Spectral Subsampling MCMC for Stationary Multivariate Time Series with Applications to Vector ARTFIMA Processes
谱子采样MCMC是近年来提出的一种通过在频域对周期图进行子采样来加速长平稳单变量时间序列的马尔可夫链蒙特卡罗（MCMC）的方法。本文扩展的方法，多变量时间序列使用多变量广义的惠特尔可能性。为了评估具有挑战性的问题，从频谱子采样的计算增益，多变量广义的自回归回火分数积分移动平均模型（ARTFIMA）的介绍和它的一些属性。贝叶斯推断的基础上的Whittle可能性被证明是一个快速和准确的替代精确的时域可能性。频谱子采样提供了两个数量级的额外的速度，同时保留MCMC抽样效率和精度，相比，频谱方法使用完整的数据集。关键词：贝叶斯，马尔可夫链蒙特卡罗，半长记忆，谱分析，惠特尔似然。
2022-09-18 stat.CO stat.ME
Local likelihood estimation of local parameters for nonstationary random fields
我们开发了一个加权的局部似然估计的参数，管理本地的空间依赖性的局部平稳随机场。这种局部似然估计的优点是它平滑地降低了远距离观测的影响，适用于不规则的采样位置，并且在适当设计时，可以权衡偏差和方差以减少估计误差。本文首先阐述了我们的技术问题的估计未知的正函数乘以一个平稳的随机场。这个例子给出了具体的证据，证明了我们的局部似然性与朴素的局部似然性相比的好处，在朴素的局部似然性中，假设整个邻域都是静态模型。然后，我们讨论的困难问题，估计带宽参数，控制量的影响，从遥远的观测。最后，我们提出了一个模拟实验，估计局部Matérn随机场的局部光滑性时，观察现场在随机采样位置在$[0,1]^2$。
2009-10-31 stat.CO stat.ME
Inference for possibly high-dimensional inhomogeneous Gibbs point processes
吉布斯点过程（GPP）构成了一个大的和灵活的空间点过程之间的显式依赖。它们可以模拟吸引和排斥的点模式。特征选择过程是高维统计建模中的一个重要课题。本文提出了一种利用凸罚函数和非凸罚函数正则化的复合似然方法来处理可能高维非齐次GPP的统计推断。复合似然包含伪似然和逻辑复合似然。我们特别调查的设置，随着观察域的增加，协变量的数量发散。在空间广义相对论和罚函数的条件下，证明了预言性质、相合性和渐近正态性成立。我们的结果也涵盖了低维的情况下，填补了文献中的一个很大的空白。通过模拟实验，我们验证了我们的理论结果，最后，热带林业数据集的应用程序说明了所提出的方法的使用。
2021-01-21 math.ST stat.ME stat.TH
Calibrated Bayesian inference for random fields on large irregular domains using the debiased spatial Whittle likelihood
针对空间数据Whittle似然存在偏差的问题，提出基于去偏空间Whittle似然并结合复合似然调整的平稳随机场贝叶斯推断方法，在保持准线性计算时间的同时实现了校准良好的后验，并验证了其有效性。
2025-05-29 stat.ME
A Deep Learning Synthetic Likelihood Approximation of a Non-stationary Spatial Model for Extreme Streamflow Forecasting
本文提出非平稳过程混合模型NPMM，结合神经网络合成似然近似，利用降水预估对美国中部极端径流进行贝叶斯预报，发现未来极端径流频率和强度总体增加。
2023-04-26 stat.AP stat.ME
A Composite Likelihood-based Approach for Change-point Detection in Spatio-temporal Processes
针对非平稳时空过程的时间维变点估计问题，提出基于复合似然的无惩罚准则与剪枝动态规划算法，在两类渐近框架下证明了变点数量与位置估计的一致性，通过模拟和美国降水数据验证了方法有效性。
2023-10-05 stat.ME
Modeling non-stationary extreme dependence with stationary max-stable processes and multidimensional scaling
