Campbell equilibrium equation and pseudo-likelihood estimation for non-hereditary Gibbs point processes
在本文中，我们研究吉布斯点过程涉及的硬核相互作用，这不一定是遗传的。我们首先扩展著名的坎贝尔平衡方程，最初提出的阮和Zessin [数学。88（1979）105--115]，并因此引入了可移动点的新概念。一个修改版本的伪似然估计，然后提出，其中涉及这些可移动的点。我们考虑以下两个步骤的估计过程：首先估计硬核参数，然后估计光滑的相互作用参数的伪似然，其中硬核参数估计插件。我们证明了这个过程中的遗传性和非遗传性设置的一致性。
2010-01-13 math.ST stat.TH
Nonparametric regression on hidden phi-mixing variables: identifiability and consistency of a pseudo-likelihood based estimation procedure
本文概述了一个新的非参数估计过程的不可观测φ-混合过程。假设关于平稳隐藏状态（Xk）的唯一信息由过程（Yk）给出，其中Yk是f（Xk）的噪声观测。本文介绍了一种利用长度为b的观测值块来估计函数f和隐态分布的极大伪似然方法。在特殊情况下，b=1和b=2的模型的可辨识性进行了研究。建立了f的估计量和隐状态的分布的一致性，因为观测的数量增长到无穷大。
2015-08-26 math.ST stat.TH
Maximum pseudo-likelihood estimation based on estimated residuals in copula semiparametric models
本文讨论的情况下，当一个人感兴趣的依赖结构的多维响应变量中存在的多元协变量。假设协变量通过回归模型只影响边缘分布，而由copula描述的相关结构不受影响。讨论了Copula函数的参数估计，重点讨论了最大伪似然方法。证明了在适当的正则性假设下，由残差计算的估计量与基于不可观测误差的估计量是渐近等价的。在这种情况下，可以忽略响应首先针对协变量的影响进行调整的事实。蒙特卡洛模拟研究探讨了（除其他外）不满足规律性假设且声称的结果不成立的情况。结果表明，在这种情况下，最大伪似然估计可能表现不佳，Copula参数的矩估计是感兴趣的。我们的结果补充了Copula函数的非参数估计的结果。
2019-03-11 math.ST stat.TH
Asymptotic properties of the maximum pseudo-likelihood estimator for stationary Gibbs point processes including the Lennard-Jones model
本文给出了平稳Gibbs点过程参数化向量$\Vectθ$的极大伪似然估计的渐近性质。给出了用定义Gibbs点过程的局部能量函数表示的该估计量依赖于单个实现的强相合性和渐近正态性的充分条件，这些结果足够一般，不再要求局部能量函数的参数具有局部稳定性和线性性.我们考虑这些模型的典型例子，Lennard-Jones模型和有限范围Lennard-Jones模型。我们表明，不同的假设，确保一致性满足两个模型，而确保渐近正态性的假设只满足有限范围的Lennard-Jones模型。
2010-07-12 math.ST stat.TH
On approximate pseudo-maximum likelihood estimation for LARCH-processes
Robinson [J. Econometrics 47（1991）67- 84]引入了线性时间序列（Linear time sequence，LQR）过程来模拟波动率和杠杆率的长期相关性。最近的文献中已经研究了Lithium过程的基本理论性质。然而，目前还缺乏估计方法和相应的渐近理论。本文考虑系数为非可和双曲衰减的Lyndham过程的相依参数估计。导出了渐近极限定理。对于近似条件伪极大似然估计，证明了具有$\sqrt{n}$ -收敛速率的中心极限定理。为了获得仅包括观测值的可计算版本，需要进一步近似。可计算估计量也是渐近正态的，但是收敛速率比$\sqrt{n}.$慢
2010-01-12 math.ST stat.TH
Pseudo-Maximum Likelihood Theory for High-Dimensional Rank One Inference
本文提出高维秩一矩阵估计的伪极大似然理论，证明极限伪极大似然的普适变分原理仅由四个参数决定，并据此建立估计问题等价性，将社区检测、稀疏子矩阵检测及非线性尖峰模型统一为尖峰矩阵模型，最终完整刻画最小二乘估计量的性能。
2025-11-07 math.PR math.ST stat.TH
A Correction of Pseudo Log-Likelihood Method
Harvard University（哈佛大学）；Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）；School of Mathematics and Statistics, Fuzhou University（福州大学数学与统计学院）；Microsoft Research（微软研究院）
