Deep Nonparametric Inference for Conditional Hazard Function
本文提出用深度神经网络逼近条件风险函数对数并进行非参数统计推断，建立了误差界与渐近正态性，并开发了拟合优度及治疗比较检验，模拟和实际数据均验证其优于现有方法。
2024-10-23 math.ST stat.ME stat.TH
Bootstrap inference for quantile-based modal regression
本文提出了基于分位数回归的条件模式统一推理方法。具体来说，我们提出了估计条件模式的估计条件分位数函数的导数最小化平滑的线性分位数回归估计定义，并开发了两个自助方法，一个新的枢轴自助和非参数自助，我们的条件模式估计。建立在高维高斯近似技术，我们建立了同时从两个引导方法的条件模式的置信矩形的有效性。我们还将前面的分析扩展到协变量向量的维数随样本量增加的情况。最后，我们使用美国工资数据进行模拟实验和真实数据分析，以证明我们的推理方法的有限样本性能。
2021-04-12 math.ST stat.ME stat.TH
Uniform Post Selection Inference for LAD Regression and Other Z-estimation problems
在具有同方差误差的高维稀疏中位数回归模型中，我们给出了回归系数的一致有效置信区域。我们的方法是基于一个时刻方程，免疫对非正规估计的滋扰部分的中位数回归函数，通过使用奈曼的正交化。我们建立了目标回归系数的工具中位数回归估计是渐近正态分布均匀相对于底层稀疏模型，是半参数有效的。我们还将我们的方法推广到一般的非光滑Z-估计框架，目标参数$p_1$的数量可能远大于样本量$n$。我们扩展胡贝尔的结果渐近正态性的设置，证明一致的渐近正态性的估计超过$p_1$维矩形，同时构建置信带的所有$p_1$的目标参数，并建立渐近有效性的乐队一致的基本近似稀疏模型。关键词：工具;后选择推理;稀疏性;奈曼正交评分检验;一致有效推理; Z-估计。
2020-10-18 econ.EM math.ST stat.ME
Flexible Inference for Winners with Conditional Validity
University of Michigan（密歇根大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；University of Southern California（南加州大学）
研究针对选择赢家后估计受赢家诅咒影响的问题，引入灵活条件推断方法，通过自适应指数随机化校正过度乐观，实现与标准前 k 选择相近的质量且置信区间更短，广泛适用于多种非参数设置。
2026-07-22 math.ST stat.ME stat.TH
Variance Reduced Median-of-Means Estimator for Byzantine-Robust Distributed Inference
Shanghai Jiao Tong University（上海交通大学）；New York University（纽约大学）
本文提出了一种高效的分布式推理算法，该算法对拜占庭节点的中等比例是鲁棒的，即分布式学习系统中的任意和可能的对抗机器。在稳健统计中，均值中值（median-of-means，简写为MEN）由于其易于实现和计算效率而成为对冲拜占庭故障的流行方法。然而，该估计量在统计效率方面存在不足。本文的第一个主要贡献是提出了一个方差缩减均值估计（VRSTO），它提高了统计效率比香草估计，是计算效率的计算。基于所提出的VRNTR估计，我们开发了一个通用的分布式推理算法，对拜占庭故障是强大的。从理论上讲，我们的分布式算法实现了一个快速的收敛速度，只有一个恒定的通信轮数。我们还提供了渐近正态性的结果，统计推断的目的。据我们所知，这是拜占庭鲁棒分布学习设置中的第一个正态结果。仿真结果也说明了我们的方法的有效性。
2021-03-04 cs.LG stat.ME stat.ML
The limits of distribution-free conditional predictive inference
我们考虑的问题，分布免费预测推理，目标是产生预测覆盖保证，有条件地，而不是边际。现有的方法，如保形预测提供了边际覆盖保证，其中预测覆盖率在所有可能的测试点上平均保持不变，但这对于许多实际应用来说是不够的，我们希望知道我们的预测对给定的个体是有效的，而不仅仅是对总体的平均。另一方面，确切的条件推理保证是不可能的，而不对底层分布施加假设。在这项工作中，我们的目标是探索这两者之间的空间，并研究什么类型的放宽条件覆盖属性将减轻一些实际问题与边际覆盖保证，同时仍然有可能实现在一个分布自由设置。
2020-04-15 math.ST stat.TH
Training-conditional coverage for distribution-free predictive inference