模拟多地点极端天气事件的联合分布是一项具有重要应用价值的挑战性任务。在这项研究中，我们使用最大稳定模型来研究极端日降水事件在瑞士。当前空间过程的非平稳性涉及重要的挑战，通常通过在所谓的气候空间中使用具有精心选择的协变量的平稳模型来处理这些挑战。在这里，我们选择使用多维缩放（MDS）在更高维度的潜在空间中扭曲研究中的气象站。这种方法的优点是其改进的灵活性，以再现高度非平稳的现象，同时保持一个易于处理的静态空间模型的潜在空间。两个模型拟合的方法，都使用MDS，提出并比较依赖于在气候空间中的复合似然最大化的经典方法。结果表明，所提出的方法更好地再现所观察到的极值系数及其复杂的空间依赖性。
2018-11-28 stat.ME
Non-Stationary Dependence Structures for Spatial Extremes
最大稳定过程是空间极值的自然模型，因为它们对随机场的最大值分布提供了合适的渐近近似。近年来，一些平稳最大稳定模型的参数族被开发出来，并适合于各种类型的数据。然而，一个经常性的问题是非平稳性的建模。在本文中，我们开发了非平稳最大稳定依赖结构，其中可以轻松地合并协变量。使用成对似然进行推理，其性能进行评估的基础上的非平稳局部各向同性极值$t$模型的广泛的模拟研究。证据表明，未知参数估计，并估计空间收益水平曲线进行了讨论。该方法证明了在一个复杂的地形记录的温度最大值。模型令人满意地捕捉极值依赖。
2016-02-19 stat.ME
Inference for high-dimensional linear mixed-effects models: A quasi-likelihood approach
线性混合效应模型广泛应用于分析聚类或重复测量数据。提出了一种估计和推断高维固定效应线性混合效应模型中未知参数的拟似然方法。所提出的方法适用于一般的设置中的尺寸的随机效应和集群的大小可能是大的。关于固定效应，我们提供了不依赖于方差分量的结构信息的速率最优估计量和有效的推断过程。我们还研究了一般情况下高维固定效应下方差分量的估计。该算法易于实现，计算速度快。所提出的方法进行了评估，在各种模拟设置，并施加到一个真正的研究，关于身体质量指数和遗传多态性标记之间的关联在一个异质性股票小鼠种群。
2021-03-09 stat.ME
Inference for non-stationary time series quantile regression with inequality constraints
针对带不等式约束的非平稳线性分位数回归，本文利用投影几何不变性构造Wald、似然比和基于秩的一致推断方法，并通过模拟与电力需求数据验证其优势。
2024-04-04 stat.ME
Spectral domain likelihoods for Bayesian inference in time-varying parameter models
本文研究时变参数模型贝叶斯推断中频域似然近似的有限样本精度，通过三个模拟研究评估多种频域似然函数，并在鸡蛋价格数据上加以验证。
2024-11-21 stat.ME
Approximate Likelihood-Based Inference for Spatial Generalized Linear Mixed Models
University of Birmingham（伯明翰大学）
本文研究了使用随机牛顿-拉夫森算法进行空间广义线性混合模型的最大似然估计，比较了Spectral Gaussian Process和随机偏微分方程两种高斯过程近似方法，并提出了新的停止准则和固定效应标准误差估计方法。
2026-05-18 stat.ME
Stationary Point Constrained Inference via Diffeomorphisms
Texas A&M University（德克萨斯农工大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出了一种通过微分同胚约束静止点数量，实现多极值区域函数的联合推断方法，具有高准确性和可解释性。
2025-12-09 stat.ME
A family of toroidal diffusions with exact likelihood inference
本文提出一类具有显式转移密度和时间可逆性的环面扩散过程，支持任意预设平稳分布与精确似然推断、假设检验及扩散桥模拟，并应用于蚂蚁运动齐性检验和蛋白质骨架桥模拟。
2024-09-04 stat.ME
Using Subspace Algorithms for the Estimation of Linear State Space Models for Over-Differenced Processes
