Generalized Likelihood Ratio Statistics and Uncertainty Adjustments in Efficient Adaptive Design of Clinical Trials
基于广义似然比统计量和最优序贯检验理论，提出了一种在一般多参数指数族背景下的临床试验适应性设计的新方法。这些设计易于实现，保持规定的第一类错误概率，并且是渐近有效的。在临床试验中涉及的实际问题，允许中途适应和关于这个问题的大量文献进行了讨论，并提出了建议和现有的设计之间的比较，在广泛的模拟研究，其有限样本的性能，测量预期的样本量和功率函数。
2011-05-24 math.ST stat.ME stat.TH
Quasi-likelihood analysis of an ergodic diffusion plus noise
本文研究了具有常方差观测噪声的离散遍历扩散过程的自适应极大似然型估计和自适应贝叶斯型估计。引入扩散和漂移参数的拟似然函数，证明了这些拟似然函数的多项式型大偏差不等式，证明了这些估计量的矩收敛性.
2019-04-02 math.ST stat.ME stat.TH
Adaptive Monte Carlo Maximum Likelihood
我们考虑了具有难处理的赋范常数的模型中的极大似然估计的蒙特卡罗逼近。本文讨论了自适应蒙特卡罗算法，它在仿真过程中调整控制参数。我们研究了自适应重要性抽样的渐近性和一种新的算法，它使用rescent和MCMC。该算法的目的是减少问题的退化的重要性权重。我们的分析是基于鞅极限定理。我们还描述了如何自适应最大化算法的牛顿-拉夫森型可以结合的reservation技术。本文包括一个小规模的模拟研究，我们比较自适应和非自适应蒙特卡罗极大似然算法的性能的结果。
2014-12-19 stat.CO stat.ME
Adaptive estimation and noise detection for an ergodic diffusion with observation noises
研究了观测值被噪声污染的遍历扩散过程的自适应极大似然估计。该方法使得观测噪声方差、扩散参数和潜在扩散过程漂移参数的估计量渐近独立。此外，它可以减轻计算负担相比，同时最大似然型估计。除了自适应估计，我们提出了一个测试，看看是否存在噪声，并分析实际数据为例，数据包含观测噪声的统计意义。
2017-12-04 math.ST stat.ME stat.TH
Adaptive test for ergodic diffusions plus noise
提出了随机扩散方程的状态空间统计模型--遍历扩散加噪声模型的参数检验方法。将检验统计量分为三类：似然比型检验统计量、Wald型检验统计量和Rao型检验统计量。所有的检验统计量都是用噪声观测值的局部均值序列的拟似然函数构造的。我们还模拟了几个实际假设检验的行为，并检查了零假设下检验统计量的收敛规律和备择假设下检验的一致性。我们应用该方法对风场数据进行了实际数据分析，并主要就扩散系数的结构对一些假设进行了检验。
2018-04-05 math.ST stat.ME stat.TH
Multivariate Density Estimation via Adaptive Partitioning (I): Sieve MLE
本文研究了多元密度估计的非参数方法。估计量是由二进制分区支持的分段常数密度函数。样本空间的分区通过最大化该分区上的对应直方图的似然来学习。本文分析了筛分极大似然估计的收敛速度，并得出结论：对于一类相对丰富的密度函数，筛分极大似然估计的收敛速度并不直接依赖于密度函数的维数。这表明，在某些条件下，这种方法不受维数灾难的影响，在这个意义上，即使在高维中也有可能接近参数率。我们还将此方法应用于几种特殊情况，并分别计算了显式的收敛速度。
2015-08-19 math.ST stat.ME stat.TH
Adaptive Penalized Likelihood method for Markov Chains
针对马尔可夫链转移概率矩阵估计不准及高维LRT效率低的问题，研究将自适应Lasso扩展至马尔可夫链，提出基于惩罚极大似然估计的新模型，具有神谕性质且在模拟与实际数据中表现优异。
2024-06-01 stat.AP stat.ME
Fast marginal likelihood estimation of penalties for group-adaptive elastic net
如今，临床研究通常使用组学数据（如基因表达）来预测临床结果或选择标记物。此外，所谓的协数据通常是可用的，提供关于协变量的补充信息，如来自先前发表的研究或对应于通路的基因组的p值。弹性网惩罚被广泛用于预测和协变量选择。组自适应弹性网惩罚从协数据中学习，通过比其他组更少地惩罚重要的协变量组来改进预测和协变量选择。然而，现有的方法在计算上是昂贵的。在这里，我们提出了一个快速的方法，用于广义线性模型的组自适应弹性网处罚的边际似然估计。我们首先推导出一个低维表示的泰勒近似的边际似然和其一阶导数组自适应岭处罚，有效地估计这些处罚。然后利用线性预测量的渐近正态性证明了弹性网模型的边际似然可以很好地近似于岭模型的边际似然。然后利用方差函数将脊组罚函数转化为弹性网组罚函数。该方法允许重叠组和未惩罚的变量。我们展示了基于模型的模拟研究和癌症基因组学的应用程序的方法。该方法通过从协数据中学习，大大减少了计算时间，并优于或匹配其他方法。