无分布预测推理领域提供了可证明有效的预测工具，而无需对数据分布进行任何假设，可以与任何回归算法配对，以提供准确可靠的预测区间。这些方法提供的保证通常是边际的，这意味着预测精度在训练数据集和查询的测试点上平均保持不变。然而，获得训练条件覆盖的更强保证可能是优选的，这将确保训练数据集的大多数抽取导致对未来测试点的准确预测准确度。已知该性质对于分裂共形预测方法是成立的。在这项工作中，我们研究了其他几种无分布预测推理方法的训练条件覆盖特性，并发现训练条件覆盖可以通过某些方法实现，但如果没有对其他方法的进一步假设，则无法保证。
2023-01-17 math.ST stat.TH
Estimating the null distribution for conditional inference and genome-scale screening
在解决多重检验问题的一种新方法中，Efron（2004; 2007）制定了适用于对数千个未受影响的基因、非相关单核苷酸多态性或其他生物学特征的数据建模的零分布下的检验统计量或标称p值的分布估计。零分布的估计不仅可以改进经验贝叶斯方法，而且可以改进许多其他多重比较方法。这样的估计作为建议的多重比较程序的基础上，最近的频率最小化后的预期损失的方法，举例说明了一个非加性的损失函数设计的基因组筛选，而不是验证。估计零分布的优点是检查的有利位置，条件推理的其余部分的文件。在基因组规模多重检验的模拟研究中，将估计的零分布作为近似从属统计量，对观察到的置信水平进行条件化处理，显著改善了条件推断。为了使研究人员能够确定是否依赖于一个特定的估计零分布进行推理或决策，提供了一个信息理论得分，量化了条件反射的好处。作为辅助程度和推理关联程度的总和，得分反映了条件作用在两个冲突项之间的平衡。基因表达微阵列数据的应用程序说明了所介绍的方法。
2009-10-05 math.ST stat.ME stat.TH
Nonparametric Conditional Inference for Regression Coefficients with Application to Configural Polysampling
我们认为推断程序，条件上观察到的从属统计量，为回归系数下的线性回归设置未知的误差分布指定非参数。在正则条件下，建立了回归系数估计的条件渐近正态性，并证明了条件推断过程中核型密度估计的插入方法.仿真结果表明，该方法在构造置信区间时，可以得到精确的条件覆盖概率。插件的方法可以应用于与神经多元采样，以获得强大的条件估计自适应对抗的对比方案。我们证明了这一点，通过调查的条件均方误差的位置估计在各种对抗的模拟研究，成功地扩展到一个非参数的背景下，几何多抽样。
2007-10-30 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
Inference for Extremal Conditional Quantile Models, with an Application to Market and Birthweight Risks
分位数回归是经济学和其他科学中越来越重要的经验工具，用于分析一组回归变量对结果的条件分布的影响。极值分位数回归，或应用于尾部的分位数回归，在许多经济和金融应用中很有意义，例如条件风险价值，生产效率和（S，s）模型中的调整带。在本文中，我们提供了可行的推断工具，极值条件分位数模型，依赖于极值近似的自归一化分位数回归统计分布。该方法易于实现，即使在非回归情况下也可以独立感兴趣。我们用两个实证例子来说明结果，分析股票收益的极端波动和活婴儿出生体重在250和1500克之间的极低波动。
2009-12-26 econ.EM math.ST q-fin.RM
Inference for Multi-Dimensional High-Frequency Data: Equivalence of Methods, Central Limit Theorems, and an Application to Conditional Independence Testing
我们发现了具有微观结构的高频金融数据的多维多尺度估计和核估计的渐近分布。采样时间允许是异步的和内源性的。在这个过程中，我们表明，类的多尺度和核估计平滑噪声扰动是渐近等价的意义上有相同的渐近分布相应的核和权函数。该理论导致多维稳定的中心极限定理和可行的版本。因此，他们允许绘制统计推断的广泛类别的多变量模型，铺平了道路，以测试和置信区间的风险度量任意组合组成的高频率观察的资产。作为一个应用程序，我们加强了方法来构建一个测试的假设，相关的资产是独立的条件下的一个公共因子。
2014-11-04 math.ST stat.TH
Conditional Expectation of a Markov Kernel Given Another with Some Applications in Statistical Inference and Disease Diagnosis
马尔可夫核在概率论和数理统计理论中起着决定性的作用，是σ域和统计概念的推广。独立性、充分性、完备性、辅助性或条件分布等概念以前已经扩展到马尔可夫核。本文引入了马尔可夫核给定另一个马尔可夫核的条件期望的概念，给出了它的第一个性质。提供了一种临床诊断的应用，获得了诊断测试的预测值的最优性。在一个统计框架中，这个新的概率工具被用来扩展到马尔可夫核的定理{Rao-Blackwell}和Lehmann-Scheffé。通过适当扩大概率族，顺便得到了一个关于充分统计量完备性的结果。作为统计学的最后一章，给出了非随机估计族完备性的一个结果的推广。
