Statistical inference for partially shape-constrained function-on-scalar linear regression models
本文针对部分形状约束的函数型标量线性回归模型，提出基于核与样条方法的复合假设检验框架，通过度量约束与无约束拟合的 $L^2$ 距离进行推断，并从理论和数值上验证了检验的一致性与实用性。
2025-05-08 stat.ME
Statistical Inference from Partially Nominated Sets: An Application to Estimating the Prevalence of Osteoporosis
本文主要讨论基于最大或最小提名抽样（NS）设计的一种新变体的统计推断。这些抽样设计对于使用可用的辅助排序信息从总体分布的尾部获得更具代表性的样本单元是有用的。然而，在实践中执行NS的一个常见的困难是，研究人员不能获得一个提名的样本，除非他/她唯一地确定每个集合中的最高或最低排名的样本单元。为了克服这个问题，NS的一个变种，这是所谓的部分提名抽样的建议，其中研究人员被允许宣布，两个或两个以上的单位是并列的行列中，每当他/她不能找到高置信度的最高或最低的高置信度的样本单位。基于这种抽样设计，利用极大似然和矩方法，得到了累积分布函数的两个渐近无偏估计量，并证明了它们的渐近正态性.一些数值研究表明，开发的估计有更高的相对效率比他们的对应物在简单随机抽样在分析上或下尾的父分布。我们开发的程序，然后实施从第三次全国健康和营养检查调查（NHANES III）的真实数据集，以估计50岁及以上的成年女性骨质疏松症的患病率。它表明，在某些情况下，我们已经开发的技术，只需要三分之一的样本量需要在SRS中，以达到所需的精度。与标准SRS方法相比，这导致时间和成本的显著减少。
2021-05-30 stat.ME
Semiparametric logistic regression for inference on relative vaccine efficacy in case-only studies with informative missingness
本文提出半参数逻辑回归方法，在仅病例研究中处理病毒株类型信息性缺失，利用目标最大似然估计和机器学习推断亚组特异性相对疫苗效力，并应用于ENSEMBLE COVID-19试验。
2025-03-11 stat.ME
Subvector Inference in Partially Identified Models with Many Moment Inequalities
本文研究了具有多个矩不等式的部分可辨识模型中参数向量的函数的推断问题。该框架允许矩条件的数量随着样本量的增加而增加，可能以指数速率增加。我们的主要激励应用是子向量推理，即，对与治疗效果或感兴趣的政策变量相关联的部分识别的参数向量的单个分量的推断。我们的推理方法比较了MinMax检验统计量（最小的参数满足$H_0$和最大的矩不等式）对临界值，是基于自举近似或分析界限。我们发现，这种方法控制渐近大小均匀的一个大类的数据生成过程，尽管部分确定的许多时刻不等式设置。有限样本分析使我们能够获得明确的收敛速度的大小控制。我们的结果是基于结合非渐近近似和新的高维中心极限定理的随机矩阵的组件的MinMax。与以前的文献中的功能推断部分确定的模型，我们的结果不依赖于弱收敛结果的基础上Donsker的类假设，事实上，我们的检验统计量甚至可能不会收敛于分布。我们的自举近似需要选择一个调整参数序列，可以避免我们的检验统计量的过度集中。为此，我们提出了一个渐进有效的数据驱动的方法来选择这个调谐参数序列。该方法将调谐参数序列的选择推广到Donsker类假设之外的问题，并且也可能具有独立的兴趣。我们的程序基于自归一化的中等偏差界相对更保守，但更容易实现。
2018-06-29 econ.EM math.ST stat.TH
Inference in Partially Linear Models under Dependent Data with Deep Neural Networks
本文针对相依数据下的部分线性模型，提出基于深度神经网络估计冗余分量的推断方法，证明有限维参数估计量的√n相合性与渐近正态性，避免样本拆分以解决机器学习应用于相依数据计量模型的关键挑战，并计划拓展至更一般的半参数推断场景。
2024-10-29 econ.EM stat.ML
Statistical inference in partially observed branching processes with application to cell lineage tracking of in vivo hematopoiesis
最近的实验技术使单细胞谱系跟踪策略产生了显着的见解细胞命运的决定，但缺乏必要的定量框架，严格的统计分析的机制模型描述细胞分裂和分化。在本文中，我们开发了这样一个框架与相应的基于矩的参数估计技术的连续时间，多类型的分支过程。这样的过程提供了一个细胞如何分裂和分化的概率模型，我们应用我们的方法来研究造血，血细胞产生的机制。我们推导出封闭形式的表达式，在一般类这样的模型的高阶矩。这些分析结果使我们能够有效地估计参数更丰富的统计模型的造血比那些在以前的统计研究。在模拟研究中验证的方法，我们将我们的估计恒河猴造血谱系跟踪数据。我们的分析提供了一个更完整的理解细胞命运的决定在造血过程中在非人灵长类动物，这可能是更相关的人类生物学和临床策略比以前的研究结果从小鼠。例如，除了先前估计的造血干细胞自我更新率之外，我们还能够估计命运决策概率，并使用交叉验证比较造血的结构不同模型。这些对命运决定概率的估计和我们的模型选择结果应该有助于生物学家比较关于祖细胞如何分化的相互竞争的假设。该方法可转移到一个大类的随机房室模型和多类型的分支模型，通常用于癌症进展，流行病学和许多其他领域的研究。
