Copula Density Estimation by Finite Mixture of Parametric Copula Densities
本文提出了一种基于异质参数Copula密度有限混合的Copula密度估计方法。更具体地说,混合成分是Clayton,Frank,Gumbel,T和正常copula密度,它们能够分别捕获下尾,强中心,上尾,重尾和对称椭圆依赖。模型参数的估计采用约束极大似然问题的邻域点算法。将该算法与常用的期望最大化算法进行了比较。仿真和实际数据的应用表明,该方法是有效的建模复杂的数据依赖超过两个或三个维度。
2019-06-22 stat.AP stat.CO stat.ME
Non-parametric Archimedean generator estimation with implications for multiple testing
在多重检验中,族间误差率在一定条件下可以由检验统计量的copula来界定。假设这个Copula是阿基米德的,我们考虑两个非参数阿基米德生成估计。更具体地说,我们使用Genest et al.(2011)的非参数估计量及其略微修改。在模拟中,我们将得到的多个测试与Bonferroni测试和来自真实生成器的多个测试作为基线进行比较。
2019-03-27 stat.ME
A Robbins-Monro algorithm for non-parametric estimation of NAR process with Markov-Switching: asymptotic normality
Aix-Marseille University(艾克斯-马赛大学);Escuela de Matemáticas, Facultad de Ciencias, Universidad Central de Venezuela(委内瑞拉中央大学理学院数学系);Departamento de Matemáticas, FACYT, Universidad de Carabobo(卡拉沃博大学FACYT数学系)
本文研究了非参数估计马尔可夫切换NAR过程的回归函数估计器,提出了一种恢复-估计Robbins-Monro算法,并证明了模型可识别性和估计器的一致性,最后给出了模拟研究以展示估计方法的性能。
2026-03-31 stat.ME
Extrapolation Estimation for Parametric Regression with Normal Measurement Error
对于协变量含有正态测量误差的一般参数回归模型,本文提出了一种经典模拟外推算法的加速版本来估计回归函数中的未知参数。通过将条件期望直接应用于目标函数,所提出的算法成功地消除了模拟步骤,通过生成一个估计方程,无论是立即使用或外推,从而显着减少了计算时间。讨论了估计量的大样本性质,包括相合性和渐近正态性。潜在的广泛应用所提出的估计程序的例子,模拟研究,以及一个真实的数据分析。
2021-07-10 stat.ME
Flexible multi-state models for interval-censored data: specification, estimation, and an application to ageing research
连续时间多状态生存模型可用于描述随时间变化的健康相关过程。在生命状态之间的过渡的时间间隔审查的存在下,使用转移概率构建的可能性。可以使用危险的参数或半参数形状指定模型。半参数风险可以使用$P$-样条和惩罚极大似然估计拟合。本文提出了一种方法来估计灵活的多状态模型,允许参数和半参数的危险规格。该估计基于评分算法。该方法说明了从英国老龄化纵向研究的数据。
2017-03-23 stat.ME
Parametric Transformed Fay-Herriot Model for Small Area Estimation
本文考虑参数变换的Fay-Herriot模型,阐明了变换估计相容的条件。证明了对偶幂变换满足条件。基于参数估计量的渐近性质,我们导出了经验最佳线性无偏预报量(EBLUP)预报误差的二阶近似,得到了预报误差的二阶无偏估计量.最后,所提出的程序的性能进行了研究,通过模拟和实证研究。
2014-10-17 stat.ME
Non parametric estimation of joint, Renyi-Stallis entropies and mutual information and asymptotic limits