2018-11-09 math.ST stat.TH
Confidence intervals for median absolute deviations
本文针对中位数绝对偏差（MAD）提出区间估计方法，用于单总体离散度推断及两总体MAD比值与差值的比较，并通过模拟和部分影响函数验证了其覆盖概率与稳健性。
2024-08-04 math.ST stat.TH
Conditional Information and Inference in Response-Adaptive Allocation Designs
响应自适应分配设计是指一类设计，其中在整个实验过程中，基于累积的响应，观察值分配给处理的概率发生变化。此类程序导致随机处理样本量。目前大多数文献认为无条件推理程序的响应自适应分配设计的分析。这项工作的重点是推断条件的观察到的治疗样本量。信息的逆是对参数估计值的大样本方差的描述。导出了条件信息相对于无条件信息的一种简单形式。研究发现，条件信息可以大于无条件信息。它还表明，条件最大似然估计的方差可以小于无条件最大似然估计的方差。最后，一个有条件的引导程序的开发，在大多数情况下检查，导致较窄的置信区间比相关的无条件程序。
2019-09-18 stat.ME
Mean and median bias reduction in generalized linear models
本文提出了一个集成框架，用于使用调整后的评分方程从广义线性模型进行估计和推理，从而减少均值和中位数偏差。该框架统一了过去的平均偏差减少研究的理论和方法学方面，并以自然的方式容纳了中位数偏差减少的新进展。调整后的得分函数的一般表达式是根据在用于拟合广义线性模型的标准软件中容易获得的量导出的。由此产生的估计方程求解使用统一的准Fisher评分算法，该算法被证明是等效的迭代重新加权最小二乘法与适当调整的工作变量。建立了平均值和中位数偏倚减少迭代之间的正式联系。当需要估计色散参数时，核心模型的不变性被用来开发一种新的混合平差策略。它还表明如何中位数偏差减少多项逻辑斯谛回归可以使用等效的泊松对数线性模型。从均值和中位数偏差减少出来的估计被发现克服了与无限估计相关的实际问题，这些无限估计可能在具有多项或离散响应的广义线性模型中以正概率出现，并且即使在存在高维干扰参数的情况下也可以导致有效的推断
2019-01-12 stat.ME
Conditional Predictive Inference for Missing Outcomes
针对协变量偏移下多结果条件预测推断的分箱MAR假设违反问题，提出倾向得分ε离散化策略与pro-CP方法，实现无分布的分箱条件覆盖率控制与有效预测。
2025-07-31 stat.ME
Median bias reduction in random-effects meta-analysis and meta-regression
在荟萃分析中，随机效应模型常用于综合不同研究的信息。虽然基于似然性的推理在限制属性和实施方面都很有吸引力，但其在随机效应荟萃分析中的应用可能会导致误导性结论，特别是当研究数量较少时。目前的文件显示，如何减少渐近偏差的极大似然估计的方差分量的方法，也可以大大提高推断的平均效应大小。这些结果是针对随机效应荟萃回归的更一般框架得出的，该框架允许平均效应大小随研究特定协变量而变化。
2018-05-23 stat.AP stat.ME
Inference conditional on selection: a review
Williams College（威廉姆斯学院）；University of Washington（华盛顿大学）
本文综述了选择推断，用于数据函数的统计问题推断，讨论了三种需选择推断的案例，并通过模拟和单细胞RNA测序数据应用展示方法。
2026-04-10 stat.ME
Characterizing the Training-Conditional Coverage of Full Conformal Inference in High Dimensions
本文研究高维比例渐近机制下全共形回归的训练条件覆盖性质，证明其覆盖率集中于目标值，而简单替代方法存在欠覆盖偏差，并表明该方法在调整正则化水平时冗余，模拟验证了渐近近似的准确性。
2025-02-27 math.ST stat.TH
Statistical Inference for distributions with one Poisson conditional
我们记得经典的二元正态分布有正态边缘和正态条件。这是自然的问是否可以遇到类似的现象，涉及泊松边缘和条件。参考Arnold，Castillo和Sarabia（1999）关于条件指定模型的书，可以确认只有在变量独立的情况下，才会遇到泊松边缘，同时两个条件都是泊松形式。相反，在这篇文章中，我们将集中在二元分布与一个边缘和其他家庭的条件是泊松形式。这种分布称为伪泊松分布。我们讨论了这种模型的分布特征，探索推理方面，包括一个例子的应用程序的伪泊松模型的过度分散的数据集。
2020-09-02 stat.AP stat.ME
A New One Parameter Unit Distribution: Median Based Unit Rayleigh (MBUR): Parametric Quantile Regression Model
