是不现实的，并提出了几种方法来克服这个问题。在本文中，我们假设的情况下，抽样方差的直接估计是可用的，以及样本均值。利用这些信息，我们提出了一个贝叶斯但客观的方法产生收缩估计的均值和方差的Fay-Herriot模型。我们考虑了样本方差的层次结构，并对模型参数设置了统一的先验，以保持模型的客观性。为了验证后验推断的有效性，我们在较弱的条件下证明了后验分布是适当的，并且具有有限的方差。我们通过模拟和实证研究来研究数值性能。
2016-04-06 stat.ME
Debiased Inverse-Variance Weighted Estimator in Two-Sample Summary-Data Mendelian Randomization
孟德尔随机化（MR）已成为一种流行的方法，通过使用遗传变异作为工具变量来研究可改变的暴露对结果的影响。MR中的一个挑战是，每个遗传变异解释了暴露中相对较小比例的方差，并且存在许多这样的变异，这种设置被称为许多弱工具。为此，我们提供了一个理论表征的统计特性的两个流行的估计在MR，逆方差加权（IVW）估计和IVW估计与筛选仪器使用一个独立的选择数据集，在许多弱的工具。然后，我们提出了一个去偏IVW估计，一个简单的修改IVW估计，这是强大的许多弱工具，不需要筛选。此外，我们提出了两种工具选择方法，以提高效率的新估计时，选择数据集可用。扩展的去偏IVW估计处理平衡的水平多效性也进行了讨论。最后，我们在模拟和真实数据集上展示了我们的结果。
2020-10-10 stat.ME
Empirical sandwich variance estimator for iterated conditional expectation g-computation
针对ICE g计算中方差估计计算量大问题，提出基于堆叠估计方程的经验三明治方差估计量，模拟与应用示例表明该方法准确且比bootstrap更快。
2024-08-19 stat.CO stat.ME
Unifying Design-based Inference: On Bounding and Estimating the Variance of any Linear Estimator in any Experimental Design
本文提供了一个基于设计的框架，方差（界）估计的实验分析。结果适用于几乎任何组合的试验设计，线性估计（例如，均值差、OLS、WLS）和方差界，允许统一处理，并为使用矩阵谱分析进行系统研究和比较设计提供基础。一个建议的方差估计再现Eicker-Huber-White（又名。“稳健”、“异方差一致”、“三明治”、“白色”、“Huber-White”、“HC”等）标准误和“集群稳健”标准误误差作为特殊情况。虽然过去的工作已经表明，在某些设计下，基于设计的和所谓的“鲁棒”标准误之间的代数等价性，本文激励他们广泛的设计估计约束三元组。这样做，它为方差估计量提供了更清晰和更一般的动机。
2021-09-19 econ.EM stat.ME
A Study of Error Variance Estimation in Lasso Regression
线性模型中$p > n$的方差估计是一个难题。标准最小二乘估计技术不适用。在文献中已经提出了几个方差估计，所有伴随的渐近结果证明在各种假设下的一致性和渐近正态性。然而，它被发现，大多数这些估计遭受大的偏见，在有限的样本时，真正的潜在信号变得不那么稀疏，每个元素的信号强度更大。一个估计量似乎在很大程度上被忽略的文献：残差平方和估计使用Lasso系数与正则化参数选择自适应（通过交叉验证）。在本文中，我们回顾了几种方差估计器，并进行了相当广泛的模拟研究，试图比较它们的有限样本性能。从结果来看，具有自适应选择的正则化参数的方差估计器在广泛的稀疏性和信号强度设置范围内表现出色。最后，一些初步的理论分析有关这些类型的估计提出和发展。
2014-01-29 stat.ME
Network Structure and Biased Variance Estimation in Respondent Driven Sampling
本文探讨了被访者驱动抽样（RDS）中抽样方差估计的偏差问题。以前的RDS方法学工作集中在其有问题的假设和偏差和效率低下的人口平均估计。尽管如此，研究人员只给予轻微的关注，估计抽样方差RDS的主题，尽管方差估计的重要性，置信区间和假设检验的建设。在本文中，我们表明，RDS抽样方差的估计依赖于一个关键的假设，即网络是一阶马尔可夫（FOM）的因变量的利益。我们证明，通过直观的例子，数学概括，和计算实验，目前的RDS方差估计将总是低估RDS在不符合FOM假设的经验网络的人口抽样方差。对Facebook和Add Health的215个大学和学校网络的分析表明，我们分析的每个经验网络都违反了FOM假设，这些违反行为导致了抽样方差的RDS估计值存在很大偏差。我们提出并测试了两种替代方差估计，显示出一定的承诺，减少偏见，但也说明了估计抽样方差的限制，只有部分信息的底层人口社会网络。