本文提出了一种估计一对离散随机变量的联合概率质量函数的新方法。利用该估计量构造了一对离散随机变量的联合Shannon Rényi-Tsallis熵和互信息估计.建立了几乎处处相合定理和中心极限定理。我们的理论结果是通过模拟验证。
2020-01-11 stat.ME
Parametric estimation of Hawkes processes based on ordinary least squares
Faculty of Science and Technology, Keio University(庆应义塾大学理工学部);Riken-AIP(理化学研究所人工智能研究中心);Faculty of Business and Commerce, Keio University(庆应义塾大学商学部)
本研究提出基于普通最小二乘法的Hawkes过程参数估计框架,建立估计量的中心极限定理与渐近方差估计量一致性,推导Wald检验统计量的渐近分布,并将其应用于高频金融交易数据,识别出三类异质交易者。
2026-09-04 stat.ME
Non-Parametric Estimation Techniques of Factor Copula Model using Proxies
RMIT University(皇家墨尔本理工大学);The University of Melbourne(墨尔本大学)
针对因子 copula 模型中连接 copula 难以准确估计的问题,本文提出基于核密度估计的非参数方法,证明其在温和条件下的一致性,并通过模拟验证有效性。
2025-10-21 stat.ME
All models are wrong, but which are useful? Comparing parametric and nonparametric estimation of causal effects in finite samples
在统计学、流行病学和计量经济学领域存在一个长期的争论,即使用数据自适应方法的非参数估计,如模型拟合中的机器学习算法,是否比现实世界中的有限样本因果效应估计中的更简单的参数方法具有任何有意义的优势。我们解决这个问题:当试图估计治疗对结果的影响时,在合理数据分布的范围内,选择非参数与~参数估计重要吗?而不是回答这个问题的模拟,反映了几个选定的数据场景,我们提出了一种新的方法来评估性能在成千上万的数据生成机制,从非参数模型与半信息先验。我们称这种方法为通用蒙特卡罗模拟。我们比较了两种参数估计量(使用参数结果模型和治疗加权估计量逆概率的g计算估计量)和两种非参数估计量(贝叶斯加性回归树和在模型拟合中使用机器学习算法集成的基于目标最小损失的估计量)估计平均处理效应的性能。我们总结了估计性能的偏差,置信区间覆盖,和均方误差。我们发现,非参数估计几乎总是优于参数估计,除了在最小样本量N=100下,在偏倚方面具有相似的性能,在覆盖方面具有相似到略差的性能。
2022-12-19 stat.ME
Non-parametric estimation of Expectation and Variance of event count and of incidence rate in a recurrent process -- where intensity of event-occurrence changes with the occurrence of each higher order event
针对事件发生强度随高阶事件发生而变化的复发事件,提出了一种新的方差函数的期望和最大值的非参数估计方法.这类经常发生的事件,经常观察到在临床试验中的心血管事件,也在许多社会实验,涉及吸毒成瘾,持械抢劫等模拟数据被用来证明新的方法来估计的均值和方差的这种经常发生的事件和结果相比,纳尔逊Aalen估计的结果。
2020-12-17 stat.ME
Minimax wavelet estimation for multisample heteroscedastic non-parametric regression
研究了从多采样噪声曲线中估计基线信号的问题。本文考虑了功能性混合效应模型,假设功能性固定效应属于Besov类。这个框架允许我们对可能表现出强烈不规则性的曲线进行建模,例如峰值或跳跃。提供了$L_2$极小极大风险的下限,以及极小极大比率的上限,该上限是通过构建函数固定效应的小波估计量推导出来的。我们的工作构成了多样本非参数回归的第一个理论结果。我们的方法说明了现实的模拟数据集以及实验数据。
2015-11-14 stat.ME