本文提出了一种名为MBUR的单参数单位瑞利新分布，构建了参数化分位数回归模型，通过重新参数化的极大似然函数进行参数估计，并结合真实数据集验证了推断与拟合优度。
2025-10-11 math.PR stat.ME
Adaptive inference with random ellipsoids through Conformal Conditional Linear Expectation
本文在多变量回归框架下提出两种基于残差与输入点协方差分析的新conformity scores，构建显式椭球预测集，证明其渐近性质及体积缩减优势，并在数值研究中验证有效性。
2025-06-27 math.PR math.ST stat.TH
Conditional inference in parametric models
本文提出了一种新的方法，条件推理的基础上模拟的样本条件的统计数据。还提供了一个显式表达式的近似的条件可能性的长期运行的样本所观察到的统计量。它表明，当条件统计量是足够的一个给定的参数，近似密度仍然是不变的参数。提出了一种新的Rao-Blackwellisation方法，仿真结果表明Lehmann-Scheffé定理对这种近似是有效的。本文还研究了带干扰参数的指数族的条件推理，并给出了蒙特卡罗检验。最后考虑了通过条件似然估计感兴趣的参数。与参数bootstrap方法进行了比较。
2012-02-05 stat.AP
Tailored inference for finite populations: conditional validity and transfer across distributions
子总体的参数可能比超总体的参数更相关。例如，医疗保健提供者可能对治疗计划对其患者的特定子集的影响感兴趣;政策制定者可能关心政策在特定人群中的特定状态的影响。在这些情况下，重点是一个特定的有限人口，而不是一个无限的超级人口。这样的总体可以通过固定它们固有的一些属性来表征，留下无法解释的变化，如随机的测量误差。对具有固定属性的总体的推断可以建模为条件分布的推断参数。因此，期望置信区间对于实现的总体是有条件有效的，而不是在许多可能的总体抽取上边缘化。我们提供了一个统计推断框架的参数有限的人口与已知的属性。利用属性信息，我们的估计量和置信区间紧密地针对特定的有限总体。当数据来自感兴趣的总体时，我们的置信区间达到给定属性的渐近条件有效性，并且比超总体推断的置信区间短。此外，我们开发的程序来推断新的人口与不同的协变量分布的参数，置信区间也是有条件的新人口在温和的条件下有效。我们的方法扩展到固定信息具有较弱结构或仅部分观察到的情况。我们使用模拟和真实世界的数据证明了我们的方法的有效性和适用性。
2023-03-20 stat.ME
Median Regularity and Honest Inference
我们引入了一个新的概念，称为中位数正则性估计的规律性。我们证明了一致有效的（诚实的）推理的功能是可能的，当且仅当存在一个中位数定期估计的功能。据我们所知，这样一个概念的规律性是必要的一致有效的推理是在文献中不可用。
2022-06-07 math.ST stat.ME stat.TH
Adaptive inference for a semiparametric generalized autoregressive conditional heteroskedasticity model
本文研究了半参数广义自回归条件异方差（S-GARCH）模型。对于该模型，首先用核估计估计量估计无条件方差的时变长期分量，然后用拟极大似然估计量估计GARCH型短期分量中的非时变参数.我们证明了QMLE是渐近正态的，且具有参数收敛速度。其次，我们构造了线性参数约束的拉格朗日乘子检验和模型检验的组合检验，得到了它们的渐近零分布。我们的整个统计推断过程适用于非平稳数据，具有两个重要特征：第一，我们的QMLE和两个测试是自适应的未知形式的长期组件;第二，我们的QMLE和两个测试共享相同的效率和测试功率的方差目标方法时，S-GARCH模型平稳。
2020-10-02 econ.EM stat.ME
lpcde: Estimation and Inference for Local Polynomial Conditional Density Estimators
本文介绍R包lpcde，实现基于局部多项式平滑的条件分布、密度及其导数的估计与推断，提供最优带宽选择、稳健偏差校正的不确定性量化及正则化密度估计，并与现有开源包对比验证其功能。
2025-03-07 stat.AP stat.CO stat.ME
Post-selection inference for linear mixed model parameters using the conditional Akaike information criterion
我们研究了线性混合模型中固定参数和混合参数的后选择推断问题，使用条件赤池信息准则作为模型选择过程.在线性混合模型的框架内，我们发展了完整的理论来构建置信区间的回归和混合参数在三个框架：嵌套和一般模型集以及误指定的模型。我们的理论分析是伴随着一个模拟实验和后选择检查平均收入在加利西亚的县。我们的数值研究证实了我们的新程序的良好性能。此外，他们揭示了一个惊人的鲁棒性的模型错误指定的一个天真的方法来构建的置信区间的混合参数，这是在对比我们的研究结果的固定参数。
