FDP control in multivariate linear models using the bootstrap
本研究针对多元线性模型中多对比的错误发现比例事后推断问题，结合自助法与现有事后推断界，通过林德伯格中心极限定理证明相合性，实现FDP同时渐近控制，功效优于现有参数方法，并在影像与转录组数据上验证有效。
2022-09-20 math.ST stat.ME stat.TH
High-dimensional bootstrap and asymptotic expansion
Graduate School of Mathematical Sciences, University of Tokyo（东京大学大学院数学系研究科）；CREST, Japan Science and Technology Agency（日本科学技术振兴机构 CREST）
本文研究高维情况下自助法的覆盖概率渐近展开，发现第三矩匹配野自助法在无学生化时具有高维优势，且双野自助法对协方差结构不敏感。
2026-03-16 math.PR math.ST 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
Volterra bootstrap: Resampling higher-order statistics for strictly stationary univariate time series
我们关注的是时间序列泛函的非参数假设检验。众所周知，流行的自回归筛选自助法，在一般情况下，是无效的统计数据的（渐近）分布取决于阶数高于2的时刻，无论数据是否来自线性时间序列或非线性。受非线性系统理论的启发，我们通过引入基于Volterra级数表示的过程的高阶自举方案来规避这种非有效性。为了有效地估计这种表示的系数，我们依赖于再生核希尔伯特空间中的Volterra算子的替代公式。我们执行多项式核回归，它与输入维度呈线性关系，与非线性程度无关。我们说明了建议的Volterra表示为基础的自举程序在模拟研究中，我们认为严格平稳的线性和非线性过程的适用性。
2020-10-20 stat.ME
Bootstrapping the Kaplan-Meier Estimator on the Whole Line
本文证明了Efron（1981）的Bootstrap方法在生存函数的全支撑下Kaplan-Meier估计的相合性。虽然其他作品解决了估计本身的渐近高斯性而不限制时间（例如Gill，1983，Ying，1989），但我们可以为整个生存函数构建基于Bootstrap的时间同步置信带。其他的实际应用包括基于Bootstrap的平均剩余寿命函数或洛伦兹曲线的置信带，以及基尼指数的置信区间。
2016-05-18 math.ST stat.TH
Robust Inference via Multiplier Bootstrap
本文研究了两个基本的统计推断问题的理论基础，置信集的建设和大规模的同时假设检验，在重尾数据的存在。对于重尾观测噪声，以样本均值为代表的基于最小二乘的方法的有限样本性质在理论上和经验上都是次优的。在本文中，我们证明了自适应Huber回归，结合乘数引导程序，提供了一个有用的鲁棒替代最小二乘法的最小二乘法。我们的理论和实证结果揭示了所提出的方法的有效性，并强调了具有强大的重尾推理方法的重要性。
2019-03-18 math.ST stat.ME stat.TH
Robust, scalable and fast bootstrap method for analyzing large scale data
在本文中，我们解决的问题，执行统计推断的大规模数据集，即，大数据数据的量和维度可能非常高，以至于无法在单个计算节点中处理或存储。我们提出了一个可扩展的，统计上强大的和计算效率的引导方法，与分布式处理和存储系统兼容。Bootstrap重采样是在多个不相交的数据子集上使用较少数量的不同数据点构建的，类似于小Bootstrap方法（BLB）[1]。然后，通过避免重新计算每个自助样本的估计量，实现了显着节省计算。相反，计算高效的固定点估计方程通过遵循快速稳健自举方法（FRB）的智能近似解析求解[2]。我们提出的自举方法有利于使用高度稳健的统计方法在分析大规模数据集。有利的统计特性的方法建立分析。数值算例表明，该方法在分析大数据集时具有可扩展性、低复杂度和稳健的统计性能。
2015-04-12 cs.IR cs.IT math.IT
Robust Sensitivity Analysis via Augmented Percentile Bootstrap under Simultaneous Violations of Unconfoundedness and Overlap
本文提出一种统一且灵活的敏感性分析框架，在放宽无混杂性和重叠性假设的基础上，通过线性规划计算最坏情况界限，并引入增强百分位自助法进行统计推断，以稳健地估计重叠加权平均处理效应。
2025-09-16 stat.ME
High-dimensional Data Bootstrap