Appropriate use of parametric and nonparametric methods in estimating regression models with various shapes of errors
本文提出了一种实用的回归模型估计方法,它采用半参数有效得分函数,适用于具有各种形状误差的数据。首先,我推导出半参数有效的分数向量的同方差回归模型没有任何假设的错误。接下来,可以根据误差分布的形状假设误差的特定参数分布或者通过非参数地估计误差分布来修改半参数有效得分函数。误差的非参数方法可用于估计感兴趣的参数或找到适当的参数误差分布。在这方面,所提出的估计方法适当地利用参数和非参数方法的误差。通过数值研究,所提出的估计方法的性能进行了论证。
2023-01-20 stat.ME
Non-Parametric Maximum Likelihood Density Estimation and Simulation-Based Minimum Distance Estimators
间接推断估计器(即,基于模拟的最小距离估计)在一个参数模型的基础上,辅助非参数最大似然密度估计被证明是渐近正态的。如果参数模型是正确指定的,它进一步表明,渐近方差-协方差阵等于逆的Fisher信息矩阵。这些结果是基于非参数极大似然密度估计的参数一致收敛速度和参数一致Donsker型定理。
2011-09-20 math.PR math.ST stat.ME
Non-parametric shrinkage mean estimation for quadratic loss functions with unknown covariance matrices
本文在已知二次损失函数和未知协方差阵的情况下,提出了总体均值的收缩估计。新的估计量是非参数的,因为它不假设数据的特定参数分布,也不需要关于总体协方差阵的先验信息。分析结果的改进建议的收缩估计,并得到一些相应的渐近性质。最后,我们通过广泛的模拟研究和实际数据分析证明了所提出的方法比现有方法的实际改进。关键词:高维数据;收缩估计;大$p$小$n$ ; $U$ -统计量。
2014-11-06 stat.ME
Finite state space non parametric Hidden Markov Models are in general identifiable
本文证明了当隐马尔可夫链的转移矩阵满秩且发射概率分布线性无关时,有限状态空间非参数隐马尔可夫模型是可辨识的.然后,我们提出了几个非参数似然估计方法,我们适用于模型中使用的应用程序。最后,我们的例子表明,使用非参数建模和估计可以提高分类性能。
2013-06-19 stat.ME
Bayesian Non-parametric Quantile Process Regression and Estimation of Marginal Quantile Effects
多个条件分位数的灵活估计在许多应用中是令人感兴趣的,例如研究妊娠相关因素对低出生体重和高出生体重的影响。我们提出了一个贝叶斯非参数方法,同时估计非交叉,非线性分位数曲线。我们扩展了响应的条件分布函数在I-样条基函数的协变量依赖系数建模使用神经网络。通过利用样条函数和神经网络的逼近能力,我们的模型可以逼近任何连续的分位数函数。与现有的模型相比,我们的模型估计所有的分位数,而不是一个有限的子集,规模以及高维,估计的不确定性。虽然该模型是任意灵活的,可解释的边际分位数效应估计使用累积局部效应图和变量的重要性措施。仿真研究表明,当数据稀疏时,我们的模型可以更好地恢复响应分布的分位数,并对出生体重数据进行了分析。
2021-08-29 stat.ME
Adaptive pointwise estimation in time-inhomogeneous conditional heteroscedasticity models
本文为金融时间序列波动性的估计和预测提供了一种新的方法。我们的一般局部参数方法特别适用于一般的变系数参数模型,如Gestival,其系数可以随时间任意变化。全局参数模型、平滑过渡模型和变点模型是特例。该方法是基于一个自适应逐点选择的最大区间的均匀性与一个给定的右端点的局部变点分析。我们构建本地自适应估计,可以执行这项任务,并从理论的角度来看,并通过蒙特卡罗模拟调查他们。在特定的情况下,Gestival估计,所提出的方法被应用到股票指数系列,并表现出优于标准的参数Gestival模型。
2009-03-26 stat.ME