2018-09-13 stat.ME
Inference in a class of optimization problems: Confidence regions and finite sample bounds on errors in coverage probabilities
本文介绍了三种方法进行非渐近推断的部分识别参数的解决方案，一类最优化问题。其中出现的优化问题的应用包括形状限制下的估计，离散游戏模型的估计，以及基于分组数据的估计。部分识别的参数的特点是，除了结构参数的限制，涉及未知的人口手段观察到的随机变量。推断包括寻找结构参数函数的置信区间。我们的理论提供了有限样本下界的覆盖概率的置信区间下三组假设的强度增加。在大多数经济学应用中，样本量适中，随着假设的加强，界限变得更紧。我们讨论的人口参数的估计，界限取决于和对比我们的方法与其他方法获得置信区间部分确定的参数。蒙特卡罗实验结果和经验例子说明了我们的方法的实用性。
2022-12-01 econ.EM stat.ME
Parameter inference for partially observed branching processes
Gran Sasso Science Institute（格兰萨索科学研究所）；Leiden University（莱顿大学）；University of Amsterdam（阿姆斯特丹大学）
研究年龄依赖分支过程，目标是仅依据种群总数观测估计模型参数，核心方法是引入矩估计法并建立渐近正态性，主要贡献是实现参数推断并讨论了模型扩展。
2026-07-10 math.PR math.ST stat.TH
Inference via Message Passing on Partially Labeled Stochastic Block Models
本文研究了部分标记随机块模型（SBM）中的社区发现与恢复问题。我们开发了一个快速的线性化的消息传递算法来重建标签SBM（$n$节点，$k$块，$p,q$内部和块间的连接）时，$δ$比例的节点标签被揭示。示出的信号-噪声比${\sf SNR}(n,k,p,q,δ)$的基本限制的推理通过本地算法的特征。一方面，当${\sf SNR}>1$时，线性化的消息传递算法提供了错误分类率最多为$\exp(-({\sf SNR}-1)/2)$的统计推断保证，从而在强一致性和弱一致性之间平滑地插值。这种指数依赖性改善了弱恢复文献中已知的错误率$({\sf SNR}-1)^{-1}$。另一方面，当${\sf SNR}<1$（为$k=2$）和${\sf SNR}<1/4$（为一般增长$k$），我们证明了本地算法遭受的错误率至少$\frac{1}{2} - \sqrt{δ\cdot {\sf SNR}}$，这只是略好于随机猜测小$δ$。
2016-03-22 math.ST stat.ML stat.TH
Statistical inference for semiparametric varying-coefficient partially linear models with error-prone linear covariates
研究了当某些线性协变量不可观测，但辅助变量可用时的半参数变系数部分线性模型。在对易出错的协变量进行校正后，提出了参数和非参数分量的半参数轮廓最小二乘估计方法。建立了估计量的渐近性质。我们还提出了基于剖面最小二乘的比率检验和Wald检验来识别显著的参数和非参数成分。为了提高小样本或中等样本量的建议测试的准确性，野生自助版本也提出了计算的临界值。密集的仿真实验进行说明所提出的方法。
2009-03-03 math.ST stat.TH
Statistical inference of partially linear time-varying coefficients spatial autoregressive panel data model
本文研究含固定效应与时变系数的部分线性空间自回归面板数据模型，提出2SLS-PLLDV方法估计系数并推导渐近性质，构建基于残差的拟合优度检验与自助法获取p值，模拟与实证均验证了方法的有效性。
2024-10-14 math.ST stat.TH
FLEXI-Haz: Semiparametric Deep Survival Inference Beyond Proportional Hazards
Department of Statistics and Operations Research（统计与运筹学系）；Tel Aviv University（特拉维夫大学）
本文提出一种灵活的深度神经网络框架，用于部分线性回归结构下的生存数据建模，通过参数线性部分保持可解释性，非参数DNN部分捕捉复杂的时间-协变量交互，提出FLEXI-Haz模型，无需假设比例风险假设，并提供理论保证和生存函数的推断方法。