针对过度差分过程等含单位圆谱零点的情况，本文证明典型变量分析（CVA）子空间方法对线性状态空间模型估计的一致性，推导收敛速度并指出过度差分损害估计渐近性质，支持用未调整数据。
2025-02-14 stat.ME
Bayesian and Maximum Likelihood Estimation for Gaussian Processes on an Incomplete Lattice
本文提出了一种新的方法来估计大格点上具有缺失值的平稳高斯过程的贝叶斯和极大似然参数估计。我们提出了一个MCMC方法的贝叶斯推断，和极大似然推理的蒙特卡罗期望最大化算法。我们的方法使用数据增广和循环嵌入的协方差阵，并提供精确的推断参数和缺失数据。使用模拟数据和应用卫星海洋表面温度在太平洋，我们表明，我们的方法提供了准确的推断尺寸高达512 × 512的格子，并优于两个流行的方法：复合似然和谱近似。
2014-02-18 stat.CO stat.ME
Maximum likelihood estimation in hidden Markov models with inhomogeneous noise
本文研究了含时变非齐次噪声的有限隐状态空间马尔可夫模型的参数估计，其中非齐次噪声消失得足够快。基于渐近均值平稳过程的概念，证明了极大似然估计与拟极大似然估计的强相合性。QMLE的计算忽略了非均匀性，因此，更简单和鲁棒。该理论的动机是从生物物理学的一个例子，并适用于泊松和线性高斯模型。
2018-09-29 math.ST stat.ME stat.TH
Temporally Local Maximum Likelihood with Application to SIS Model
滚动参数估计常用于分析具有非线性特征的时间序列，如时变参数引起的结构变化和局部趋势。本文研究了时间局部极大似然（TLML）估计类中滚动估计的性质。本文研究了常参数、随机参数和平稳参数以及具有超长运行（ULR）动态的参数的TLML估计。此外，我们探讨TLML估计的应用程序中的易感-感染-易感（SIS）流行病学模型的性质，并说明其有限样本的模拟研究的性能。
2021-07-14 q-bio.QM stat.ME
Quasi-maximum likelihood estimation of periodic GARCH processes
本文建立了周期时变参数Gestival过程拟极大似然估计的强相合性和渐近正态性。本文首先给出周期Gestival（P-Gestival）方程存在严格周期平稳解的一个充要条件。结果表明，P-Gestern解的某个正阶矩是有限的，在此基础上，我们证明了QMLE的强相合性和渐近正态性（CAN），而不需要对底层过程的矩作任何限制.
2007-09-19 math.PR math.ST stat.ME
Non-Regular Likelihood Inference for Seasonally Persistent Processes
研究了季节性平稳随机过程的频谱参数估计问题。对于季节性持久性与一个极点位于远离频率零的频谱，一个新的惠特尔型的可能性，明确承认的极点的位置。该Whittle似然是对所选择的频率网格上的周期图的分布的大样本近似，并且经由与解调相结合的离散傅立叶逆变换的线性变换构成对数据的时域似然的近似。新的可能性是简单的计算，并将被证明具有良好的，但非标准的，属性。建议的似然估计的渐近行为进行了研究，特别是，$N$ -一致性的谱极点位置的估计建立。给出了分数和观测费舍尔信息的大样本和渐近分布，并推导了相应的极大似然估计量的分布.的小样本性质的似然近似的研究，并显示其优越的性能，以前建议的方法，以及与发达国家的分布近似协议。
2007-09-03 stat.AP stat.ME
Likelihood inference for exponential-trawl processes
针对整数值拖网过程的似然推断空白，研究聚焦指数拖网过程，提出基于预测分解、滤波平滑等的EM算法框架，可扩展至通用拖网过程。
2015-01-05 math.PR stat.ME
Generalized method of L-moment estimation for stationary and nonstationary extreme value models
XRAI Inc.（XRAI公司）；Chonnam National University（全南国立大学）；Mahasarakham University（玛哈沙拉堪大学）
本文提出广义L矩估计法（GLME）用于平稳和非平稳极值模型，通过引入惩罚函数或先验信息校正LME的偏差，提升估计精度。
2025-12-23 stat.AP stat.CO stat.ME