2021-09-22 stat.AP stat.CO stat.ME
More Powerful and General Selective Inference for Stepwise Feature Selection using the Homotopy Continuation Approach
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
条件选择性推理作为一种新的数据驱动假设的统计推断框架，已经得到了广泛的研究。条件SI的基本思想是使推理以一组线性和/或二次不等式为特征的选择事件为条件。条件SI主要在特征选择的背景下进行研究，例如逐步特征选择（SFS）。现有的条件SI方法的主要限制是由于过度调节而导致的功率损失，这是计算易处理性所必需的。在这项研究中，我们开发了一个更强大的和一般的条件SI方法SFS使用同伦方法，使我们能够克服这一限制。基于同伦的SI对于更复杂的特征选择算法特别有效。作为一个例子，我们开发了一个有条件的SI方法与AIC为基础的停止标准的前向-后向SFS，并表明它不会受到算法复杂性增加的不利影响。我们进行了几个实验来证明所提出的方法的有效性和效率。
2021-04-22 cs.LG stat.ML
Conditional inference for high-dimensional multi-omics survival data
SKLMS, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）；School of Statistics, University of International Business and Economics（对外经济贸易大学统计学院）；School of Mathematics and Statistics, Central China Normal University（华中师范大学数学与统计学学院）
针对多组学生存数据中层级相关及高维参数推断难题，提出 MOFA-Cox 模型与因子调整去相关得分检验，并证明其零分布与局部功效。
2025-10-06 stat.ME
Convex and Non-convex Approaches for Statistical Inference with Class-Conditional Noisy Labels
我们研究了在观测标签中含有类条件噪声的逻辑斯谛回归的估计和检验问题，这在正未标记（PU）学习环境中具有重要意义。标签噪声问题属于广义线性模型（GLM）的一个特殊子类，我们讨论了解决这个问题的凸和非凸方法。基于极大似然估计的非凸方法可以得到具有多个最优性质的估计量，而凸方法在优化方面具有明显的优势。我们证明了在低维设置，这两个估计是一致的和渐近正态的，其中的非凸估计的渐近方差小于凸对应。我们还量化了效率差距，这提供了深入了解这两种方法是可比的。在高维设置中，我们表明，这两个估计程序实现$\ell_2$ -在温和的条件下，在极小极大最佳$\sqrt{s\log p/n}$率一致。最后，我们提出了一个推理过程中使用的去偏置方法。我们通过模拟和真实数据的例子验证我们的理论研究结果。
2020-08-12 stat.ME
Predicting Conditional Quantiles via Reduction to Classification
Toyota Technological Institute（丰田技术学院）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）
我们展示了如何减少预测一般顺序统计量（特别是中位数）的过程来解决分类问题。附带的理论陈述表明，在分位数损失下，分类器的遗憾限制了分位数回归的遗憾。我们还在大型现实数据集上对现有的分位数回归方法进行了经验测试，发现它提供了最先进的性能。
2012-06-27 cs.LG stat.ML
Prediction-Powered Conditional Inference
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种预测驱动的条件推断方法，在标记数据稀缺的情况下利用机器学习预测器和未标记协变量，通过局部化与方差缩减技术提高统计效率，实现更精确的置信区间估计。
2026-09-01 cs.LG stat.ML
Multiscale Adaptive Inference on Conditional Moment Inequalities
本文考虑了条件矩不等式模型的多尺度统计推断。我们推导了这个检验统计量的渐近分布，并利用这个结果提出了具有简单解析公式的可行临界值，证明了一个改进的Bootstrap方法的渐近有效性。渐近分布是极值，证明使用了新的技术，克服了几个技术障碍。该测试检测本地替代品的方法，在广泛的一类模型中的可用测试中以最好的速度确定的集合，并适应数据生成过程的平滑特性。我们的研究结果也有影响，在这种情况下使用的时刻选择程序。我们提供了一个蒙特卡罗研究和一个经验说明的推断在一个回归模型与内生删失和缺失数据。
2015-12-08 stat.AP