2021-01-11 stat.ME stat.ML
Likelihood Inference for Possibly Non-Stationary Processes via Adaptive Overdifferencing
针对非平稳 ARFIMA 模型似然推断难题，本文利用过度差分将其转化为平稳模型序列，并提出自适应选择上界 \ar d 的程序。
2025-01-09 stat.ME
A flexible adaptive lasso Cox frailty model based on the full likelihood
在这项工作中，提出了一种方法来规范Cox脆弱性模型，适应时变协变量和时变系数，是基于完整的，而不是部分的可能性。在这个框架中的一个特别的优点是，基线危险可以明确地建模在一个平滑的，半参数的方式，例如，通过P样条。变量选择的正则化通过套索惩罚和分类变量的组套索进行，而第二个惩罚正则化时变系数和基线风险的平滑估计的波动。此外，自适应权重包括稳定的估计。该方法在R中实现为coxlasso，并将与其他正则化Cox回归软件包进行比较。然而，现有的软件包不允许在coxlasso中容纳的不同效果的组合。
2020-03-31 stat.CO stat.ME
Regularized Targeted Maximum Likelihood Estimation in Highly Adaptive Lasso Implied Working Models
针对HAL拟合后TMLE计算不稳定及EIC求解困难的问题，提出两种在HAL隐含工作模型内的新HAL-TMLE方法，并通过广泛模拟验证其性能。
2025-06-20 stat.ME
Estimation of time-specific intervention effects on continuously distributed time-to-event outcomes by targeted maximum likelihood estimation
目标极大似然估计是一种通用的方法，结合灵活的集成学习和半参数效率理论，在两个步骤的过程中估计的因果参数。提出的生存和竞争风险分析的目标极大似然程序迄今为止集中于离散时间内的事件值。在这里，我们提出了一个有针对性的极大似然估计过程的事件时间，采取R+的值。我们专注于估计干预特定的平均结果与随机干预的时间固定的治疗。对于滋扰参数的数据自适应估计，我们提出了一种新的灵活的高度自适应套索估计方法，可以实现与L1惩罚泊松回归的连续时间强度。在一个模拟研究的目标极大似然估计的基础上的高度自适应lasso估计证明是无偏的，并实现适当的覆盖与渐近理论的协议，并进一步显示效率的改进相对于Kaplan-Meier方法。
2021-06-21 stat.ME
A Unifying Framework for Adaptive Radar Detection in Homogeneous plus Structured Interference-Part I: On the Maximal Invariant Statistic
本文研究了在协方差矩阵未知的齐次高斯干扰和结构确定性干扰下的多维/多通道信号自适应检测问题。上述问题对应于众所周知的广义多元方差分析（GMANOVA）的推广。在这第一部分的工作中，我们制定了考虑的问题的规范形式，并确定了一个理想的一组考虑的假设检验的转换后，我们得到了最大不变统计量（MIS）的问题在手。此外，我们提供的MIS分布的形式的随机表示。最后，强有力的连接到MIS中获得的公开文献中更简单的方案强调。
2015-07-19 cs.IT math.IT stat.ME
Exact Gradient Evaluation for Adaptive Quadrature Approximate Marginal Likelihood in Mixed Models for Grouped Data
本文提出了一种在含单一分组因子的混合模型中，通过自适应高斯求积法计算近似对数边际似然精确梯度的算法，利用拟牛顿优化提升了计算效率，并在伯努利混合模型中通过逆对数Cholesky参数化实现了无需矩阵分解的高效推断。
2024-11-11 stat.CO 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
Particle filtering within adaptive Metropolis Hastings sampling
我们表明，它是可行的，进行精确的贝叶斯推断的非高斯状态空间模型使用自适应大都会Hastings采样计划的似然近似的粒子滤波器。此外，基于法线混合提议的自适应独立Metropolis Hastings采样器在计算上比自适应随机游动提议有效得多，因为与近似似然的成本相比，构造良好自适应提议的成本可以忽略不计。独立的大都会黑斯廷斯提案也很有吸引力，因为它们很容易在多个处理器上并行运行。我们还表明，当使用的粒子滤波器，任何模型的边际似然是在一个有效的和无偏的方式，使模型比较简单。
2009-11-02 stat.CO stat.ME