本文指出先前文献中伪对数似然函数可能无界导致算法定义不明确的问题，通过反例证明其失效，并提出了修正这些算法的解决方案。
2024-03-26 cs.LG math.ST stat.ML
Prospective survival analysis with a general semiparametric shared frailty model - a pseudo full likelihood approach
在这项工作中，我们提供了一个简单的估计程序的一般脆弱性模型分析的前瞻性相关故障时间。给出了回归系数向量和相依参数估计的严格大样本理论，包括相容方差估计。在广泛使用的伽玛脆弱性模型下的模拟研究中，我们提出的方法被发现具有基本上相同的效率，其他作者认为基于EM的估计，与两个估计之间的标准误差可以忽略不计。然而，所提出的方法，提供了一个框架，能够处理一般脆弱分布有限的时刻，并产生一个明确的一致方差估计。
2005-05-18 math.ST stat.TH
Weak convergence of a pseudo maximum likelihood estimator for the extremal index
平稳时间序列的极值通常出现在簇中。这种现象的一个主要措施是极值指数，代表预期的集群大小的倒数。详细分析了极值指标的不相交估计和滑动块估计。与许多竞争者相比，估计量仅依赖于一个参数序列的选择。我们推导出一个渐近展开，证明了渐近正态性和渐近方差估计的一致性。在某些模型中的显式计算和有限样本Monte Carlo模拟研究表明，滑动块估计优于其他块估计，它是有竞争力的运行和互异估计在各种模型。该方法适用于各种金融时间序列。
2017-07-13 math.ST stat.TH
Subsampled Pseudo-posteriors for Scalable Bayesian Moment-condition Inference
Hong Kong University of Science and Technology（香港科技大学）
针对矩条件下贝叶斯伪推断的两大障碍，本文提出子采样伪后验方法，通过小批量伪后验聚合结合矩函数控制变量，近似全数据伪后验并降低计算成本。
2026-09-07 math.ST stat.TH
Fast Network Community Detection with Profile-Pseudo Likelihood Methods
随机块模型是研究最多的社区发现网络模型之一。众所周知，大多数用于拟合随机块模型似然函数的算法不能扩展到大规模网络。一个突出的工作，克服了这一计算挑战是阿米尼等人。（2013），其提出了用于将随机块模型拟合到大型稀疏网络的快速伪似然方法。然而，这种方法不具有收敛保证，并且不太适合于中小规模的网络。在这篇文章中，我们提出了一种新的基于似然的方法，在似然函数，这使得一个快速的交替最大化的行和列的标签，新方法是计算效率高，表现良好的小型和大型网络，并具有可证明的收敛保证。我们表明，我们的方法提供了强相合估计的社区在一个随机块模型。仿真结果表明，该方法在估计精度和计算效率方面都优于伪似然方法，特别是对于大型稀疏网络。我们进一步考虑扩展我们提出的方法来处理网络的度异质性和二分属性。
2021-08-29 math.ST stat.ME stat.ML
Statistical inference for discrete-time samples from affine stochastic delay differential equations
研究了一类仿射随机时滞微分方程离散观测值的统计推断问题。主要的重点是最大伪似然估计，这是很容易计算的实践。一类更一般的预测为基础的估计功能的调查。特别地，导出了基于最优预测的估计函数和估计量的渐近性质。最大伪似然估计量是一个特殊的情况下，并找到一个表达式的效率损失时，使用最大伪似然估计量，而不是计算更涉及最优预测为基础的估计。在模拟研究中的伪似然估计的分布进行了研究。详细考虑了仿射随机时滞方程的两个例子。
2013-03-20 math.ST stat.TH
Case-Control Survival Analysis with a General Semiparametric Shared Frailty Model - a Pseudo Full Likelihood Approach
在这项工作中，我们处理相关的故障时间（发病年龄）数据所产生的基于人口的病例对照研究，其中病例和对照先证者选择基于人口的抽样和一系列的风险因素措施收集的情况下，控制和他们的亲属。感兴趣的参数是风险因素对故障时间的危险函数和调整风险因素后的故障时间的家族内依赖性的影响。由于抽样的回顾性，现有方法的大样本理论尚未建立。我们开发了一种新的估计技术，估计这些参数下的一般半参数共享脆弱性模型。我们还提出了一个简单的，易于计算，和非迭代的非参数估计的累积基线风险函数。一个严格的大样本理论，这些参数的拟议估计给出了模拟和一个真实的数据例子说明所提出的方法的实用性。