Non-parametric estimation of conditional quantiles for time series with heavy tails
提出修正的加权Nadaraya-Watson估计量用于重尾时间序列条件分位数,建立渐近正态性,并通过模拟和实际数据验证性能。
2024-07-22 math.ST stat.ME stat.TH
Simultaneous semi-parametric estimation of clustering and regression
研究了具有固定组效应的回归模型的参数估计,当组变量缺失而组相关变量可用时。这个问题涉及聚类以基于组相关变量推断缺失的组变量,以及回归以在给定组和最终附加变量的目标变量上构建模型。因此,这个问题可以用公式表示为目标和组相关变量的联合分布建模。该联合模型的常用参数估计策略是两步方法,首先学习组变量(聚类步骤),然后插入其估计量以拟合回归模型(回归步骤)。然而,这种方法是次优的(特别是提供有偏的回归估计),因为它没有利用目标变量进行聚类。因此,我们要求同时估计方法的聚类和回归,在半参数框架。数值实验说明了我们的主张,考虑广泛的分布和回归模型的好处。我们的新方法的相关性说明了处理与高血压预防相关的问题的真实数据。
2020-12-28 stat.ME
The Trimmed Mean in Non-parametric Regression Function Estimation
本文研究了Nadaraya-Watson估计量的一种修正形式,用于估计未知非参数回归函数。通过极小化问题建立了估计量的特征,并导出了其逐点渐近分布。通过故障点研究了该估计器的鲁棒性。此外,随着广泛的模拟研究的渐近效率的研究表明,这种估计在各种情况下表现良好。三个基准的实际数据,以及估计的实用性。
2019-09-26 math.ST stat.ME stat.TH
Dynamic likelihood hazard rate estimation
University of Oslo(奥斯陆大学);University of Oxford(牛津大学)
本文提出一种动态局部似然方法,结合参数化和非参数化特性,改进危险率估计,提升生存分析模型的性能。
2026-02-19 stat.ME
Novel Semi-parametric Tobit Additive Regression Models
回归方法被广泛用于探索因变量和自变量之间的关系。在实践中,经常存在删失和缺失数据等数据问题。当响应变量被(固定)删失时,Tobit回归模型已被广泛用于探索响应变量和协变量之间的关系。本文将传统的参数Tobit模型扩展为一种新的半参数回归模型,将Tobit模型中的线性成分替换为非参数加性成分,称之为Tobit加性模型,并提出了一种基于似然的Tobit加性模型的估计方法.该估计方法计算效率高,易于实现。数值实验进行了评估有限样本性能。在有限样本试验中,即使在样本量相对较小的情况下,该估计方法也能很好地工作。
2021-07-03 stat.ME
Semiparametric estimation of spectral density function for irregular spatial data
空间过程协方差结构的估计在空间统计学中具有重要意义。在文献中,几个非参数和半参数的方法已经发展到估计的协方差结构的基础上的频谱表示的协方差函数。然而,他们要么忽略了频谱密度的高频特性,这是必不可少的,以确定性能的插值程序,如克里格,或缺乏理论依据。提出了一种新的半参数方法来估计各向同性空间过程的谱密度。在低频率的谱密度函数估计使用平滑样条,而在高频率的谱密度的参数模型,和参数估计的方法的时刻的方法的基础上的经验变异函数在小滞后。我们推导出所提出的估计的偏差和方差的渐近界。仿真研究表明,我们的方法优于现有的非参数估计的几个性能标准。
2015-08-27 stat.ME
Combining parametric, semi-parametric, and non-parametric survival models with stacked survival models
对于估计条件生存函数,非参数估计可以首选参数和半参数估计,由于宽松的假设,使稳健估计。然而,即使在错误指定的情况下,参数和半参数估计量在小样本量下也可以具有更好的操作特性,这是因为与非参数估计量相比,参数和半参数估计量的方差更小。从根本上说,这是一种偏倚-方差权衡的情况,因为样本量不够大,无法利用非参数估计的低偏倚。堆叠生存模型通过最小化预测误差来估计模型的最佳加权组合,该组合可以跨越参数、半参数和非参数模型。一项广泛的模拟研究表明,堆叠生存模型通过自适应地平衡各个候选生存模型的优势和劣势,在各种场景中始终表现良好。此外,堆叠生存模型的表现与通过交叉验证选择的模型一样好,甚至更好。最后,堆叠的生存模型应用于一个著名的德国乳腺癌研究。