Adaptive, delayed-acceptance MCMC for targets with expensive likelihoods
当进行贝叶斯推断时，当计算真实后验或其无偏估计在计算上昂贵，但计算上便宜的近似可用时，可以应用延迟接受（DA）Metropolis-Hastings（MH）算法和DA伪边缘MH算法。第一个接受-拒绝阶段的应用，与廉价的近似代替真正的后验的MH接受率。只有那些通过第一阶段的建议是计算昂贵的真实后验（或无偏估计）的评估，与第二个接受拒绝阶段，确保详细的平衡是满意的预期的真实后验。在某些情况下，没有明显的计算成本低廉的近似值。计算昂贵的后验的先前评估的加权平均值提供了后验的通用近似。如果只有$k$ -最近的邻居有非零的权重，那么近似后验的评估可以在计算上很便宜，只要后验被评估的点被存储在多维二叉树中，称为KD树。KD树的内容在每次计算密集的评估之后潜在地更新。由此产生的自适应，延迟接受[伪边缘]梅特罗波利斯-黑斯廷斯算法是合理的理论和经验。调整参数的指导和方法被施加到一个离散观察到的马尔可夫跳跃过程特征的捕食者-猎物的相互作用和ODE系统描述的自动调节基因网络的动态。
2016-06-01 math.ST stat.CO stat.ME
Auxiliary Particle filtering within adaptive Metropolis-Hastings Sampling
本文利用粒子滤波器计算的模拟似然值，对一般状态空间模型进行了贝叶斯推断。我们的经验表明，部分或完全适应粒子滤波器可以比标准粒子更有效，特别是当信号噪声比高。这一点尤其重要，因为在MCMC采样中使用粒子滤波器的时间复杂度为O（T^2），其中T是样本量。我们还表明，一个自适应的独立的建议的基础上的混合法线的未知参数可以比通常的最佳随机游动方法更有效，因为模拟的可能性是不连续的参数和成本相比，构建一个良好的自适应建议是可以忽略不计的成本评估模拟的可能性。独立的\MH方案也很有吸引力，因为它们易于在多个处理器上并行运行。文章还表明，建议的\aimh采样收敛到后验分布。我们还表明，任何状态空间模型的边际似然可以得到一个有效的和无偏的方式，通过使用\pf模型比较简单。使用其他方法通常很难获得边际可能性。最后，我们证明了辅助粒子滤波器得到的模拟似然是无偏的。这个结果是使用粒子进行MCMC采样的基础，并且由Del Moral（2004）在更抽象和困难的环境中首次获得。然而，我们的证明是直接的，并将使读者可以访问的结果。
2010-06-09 stat.ME
A Unifying Framework for Adaptive Radar Detection in Homogeneous plus Structured Interference-Part II: Detectors Design
本文研究了在协方差矩阵未知的齐次高斯干扰和结构（未知）确定性干扰下的自适应多维/多通道信号检测问题。上述问题扩展了公知的广义多变量方差分析（GMANOVA）在公开文献中处理。在一个配套文件中，我们已经得到了最大不变统计（MIS）的问题正在考虑中，作为一个使能工具的设计合适的检测器，具有恒虚警率（CFAR）属性。在这里，我们专注于发展的几个理论上成立的检测器所考虑的问题。首先，所有考虑的检测器被证明是MIS的功能，从而证明其CFAR属性。其次，在这样一个一般的信号模型中，其中一些是一致的或统计等价的证明。第三，强连接到众所周知的简单的情况下发现自适应检测文献。最后，仿真结果提供了所提出的接收机的比较。
2015-07-19 cs.IT math.IT stat.ME
Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching
Stanford University（斯坦福大学）
本文提出自适应贝叶斯推断（ABI）框架，通过边缘增广切片Wasserstein距离将后验分布比较转化为一维条件分位数回归，并结合自适应拒绝采样迭代细化后验近似，在高维和相依观测场景下显著优于现有免似然方法。
2025-05-07 cs.LG stat.CO stat.ME
Confidence Sets Based on Penalized Maximum Likelihood Estimators in Gaussian Regression
基于惩罚的最大似然估计，如LASSO，自适应LASSO，和硬阈值的置信区间进行了分析。在已知方差的情况下，有限样本覆盖性质，这样的间隔被确定，它表明，对称的间隔是最短的。基于硬阈值估计的最短间隔的长度大于基于自适应LASSO的最短间隔的长度，其大于基于LASSO的最短间隔的长度，其进而大于基于最大似然估计的标准间隔。在惩罚估计量被调整为具有“稀疏性”的情况下，基于这些估计量的区间比标准区间大数量级。此外，一个简单的渐近置信区间的建设在“稀疏”的情况下，也适用于平滑剪切绝对偏差估计，进行了讨论。已知方差的情况下的结果进行到未知方差的情况下，在适当的渐近意义。
2010-02-01 math.ST stat.ME stat.ML
Asymptotics of numerical integration for two-level mixed models
该研究针对单分组因子混合模型的边际似然积分求解难题，推导了自适应数值积分下似然与最大似然估计的随机相对误差率，验证其在广义线性混合模型中适用，并证明非自适应积分的估计量不一致，为混合模型推断优选自适应数值积分提供理论支撑。
