Length-of-stay times in hospital for COVID-19 patients using the smoothed Beran's estimator with bootstrap bandwidth selection
本文针对COVID-19患者病房和ICU住院时长，提出基于双重平滑Beran估计量和自助带宽选择的条件生存函数估计方法，并通过模拟验证其良好性能。
2023-11-30 stat.AP stat.CO stat.ME
Asymptotic Theory of Tail Dependence and Bootstrap for Checkerboard Copulas
Indian Institute of Technology Bombay（印度理工学院孟买分校）；North Carolina State University（北卡罗来纳州立大学）
本文研究了在未知边缘分布下基于checkerboard方法估计下尾和上尾copula的渐近理论和自助法有效性，通过局部双线性插值构建empirical copula估计器，并扩展到尾部区域以获得非参数极值依赖估计。通过将误差分解为随机经验过程项和由checkerboard投影引起的确定性近似偏差，证明了checkerboard平滑copula估计器的几乎处处一致性和强一致性。进一步推导了中心化和缩放后的checkerboard copula过程在$\ell^\infty([0,1]^2)$下的弱收敛性，证明平滑不影响一阶极限。所得高斯过程与经验copula过程一致，但附加了边际估计带来的项。这些结果扩展到下尾和上尾copula过程，得到函数中心极限定理和尾部依赖系数的渐近正态性。由于极限协方差依赖于未知尾部特征和偏导数，直接推断不可行，因此提出适用于checkerboard结构的直接乘法自助法。证明自助过程条件弱收敛到相同极限，确保光滑函数的有效推断。最后通过模拟和统计应用展示自助方法，包括拟合优度检验和在多种依赖结构下尾部依赖推断，展示准确的小样本性能。
2026-07-09 stat.ME
Estimation and Hypothesis Testing of Derivatives in Smoothing Spline ANOVA Models
Texas Tech University（德克萨斯理工大学）；Biogen（生物基因公司）；Rice University（莱斯大学）
本文提出了一种在平滑样条ANOVA模型中估计导数并检验导数是否为零的统计方法，通过理论分析和实证研究验证了其有效性。
2026-02-28 math.ST stat.ME stat.TH
A Higher-Order Correct Fast Moving-Average Bootstrap for Dependent Data
我们开发并实现了一种新的快速引导依赖数据。我们的方案是基于i.i.d.平滑力矩指示器的恢复。我们刻画的类参数和半参数估计问题的方法是有效的。我们展示了所提出的方法的渐近改进，证明了在时间序列，估计函数和平滑核的温和假设下，它是高阶正确的。我们说明了我们的广义经验李克龙估计程序的适用性和优势。作为一个副产品，我们的快速引导提供高阶正确的渐近置信分布。蒙特卡罗模拟的自回归条件持续时间模型提供了数值证据，新的自助产生高阶准确的置信区间。一个股票交易量动态的实际数据的应用说明了我们的方法的优势，在复杂的应用一阶渐近理论，当潜在的分布的检验统计量是偏斜或厚尾。
2022-01-17 econ.EM q-fin.ST stat.ME
A test for model specification of diffusion processes
我们提出了一个测试的参数扩散过程的过渡密度的核估计的基础上的模型规格。经验似然被用来制定一个统计量，为每个内核平滑带宽，这是有效的学生化$L_2$ -核过渡密度估计和参数过渡密度之间的距离暗示的参数过程。为了减少平滑带宽选择的测试的敏感性，最终的检验统计量通过结合一组平滑带宽上的经验似然统计量来构造。为了更好地描述检验统计量的有限样本分布和数据相关性，通过参数自举方法获得检验的临界值。通过模拟和实际数据实例，对检验的性质进行了渐近和数值评估。
2008-03-12 math.ST stat.TH
Convolution-smoothing based locally sparse estimation for functional quantile regression