Conformal Inference of Individual Treatment Effects Using Conditional Density Estimates
Binghamton University（宾汉姆顿大学）
本文提出一种利用条件密度估计的ITE保形推断方法，通过两阶段框架和参考分布技术，构建了比现有方法更窄且边际有效的预测区间。
2025-01-24 cs.LG stat.ML
Conditional inference on the asset with maximum Sharpe ratio
本文基于Lee等人的方法，研究了对具有最大样本夏普比率资产的信号噪声比进行推断，提出多变量夏普比率标准误差的近似值，并探讨了多种替代检验方法，结果显示条件推断在名义一型错误率下表现良好。
2026-05-13 q-fin.PM q-fin.ST stat.AP
Score Permutation Based Finite Sample Inference for Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) Models
Institute for Computer Science and Control (SZTAKI)（计算机科学与控制研究所（SZTAKI））；Hungarian Academy of Sciences (MTA)（匈牙利科学院（MTA））
（条件）异方差的标准模型，即，广义自回归条件异方差（GARCH）模型是指过程的方差随时间变化的现象，它在经济学和金融学中具有重要意义。GML模型通常由准极大似然（QML）方法估计，该方法在温和的统计假设下工作。在这里，我们提出了一个有限样本的方法，称为ScoPe，构建分布免费的置信区域周围的QML估计，有确切的覆盖概率，尽管没有额外的假设矩。ScoPe的灵感来自于最近开发的符号扰动和（SPS）方法，但不能应用于Gynecology的情况。ScoPe的工作原理是使用随机排列的残差扰动得分函数。这产生了导致精确置信区域的替代样本。模拟和股票市场的数据上的实验也提出了，和Scope相比，渐近理论和自助方法。
2018-07-23 cs.LG econ.EM math.DS
Inference for Sparse Conditional Precision Matrices
给予$n$ i.i.d.本文研究了随机向量$(X,Z)$的条件逆协方差阵$Ω(z) = (E[(X-E[X \mid Z])(X-E[X \mid Z])^T \mid Z=z])^{-1}$的估计问题，其中$X$是一个高维向量，$Z$是一个低维指标变量.我们开发了一种新的方法，结合局部常数平滑和组Lasso的思想来估计条件逆协方差阵。采用近似迭代光滑算法求解相应的凸优化问题。我们证明，我们的程序恢复的条件独立性假设的分布$X \mid Z$具有很高的概率。这一结果是建立一个统一的偏差范围的高维条件协方差阵从其人口的对应，这可能是独立的利益。此外，我们开发逐点置信区间的条件逆协方差阵的各个元素。我们进行了广泛的模拟研究，我们证明，我们提出的程序优于明智的竞争对手。我们说明了我们的建议，标准普尔500指数的股票价格数据集。
2014-12-24 stat.ML
Weighted KS Statistics for Inference on Conditional Moment Inequalities
本文提出了条件矩不等式模型的置信区域，该模型使用Kolmogorov-Smirnov统计量，并采用截断逆方差加权和增加截断点.新的加权不同于文献中提出的在两个重要方面。首先，基于KS检验和我提出的加权函数的置信区域以比基于广泛模型类别中有界加权函数的现有程序更快的速度收敛到已识别集。这提供了一个理论上的理由，在这种情况下，逆方差加权，并与条件矩等式中的最佳加权只影响渐近方差的类似结果。第二，新的权重改变了KS统计量本身的渐近行为，包括收敛速度，这就需要一个新的渐近理论来选择临界值，我提供了这个理论。为了进行这些比较，我得出收敛速度的置信区域，我提出了新的结果，现有的估计收敛速度下的一般条件。一系列例子说明了这些条件的广泛适用性。蒙特卡罗研究检验了置信区域的有限样本行为。
2011-12-05 stat.AP
Bayesian Inference on Multivariate Medians and Quantiles
本文考虑了在Dirichlet过程先验下联合分布的多元中位数和多元分位数泛函的贝叶斯推断。由于，不像单变量分位数，多元中位数和多元分位数的确切后验分布是不能明确获得的，我们研究这些分布渐近。我们得到了多元$\ell_1$ -中位数关于一般$\ell_p$ -范数的Bernstein-vonMises定理，特别是证明了它的后验概率在$n^{-1/2}$ -速率下集中在它的真值附近，并且它的可信集具有渐近正确的频率论覆盖.特别是，渐近正态性的经验多元中位数一般$\ell_p$ -范数的结果也来自过程中的证明，从文献中的情况下$p=2$的结果扩展到一般的$p$。该技术涉及近似后狄利克雷过程的贝叶斯自助过程，并推导出一个条件Donsker定理。我们还获得了类似的结果的仿射等变版本的多变量$\ell_1$ -中位数的基础上的自适应变换和再变换技术。将所得结果推广到多元分位数的联合分布。通过仿真研究证实了渐近结果的准确性。我们还使用的结果，以获得贝叶斯可信区域的多元中位数费舍尔的虹膜数据，其中包括四个功能测量的三种植物物种。