2026-10-21 cs.LG stat.ML
On Unbiased Score Estimation for Partially Observed Diffusions
考虑了一类部分可测扩散过程的统计推断问题，该过程具有离散可测数据和有限维参数。我们构造了得分函数的无偏估计量，即对数似然函数关于参数的梯度，没有时间离散化偏差。这些估计器可以直接用于随机梯度方法中，以执行极大似然估计或贝叶斯推断。由于我们提出的方法只需要访问一个时间离散化方案，如Euler-Maruyama方法，它适用于广泛的一类扩散过程和观测模型。我们的方法基于使用Girsanov定理将得分表示为平滑期望，以及Mcleish [2011]，Rhee和Glynn [2015]，Jacob等人[2020 a]中开发的随机化方案的新适应。这允许在使用Andrieu等人[2010]的条件粒子滤波器计算平滑期望时消除时间离散化偏差和老化偏差。我们的方法的核心是多个条件粒子滤波器的新的耦合的发展。我们证明在假设下，我们的估计是无偏的，有有限的方差。该方法说明了人口生态学和神经科学的几个具有挑战性的应用。
2021-05-11 stat.CO stat.ME
Average Marginal Effects in One-Step Partially Linear Instrumental Regressions
CREST, CNRS, Ecole polytechnique, Groupe ENSAE-ENSAI, ENSAE Paris, Institut Polytechnique de Paris（CREST, 法国国家科学研究中心, 巴黎综合理工学院, ENSAE-ENSAI小组, 巴黎高等统计与行政学院, 巴黎理工学院）；University of Exeter and CREST（埃克塞特大学和 CREST）
本文提出了一种基于再生核希尔伯特空间的方法，用于估计和检验部分线性工具回归中的平均边际效应，通过单一正则化参数实现一致性与渐近正态性，并利用贝叶斯抽样法进行推断。
2026-04-13 econ.EM math.ST stat.TH
A Complete-Data Likelihood for Epidemic Processes on Partially Observed Dynamic Networks
Department of Engineering, University of Staffordshire（斯塔福德郡大学工程学院）
研究部分观测动态网络上传染病传播推断难题，提出统一完整数据似然性框架，耦合SEIR过程与动态网络及观测模型，推导完整数据似然性，为推断提供基础，揭示模型关系并助力复杂传播过程分析。
2026-07-17 math.ST stat.ME stat.TH
Inference in partially identified moment models via regularized optimal transport
Center for Economic and Social Research, University of Southern California（南加州大学社会经济研究中心）；Department of Economics, University of Pittsburgh（匹兹堡大学经济学系）
提出基于正则化最优传输的部分识别GMM模型推断方法，用熵正则化近似支撑函数并利用Sinkhorn算法高效计算，建立熵正则化OT的CLT，通过bootstrap获得有效临界值，在蒙特卡洛模拟和幸福度面板logit模型中验证性能。
2026-06-08 econ.EM math.ST stat.TH
Statistical inference for a partially observed interacting system of Hawkes processes
我们观察$K$子样本的$N$个人的行动，直到一些大的$K<N$的时间$t$。我们用i.i.d.来模拟个体之间的关系。Bernoulli（$p$）-随机变量，其中$p\in (0,1]$是未知参数。每个人的行动速率取决于某个未知参数$μ> 0$和影响他的个人行动年龄的某个函数$ϕ$的总和。函数$ϕ$是未知的，但我们假设它迅速衰减。本文的目的是将参数$p$渐近估计为$N\to \infty$、$K\to \infty$和$t\to \infty$。令$m_t$为每个人在$t$时间内的平均动作数。在次临界的情况下，$m_t$线性增加，我们建立了一个估计的$p$的收敛速度$\frac{1}{\sqrt{K}}+\frac{N}{m_t\sqrt{K}}+\frac{N}{K\sqrt{m_t}}$。在超临界的情况下，$m_{t}$呈指数快速增长，我们建立了一个估计的$p$的收敛速度$\frac{1}{\sqrt{K}}+\frac{N}{m_{t}\sqrt{K}}$。
2020-04-14 math.PR math.ST stat.TH
Neural Networks for Partially Linear Quantile Regression