Calibration for multivariate Lévy-driven Ornstein-Uhlenbeck processes with applications to weak subordination
考虑一个多变量Lévy驱动的Ornstein-Uhlenbeck过程，其中平稳分布或背景驱动Lévy过程来自一个参数族。我们推导出似然函数假设的新息项是绝对连续的。详细研究了两个例子：平稳分布或背景驱动Lévy过程的过程是由弱方差α-伽马过程给出的，这是使用弱从属创建的方差伽马过程的多变量概括。在前一种情况下，我们给出了一个明确的表示的背景驱动Lévy过程，导致一个创新的长期，这是离散和连续的混合物，允许的过程的精确模拟，和一个单独的似然函数。在后一种情况下，我们证明了新息项是绝对连续的。仿真研究的结果表明，最大似然数值计算使用傅立叶逆可以应用于准确地估计参数在这两种情况下。
2021-08-31 math.PR math.ST stat.ME
Fast Machine-Precision Spectral Likelihoods for Stationary Time Series
本文提出一种 $\mathcal{O}(n \log n)$ 时间、机器精度的对称 Toeplitz 矩阵逼近算法，通过 DFT 对角化加低秩修正改进 Whittle 似然近似，并给出理论解释与数值验证。
2024-11-20 cs.NA math.NA stat.CO
Estimation of Space Deformation Model for Non-stationary Random Functions
平稳随机函数在地质统计学中的应用已有几十年的历史。在某些情况下，跨整个感兴趣域的同质空间依赖结构的假设是不现实的。一个实用的方法建模和估计非平稳空间相关结构被认为是。这包括通过指数空间的双射连续变形将非平稳随机函数变换为平稳且各向同性的随机函数。到目前为止，这种方法已经成功地应用于数据的上下文中，从几个独立的实现的随机函数。在这项工作中，我们提出了一种在可能具有不规则间隔数据的单一实现背景下使用空间变形进行非平稳地统计建模的方法。该估计方法是基于非平稳变差函数核估计，作为一个地理空间中的两个位置之间的相异性测量。所提出的方法结合了核平滑，加权非度量多维尺度和薄板样条径向基函数方面。在模拟数据上，该方法能够恢复真实的变形。在合成和真实数据集上评估性能。它特别表明，我们的方法优于固定的方法。除了预测之外，所提出的方法还可以作为探索性分析非平稳性的工具。
2014-12-03 stat.AP stat.ME
Adaptive estimating function inference for non-stationary determinantal point processes
对于联合强度易于处理而似然函数不易处理的许多公共点过程模型，估计函数推断是必不可少的。本文在非平稳点过程的一般情形下，建立了估计函数估计量的渐近正态性。然后，我们适应这一结果的情况下，非平稳的行列式点过程，这是一类重要的模型排斥点模式。在实践中，经常使用一阶和二阶估计函数。对于后者，通常的做法是忽略距离大于某个截断距离（通常以特定方式指定）的点对的贡献。我们建议，而不是一个数据驱动的方法，截断距离自动适应的点过程被拟合，该方法与我们的渐近框架无缝集成。通过对非平稳决定点过程的仿真研究和对一个真实数据集的应用，说明了自适应方法的良好性能。
2019-11-15 math.ST stat.ME stat.TH
Maximum-likelihood estimation of the Matérn covariance structure of isotropic spatial random fields on finite, sampled grids
Princeton University（普林斯顿大学）；Queen Mary University of London（伦敦玛丽女王大学）；Wesleyan University（卫斯理安大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出了一种高效的方法，用于在有限采样网格上通过最大似然估计各向同性空间随机场的Matérn协方差结构，并提供了模型检验和实际应用示例。
2026-01-27 math.ST stat.ME stat.TH
Generalised Bayesian Inference for Discrete Intractable Likelihood
针对离散不可处理似然，提出基于离散Fisher散度的一般化贝叶斯推断方法，绕过归一化常数，实现低计算成本的后验采样与校准。
2023-09-01 math.ST stat.CO stat.ME