2015-12-04 cs.SI stat.AP stat.ME
Difference-based variance estimators with repeated measurements
The Chinese University of Hong Kong（香港中文大学）
本文提出一种适用于重复测量的新高阶偏差校正差分方差估计方法，通过交错组间与组内差分，在有限样本和高信噪比下表现优异。
2026-09-29 stat.ME
Optimized variance estimation under interference and complex experimental designs
Columbia University（哥伦比亚大学）；Joel Middleton LLC（乔尔·米德尔顿有限责任公司）；Uppsala University（乌普萨拉大学）
本文提出将干扰和复杂实验设计下方差估计的保守性最小化问题转化为凸优化，构造最低可估计上界，所得估计量保证保守且信息量更优。
2026-09-21 stat.ME
Exact variance estimation for model-assisted survey estimators using U- and V-statistics
本文建立模型辅助估计与 U/V-统计量理论的联系，为广义回归等估计量提出精确方差估计方法，并在 American Community Survey 数据上验证。
2025-02-16 stat.ME
On the Conservativeness of Robust Variance Estimators in Propensity Score Weighted Cox Models
Tokyo Medical University（东京医科大学）；Juntendo University Graduate School of Medicine（顺天堂大学研究生院医学部）；Juntendo Shizuoka Hospital（顺天堂静冈医院）
研究评估了在倾向分数加权Cox模型中使用非ATE加权方案时稳健方差的性能，发现其不一定是保守的，建议使用考虑权重估计的方差估计器。
2026-04-16 stat.ME
Spatial prediction variance estimation based on covariance penalty
在实践中，很少（如果有的话）是已知的空间预测问题的空间协方差。通常，在将估计的空间协方差参数插入预测方程之后执行预测。估计的空间关联参数也被插入到空间预测器的预测方差中。但是，简单地将空间协方差参数估计值插入空间预测因子的预测方差中并不考虑空间协方差参数的真实值的不确定性。因此，插件预测方差估计将低估估计的空间预测因子的真实预测方差，特别是对于小数据集。我们提出了一种新的方法来估计估计的预测方差的估计空间预测的协方差惩罚的基础上，使用参数自举。我们的新估计相比，其他三个预测方差估计在文献中提出。新的预测方差估计一般比插入式方法的小数据集与弱空间关联，虽然有时它是第二个最好的四个预测方差估计比较。此外，新的预测方差估计器可以潜在地用于非正态预测的情况。
2014-09-10 stat.ME
Simulation study of estimating between-study variance and overall effect in meta-analysis of odds-ratios
随机效应荟萃分析需要估计研究间方差$τ^2$。研究了比值比荟萃分析中$τ^2$及其置信区间的估计方法，以及总体效应相关估计量的性能。我们提供了对$τ^2$的五点估计的广泛模拟结果（流行的DerSimonian-Laird方法、限制性极大似然、Mandel和Paule;不太熟悉的Jackson方法;以及基于Kulinskaya和Dollinger（2015）对Q统计量分布的改进近似的新方法（KD））; $τ^2$的五个区间估计量（剖面似然，Q剖面，Biggerstaff和Jackson，Jackson和KD），总体效应的六点估计量（与$τ^2$的点估计量相关的五个逆方差估计量和一个估计量（SSW），其权重仅使用研究水平样本量），和8个区间估计的整体效果（五个基于点估计的$τ^2$ ; Hartung-Knapp-Sidik-Jonkman（HKSJ）区间;基于KD的HKSJ修改;和一个区间的样本量加权估计）。我们的模拟结果表明，没有一个点估计的$τ^2$可以推荐，但新的KD估计提供了一个可靠的覆盖$τ^2$。总体效应的逆方差估计值存在很大偏差。总体效应的SSW估计量和相关的置信区间提供了对数优势比的可靠点和区间估计。
2019-02-19 stat.ME
Ensemble Conditional Variance Estimator for Sufficient Dimension Reduction