2025-01-20 stat.AP stat.ME
The Merging Path Plot: adaptive fusing of k-groups with likelihood-based model selection
有许多统计检验可以验证原假设：感兴趣的变量在k组中具有相同的分布。但一旦原假设被拒绝，如何呈现群体之间的相异性结构？在这篇文章中，我们介绍了合并路径图-一种方法，和factorMerger -一个R软件包，用于探索和可视化k组的差异。k-群的比较是探索性分析中最重要的问题之一，它有无数的应用。经典的解决方案是检验一个~原假设，即所有组的观测值都来自同一个分布。如果全局原假设被拒绝，则对组对之间的差异进行更详细的分析。传统的方法是使用成对的事后检验，以验证哪些组差异显着。然而，这种方法在解释层和可视化层中的大量组中失败。~合并路径图方法通过使用基于似然比检验（LRT）统计量的组间相异性的易于理解的描述来解决此问题。
2017-12-12 cs.HC stat.ME stat.ML
Adaptive Critical Value for Constrained Likelihood Ratio Testing
我们提出了一种新的方法来测试有序假设对所有的替代品，压倒了经典的方法，无论是在简单性和统计功效。我们的新方法测试的约束似然比统计量对一个且只有一个卡方随机变量的分位数与数据相关的自由度，而不是卡方的混合。我们的新测试被证明有一个有效的有限样本的显着性水平$α$，并提供了更多的权力，特别是稀疏的替代品（那些与几个或中等数量的空约束违反）相比，经典的方法。我们的方法也更容易使用比经典的方法，需要计算或模拟一组复杂的权重。两种特殊情况下，考虑了更多的细节，即测试orthants $μ_1<0, \cdots, μ_n<0$的情况下，和测试$μ_1<μ_2<μ_3$对所有替代品的等渗情况。这些例子显示了功率差的轮廓，表明了我们新方法的兴趣。
2018-06-25 stat.ME
Efficient convergence through adaptive learning in sequential Monte Carlo Expectation Maximization
期望最大化（EM）是一种在给定观测数据的情况下，通过交替采用充分统计量的期望值和最大化期望对数似然来估计潜变量模型的最大似然参数的技术。对于难以处理充分统计量的情况，通常使用随机逼近EM（SAEM），其使用蒙特卡罗技术来近似期望的对数似然。SAEM的两种常见实现，批量EM（BEM）和在线EM（OEM），由“学习率”参数化，其效率强烈依赖于此参数。我们提出了一个扩展的OEM算法，称为内省在线期望最大化（IOEM），它消除了需要指定这个参数，根据参数更新的趋势，调整学习率。我们表明，我们的算法匹配的效率最佳BEM和OEM算法在多个模型，IOEM的效率可以超过BEM/OEM方法的最佳学习率时，模型有很多参数。Python实现可在https://github.com/luntergroup/IOEM.git上获得。
2018-07-09 stat.ME
Statistical inference for dependent competing risks data under adaptive Type-II progressive hybrid censoring
本文针对自适应II型逐步混合删失下的相依竞争风险数据，基于Marshall-Olkin二元Weibull分布提出参数估计与区间推断方法，并通过模拟和实证验证其有效性。
2023-04-19 stat.ME
Conditional Estimation in Two-stage Adaptive Designs
我们考虑两阶段样本量可调设计中的条件估计和以下偏倚。更具体地说，我们考虑的设计允许提高样本量时，中期结果看起来相当有希望，并保持原来计划的样本量时，结果看起来非常有希望。报告的估计程序包括无条件的极大似然，有条件的无偏Rao-Blackwell估计，有条件的中位数无偏估计量，和有条件的极大似然与和无偏校正。我们比较这些估计的分析结果的基础上，并通过模拟研究。我们在一个真实的临床试验环境中展示了它们如何应用。
2018-08-24 stat.AP stat.ME
Adaptive Low-Complexity Sequential Inference for Dirichlet Process Mixture Models
MIT Lincoln Laboratory（麻省理工学院林肯实验室）
我们开发了一个顺序的低复杂度的推理过程的Dirichlet过程混合高斯在线聚类和参数估计时，集群的数量是未知的先验。我们提出了一个易于计算的，封闭形式的参数表达式的条件似然，其中超参数递归更新的流数据假设共轭先验的函数。受大样本渐近性的启发，我们提出了一种新的自适应低复杂度的Dirichlet过程浓度参数的设计，并表明类的数量最多以对数速度增长。进一步证明了在大样本极限下，条件似然和数据预测分布都是渐近高斯分布。我们通过对合成和真实数据集的实验证明，我们的方法优于其他在线最先进的方法。
2015-09-11 cs.LG stat.ME stat.ML