本文综述了近年来高维Bootstrap的研究进展。我们首先回顾高维中心极限定理分布的样本均值向量的矩形，自举一致性结果在高维，和关键技术用于建立这些结果。然后，我们审查选定的应用程序的高维引导：建设的同时置信集的高维向量参数，多个假设检验通过逐步下降，后选择推理，交叉界限部分确定的参数，并在政策评估的最佳政策的推断。最后，我们还对未来的研究方向进行了展望。
2022-05-19 econ.EM math.ST stat.TH
Improved Central Limit Theorem and bootstrap approximations in high dimensions
本文讨论了高维极大统计量分布的高斯近似和自举近似。该统计量以独立随机向量之和的各分量上的最大值的形式出现，其分布在许多高维计量经济学问题中起着关键作用。利用一种新的迭代随机化Lindeberg方法，本文得到了分布逼近误差的新的界。这些新的界限大大改善现有的，同时允许更大的一类引导方法。
2022-05-29 econ.EM math.ST stat.TH
Nonparametric Inference via Bootstrapping the Debiased Estimator
在本文中，我们提出了通过自举的去偏核密度估计（密度估计）和去偏局部多项式回归估计（回归分析）构造置信带。Calonico等人（2018 b）最近采用了使用去偏估计量的想法，通过显式估计随机变化来构建给定点处密度函数（和回归函数）的置信区间。我们扩展了他们的想法，使用去偏估计，并进一步提出了一个自举方法，同时构建置信带。这种改进方法的优点是，我们可以很容易地从传统的带宽选择器选择平滑带宽和置信带将是渐近有效的。我们证明了自举置信带的有效性，并将其推广到密度水平集和逆回归问题。仿真研究证实了建议的置信带/集的有效性。我们将我们的方法应用于天文数据集，以显示其适用性
2019-06-04 math.ST stat.ME stat.TH
Central limit theorems and bootstrap for sparse regularized multimarginal optimal transport and barycenters
University of Southern California（南加州大学）；Columbia University（哥伦比亚大学）；California Institute of Technology（加州理工学院）
针对高维多样本Wasserstein重心估计，提出稀疏正则化多边际最优传输方法以避免熵正则化的质量过度扩散，并建立了相合性、中心极限定理与自助法有效性，数值实验验证其结构保持优势。
2026-09-10 math.ST stat.TH
Fast Simultaneous Training of Generalized Linear Models (FaSTGLZ)
Columbia University（哥伦比亚大学）
我们提出了一种有效的算法，用于同时训练稀疏广义线性模型来解决许多相关问题，这些问题可能来自自举、交叉验证和非参数排列测试。我们的方法利用冗余的问题，以获得显着的计算改进相对于解决问题的顺序由传统的算法。我们在一些真实世界的数据集上展示了我们的快速同时训练广义线性模型（FaSTGLZ）算法，并且我们运行了计算密集型的自举和排列测试分析，这些分析通常是获得统计上严格的分类结果和有意义的解释所必需的。代码可以在http://liinc.bme.columbia.edu/fastglz上免费获得。
2013-07-31 cs.LG stat.ML
Uncertainty Quantification Under Group Sparsity
在群体稀疏下，惩罚回归中的不确定性的量化是一个重要的开放问题。在高维尺度下，假设高斯误差模型和设计矩阵及真系数的温和条件，我们建立了一种改进的参数自举方法对群套索的渐近有效性.自举样本的模拟提供了对大组系数的同时推断。通过大量的数值比较，我们证明了我们的引导方法比流行的竞争对手表现得更好，突出了其实用性。将理论结果推广到其他块范数惩罚和亚高斯误差，进一步拓宽了潜在的应用。
2017-06-04 math.ST stat.ME stat.TH
High-dimensional Simultaneous Inference on Non-Gaussian VAR Model via De-biased Estimator
高维非高斯时间序列的同时推理一直被认为是一个具有挑战性的问题。这类任务不仅要求对随机过程中的系数进行稳健估计，而且要求导出因变量之和的极限分布。本文提出了一种乘子自举方法来同时推断高维非高斯向量自回归（VAR）模型中的转移系数。这种引导辅助过程允许时间序列的维度在观测数量上以指数方式快速增长。作为一个检验统计量，构造了一个用于同时推断的去偏估计量。与传统的去偏/去稀疏化Lasso估计器不同，鲁棒凸损失函数和归一化权重函数被用来避免分布尾部的任何不利行为。我们发展了VAR模型的高斯近似理论，得到了去偏估计的渐近分布，并提出了一个乘子自举辅助的方法，在非常温和的矩条件下得到了新息的临界值。作为各种估计的收敛性分析的重要工具，我们建立了有界VAR模型的Bernstein型概率集中不等式。数值实验验证了所提方法的有效性。