包络条件方差估计（ECVE）是一种新的充分降维（SDR）方法，适用于具有连续响应和预测变量的回归模型。ECVE适用于一般的非加性误差回归模型。它是在预测变量可以被低维投影代替而不丢失信息的假设下运行的。它是一种基于半参数前向回归模型的穷举充分降降维估计方法，在温和的假设下证明是一致的。它优于中央子空间平均方差估计（csMAVE），它的主要竞争对手，在几个模拟设置和基准数据集分析。
2021-02-26 stat.ME
Variance estimation for Sequential Monte Carlo Algorithms: a backward sampling approach
针对粒子滤波和平滑的在线渐近方差估计问题，提出基于后向权重的新估计器及受PaRIS算法启发的高效估计器，提升了稳定性并降低了方差。
2023-01-02 stat.ME
Shrinkage MMSE estimators of covariances beyond the zero-mean and stationary variance assumptions
本文提出超越零均值和平稳方差假设的协方差收缩MMSE估计器，通过扩展正则化矩阵并引入置信权重提升鲁棒性，在天文检测中验证了其优越性。
2024-06-26 astro-ph.IM stat.ME
Variance estimation in pseudo-expected estimating equations for missing data
缺失数据是生物医学研究中常见的挑战。这一事实，以及现代不断增长的数据集容量，使得具有缺失数据的计算效率分析问题具有至关重要的实际意义。用于处理缺失数据的一般计算有效的估计框架是伪期望估计方程（PEEE）方法。该方法适用于任何参数模型，其估计涉及一组估计方程（如似然评分方程）的求解。PEEE方法的一个关键限制是，目前没有封闭形式的方差估计，方差估计需要计算繁重的bootstrap方法。在这项工作中，我们解决的差距，并提供了一个封闭形式的方差估计，其计算可以显着快于自助方法。即使在辅助变量和不完整变量的错误指定模型下，我们的方差估计量也是一致的。仿真研究表明，我们的方差估计表现良好，其计算速度可以超过50倍的自助。我们提出的方差估计器的计算效率增益对于大型数据集或主要分析方法是计算密集型时至关重要。最后，PEEE方法与我们的方差估计一起被用来分析创伤性脑损伤患者不完整的电子健康记录数据。
2022-04-21 stat.ME
Bayesian Estimation of Variance under Fine Stratification via Mean-Variance Smoothing
Florida International University（佛罗里达国际大学）；Keio University（庆应义塾大学）
本文提出了一种基于惩罚样条的非参数方法，用于细分层调查中无偏估计方差，通过均值-方差平滑提升估计精度。
2026-03-03 stat.AP stat.CO stat.ME
Sharp bounds for variance of treatment effect estimators in the finite population in the presence of covariates
在完全随机化实验中，有限总体中治疗效应估计量的方差通常不可识别，因此不可估计。虽然在文献中已经建立了一些方差的估计范围，但很少有协变量存在的情况下导出。本文分别考虑了完全服从和不完全服从的完全随机试验中均值差估计和Wald估计。当协变量可用时，这两个估计量的方差的精确界被建立。进一步得到了这类界的相合估计，可用于缩短置信区间和提高检验的功效。基于上界的一致估计量构造了置信区间，其覆盖率是一致渐近保证的。仿真进行了评估所提出的方法。所提出的方法也说明了两个实际数据分析。
2022-09-19 math.ST stat.ME stat.TH
Reference based multiple imputation -- what is the right variance and how to estimate it
基于参考文献的多重插补方法已成为处理随机临床试验中缺失数据的常用方法。众所周知，鲁宾方差估计量与基于参考的插补估计量的真实重复抽样方差相比是有偏的。有些令人惊讶的是，这些方法越来越受欢迎，在文献中相对较少的争论是否鲁宾的方差估计或替代（较小）方差估计目标的重复抽样方差更合适。我们回顾了这场争论双方的论点，并得出结论，重复抽样方差更合适。我们回顾了不同的方法估计的频率方差，并提出了一个最近的建议，结合自举与多重插补作为一个广泛适用的一般解决方案。同时，鉴于基于参考的假设对频率方差的影响，我们认为有必要对这些方法进行进一步审查，以确定其假设的强度是否普遍合理。
2021-04-28 stat.ME