2007-03-11 math.ST stat.TH
Gaussian pseudo-maximum likelihood estimation of fractional time series models
我们考虑参数分数时间序列模型的估计，其中不仅是未知的记忆参数，但人们可能不知道它是否位于平稳/可逆区域或非平稳或不可逆区域。在这些情况下，由于目标函数在大的容许参数空间上的非一致收敛，一致性的证明（这是证明渐近正态性的先决条件）可能是困难的。特别是，这是条件平方和估计的情况下，可以预期是渐近有效的高斯。在没有后一个假设的情况下，我们建立了一个相当一般的单变量模型的情况下，这个估计的相容性和渐近正态性。对于多变量模型，我们建立了基于初始$\sqrt{n}$ -相合估计的一步估计的渐近正态性。
2012-03-13 math.ST 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
Structure Learning of Contextual Markov Networks using Marginal Pseudo-likelihood
马尔可夫网络是离散多变量系统的流行模型，其中变量的依赖结构由无向图指定。为了允许更有表现力的依赖结构，已经提出了马尔可夫网络的几种推广。在这里，我们考虑一类上下文马尔可夫网络，它考虑到可能的上下文特定的变量对之间的独立性。上下文马尔可夫网络的结构学习是非常具有挑战性的，由于非常大数量的可能结构。其中一个主要的挑战是设计一个分数，通过这个分数，可以根据与复杂性相关的模型拟合来评估结构，而不需要假设弦性。在这里，我们引入了边际伪似然作为一般上下文马尔可夫网络的分析易处理的标准。我们的标准是产生一个一致的结构估计。实验表明，我们的方法在推断模型的预测精度方面具有良好的性能。
2021-03-29 math.ST stat.ME stat.ML
Pseudo-likelihood methods for community detection in large sparse networks
University of Michigan（密歇根大学）；Google, Inc.（谷歌公司）；University of California, Berkeley（加州大学伯克利分校）
目前已经提出了许多算法来拟合具有社区的网络模型，但大多数算法不能很好地扩展到大型网络，并且经常在稀疏网络上失败。在这里，我们提出了一种新的快速伪似然方法，用于拟合网络的随机块模型，以及一个变体，允许通过调节度来实现任意度分布。我们表明，该算法在一系列设置下表现良好，包括在非常稀疏的网络上，并举例说明政治博客网络的例子。我们还提出了谱聚类与扰动，一种方法的独立利益，它工作得很好，稀疏网络，定期谱聚类失败，并使用它来提供一个初始值的伪似然。我们证明了伪似然提供了一致的社区的估计，在一个温和的条件下的起始值，对于块模型的情况下，两个社区。
2013-11-05 cs.LG cs.SI math.ST
A semiparametric single-index estimator for a class of estimating equation models
我们提出了一个两步的伪极大似然半参数单指标回归模型的条件方差是一个已知的函数的回归和一个额外的参数的过程。具有乘性未观测异质性的Poisson单指标回归是此类模型的一个例子。我们的方法是基于线性指数密度与冗余参数。我们使用的伪似然准则包含指数回归的非参数估计，因此需要一个选择平滑参数的规则。我们提出了一个自动和自然的规则的基础上联合最大化的伪似然指数参数和平滑参数。我们推导出指数参数的半参数估计的渐近性质和我们的“最佳”平滑参数的渐近行为。我们的方法的有限样本性能进行了分析，使用模拟和真实数据。
2017-04-26 math.ST stat.TH
Hazard models with varying coefficients for multivariate failure time data
多变量失效时间数据的变系数边际风险模型的统计估计和推断是生存分析中的重要课题。提出了一种局部伪偏似然估计方法。为了提高估计器的效率，本文还提出了一种加权平均估计器。建立了估计量的相合性和渐近正态性，推导了估计系数的标准误差公式，并进行了经验检验。为了减少最大局部伪偏似然估计的计算量，提出了一种简单实用的一步估计方法。建立了一步估计的统计性质，并进行了模拟研究，比较性能的一步估计的最大局部伪偏似然估计。结果表明，一步估计可以在不影响性能的前提下节省计算量，且最优加权平均估计比最大局部伪偏似然估计更有效.从Busselton人口健康调查的数据集进行分析，以说明我们提出的方法。
2007-08-03 math.ST stat.TH
In all LikelihoodS: How to Reliably Select Pseudo-Labeled Data for Self-Training in Semi-Supervised Learning
Ludwig-Maximilians-Universität (LMU) Munich（慕尼黑路德维希-马克西米利安大学）