深度学习在各种应用中取得了巨大的成功，但它在分位数回归中的应用仍然很少。深度学习方法的一个主要优势是它可以以比非参数平滑方法更简洁的方式灵活地对复杂数据进行建模。然而，尽管深度学习在预测方面带来了突破，但由于具有数百万参数的多层结构的黑箱性质，它往往缺乏可解释性，因此它不太适合统计推断。在本文中，我们利用深度学习的优势将其应用于分位数回归，目标是产生可解释的结果并执行统计推断。我们通过采用基于部分线性分位数回归模型的半参数方法来实现这一点，其中统计推断的主要兴趣协变量线性建模，所有其他协变量通过深度神经网络非参数建模。除了新的方法，我们提供了理论证明所提出的模型，建立根$n$一致性和渐近正态性的参数系数估计和极小极大最优收敛速度的神经非参数函数估计。在几个模拟和真实数据的例子中，我们提出的模型根据经验产生了优于各种替代方法的估计和更准确的预测。
2021-06-11 math.ST stat.TH
Inference for a Class of Partially Observed Point Process Models
本文提出了一个基于模拟的框架，从部分和离散观察点过程（PP）模型的静态参数的顺序推断。以贝叶斯的角度来看，静态参数，我们建立在序贯蒙特卡罗（SMC）方法，调查的问题，执行顺序滤波和平滑复杂的例子，目前的方法往往失败。我们考虑各种方法近似后验分布使用SMC。我们的方法，与一些理论上的讨论，说明了一个双随机点过程的背景下，金融。
2012-01-22 stat.ME
Robust Inference for Partially Observed Functional Response Data
在不同范围内观察到密集采样曲线的不规则函数数据对建模和推理构成了挑战，并且对离群曲线的敏感性是应用中的一个问题。受定量超声信号分析应用的启发，本文研究了一类部分观测功能数据的稳健M-估计，包括功能位置和分位数估计。在一般条件下，证明了部分观测过程估计量的相合性。在M-估计类的光滑性条件下，建立了渐近高斯过程逼近，并用于大样本推断。大样本近似证明了一个强大的功能反应过程的推断自举近似。在模拟和定量超声分析的不规则功能数据的分析中证明了性能。
2021-05-13 stat.ME
What is the Causal Effect of a Conversation? Estimands and Inference in AI Mediated Conversations
Duke University（杜克大学）
研究人工智能介导对话的因果效应，提出潜在结果框架，区分多种因果对象，明确对应估计量与识别假设，为对话实验的设计等提供通用语言。
2026-07-07 stat.ME
Sensitivity Analysis for Inference with Partially Identifiable Covariance Matrices
在某些具有缺失数据的多变量问题中，存在从未一起观察到的变量对。例如，一些现代生物工具可以产生这种形式的数据。这种结构的结果是，协方差阵仅部分可识别，并且点估计要求做出识别假设。这些假设可能会在推断中引入未知且可能较大的偏倚。本文提出了一种基于半定规划的方法，通过计算协方差阵的凸函数的可能的等似然推断值的范围来自动量化这种潜在的偏差。我们专注于通过条件期望缺失值插补的偏差，并表明我们的方法可以给出一个准确的评估的真实误差的情况下，基于抽样不确定性的估计是过于乐观。
2013-08-10 stat.ME
Partially Bayes p-values for large scale inference
该研究提出部分贝叶斯p值用于大规模推断，通过非参数先验建模干扰参数，提高校准和功效。
2025-12-09 stat.ME
Bayesian Inference and Partial Identification in Multi-Treatment Causal Inference with Unobserved Confounding
在因果估计问题中，感兴趣的参数通常只能部分识别，这意味着即使有无限的数据，参数也不能被精确地恢复。在这里，我们研究贝叶斯推断的部分确定的处理效应在多治疗因果推断问题与未观察到的混杂。原则上，推断部分识别的处理效应在贝叶斯范式下是自然的，但结果可能对参数化和先前规范高度敏感，通常以令人惊讶的方式。因此，理解关于处理效应的结论的哪些方面完全由先前的规范驱动是至关重要的。我们使用了一个所谓的透明参数化的影响，更可解释的科学动机的多重效果的先验规范。我们证明了我们的分析在一个例子中量化基因表达水平对小鼠肥胖的影响。
2022-04-23 stat.ME
Sparse inference of the human hematopoietic system from heterogeneous and partially observed genomic data
造血是血细胞形成的过程，通过该过程，祖细胞干细胞分化成成熟形式，如白细胞和红细胞或成熟血小板。虽然成熟形式的前体共享许多涉及共同细胞核因子的调控途径，但特定的调控网络将其命运塑造为一个谱系或另一个谱系。在这项研究中，我们的目的是分析复杂的调控网络，驱动成熟的红细胞和血小板从他们的共同前体的形成。为此，我们开发了一个专用的图形模型，我们从最新的RT-qPCR基因组数据推断。该模型还考虑了外部基因组数据的影响。计算高效的期望最大化算法允许从高维且通常仅部分观察到的RT-qPCR数据进行正则化网络推断。交替方向乘法算法的仔细组合允许实现个体谱系网络中的稀疏性和这些网络之间的高共享，以及检测膜结合受体与核因子之间的关联。该方法将在R软件包cglasso中实现，并可用于从高维，异构和部分观测数据进行网络推理的类似应用。