2014-12-20 stat.ME
Adaptive Non-parametric Estimation of Mean and Autocovariance in Regression with Dependent Errors
考虑了可分解为光滑均值函数和平稳自相关噪声过程的高斯过程,提出了一种同时估计这类过程均值和自协方差函数的全自动非参数方法。我们的经验贝叶斯方法是数据驱动的,数值效率高,并允许构建均值函数的置信集。性能在模拟和实际数据分析中得到证明。该方法在本文附带的R包eBsc中实现。
2021-08-18 math.ST stat.AP stat.ME
Non-parametric estimation of mixed discrete choice models
在本文中,不同股的文献相结合,以获得半参数估计的离散选择模型,包括未观察到的异质性建模的算法,通过使用混合分布的参数定义的偏好。这些模型使用针对一般混合模型开发的非参数极大似然估计(NP-MLE)理论。在NP-MLE文献中使用的期望最大化(EM)技术与使用自适应网格技术选择适当的近似模型的策略相结合。\\这共同导致技术规格和估计,可用于获得一个一致的规格的混合分布。此外,还开发了用于估计的算法,这有助于减少由于维数灾难而引起的问题。\\在小规模模拟研究中证明,所提出的算法对于离散选择背景下混合模型的规范和估计非常有用,提供了有关混合分布规范的一些信息。模拟证明了混合分布的某些方面,如期望值,可以可靠地估计。然而,它们也表明,通常对混合分布的不同近似会导致相似的可能性值,因此很难区分。因此,似乎不可能可靠地推断出估计的混合分布的最适当的参数形式。
2022-12-09 math.ST stat.ME stat.TH
A Bayesian semi-parametric model for small area estimation
在公共卫生管理方面,有必要编制国家以下各级的卫生成果估计数。然而,往往没有资金来收集足够大的样本,以便为每个国家以下一级地区编制传统的调查样本估计数。虽然参数分层方法已成功地用于从小样本中获得估计值,但人们担心美国人口的地理多样性可能在这些模型中被过度简化。在本文中,一个半参数模型被用来描述模型的地理变异组件。具体来说,我们假设Dirichlet过程的混合物的法线特定于县的随机效应。结果进行比较的基础上的狄利克雷过程的基本措施的参数模型,使用二进制的健康结果相关的乳房X光检查的使用。
2008-05-21 stat.AP stat.ME
Fast and Robust Parametric Estimation for Time Series and Spatial Models
我们提出了一个新的框架,用于二阶平稳时间序列和随机场的稳健估计和推断。该框架基于广义小波矩方法,利用小波方差实现复杂模型的参数估计。使用小波方差的M-估计器,该方法可以是鲁棒的,因此当数据遭受离群值或不同形式的污染时,允许估计宽范围的时间序列和空间模型的参数。本文提出了一系列的模拟研究,以及一系列的应用,这种新的方法可以被认为是一种计算效率高,数值稳定和强大的方法,执行至少以及现有的方法在边界上的离群值的影响估计过程。
2016-07-20 stat.AP stat.ME
Second order statistics characterization of Hawkes processes and non-parametric estimation
证明了多变量Hawkes过程的跳相关矩阵通过一个Wiener-Hopf积分方程组与Hawkes核矩阵相联系。一个维纳-霍普夫参数允许一个证明,这个系统(其中的核心矩阵是未知的)拥有一个唯一的因果解,因此,二阶属性完全表征霍克斯过程。该积分方程系统的数值反演使我们能够提出一种快速有效的方法,其主要原理最初在[Bacry和Muzy,2013]中概述,以执行Hawkes核矩阵的非参数估计。在本文中,我们进行了系统的研究,这种非参数估计过程的一般框架标记霍克斯过程。我们一步一步地精确描述了这个过程。我们讨论的估计误差,并解释如何选择的主要参数的值。给出了各种数值例子,以说明广泛的可能性,这种估计过程范围从1维(幂律或非正内核)到3维(循环依赖)的过程。与其他非参数估计方法进行了比较。最后考虑应用于金融市场中的高频交易事件和地震发生动态。