自我训练是半监督学习中一种简单而有效的方法。这个想法是通过添加伪标记数据来迭代增强训练数据。其泛化性能很大程度上取决于这些伪标记数据（PLS）的选择。在本文中，我们的目标是使PLS更强大的对所涉及的建模假设。为此，我们建议选择伪标记的数据，最大限度地提高多目标效用函数。后者是为了解释不同来源的不确定性，其中三个我们更详细地讨论：模型选择，累积误差和协变量的变化。在这种不确定性的二阶信息的情况下，我们还考虑了广义贝叶斯α-切割更新规则的信用集的通用方法。作为一个实际的概念证明，我们强调我们的三个强大的扩展模拟和真实世界的数据的应用。结果表明，特别是鲁棒性w.r.t.模型选择可以导致相当大的精度增益。
2023-03-02 cs.LG math.ST stat.ME
Variational Bayes algorithm and posterior consistency of Ising model parameter estimation
伊辛模型起源于统计物理学，广泛应用于空间数据建模和计算机视觉问题。然而，该模型的统计推断仍然具有挑战性，由于棘手的性质的归一化常数的可能性。在这里，我们使用伪似然，而不是研究贝叶斯估计的两个参数，逆温度，磁化，伊辛模型与一个完全指定的耦合矩阵。我们开发了一个计算效率高的变分贝叶斯模型估计过程。在高斯平均场变分族下，我们得到了伪似然变分后验的后验收缩率。我们还讨论了伪似然方法的损失，由于变后验超过真正的后验。广泛的模拟研究验证了平均场高斯和双变量高斯家庭的伊辛模型参数的推断变分家庭的可能选择的功效。
2021-09-03 math.ST stat.ME stat.TH
Maximum Likelihood Estimation for Conditionally Heteroscedastic Models when the Innovation Process is in the Domain of Attraction of a Stable Law
本文证明了一般条件异方差模型参数的极大似然估计的强相合性和渐近正态性，该模型具有$α$稳定的新息。然后，我们放宽假设，只假设创新过程在分布上收敛于一个稳定的过程。利用具有稳定密度的伪极大似然估计，得到了估计的强相合性和渐近正态性。这一框架似乎适用于表现出厚尾的金融数据。我们将此方法应用于几个金融指标，并计算稳定的风险价值。
2012-12-28 math.ST stat.TH
Two likelihood-based semiparametric estimation methods for panel count data with covariates
本文考虑了半参数回归模型中具有"面板计数“数据的计数过程均值的估计。基本模型假设是计数过程的条件均值函数的形式为$E\{\mathbb{N}(t)|Z\}=\exp(β_0^TZ)Λ_0(t)$，其中$Z$是协变量向量，$Λ_0$是基线均值函数。"面板计数“观察方案涉及在随机数$K$的随机时间点观察个体的计数过程$\mathbb{N}$;这些时间点的数量和位置可能因个体而异。研究了基于非齐次泊松过程假设的未知参数$(β_0,Λ_0)$的半参数极大似然估计和极大似然估计。伪似然估计量相当容易计算，而最大似然估计量从计算的角度来看带来了更多的挑战。我们研究的渐近性质，这两个估计假设的比例平均模型成立，但下降的泊松过程的假设，用于推导估计。特别是，我们建立了渐近正态性的回归参数$β_0$的估计在适当的假设。结果表明，我们的估计程序是强大的，在这个意义上说，估计收敛到真理，无论潜在的计数过程。
2007-12-05 math.ST stat.TH
Strang Splitting for Parametric Inference in Second-order Stochastic Differential Equations
针对二阶随机微分方程参数估计中系统亚椭圆性和速度观测缺失的挑战，提出基于Strang分裂方案的估计器，适配完整与部分观测场景，证明其统计性质并通过数值与实际数据验证效果。
2025-03-26 math.ST stat.ME stat.TH
Regenerative block empirical likelihood for Markov chains
经验似然法是一种功能强大的半参数方法，在文献中得到越来越多的研究。然而，大多数作者基本上关注i.i.d.。设置.在依赖数据的情况下，经典的经验似然方法不能直接应用于数据，而是应用于捕捉依赖结构的连续数据块。对于满足混合条件的时间序列，提出了一种基于非随机长度递增块构造的经验似然推广方法。继一些最近的事态发展，在自举文献中，我们提出了一个大类的马尔可夫链，各种长度的小块的基础上的推广。我们的方法利用再生结构的马尔可夫链，这使我们能够构建块几乎是独立的（独立的原子的情况下）。我们证明了该方法对正常返马尔可夫链的渐近有效性，并给出了一些模拟结果。
2011-02-15 math.ST stat.TH
Inference problems in binary regression model with misclassified responses