Empirical and Constrained Empirical Bayes Variance Estimation Under A One Unit Per Stratum Sample Design
每层单个一级单元（PSU）设计是用于估计感兴趣参数的流行设计。虽然，设计的点估计是无偏的和有效的，无偏方差估计不存在。解决这个问题的一个常见做法是塌陷或合并两个相邻的地层，但获得的方差估计量不是设计无偏的，并且随着塌陷地层的总体均值变得更加多变，偏差会增加。因此，每层一个PSU设计和折叠层方差估计量可能不是一个好的选择，一些统计学家更喜欢每层选择两个PSU的设计。在本文中，我们首先将每层一个PSU设计与每层两个PSU设计进行比较。然后，我们提出了一个经验贝叶斯估计的方差的一个PSU每层设计，其中它过度收缩的先验均值。为了防止这一点，我们调查的潜在的约束经验贝叶斯估计。通过模拟研究，我们表明，经验贝叶斯和约束经验贝叶斯估计优于经典的崩溃的经验相对均方误差。
2019-10-13 stat.ME
Novel Non-Negative Variance Estimator for (Modified) Within-Cluster Resampling
本文提出了一种新的方差估计群内回归（WCR）和修改的群内回归（MWCR）-现有的两种方法分析纵向数据。WCR是一种简单但计算密集的方法，其中从每个聚类中随机采样单个观测以形成新的数据集。这个过程被重复多次，在每个重新采样的数据集（或外插）中，我们使用广义线性模型计算beta。最终得到的估计量是所有输出的估计值的平均值。MWCR是WCR的扩展，可以解释数据集的簇内相关性;因此，有两个值得注意的差异：1）在MWCR中，每个重采样数据集是通过随机采样多个观测值形成的，而不是从每个簇中替换; 2）广义估计方程（GEE）用于估计感兴趣的参数。虽然WCR和MWCR实现起来相对简单，但一个关键的挑战是，所提出的基于矩的估计量在实践中往往是负的。我们修改后的方差估计不仅是严格的积极的，但模拟表明，它保留了第一类错误，并允许统计功效增益与MWCR实现。
2019-11-28 stat.ME
Why Is the Double-Robust Estimator for Causal Inference Not Doubly Robust for Variance Estimation?
本文探讨了因果推断中双重稳健估计器在方差估计中的局限性，并提出混合框架方法以实现有效推断。
2025-11-22 stat.ME
A Minimax Bias Estimator for OLS Variances under Heteroskedasticity
异方差一致协方差阵估计（HCCME）的分析评价是困难的，因为目前可用的公式的复杂性。本文给出了标准线性回归模型中OLS的协方差阵的一类估计的偏差的新的解析公式。这些公式提供了大量的洞察这些估计的属性和性能特征。特别是，我们找到了一个新的估计，最大限度地减少了最大可能的偏差，并大大提高了标准的Eicker-White估计。
2014-05-04 math.ST stat.ME stat.TH
The equivalence of the Delta method and the cluster-robust variance estimator for the analysis of clustered randomized experiments
同样的问题往往出现在不同的社区，而这些社区所提出或采取的解决办法却不尽相同。本文以群体平均处理效应的方差估计为例，研究了群体随机化试验中的群体平均处理效应。计量经济学文献推广了聚类稳健方差估计（Athey和Imbens，2017），这可以追溯到具有聚类残差的线性回归的研究（Liang和Zeger，1986）。A/B测试或在线实验文献促进了delta方法（Kohavi等人，2010年，Deng等人，2017，2018），它直接使用大样本理论处理ATE估计器的方差估计。这两种方法完全不同，因为前者从单个单位水平的回归设置开始，而后者是半参数的，只有i.i.d.。对集群的假设。这两种方法在实践中被广泛使用。它回避了他们之间的联系和比较的问题。在本文中，我们证明了它们是等价的，在规范实现中，它们应该给出完全相同的结果。
2021-05-31 stat.ME
Small Area Predictors with Dual Shrinkage of Means and Variances
本文研究了具有随机离差的Fay-Herriot型区域水平模型中的小区域估计问题，该模型模拟了抽样误差随区域变化的情况。由此产生的贝叶斯估计缩小了均值和方差，但需要数值计算来提供估计。本文提出了一种封闭形式的近似经验贝叶斯（AEB）估计。模型参数采用矩量法估计，AEB的均方误差采用单参数自助法估计。文中还给出了均方误差的基准估计量和二阶无偏估计量。