2022-06-20 stat.ME
Statistical Inference for Partially Observed Markov Processes via the R Package pomp
部分观测马尔可夫过程（POMP）模型，也称为隐马尔可夫模型或状态空间模型，是时间序列分析的普遍工具。R包POMP为使用非线性、非高斯POMP模型的蒙特卡罗统计调查提供了一个非常灵活的框架。POMP模型的一系列现代统计方法已经在这个框架中实现，包括序贯蒙特卡罗，迭代滤波，粒子马尔可夫链蒙特卡罗，近似贝叶斯计算，最大合成似然估计，非线性预测和轨迹匹配。在本文中，我们展示了这些方法的应用程序，使用一些简单的玩具问题。我们还说明了更复杂的POMP模型的规格，使用非线性流行病学模型与离散人口，季节性，和额外的人口统计随机性。我们将讨论用户定义模型的规范和在pomp提供的编程环境中开发附加方法。
2015-10-21 stat.ME
Inference for partially observed Riemannian Ornstein-Uhlenbeck diffusions of covariance matrices
在具有对数欧几里德和仿射不变度量的协方差阵锥上构造了Ornstein-Uhlenbeck过程的推广.我们的发展利用黎曼几何结构的对称正定矩阵视为一个微分流形。然后，我们提供了离散观测的扩散过程的协方差阵的基础上的MCMC算法的帮助下，一个新的扩散桥采样占的几何结构的贝叶斯推断。我们所提出的算法说明了一个真实的数据金融应用程序。
2022-11-16 stat.CO stat.ME
Bayesian Inference for partially observed SDEs Driven by Fractional Brownian Motion
我们考虑分数布朗运动驱动的连续时间扩散模型。假设观测值在给定潜在路径的情况下具有非平凡的似然性，由于潜在路径的非马尔可夫性和高维性，估计后验期望是一项具有挑战性的计算任务。我们提出了一个重新参数化框架的基础上的戴维斯和哈特方法采样平稳高斯过程，并使用这个框架来构建一个马尔可夫链蒙特卡罗算法，允许计算效率高的贝叶斯推断。马尔可夫链蒙特卡罗算法基于混合蒙特卡罗的一个版本，当应用于在这种情况下产生的高维潜变量时，该版本提供了更高的效率。我们指定了随机波动率模型的方法，允许通过分数规范来记忆波动率增量。模拟数据和S & P500/VIX时间序列的方法进行说明，并被证明是有效的。与文献中通常假设的此类模型的长程依赖性属性相反，Hurst参数大于1/2，后验分布有利于小于1/2的值，指向中程依赖性。
2015-03-24 stat.ME
Unbiased Parameter Inference for a Class of Partially Observed Levy-Process Models
研究部分可观测Levy过程模型的静态贝叶斯推断问题。我们开发了一种方法，它允许一个推断静态参数和一些状态的过程中，没有从上述Levy过程的时间离散化的偏见。无偏的方法是非常适合并行实现，可以计算效率相对于竞争的方法。我们实现的方法对标准普尔500指数日志返回每日数据，并比较它与一些马尔可夫链蒙特卡罗（MCMC）算法。
2022-03-31 cs.NA math.NA stat.CO
Inference in partially identified models with many moment inequalities using Lasso
本文考虑了具有多个矩不等式的部分可辨识的矩（不）相等模型中的推理。我们提出了一种新的两步推理过程，该过程结合了由Kazzhukov，Chetverikov和Kato（2018 a）（CCK18，下文）提出的方法，并基于Lasso的第一步矩不等式选择。我们的方法控制渐近大小均匀，无论是在底层参数和数据分布。此外，无论是在理论上还是在模拟中，我们的方法的功率与CCK 18中相应的两步法在参数空间的大部分相比都是有利的。最后，我们表明，我们的拉索为基础的第一步可以实现阈值标准化样本平均值，所以它是直接实现。
2019-06-29 math.ST stat.ME stat.TH
Likelihood-based inference for partially observed stochastic epidemics with individual heterogeneity
我们建立了一个动态网络上的随机流行病模型，其中感染率是异质的，并且可能随个体水平的协变量而变化。联合动力学建模为一个连续时间的马尔可夫链，使疾病的传播受到约束的接触网络结构，网络的演变反过来又受到个人的疾病状态。为了适应部分流行病观察常见于现实世界中的数据，我们提出了一种基于随机期望最大化算法的似然推理方法，引入关键的创新，包括有效的条件采样器，用于估算丢失的感染和恢复时间，尊重动态接触网络。在合成数据集和真实数据集上的实验表明，我们的推理方法可以准确有效地恢复模型参数，并在流行病数据中存在未观察到的疾病事件时提供有价值的见解。
2021-12-15 stat.AP stat.ME
Quantifying Inconsistent Mediation: The Mediated Magnitude Share and the Degree of Suppression