2021-11-02 stat.ME
Bootstrapping $\ell_p$-Statistics in High Dimensions
本文考虑一种新的Bootstrap方法来估计高维$\ell_p$ -统计量的分布，即$n$独立的$d$ -维随机向量之和的$\ell_p$ -范数与$d \gg n$和$p \in [1, \infty]$的分布.我们提供了一个非渐近表征的抽样分布的$\ell_p$ -统计量的高斯近似的基础上，并表明自举程序是一致的，在Kolmogorov-Smirnov距离在温和的条件下的协方差结构的数据。作为一般理论的一个应用，我们提出了一个自举假设检验的同时推理的高维均值向量。我们建立了它的渐近正确性和一致性下的高维替代品，并讨论了电源的测试以及相关的置信集的大小。我们说明了模拟数据的引导和测试过程。
2020-08-17 econ.EM math.PR math.ST
Composite goodness-of-fit test with the Kernel Stein Discrepancy and a bootstrap for degenerate U-statistics with estimated parameters
Technical University of Munich（慕尼黑工业大学）；University of Geneva（日内瓦大学）
本文提出了一种基于核Stein偏差和bootstrap的复合拟合检验，用于退化U统计量与估计参数的检验，推导了其渐近分布并提供了通用的bootstrap框架。
2026-02-21 math.ST stat.TH
A high dimensional Central Limit Theorem for martingales, with applications to context tree models
对于维数随鞅长$n$而增长的多元鞅序列，建立了一个中心极限定理.结果的一个后果是高斯耦合和乘数的最大值的多元鞅的维数$d$可以作为大的$e^{n^c}$为某些$c>0$的自助。我们还开发了新的反浓度界限的最大分量的高维高斯向量，我们相信是独立的利益。结果适用于各种设置。我们充分开发其使用的上下文树模型（或可变长度马尔可夫链）的离散平稳时间序列的估计。具体来说，我们提供了一个基于引导程序的规则来调整理论上有效的Lepski型方法中的几个正则化参数。这种基于自举的方法考虑了相关性结构，并导致潜在的较小惩罚选择，这反过来又改善了对转移概率的估计。
2018-09-08 math.PR math.ST stat.TH
Bootstrap inference for linear regression between variables that are never jointly observed: application in in vivo experiments
针对无法同时观测的变量间线性回归系数估计问题，提出基于矩和最优传输理论的估计量，并开发分层自助法构建置信区间，在小鼠体内实验中成功识别出朴素方法无法发现的生物标志物关系。
2025-03-07 math.ST stat.ME stat.TH
Autoregressive Wild Bootstrap Inference for Nonparametric Trends
在本文中，我们提出了一个自回归的野生自助方法来构建一个光滑的确定性趋势周围的置信带。自举法易于实施，在存在缺失数据的情况下不需要任何调整，这使得它特别适合于气候学应用。我们建立了一般条件下的逐点和同步置信带的自助方法的渐近有效性，允许一般模式的缺失数据，序列依赖性和异方差。在模拟研究中的方法的有限样本特性进行了研究。我们使用的方法来研究在日常测量的大气乙烷在瑞士阿尔卑斯山的气象站，在那里的方法可以很容易地处理由于不利的天气条件下，许多缺失的观测结果的趋势的演变。
2019-11-25 econ.EM stat.ME
Faster Family-wise Error Control for Neuroimaging with a Parametric Bootstrap
在神经成像中，在一组大脑区域或图像中的所有位置进行数百到数十万次测试。最近的研究表明，成像中最常见的家族误差（FWE）控制程序依赖于经典的数学不等式或高斯随机场理论，产生的FWE率远离标称水平。根据所使用的方法，FWER可以非常小或严重膨胀。鉴于神经影像学作为了解神经和精神疾病的工具的广泛使用，必须提供可靠的多重检验程序。据我们所知，只有置换联合测试程序已被证明可以可靠地控制在标称水平的FWER。然而，由于越来越多的可用大样本量和图像的维度，这些程序是计算密集型的，并且分析可能需要数天才能完成。在这里，我们开发了一个参数引导联合测试程序。参数引导程序直接与检验统计量一起工作，这导致比基于重采样的程序更快地估计调整后的\emph{p}值，同时可靠地控制许多神经影像学研究中可用的样本量中的FWER。我们证明，该程序控制的FWER在有限的样本中使用模拟，目前区域和体素分析，以测试脑血流的发展轨迹的性别差异。