如果忽略二元响应的错误分类，可能会严重偏倚回归参数的最大似然估计（MLE）。对于这样的数据，结合误分类概率的二元回归模型被研究人员广泛用于不同的应用背景。然而，该模型，遭受一个严重的估计问题，因为未知的误分类概率与回归参数的混淆。为了克服这一问题，除了主要样本外，建议使用内部验证数据。然而，最大似然估计（MLE）被发现有很大的偏见。进一步研究，我们提出了一个最大的伪似然估计方法，导致偏差减少。对于回归参数的推断，我们在标准假设下建立了最大伪似然估计的严格渐近理论。为了便于实现，提出了一个自举版本的估计，并证明了其分布一致性。这些结果的扩展也提供了更一般的误分类模型。模拟研究的结果令人鼓舞。该方法是说明与调查数据。
2020-09-25 math.ST stat.TH
Asymptotic analysis of maximum likelihood estimation of covariance parameters for Gaussian processes: an introduction with proofs
本文介绍了高斯过程协方差参数估计的渐近分析。考虑了极大似然估计。这一介绍的目的是要获得广大观众，并提出一些现有的结果和证明技术的文献。增加域和固定域的渐近设置。在增域渐近性下，证明了协方差参数的所有分量一般都能一致地用极大似然估计，且渐近正态性成立。相比之下，在固定域渐近下，只有构成微遍历参数的协方差参数的某些分量可以一致地估计。在固定域渐近下，考虑了各向同性Matérn协方差函数族的特殊情况.结果表明，只有方差和空间尺度参数的组合是微遍历的。给出了极大似然估计的相合性和渐近正态性证明。
2020-09-15 math.ST stat.TH
Decomposable Pseudodistances and Applications in Statistical Estimation
本文的目的是引入新的统计估计准则，适用于具有共同连续支持的模型的推断。这个建议是在一个新的兴趣发散为基础的推理工具，嵌入最经典的，如最大似然，卡方或Kullback Leibler的直线。一般的伪距离与可分解的结构被认为是，他们允许定义最小伪距离估计，而不使用非参数密度估计。详细地给出了一类特殊的α>0的伪距离，使得α \downarrow 0成为KulbackLeibler发散.相应的估计准则和渐近性质的研究。然后将估计方法扩展到回归模型。最后，基于蒙特卡罗模拟的一些例子进行了讨论。
2011-04-08 math.ST stat.TH
Robust Clustering with Normal Mixture Models: A Pseudo $β$-Likelihood Approach
针对正态混合模型似然估计鲁棒性差的问题，提出基于β似然的伪β似然鲁棒聚类方法，通过迭代重加权最小二乘同步实现聚类与异常检测，在模拟和真实数据上表现优于现有主流方法。
2023-12-19 math.ST stat.AP stat.ME
MMD-Bayes: Robust Bayesian Estimation via Maximum Mean Discrepancy
CREST（Crest研究中心）；ENSAE（法国国立统计与经济管理学院）；Institut Polytechnique de Paris（巴黎理工学院）；RIKEN Center for AI Project（理化学研究所人工智能项目中心）
在某些错误指定的设置中，贝叶斯统计中的后验分布可能导致不一致的估计。为了解决这个问题，已经建议用伪似然代替似然，伪似然是享受适当鲁棒性特性的损失函数的指数。在本文中，我们建立了一个伪似然最大均值离散的基础上，定义通过嵌入的概率分布到再生核希尔伯特空间。我们表明，这种MMD-Bayes后验是一致的和强大的模型误设定。由于以这种方式获得的后验可能是棘手的，我们还证明了合理的变分近似后享有相同的属性。我们提供的随机梯度算法来计算这些变分近似的细节。数值模拟确实表明，我们的估计是更强大的误指定比的基础上的可能性。
2019-12-11 cs.LG math.ST stat.ML
Splitting schemes and estimators for stochastic differential equations with Hölder multiplicative noise
University of Warwick（华威大学）
本文研究了具有局部Lipschitz漂移和Hölder连续乘性扩散的单变量随机微分方程的参数估计问题，提出了一种基于数值分裂方案的首个显式伪似然估计器，该方案在强均方收敛性和状态空间保持性方面优于传统的欧拉-马尔蒂内斯离散化方法，并通过模拟验证了其在准确性和计算效率上的优越性。
2026-06-17 math.ST stat.ME stat.TH
Increasing dimension asymptotics for two-way crossed mixed effect models
本文研究了双向交叉混合效应模型在行、列和单元格数趋于无穷时的最大似然和REML估计量，证明了其在无正态性假设下的渐近正态性及结构化协方差矩阵，且对行列增长率无限制。
2024-03-13 math.ST stat.ME stat.TH