University of Texas at El Paso（德克萨斯大学埃尔帕索分校）；Independent Researcher（独立研究者）
针对不一致中介效应下PM指标失效的问题，提出MMS与抑制程度两个互补度量，量化间接通路绝对量级及其被抵消比例，并扩展至多条通路及二元结果场景。
2026-11-06 stat.ME
Nonparametric Bayesian Inference for Partially Identified Discrete Response Models
Harvard University（哈佛大学）；Duke University（杜克大学）
本文提出部分识别离散响应模型的非参数贝叶斯推断框架，其后验相合且计算简便，可扩展至多类响应场景。
2026-08-27 econ.EM stat.ME
Sparse Partially Collapsed MCMC for Parallel Inference in Topic Models
主题模型，更具体地说是潜在狄利克雷分配（LDA）类，广泛用于文本的概率建模。从后验分布进行MCMC采样通常使用塌陷吉布斯采样器来执行。我们提出了一个并行稀疏部分折叠吉布斯采样器，并比较其速度和效率，以国家的最先进的采样器的主题模型上五个著名的文本语料库的不同大小和属性。特别是，我们提出并比较了两种不同的策略，用于对具有潜在主题指标的参数块进行采样。实验表明，统计效率的增加，从只有部分折叠是小于通常假设的，可以超过补偿的加速从并行化和稀疏较大的语料库。我们还证明了部分塌陷的采样器的规模以及与语料库的大小。该算法具有快速、高效、准确的特点，比普通的塌陷采样器适用于更多的建模场合。
2017-08-15 stat.ME stat.ML
Gaussian approximations for fast Bayesian inference of partially observed branching processes with applications to epidemiology
School of Computer and Mathematical Sciences, The University of Adelaide（阿德莱德大学计算机与数学科学学院）
本文提出基于高斯近似的快速贝叶斯推断方法，用于部分观测分支过程，应用于流行病学模型和新冠数据集，实现高效推断和计算加速。
2025-11-28 math.PR stat.ME
Robust inference on population indirect causal effects: the generalized front-door criterion
关于直接和间接效应的标准推断方法需要严格的无未测量混杂假设，这些假设在实践中往往不成立，特别是在观察性研究中。本文的目的是介绍一种新形式的间接效应，人口干预间接效应（PIIE），它可以在暴露和结果的不可测量的共同原因的存在下，非参数识别。这种新型的间接效应捕捉了在干预措施下，暴露的影响在多大程度上是由中间变量介导的，干预措施将直接影响结果的暴露成分保持在其观察值。PIIE实际上是Hubbard和Van der Laan（2008）引入的人口干预效应的间接组成部分。有趣的是，我们的识别标准概括了朱迪亚珍珠的前门标准，因为它不需要没有直接影响的曝光不介导的中间变量。对于推理，我们开发了参数和半参数的方法，包括一种新的双鲁棒半参数局部有效估计，在模拟研究中表现非常好。最后，所提出的方法被用来衡量在坦桑尼亚的孕产妇健康计划中注册的妇女之间的货币储蓄建议的有效性。
2019-09-23 stat.ME
Likelihood-based Inference for Partially Observed Epidemics on Dynamic Networks
我们提出了一个生成模型和推理方案的流行病过程的动态，自适应接触网络。将网络演化描述为一个链路马尔可夫过程，并将其耦合到一个个体水平的随机SIR模型中，以描述网络上的流行病动态与网络链路变化之间的相互作用.提出了一种马尔可夫链蒙特卡罗框架，用于从部分流行病观测数据中进行基于似然的推断，并设计了一种新的数据增强算法，用于处理动态网络环境下个体恢复时间缺失的问题.通过一系列的仿真实验，我们证明了该模型的有效性和灵活性，以及数据增强推理方案的有效性和效率。该模型还应用于最近关于流感样疾病传播的真实数据集，其中包含高分辨率的社交接触跟踪记录。
2020-04-05 physics.soc-ph q-bio.PE stat.ME
Bayesian Parameter Inference for Partially Observed SDEs driven by Fractional Brownian Motion
本文研究部分可观测分数布朗运动（fBM）模型的贝叶斯参数推断.我们遵循的方法是时间离散化的隐藏过程，然后设计马尔可夫链蒙特卡罗（MCMC）算法从后验密度的参数给定的数据进行采样。我们依赖于时间离散化的一种新的表示，它试图从后验的近似值中采样，然后通过重要性抽样进行校正;近似值将时间（就总观察时间T而言）减少了O（T）。这种方法是通过使用多层次MCMC方法，可以减少计算成本，以实现一个给定的均方误差（MSE）与使用一个单一的时间离散化扩展。我们的方法说明模拟和真实数据。