2019-09-23 math.ST stat.TH
Generalized Median of Means Principle for Bayesian Inference
本文将均值中位数原理扩展至贝叶斯框架，提出鲁棒后验分布概念，量化其对异常值的鲁棒性，证明其满足Bernstein-von Mises定理，并在应用中表现良好。
2024-10-11 math.ST stat.TH
Extended Conditional Independence and Applications in Causal Inference
本文的目标是将随机条件独立性和变异条件独立性的概念整合到一个更一般的扩展条件独立性的概念之下。我们表明，在适当的假设下，分别适用于这两种情况（公理的分离体）的微积分仍然适用于扩展的情况。这些结果提供了一个严格的基础，广泛的统计概念，包括辅助性和充分性，特别是决策理论框架的统计因果关系，它使用的语言和演算的条件独立性，以表达因果属性，并作出因果推断。
2015-12-01 math.ST stat.ME stat.TH
Robust Optimization and Inference on Manifolds
我们提出了一个强大的和可扩展的程序，一般的优化和推理问题的流形上利用经典的思想“中位数”估计。这是由现代数据科学中无处不在的例子和应用所激发的，其中统计学习问题可以被转换为流形上的优化问题。在解决鲁棒性和可扩展性需求的同时，能够结合底层几何进行推理，这是一个巨大的挑战。我们解决这些挑战，首先证明一个关键的引理，刻画了一些重要性质的几何中位数流形。反过来，这使我们能够在随后的定理中证明我们提出的最终估计量的鲁棒性和更紧密的集中度。该估计量通过在流形上取其几何中值来聚集子集估计量的集合。我们通过计算明确的例子说明这个估计的界限。的鲁棒性和可扩展性的过程中示出的数值例子模拟和真实的数据集。
2020-06-11 math.ST stat.ME stat.TH
Conditional inferential models: combining information for prior-free probabilistic inference
推理模型（IM）框架提供了有效的无先验概率推理，专注于预测未观察到的辅助变量。但是，当辅助变量具有比参数更高的维度时，有效的基于IM的推断可能是具有挑战性的。在这里，我们表明，辅助变量的功能往往是完全观察到的，在这种情况下，同时降维和信息聚合可以通过调节来实现。这一建议的条件策略导致有效的IM推理，并投下新的光费舍尔的概念，充分性，条件，贝叶斯推理。提出了一种微分方程驱动的条件关联选择方法，并在一定条件下证明了条件关联的有效性。对于不承认一个有效的条件IM的标准式的问题，我们提出了一个更灵活的类的条件IM本地化的基础上。文中还给出了二元正态模型和正态方差分量模型中局部条件内模的例子。
2014-02-11 math.ST stat.ME stat.TH
Linearity-Inducing Priors for Poisson Parameter Estimation Under $L^{1}$ Loss
本文构造了一类新的先验分布族，使泊松参数估计在$L^{1}$损失下的最优贝叶斯估计量（条件中位数）可为任意满足正则条件的递增函数，并首次给出除共轭先验外的显式描述。
2025-05-27 cs.IT math.IT math.ST
Marginal and Conditional Multiple Inference for Linear Mixed Model Predictors
尽管其高度的实际意义，集群特定的多重推理的线性混合模型预测几乎没有得到解决。虽然总体参数的边际推断是很好理解的，但聚类特定预测因子的条件推断更为复杂。这项工作介绍了一个一般的框架，在线性混合模型的集群特定的预测多重推理。在边际法和条件法下构造了多重推理的一致置信集。此外，它表明，值得注意的是，相应的多重边际置信集也是渐近有效的条件推理。这些方法适用于使用标准分位数检验线性假设，而不需要重新采样技术。所有发现都在模拟中得到了验证，并在一项关于美国州立监狱新冠肺炎死亡率的研究中得到了说明。
2022-02-16 math.ST stat.TH
Causal inference under transportability assumptions for conditional relative effect measures
本文研究在条件相对效应度量可迁移性假设下，识别和估计目标人群的边际反事实均值差与比值，提出多重稳健且非参数有效的估计量，并通过模拟和帕利哌酮试验数据验证其有效性。
2024-07-17 math.ST stat.ME stat.TH
Conditional Inference with a Functional Nuisance Parameter
本文证明了矩条件模型的假设检验问题在没有任何关于辨识的假设的情况下可以看作是一个具有无限维冗余参数的检验问题。我们引入了一个充分统计量这个冗余参数，并提出了条件检验。这些条件检验对于一大类模型和检验统计量具有一致正确的渐近大小。我们应用我们的方法来构建基于准似然比统计的测试，我们表明，这是有效的强识别模型和现有的替代品在两个例子中表现良好。