2015-07-29 stat.ME
On Bessel's Correction: Unbiased Sample Variance, the Bariance, and a Novel Runtime-Optimized Estimator
Johannes Kepler University Linz（林茨约翰·开普勒大学）
本文提出了一种基于方差的替代离散度度量，并通过模拟研究展示了其在计算效率上的优势。
2025-05-23 stat.ME
Neyman Jackknife: Design-Based Variance Estimation for Causal Inference under Interference
Stanford University（斯坦福大学）
本文提出Neyman Jackknife框架，提供一种通用方法，用于在存在干扰的情况下保守估计因果推断中的变异数。该方法在经典设置中恢复与Neyman估计器和Newey-West HAC方差估计器相关的估计器，并通过数值实验表明其性能可与专门设计的基准方法相媲美。
2026-04-27 math.ST stat.ME stat.TH
Variance Estimation in Ranked Set Sampling Using a Concomitant Variable
当秩集抽样（RSS）和判断后分层（JPS）通过测量一个伴随变量时，我们提出了一个非参数方差估计。我们提出的估计是通过条件观测伴随值和使用非参数核回归。
2015-06-22 stat.ME
Sharp variance estimator and causal bootstrap in stratified randomized experiments
Tsinghua University（清华大学）；North Carolina State University（北卡罗来纳州立大学）；Duke University（杜克大学）
本文提出了一种精确方差估计和两种因果Bootstrap方法，用于更准确地近似分层随机实验中加权差异均值估计量的抽样分布，以解决小样本或结果偏斜时传统Neyman型方差估计器过于保守和正态近似失效的问题。
2025-05-17 math.ST stat.AP stat.ME
A modified debiased inverse-variance weighted estimator in two-sample summary-data Mendelian randomization
针对两样本汇总数据孟德尔随机化中弱工具变量及小有效样本量导致的偏差，本文提出乘性修正的 mdIVW 估计量，偏差收敛更快、方差更小，并支持工具变量选择与平衡水平多效性。
2024-03-18 stat.ME
Convergent estimators of variance of a spatial mean in the presence of missing observations
本文研究了存在缺失观测时空间均值方差的截断估计量，证明了其收敛性仅依赖于底层场有限的一阶和二阶矩，并在均匀加权下利用组合数学和第二类Stirling数求解估计量。
2023-04-09 math.ST stat.AP stat.ME
An unbiased rank-based estimator of the Mann-Whitney variance including the case of ties
本文针对 Mann-Whitney 效应估计量的方差估计在有结和小样本下易有偏的问题，基于 placements 提出一种易计算、无结假设、非负且 $L_2$ 一致的无偏估计量。
2024-09-08 stat.ME
Simulation study of estimating between-study variance and overall effect in meta-analysis of standardized mean difference
随机效应荟萃分析方法需要估计研究间方差$τ^2$。$τ^2$估计量的性能（通过偏倚和覆盖率测量）影响其在评估研究水平效应异质性方面的有用性，也影响总体效应相关估计量的性能。对于效应测度标准化均值差（SMD），我们提供了对$τ^2$的五点估计的广泛模拟结果（流行的DerSimonian-Laird方法、限制性极大似然和Mandel和Paule（MP）;不太熟悉的Jackson方法;新方法（KDB）基于Kulinskaya、Dollinger和Bjørkestøl（2011）对Q统计量分布的改进近似，$τ^2$的五个区间估计量（剖面似然、Q剖面、Biggerstaff和Jackson、Jackson以及新的KDB方法），总体效应的六点估计量（5个与$τ^2$的点估计量和一个权重仅使用研究水平样本量的估计量相关），以及8个总体效应的区间估计量（5个基于$τ^2$的点估计; Hartung-Knapp-Sidik-Jonkman（HKSJ）区间; HKSJ的修改;以及基于样本量加权估计的区间）。