2022-11-01 cs.NA math.NA stat.CO
Simultaneous Inference for Partially Observed Functional Time Series
针对部分观测的依赖函数型时间序列，提出首个同时推断方法，结合高斯逼近与随机过程理论，构建同时置信带，并应用于城市污染超标检测。
2026-07-01 math.ST stat.ME stat.TH
PLRD: Partially Linear Regression Discontinuity Inference
Stanford University（斯坦福大学）
本文提出部分线性回归断点推断方法，解决传统回归断点设计置信区间覆盖率不足和区间过宽的问题，提供有效且短的置信区间及大样本保证。
2026-08-27 econ.EM stat.ME
Latent-driven Imputation and Forecasting for partially observed Time Series (LIFTS)
Columbia University（哥伦比亚大学）
LIFTS提出潜变量驱动的概率框架，联合建模测量轨迹与观测掩码，通过前向-后向架构实现插补与预测，在PhysioNet 2019上优于现有方法且推断更快。
2026-10-27 stat.ME
A Calibration Framework for Inference with Partially Observed Data
Iowa State University（爱荷华州立大学）；Fujian Normal University（福建师范大学）
本文提出一种统一框架，基于广义熵校准加权估计在MAR机制下由一般估计方程定义的参数，通过数据自适应校准函数平衡约束和偏倚约束，实现双重鲁棒性和半参数效率。
2026-03-27 stat.ME
Approximate Bayesian inference for joint partially linear modeling of longitudinal measurements and spatial time-to-event data
本文提出一种近似贝叶斯层次模型，结合条件自回归空间效应与联合部分线性模型，用于联合分析纵向测量和空间生存数据，并通过模拟及巴西HIV/AIDS数据验证其有效性。
2025-02-09 stat.CO stat.ME
Estimation and Inference in Ultrahigh Dimensional Partially Linear Single-Index Models
针对超高维部分线性单指标模型，提出轮廓部分惩罚最小二乘估计及参数F型检验与非参数函数设定检验，并通过模拟和实际数据验证其性能。
2024-04-06 math.ST stat.ME stat.TH
Bayesian Quantile Regression for Partially Linear Additive Models
本文研究了条件分位数回归中部分线性可加模型的半参数贝叶斯估计和模型选择方法。非对称Laplace分布为基于校验损失的分位数回归模型的贝叶斯推断提供了一种机制。这种新方法的优点是，非线性，线性和零函数分量可以自动分离，同时在模型拟合，而无需预先指定或参数调整。这是通过使用两组指标变量的尖峰和厚板先验来实现的。对于后验推理，我们设计了一个有效的部分折叠吉布斯采样器。仿真研究被用来说明我们的算法。所提出的方法进一步说明了两个真实的数据集的应用程序。
2013-07-10 stat.CO stat.ME
Variable Selection and Estimation for Partially Linear Single-index Models with Longitudinal Data
本文研究了具有纵向数据的部分线性单指标模型。为了处理在这种情况下的变量选择问题，我们提出了一个惩罚程序结合两个偏差校正方法，导致偏差校正广义估计方程（GEE）和偏差校正二次推理函数（QIF），它可以考虑到相关性。证明了这些方法的渐近性质。我们还通过蒙特卡罗模拟研究和实际数据分析评估了所提出的方法的有限样本性能。
2014-02-07 stat.ME
Simultaneous Inference of a Partially Linear Model in Time Series
本文提出一种针对部分线性时间序列回归模型中多元非参数函数的联合置信区域构建方法，通过扩展高维高斯逼近至相依过程，适用于多种自回归模型，并经模拟和远期溢价回归验证。
2023-09-02 econ.EM math.ST stat.ME
Block Empirical Likelihood Inference for Longitudinal Generalized Partially Linear Single-Index Models
Wisdom Lake Academy of Pharmacy, Xi’an Jiaotong-Liverpool University（西交利物浦大学智慧药学学院）
本文提出了一种基于样条近似的块经验似然方法，用于纵向广义部分线性单索引模型的参数和方向联合推断，通过避免显式方差估计实现置信区间构造。
2026-02-18 math.ST stat.CO stat.ME