本文提出基于卷积平滑的局部稀疏估计方法，用于函数分位数回归，解决稀疏性和计算挑战，提高模型可解释性。
2025-12-01 stat.ME
Shapley Curves: A Smoothing Perspective
Humboldt University of Berlin（柏林洪堡大学）；Singapore Management University（新加坡管理大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）；Charles University（查理大学）；Institute for Digital Assets（数字资产研究院）
本文提出总体层面的 Shapley 曲线以度量变量重要性，并给出两种估计策略的收敛速率、渐近正态性及适用于有限样本推断的 wild bootstrap 方法。
2024-04-03 cs.LG stat.ME stat.ML
Smoothed pseudo-population bootstrap methods with applications to finite population quantiles
本文将平滑 bootstrap 引入高熵单阶段调查抽样的伪总体框架，提出带宽插件与网格搜索选择法，用于有限总体分位数方差估计和置信区间构造，并验证其效率提升。
2025-09-29 stat.CO stat.ME
Ridge Regression Revisited: Debiasing, Thresholding and Bootstrap
Lasso在高维数据时代的成功可以归因于其进行隐式模型选择，即，将不显著的回归系数归零。相比之下，经典的岭回归不能揭示潜在的稀疏性的参数，也可能会引入一个大的偏差下的高维设置。然而，最近的工作Lasso涉及去偏置和阈值，后者是为了进一步提高模型的选择。因此，岭回归可能值得再看一看，因为在去偏置和阈值化之后，它可能比Lasso提供一些优势，例如，它可以很容易地使用封闭形式的表达式来计算。%，并且它具有与阈值Lasso类似的性能。本文定义了一种去偏门限岭回归方法，证明了一个相容性结果和一个高斯逼近定理。我们进一步引入了一个野生bootstrap算法来构建置信区域和执行假设检验的线性组合的参数。除了估计，我们考虑的问题，预测，并提出了一种新的，混合自举算法的预测区间。大量的数值模拟进一步表明，去偏和阈值岭回归具有良好的有限样本性能，在某些情况下可能是优选的。
2021-04-22 math.ST stat.AP stat.ML
Inference without smoothing for large panels with cross-sectional and temporal dependence
本文讨论了在大面板数据模型中，同时存在未知形式的横截面和时间相关的推断问题。我们有兴趣作出推论，不依赖于任何平滑参数的选择，因为是经常采用的“HAC”估计的协方差矩阵的情况下。为此，我们提出了一个集群估计的渐近协方差的估计和有效的自助方案，不需要选择的带宽或平滑参数，并容纳非参数性质的时间和横截面的依赖。我们的方法是基于这样的观察，即固定效应面板数据模型的谱表示是这样的，误差变得近似时间不相关。我们提出的自举方案可以被视为在频域中的野生自举。我们提出了一些蒙特卡罗模拟，以阐明我们的推理过程的小样本性能。
2020-06-25 econ.EM math.ST stat.TH
Fixed-smoothing asymptotics for time series
在本文中，我们推导出高阶Edgeworth展开的有限样本分布的子抽样为基础的t-统计量和Wald统计量的高斯位置模型下的所谓的固定平滑范式。特别地，我们证明了渐近近似的误差是在样本量的倒数的顺序，并获得明确的形式，在扩展的领先误差项。结果被用来证明一个新的引导方法，高斯相关的引导，在高斯位置模型的上下文中的二阶正确性。
2013-09-10 math.ST stat.TH
Current status linear regression
在当前状态线性回归模型中，基于无穷维回归参数的最大似然估计，构造了有限维回归参数的$\sqrt{n}$ -相合渐近正态估计.我们还构造估计，再次仅基于这些MLE，这是任意接近有效估计，如果广义Fisher信息是有限的。这种类型的效率也来自最小条件下的估计光滑的非单调插件估计的分布函数。算法计算的估计和选择带宽的平滑估计与自助法提供。与计量经济学文献中的结果的连接也被指出。
2017-04-01 math.ST stat.TH