2019-03-04 stat.ME
Nonparametric estimator of the tail dependence coefficient: balancing bias and variance
该研究推导了尾相关系数非参数估计量的均方误差理论表达式，提出结合理论均方误差与尾部copula参数估计的阈值最优选择半参数方法，经模拟验证其与包括平台搜索算法在内的现有方法相比具有相应效能。
2023-07-24 q-fin.ST stat.ME
Simulation study of estimating between-study variance and overall effect in meta-analyses of mean difference
随机效应荟萃分析方法需要估计研究间方差$τ^2$。$τ^2$估计量的性能（通过偏倚和覆盖率测量）影响其在评估研究水平效应异质性方面的有用性，也影响总体效应相关估计量的性能。对于效应测度的均值差（MD），我们回顾了$τ^2$的五点估计（流行的DerSimonian-Laird方法、限制性极大似然和Mandel和Paule（MP）;不太熟悉的Jackson方法;和一种新的方法（WT）的基础上改进的近似分布的$Q$统计量的\cite{kulinskaya2004welch}），五个区间估计的$τ^2$（剖面似然、Q剖面、Biggerstaff和Jackson、Jackson以及新的WT方法），总体效应的六点估计值（5个与$τ^2$的点估计量和一个权重仅使用研究水平样本量的估计量相关），以及8个总体效应的区间估计量（5个基于$τ^2$的点估计量、Hartung-Knapp-Sidik-Jonkman（HKSJ）区间、HKSJ的修改以及基于样本量加权估计量的区间）。我们从大量的模拟和一个例子中获得经验证据。
2019-04-01 stat.ME
Causal Inference from Possibly Unbalanced Split-Plot Designs: A Randomization-based Perspective
裂区设计在具有随机化限制的多因素试验中具有广泛的适用性。实际的考虑往往保证使用不平衡的设计。本文研究了可能不平衡的裂区设计中基于随机化的因果推断。从最近研究的平衡情况下的想法延伸产生的治疗对比估计的采样方差的表达式，以及保守的估计的采样方差。然而，即使当处理效应是严格可加的时，该方差估计量的偏差也不会消失。一个仔细的和涉及矩阵分析，以克服这个困难，从而在一个新的方差估计，这是在温和的条件下变得无偏。一个建设过程中，产生这样的估计极小极大偏差的建议。
2019-06-20 stat.ME
On mitigating the analytical limitations of finely stratified experiments
虽然从理论的角度来看是有吸引力的，但精细分层的实验（如配对设计）受到某些分析限制，这些限制在每个区组中有多个治疗和对照个体的区组随机化实验中不存在。简而言之，当使用适当加权的均值差来估计样本平均处理效应时，配对实验中的传统方差估计量是保守的，除非成对的平均处理效应在各对之间是恒定的;然而，在更粗略分层的实验中，如果处理效应在区组内是恒定的，则相应的方差估计量是无偏的，即使它们在区组之间变化。从经典的最小二乘理论的见解，我们提出了一个改进的方差估计适合于精细分层实验。方差估计对于均值差估计的真方差仍然是保守的，但在较弱的条件下渐近不大于经典方差估计。改善源于效应修饰的开发，因此改善的幅度取决于观察到的协变量可以解释效应异质性的程度。借助于这些估计量，提出了一种新的恒定处理效应的原假设检验。这些发现扩展到一些，但不是所有的，超人口模型，这取决于是否协变量被视为固定的样本中的超人口制定考虑。
2017-06-20 stat.ME
Improving sandwich variance estimation for marginal Cox analysis of cluster randomized trials
聚类随机试验（CRT）经常招募少量的聚类，因此需要应用小样本校正来进行有效的推断。最近的一项系统性综述表明，报告右删失至事件时间结局的CRT并不罕见，边际考克斯比例风险模型是主要分析的常用方法之一。虽然小样本校正已经研究了边际模型与连续，二进制和计数的结果，没有以前的研究一直致力于开发和评价的偏差校正的三明治方差估计时，聚集的时间到事件的结果进行了分析的边际Cox模型。为了改善目前的做法，我们提出了9个偏差校正夹心方差估计的CRT使用边际Cox模型的分析，并报告了模拟研究，以评估其小样本属性。我们的研究结果表明，最佳选择的偏倚校正三明治方差估计CRT的生存结果可以依赖于集群大小的变异性，也可以略有不同，无论是根据相对偏差或第一类错误率进行评估。最后，我们说明了新的方差估计在现实世界的CRT干预效果的结论不同，这取决于使用小样本偏差校正。建议的三明治方差估计在R包CoxBcv中实现。