Bayesian Parameter Inference for Partially Observed Stopped Processes
在这篇文章中，我们考虑贝叶斯参数推断与部分可观察的随机过程，从一个集合B 0开始，并停止或杀死在一个已知的集合A的第一个命中时间。这样的过程在各种各样的应用中自然发生。相关的后验分布是高度复杂的，后验参数推断需要使用先进的马尔可夫链蒙特卡罗（MCMC）技术。我们的方法使用最近引入的模拟方法，粒子马尔可夫链蒙特卡罗（PMCMC）（Andrieu et.等人2010 [1]），其中序贯蒙特卡罗（SMC）近似（参见Doucet et. 2001 [18]和Liu 2001 [27]）嵌入MCMC中。然而，当感兴趣的参数是固定的，标准的SMC算法并不总是适合于许多停止的进程。在Chen et.等人[11]和Del Moral 2004 [15]，作者介绍了多层Feynman-Kac公式的SMC近似，这可以导致更有效的算法。这是通过设计从B 0到A的嵌套集合序列来实现的，然后仅当过程的样本达到序列中的中间水平集合时才执行重新排序步骤。当然，中间水平集的选择对于这种方案的性能至关重要。在本文中，我们证明了多级SMC算法可以作为PMCMC的建议。此外，我们提出了一个灵活的策略，适应不同的参数建议的水平集。我们的方法是说明与迁移的聚结模型。
2012-01-18 stat.CO stat.ME
Efficient nonparametric causal inference with missing exposure information
暴露信息缺失是许多观察性研究的一个非常常见的特征。在这里，我们研究的可识别性和有效的估计向量结果的因果关系的影响，在这种情况下，治疗是无混淆的，但部分失踪。我们考虑一个随机缺失的设置，其中治疗中的缺失不仅取决于复杂的协变量，而且还取决于治疗后的结果。我们给出了一个新的识别表达式平均处理效应在这种情况下，随着有效的影响函数，这个参数在非参数模型中，这产生了一个非参数的效率界。我们使用后一个结果来构造对维数灾难不像通常那样敏感的非参数估计，例如，通过具有更快的收敛速度比复杂的滋扰估计，他们依赖。进一步，我们表明，这些估计可以根-n一致的和渐近正常的弱非参数条件下，即使使用灵活的机器学习。最后，我们将这些结果应用到部分缺失工具变量的因果推断问题。
2020-02-02 stat.ME
Debiased Machine Learning for Partially Linear Accelerated Failure Time Models
University of California, Los Angeles（加州大学洛杉矶分校）；Phoenix VA Health Care System (111E)（凤凰城退伍军人健康护理系统(111E)）；VA Greater Los Angeles Health Care（大洛杉矶地区退伍军人健康护理系统）
针对右删失下部分线性AFT模型，本文构建首个基于秩的去偏机器学习框架，通过正交化U统计量等技术实现有效推断，模拟与All of Us数据应用验证了其性能与实用性。
2026-11-10 stat.ME
Variational Inference for Generalized Linear Mixed Models Using Partially Noncentered Parametrizations
不同的参数化的贝叶斯计算算法的收敛性的分层模型的影响进行了很好的探索。在MCMC和期望最大化算法中，中心化、非中心化和部分非中心化等技术可以用来加速收敛，但在变分贝叶斯（VB）方法中还没有得到很好的研究。VB作为一种快速确定性的后验近似方法，由于其对高维数据的适用性而引起了人们越来越多的兴趣。使用不同的参数化VB不仅计算，而且统计的影响，不同的参数化与不同的因子化后验近似。本文研究了VB中部分非中心参数化在广义线性混合模型中的应用。我们的论文有四个贡献。首先，我们展示了如何实现一个算法称为非共轭变分的消息传递的GLPNET。其次，我们表明，部分非中心参数化可以适应数据中的信息量，并确定接近最优的参数化。第三，我们表明，部分非中心可以加速收敛，并产生更准确的后验近似比中心或非中心。最后，我们演示了如何变分的下限，作为计算的一部分，可以是有用的模型选择。
2013-06-11 stat.CO stat.ME
Bayesian Parameter Inference for Partially Observed Stochastic Volterra Equations
本文研究了部分观测随机Volterra方程的贝叶斯参数推断，基于Euler-Maruyama方法进行时间离散化，并应用多层MCMC方法，证明了其在降低计算成本方面的优势。
2024-02-19 stat.CO stat.ME
Inference and local influence diagnostics for unit-Lindley additive partially linear models
Gazi University（加齐大学）；Universidade de São Paulo（圣保罗大学）
提出单位Lindley加性部分线性模型，结合单参数分布与加性部分线性结构，通过惩罚似然估计和B样条平滑，并利用局部影响方法进行稳健性诊断。
2026-06-24 stat.CO stat.ME