Bernstein-smoothed estimation and bootstrap inference for the lower-tail Spearman's rho curve
Dalhousie University（达尔豪斯大学）；Université du Québec à Trois-Rivières（特鲁瓦河魁北克大学）；Munzur University（穆兹尔大学）
本文提出下尾Spearman's rho曲线的Bernstein平滑估计量，建立一致性和弱收敛理论，验证平滑beta bootstrap推断，并通过模拟和保险数据展示其降低方差和误差的优势。
2026-09-16 math.ST stat.ME stat.TH
From Good Starts to Optimal Inference: Generalized Latent Factor Models with Missingness and Implicit Regularization
Department of Statistics, Columbia University（哥伦比亚大学统计系）
本文提出一种结合链接感知双SVD初始化、单侧细化和梯度下降的非凸估计方法，实现广义潜因子模型在缺失数据下的最优推断与不确定性量化，无需显式正则化或去偏。
2026-09-11 math.ST stat.TH
An accurate percentile method for parametric inference based on asymptotically biased estimators
针对参数推断中估计量可能渐近有偏的问题，提出隐式自举法，构建渐近有效且可达二阶精度的百分位置信区间，并在标准自举失效的三种情形下保持精确。
2024-09-19 math.ST stat.CO stat.ME
TSSS: A Novel Triangulated Spherical Spline Smoothing for Surface-based Data
针对复杂曲面域数据的潜在信号挖掘问题，提出基于曲面片三角剖分的TSSS非参数惩罚样条方法，具备最优收敛性与高效性，可处理边界效应与稀疏不规则数据，并通过仿真和多领域实际应用验证了性能。
2024-03-08 stat.AP stat.ME
Fractional order statistic approximation for nonparametric conditional quantile inference
使用并扩展分数顺序统计量理论，我们描述了Hutson（1999）中使用$L$ -统计量作为终点的先前提出的总体分位数置信区间的$O(n^{-1})$覆盖概率误差。我们推导了$n^{-1}$项的解析表达式，该表达式可用于校准标称覆盖水平以获得$O\bigl(n^{-3/2}[\log(n)]^3\bigr)$覆盖误差。渐近功率是最佳的。利用核平滑，我们提出了一个相关的非参数推断的条件分位数的方法。这种新方法在理论和模拟上都优于渐近正态性和bootstrap方法。代码可以从第二作者的网站上获得，用于无条件和条件方法，模拟和经验示例。
2016-09-28 econ.EM math.ST stat.AP
Density estimation for grouped data with application to line transect sampling
样线抽样是一种用于估计野生动物种群的方法，所得数据通常按间隔分组。从分组数据中估计密度可能具有挑战性。在本文中，我们提出了这样的分组数据的野生动物种群密度的核密度估计。我们的方法使用一个组合的交叉验证和平滑的自助方法来选择分组数据的最佳带宽。我们的模拟研究表明，与其他方法相比，使用该方法选择的平滑参数，从分组数据估计的密度更接近真实密度。使用平滑的bootstrap，我们还构造了边界处密度值的偏差调整的置信区间。我们将所提出的方法应用到两个分组数据集，一个来自木桩研究的真实密度是已知的，另一个来自澳大利亚的袋鼠的调查。
2010-11-09 stat.AP
The Implicit Delta Method
Cornell University（康奈尔大学）；Netflix Research（奈飞研究院）