2015-02-13 math.ST physics.geo-ph q-fin.ST
Functional and Parametric Estimation in a Semi- and Nonparametric Model with Application to Mass-Spectrometry Data
出于建模和分析的质谱数据,半和非参数模型,提出了由一个线性参数组件的个人位置和规模和一个非参数回归函数的共同形状。一个多步骤的方法,同时估计的参数分量和非参数函数。在一定的正则条件下,证明了所得到的估计对于参数部分是相合的和渐近正态的,对于非参数部分,当适当地选择带宽时,得到了最优的收敛速度.仿真结果证明了该方法的有效性和有限样本性能。该方法也适用于SELDI-TOF质谱数据集从肝癌患者的研究。
2013-05-07 math.ST stat.AP stat.ME
Some improvement on non-parametric estimation of income distribution and poverty index
本文提出了Foster,Greer和Thorbecke测度类$\displaystyle P(z,α) = \int_0^{z}\Big(\frac{z-x}{z}\Big)^αf(x)\, dx$的一个估计,其中$z>0$是贫困线,$f$是收入分布的概率密度函数,$α$是所谓的贫困厌恶.该估计器是用一个有偏约化核估计器构造的。建立了一致几乎必然相合性和一致均方相合性。仿真研究表明,我们的新估计性能良好。
2019-09-17 math.ST stat.ME stat.TH
A Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches
本文面向统计实践者系统介绍因果效应的贝叶斯估计,涵盖参数先验收缩、稀疏性、概率敏感性分析及非参数贝叶斯方法,并提供点处理、时变处理与开源代码示例。
2020-08-21 stat.ME stat.ML
Robust and Efficient Estimation in the Parametric Cox Regression Model under Random Censoring
Cox比例风险回归模型是分析截尾寿命变量与其他相关因素之间关系的常用工具。半参数Cox模型被广泛用于研究来自医学、生物学、可靠性研究等应用学科的不同类型的数据。如果适当指定,Cox回归模型的全参数版本可以产生更有效的参数估计,从而产生更好的洞察力。然而,现有的极大似然方法产生的推断下的全参数Cox回归模型是非常不稳健的数据污染,限制了它的实际应用。本文基于最小密度幂散度方法,给出了参数Cox回归模型的一种稳健估计方法。建议的最小密度功率发散估计被认为是产生高度稳健的估计数据污染下,只有轻微的损失,纯数据下的效率。此外,它们总是被认为比半参数Cox模型或其现有稳健版本下的基于似然的估计产生更精确的推断。我们还勾画了推导的渐近性质的估计,使用鞅的方法,并证明其鲁棒性理论上通过影响函数分析。通过仿真和一个实际数据例子说明了该建议的实用性和有效性。
2018-10-06 math.ST stat.ME stat.TH
Pseudo-variance quasi-maximum likelihood estimation of semi-parametric time series models
本文提出基于高斯拟似然和参数化伪方差的半参数时间序列估计方法,推导其渐近性质与限制检验,证明其不受伪方差误设影响且效率更高,并通过模拟和实证验证其有效性。
2025-07-18 math.ST stat.ME stat.TH
Non-parametric cure rate estimation under insufficient follow-up using extremes
生存分析中的一个重要研究主题与治愈率的建模和估计有关,即永远不会发生感兴趣事件的受试者比例。然而,大多数估计方法提出的文献中没有处理的情况下,不充分的后续行动,也就是说,当正确的终点支持的删失时间严格小于生存时间的易感受试者,因此这些估计高估了治愈率在这种情况下。我们填补了这一空白,提出了一个新的估计的治愈率,利用外推技术,从该地区的极值理论。我们建立的估计量的渐近正态性,并显示如何估计工程的小样本通过模拟研究。我们还通过对乳腺癌患者生存数据的分析来说明其实际适用性。
2018-04-04 math.ST stat.ME stat.TH