2022-09-02 stat.ME
Simple Standard Errors for Complicated (Quasi-)Experimental Designs
UC Davis（加州大学戴维斯分校）；Brown University（布朗大学）
该研究针对个体间存在复杂依赖模式的（准）实验设计，提出一种简易方差估计量，其在模拟与实证研究中表现良好，部分场景下标准误较现有方法短2-3倍。
2026-10-12 econ.EM stat.ME
A New Model Variance Estimator for an Area Level Small Area Model to Solve Multiple Problems Simultaneously
两水平正态分层模型（NHM）在小区域估计（SAE）理论中发挥了关键作用，SAE是统计学中不断发展的领域之一，在不同学科中有许多应用。在本文中，我们解决了主要的众所周知的缺点与经验最佳线性无偏预测（EBLUP）的小面积平均值和均方误差（MSE）估计考虑一个适当的模型方差估计，满足多个属性。该模型方差估计同时（i）改进了相关收缩因子的估计，（ii）避免了EBLUP中常见的过收缩问题，（iii）避免了泰勒级数或单参数Bootstrap方法生成严格正二阶无偏均方误差（MSE）估计时的复杂偏差校正.通过适当设计的模型方差估计器在EBLUP方法中实现多个期望属性的想法是第一次，并且在经典线性混合模型预测框架下为小区域均值提供良好的推断方面有希望。所提出的方法进行评估，使用蒙特卡罗模拟研究和实际数据分析。
2017-01-16 math.ST stat.ME stat.TH
Sampling distributions for complex design variance estimators in a Fay-Herriot model
University of Washington（华盛顿大学）；Norwegian University of Science and Technology（挪威科技大学）
本文研究了复杂设计方差估计器在Fay-Herriot模型中的采样分布，提出两种分布并比较其在DHS设计中的表现，发现简单分布与复杂分布效果相当。
2026-04-24 stat.ME
Counterfactual Mean-variance Optimization
本文研究反事实均值-方差优化问题，提出双重稳健风格的最优解估计量，推导其渐近分布，并通过协方差校准提升有限样本性能，应用于医疗政策与金融投资组合。
2025-04-12 stat.ME
Equivariant Variance Estimation for Multiple Change-point Model
本文针对多变点模型提出等变方差估计框架，刻画了等变无偏二次方差估计器的集合，并建立了相应的极小极大理论。
2023-11-16 math.ST stat.ME stat.TH
Order-Induced Variance in the Moving-Range Sigma Estimator: A Total-Variance Decomposition
Karl Statistical Services LLC（卡尔统计服务有限公司）
本文通过总方差分解揭示了移动范围西格玛估计器中顺序诱导的方差成分，证明了排列均值与吉尼均差的关系，并在正态分布下推导了相邻分量的闭式表达式。
2026-07-21 math.ST stat.ME stat.TH
Pathwise Gradient Variance Reduction with Control Variates in Variational Inference
The University of Melbourne（墨尔本大学）；Monash University（莫纳什大学）
针对现有路径梯度控制变量方差缩减方法依赖被积函数近似、仅适用于简单变分族的局限，本研究提出将零方差控制变量应用于路径梯度估计器，仅需变分分布可采样的弱假设。
2024-10-08 cs.LG stat.CO stat.ME
Variance-reduced extreme value index estimators using control variates in a semi-supervised setting
针对极值指数（EVI）估计因依赖少量极端观测值导致方差高的问题，提出半监督框架下基于控制变量的迁移学习方法，通过联合优化系数对Hill估计器的分子和分母应用近似控制变量，实现无偏方差减少，理论和实验验证了其有效性。
2025-11-19 math.ST stat.ME stat.TH