认知不确定性量化是从预测模型中得出可信结论的关键部分，无论是关注给定点的预测还是使用模型作为输入的任何下游评估。当预测模型是简单的，其评估可微的，这个任务是解决的增量方法，其中我们传播的渐近正态不确定性的预测模型通过评估计算标准误和Wald置信区间。然而，当模型和/或评估变得更加复杂时，这变得困难。补救措施包括引导，但当训练模型时，即使一次也是昂贵的，它在计算上也是不可行的。在本文中，我们提出了一种替代方法，隐式delta方法，它通过无穷小地正则化预测模型的训练损失来自动评估下游的不确定性。我们表明，由于正则化的评价的变化是一致的评价估计量的渐近方差，即使当无穷小的变化是近似的有限差分。这提供了标准误方面的不确定性的可靠量化，以及允许构建校准的置信区间。我们讨论连接到其他方法的不确定性量化，贝叶斯和频率，并证明我们的方法经验。
2022-11-11 cs.LG stat.ML
Data-driven rate-optimal specification testing in regression models
我们提出了新的数据驱动的光滑测试参数回归函数。平滑参数通过一个新的标准来选择，该标准在原假设下有利于大的平滑参数。由此产生的测试是自适应率最优的和一致的皮特曼当地的替代品接近参数模型的速度任意接近1/ \sqrtn。渐近临界值来自标准正态分布，自助法可用于小样本。一个一般的形式化允许人们考虑一个大类的线性平滑方法，它可以被定制为检测添加剂的替代品。
2005-05-30 math.ST stat.TH
Higher-Order Entrywise Eigenvectors Analysis of Low-Rank Random Matrices: Bias Correction, Edgeworth Expansion, and Bootstrap
本文针对低秩信号加噪声矩阵模型，建立特征向量扰动的高阶随机展开，据此提出偏差校正，并证明无需Cramér条件的Edgeworth展开，进而验证残差Bootstrap的高阶有效性。
2024-03-14 math.ST stat.TH
Implicit Regularization or Implicit Conditioning? Exact Risk Trajectories of SGD in High Dimensions
Google Research（谷歌研究院）；McGill University（麦吉尔大学）
随机梯度下降（SGD）是现代机器学习的支柱，是各种问题的首选优化算法。虽然SGD的经验成功通常归因于其计算效率和良好的泛化行为，但这两种效果都没有得到很好的理解，并且解开它们仍然是一个悬而未决的问题。即使在凸二次问题的简单设置中，最坏情况下的分析也给出了SGD的渐近收敛速度并不比全批梯度下降（GD）更好，并且SGD的隐式正则化效应缺乏精确的解释。在这项工作中，我们研究了高维凸二次型上的多通道SGD的动力学，并建立了一个渐近等价的随机微分方程，我们称之为均匀化随机梯度下降（HSGD），其解决方案，我们明确的Volterra积分方程的特征。这些结果产生了精确的公式的学习和风险轨迹，揭示了一种机制的内隐条件反射，解释了效率的SGD相对于GD。我们还证明了SGD的噪声会对泛化性能产生负面影响，排除了在这种情况下任何类型的隐式正则化的可能性。最后，我们展示了如何适应HSGD的形式主义，包括流SGD，这使我们能够产生一个准确的预测多通道SGD相对于流SGD（引导风险）的超额风险。
2022-06-15 cs.LG math.OC math.PR
Differential equations, splines and Gaussian processes
我们探讨格林函数的某些微分方程，协方差函数的高斯过程，和光滑样条问题之间的联系。传统上，光滑样条问题被认为是在再生核希尔伯特空间的设置，但在这里，我们提出了一个更直接的方法。利用这种方法，在再生核希尔伯特空间设置中隐含的一些选择脱颖而出，一个例子是边界条件的选择和更精细的形状限制。本文首先探讨了拉普拉斯算子和泊松方程，并在各种边界条件和约束下研究了相应的格林函数。在一系列的例子中推导出显式的函数形式。这些例子包括几种新形式的格林函数，据作者所知，以前没有提出过。接下来，我们提出了一个光滑样条问题，我们惩罚的集成平方导数的功能进行估计。然后，我们将展示如何使用拉普拉斯算子的格林函数来显式计算解决方案。在本文的最后一部分，我们探讨高斯过程和微分方程之间的连接，并显示如何拉普拉斯算子是相关的布朗过程，以及如何出现的过程，由于边界条件和形状的限制，可以被视为条件高斯过程。Laplace算子的格林函数与布朗过程的协方差函数之间的联系使我们能够引入几个新的具有特定行为的布朗过程。最后，我们考虑高斯过程先验和光滑样条之间的联系。
2021-01-24 math.CA math.ST stat.ME