2017-08-18 stat.ME
Simultaneous Confidence Bands for Functional Data Using the Gaussian Kinematic Formula
该研究利用t过程高斯运动学公式构建函数数据同时置信带，证明其在非高斯过程下仍有渐近精确覆盖率，通过模拟验证其性能优于多数自助法且计算更快，并应用于扩散张量成像纤维分析。
2019-01-18 math.ST stat.ME stat.TH
Inverse set estimation and inversion of simultaneous confidence intervals
针对气候与医学风险评估中的逆集估计问题，提出通过反演同时置信带非渐近地构造多水平置信集，并给出非参数自举算法，适用于稠密与非稠密域。
2023-07-11 math.ST stat.ME stat.TH
Comments on `High-dimensional simultaneous inference with the bootstrap'
本文对Ruben Dezeure，Peter Buhlmann和Cun-Hui Zhang的文章“High-dimensional simultaneous inference with the bootstrap”进行了评述。
2017-03-29 math.ST stat.ME stat.TH
Simultaneous Dimensionality and Complexity Model Selection for Spectral Graph Clustering
Naval Surface Warfare Center Dahlgren Division（美国海军水面战中心达尔格伦分部）；Johns Hopkins University（约翰霍普金斯大学）
我们感兴趣的问题是通过识别底层社区结构来聚类图的顶点。在各种顶点聚类方法中，谱聚类是最流行的方法之一，因为它易于实现，同时往往优于传统的聚类算法。然而，在谱聚类中存在两个固有的模型选择问题，即估计嵌入维数和聚类数。本文试图解决这个问题，建立一个新的模型选择框架，专门用于图上的顶点聚类下的随机块模型。第一个贡献是一个概率模型，它近似的分布图的扩展谱嵌入。该模型是基于嵌入的信息部分的渐近正态性的理论结果构建的，并且基于提供嵌入的冗余部分的限制行为的猜想的模拟结果。第二个贡献是一个同步的模型选择框架。与传统方法相比，我们的模型选择过程同时估计嵌入维数和聚类数。基于我们的约束分布模型，给出了模型参数估计的相合性定理，为我们方法的有效性提供了支持。我们的同时模型选择顶点聚类算法提出，在模拟实验中表现出优越的性能。我们说明了我们的方法通过应用程序的脑图的集合。
2020-09-22 cs.LG stat.ML
Testing for simultaneous jumps in case of asynchronous observations
本文提出了一个新的检验同时跳跃的二元Itô半鞅时，观察时间是异步和不规则的。推断是建立在实现相关系数的跳跃的两个过程，估计使用二元功率变化的Hayashi-Yoshida型没有一个额外的同步步骤。一个相关的中心极限定理显示其渐近分布进行评估，使用自助程序。模拟结果表明，与更简单的常规观测情况相比，该测试工作得非常好。
2016-06-23 math.ST stat.TH
A Residual Bootstrap for High-Dimensional Regression with Near Low-Rank Designs
本文研究了高维线性回归中的残差自助法。具体来说，我们分析了线性对比$c^{\top} (\hatβ_ρ-β)$的分布近似，其中$\hatβ_ρ$是一个岭回归估计。当通过最小二乘法估计回归系数时，经典的结果表明RB始终近似于对比定律，只要$p\ll n$，其中设计矩阵的大小为$n\times p$。到目前为止，相对较少的工作已经考虑到如何在线性模型中的附加结构可以扩展RB的有效性的设置，其中$p/n\asymp 1$。在这种情况下，我们提出了一个版本的RB，重新采样从岭回归获得的残差。我们对设计矩阵的主要结构假设是，它几乎是低秩的-在这个意义上，它的奇异值根据幂律曲线衰减。在一些额外的技术假设下，我们推导出一个简单的标准，以确保RB始终近似于给定对比度的规律。然后，我们将此结果专门用于研究平均响应值$X_i^{\top} β$的置信区间，其中$X_i^{\top}$是设计的第$i$行。更准确地说，我们表明，有条件的高斯设计与近低秩结构，RB同时逼近所有的法律$X_i^{\top}(\hatβ_ρ-β)$，$i=1,\dots,n$。这个结果也是值得注意的，因为它没有对$β$施加稀疏性假设。此外，由于我们的一致性结果制定的Malows（Kantorovich）度量，限制分布的存在是不必要的。
2016-07-04 math.ST stat.ME stat.ML
Beyond Gaussian Approximation: Bootstrap for Maxima of Sums of Independent Random Vectors