2014-09-22 math.ST stat.TH
Objective Bayes, conditional inference and the signed root likelihood ratio statistic
分析了符号根似然比统计量的贝叶斯性质。一阶概率匹配的条件是通过检查贝叶斯后验和频率统计的手段。二阶匹配条件所示，从匹配的贝叶斯后验和频率方差的均值调整版本的签署根统计。推导并讨论了从属统计量模型中条件概率匹配的条件。
2015-03-19 math.ST stat.TH
Conditional predictive inference for stable algorithms
我们调查一般适用和直观吸引力的预测区间的基础上$k$倍交叉验证。我们专注于建议的区间的条件覆盖概率，给定训练样本中的观察结果（因此，训练条件有效性），并表明它在适当的意义上接近标称水平，前提是用于计算点预测的基础算法在省略特征-响应对时足够稳定。我们的研究结果是基于有限样本分析的经验分布函数的$k$倍交叉验证残差，并保持在非参数设置只有最小的假设上的误差分布。为了说明我们的结果，我们还将其应用于高维线性预测，在那里我们获得一致的渐近训练条件有效性，因为样本量和维度都以相同的速率趋于无穷大，并且一致的参数估计通常失败。这些结果表明，尽管存在着严重的问题，restling程序推断的未知参数（参见。Bickel和Freedman，1983; El Karoui和Purdom，2018; Mammen，1996），交叉验证方法可以成功地应用于获得可靠的预测推理，即使在高维和有条件的训练数据。
2022-05-12 math.ST stat.TH
Conditional Predictive Inference for General Structured Data with Group Symmetries
University of Chicago（芝加哥大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
本文研究了具有群对称性的数据的无分布预测推断，旨在建立超越可交换性的近条件覆盖保证。虽然许多预测推断方法可以达到目标覆盖水平，但大多数只能提供边缘覆盖。在实践中，条件预测推断更受青睐，因为它可以量化给定观察属性的黑盒预测的不确定性，从而适应异质性。尽管许多努力旨在实现高效的条件覆盖，但现有方法通常依赖于i.i.d.或可交换假设，这在结构数据如网络、聚类和成像数据中常常被违反。最近，SymmPI引入了一种在超越可交换性的情况下进行预测推断的统一方法；然而，其保证仍然只是边缘的，并不考虑总体异质性。为了填补这一差距，我们引入了C-SymmPI框架，该框架在具有群对称性的通用数据结构下实现近条件覆盖，超越了可交换性，覆盖网络、聚类级数据及相关结构。受放松多准确性启发，我们的方法将条件覆盖重新公式化为用户指定的功能类上的误覆盖误差。我们在分布不变性和分布转移下建立了理论保证，并推导了线性和RKHS函数类的收敛速率，将最先进结果作为可交换情况的特例恢复。为了计算效率，我们开发了两种变体：一种基于投影的算法用于高维观测，另一种基于采样的算法用于大或无限群。我们在分层和网络数据上展示了有效性。实验证果表明，C-SymmPI相比现有方法提供了更具信息性和稳定性的条件覆盖，精度有所提高。
2026-05-18 math.ST stat.ME stat.ML
Multivariate saddlepoint approximations in tail probability and conditional inference
我们将已知的鞍点尾概率近似扩展到多变量情况，包括多变量条件情况。我们的近似适用于连续和格变量，并需要存在一个累积量生成函数。该方法适用于一些例子，包括一个真实的数据集，从子宫内膜癌的病例对照研究。该方法包含较少的条款，更容易实现比现有的方法，同时显示出与这些方法的准确性。
2010-11-26 math.ST stat.TH
Large sample properties of the regression depth induced median
回归深度的概念已经在文献中被引入和研究。最著名的回归深度（Regression depth，RD）是Tukey location depth（Tukey（1975））在回归中的直接推广。与其位置对应物一样，回归中深度概念的最显着优点是直接引入多维设置中回归参数的最大（或最深）回归深度估计（又名深度诱导中位数）。经典的问题回归深度诱导中位数包括（i）它是一个一致的估计（或更确切地说，在什么充分条件下，它是一致的）？及（ii）是否有任何限制分布？Bai和He（1999）（BH 99）率先尝试回答这些问题。在（i）设计点、（ii）给定$\bs{x}_i$的$y$的条件分布和（iii）误差分布的一些严格条件下，BH 99证明了深度诱导中值的强一致性。在另一组条件下，BH 99证明了估计量极限分布的存在性。本文在不满足BH 99中任何严格条件的情况下，建立了深度诱导中位数的强相合性，并利用充分条件和一种不同于BH 99的方法证明了估计量极限分布的存在性.
2020-07-09 math.ST stat.TH