Bonferroni调整，或联合界，通常用于研究高维问题中统计方法的速率最优性。然而，在实践中，Bonferroni调整过于保守。极值理论已被证明可以在许多情况下提供更准确的多重性调整，但仅限于特定情况。最近，高斯近似已被用于证明自助调整在大规模同时推理在一些一般设置时，$n \gg (\log p)^7$，其中$p$是多重性的推理问题和$n$是样本量。该理论的主旨是证明了高维独立随机向量和的最大值的高斯近似的有效性。在本文中，我们减少了样本量的要求$n \gg (\log p)^5$的经验引导和乘数/野生引导的Kolmogorov-Smirnov距离的一致性，可能在政权的高斯近似不可用。新的比较和反集中定理，这是相当大的兴趣和本身，开发现有的交织高斯近似不再适用。
2020-01-10 stat.ME
Gaussian approximation for the sup-norm of high-dimensional matrix-variate U-statistics and its applications
研究了高维非退化二阶U-统计量在上确界范数下的高斯逼近。我们提出了一个两步高斯近似过程，不施加结构假设的数据分布。具体而言，受到温和的时刻条件的内核，我们建立显式的收敛速率，衰减多项式的样本量的高维尺度限制，其中的尺寸可以远远大于样本量。我们还补充了一个实用的高斯野生bootstrap方法来近似的分位数的中心U-统计量的最大值，并证明了它的渐近有效性。在高维非高斯数据的统计应用中，包括：（i）原则性和数据相关的调整参数选择的协方差阵及其相关泛函的正则化估计;（ii）协方差和秩相关阵的同时推断。特别是，对于阈值协方差阵估计与自助选择的调整参数，我们表明，高斯样的收敛速度可以实现重尾数据，这是不太保守的Bonferroni技术，忽略了底层数据分布的依赖性。此外，我们还表明，即使是亚高斯分布，自举阈值的协方差阵估计的误差界可以比那些具有通用阈值的极大极小估计更紧。
2016-09-30 math.ST stat.ME stat.TH
Cluster on the Subject, Not the Record: Confidence Intervals and Simultaneous Bands for Additive-Hazards Sequential Trial Emulation
University of British Columbia（不列颠哥伦比亚大学）；St. Paul’s Hospital（圣保罗医院）
该研究针对加性风险序贯试验模拟，指出行级稳健方差存在反保守性，提出受试者聚类方差和乘子自助法可改善置信区间覆盖率，并通过模拟和实际数据验证了方法有效性，相关代码已整合至steCI R包。
2026-08-04 stat.AP stat.ME
The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands
Division of Biostatistics, University of California, Berkeley（加州大学伯克利分校生物统计系）；University of Pennsylvania（宾夕法尼亚大学）
研究针对半参数推断开发V折刀切法，它计算高效且理论合理，仅需V次留一法重拟合，利用伪值经验离散度量化不确定性，给出有效置信区间和同时置信带，扩展理论到特定估计量，模拟证实其可靠推断。
2026-07-27 math.ST stat.CO stat.ME
Simultaneous Inference for Non-Stationary Random Fields, with Application to Gridded Data Analysis
本文针对一般非平稳非高斯随机场，提出基于位移随机场非线性建模的同时非参数推断框架，并开发局部加权乘子自助算法，实现高维稀疏线性形式的统一统计推断。
2024-09-02 math.ST stat.ME stat.TH
Comments on `High-dimensional simultaneous inference with the bootstrap'
本文对Ruben Dezeure，Peter Buhlmann和Cun-Hui Zhang的文章“High-dimensional simultaneous inference with the bootstrap”进行了评述。
2017-05-06 stat.AP stat.ME stat.ML
Two-Stage Robust and Sparse Distributed Statistical Inference for Large-Scale Data
Aalto University（阿尔托大学）
在本文中，我们解决的问题进行统计推断的设置，涉及大规模的数据，可能是高维和污染的离群值。数据的高容量和维度需要分布式处理和存储解决方案。我们提出了一个两阶段的分布式和强大的统计推断程序处理高维模型，促进稀疏。在第一阶段，称为模型选择，通过对不同的数据子集应用鲁棒Lasso估计来局部选择相关的预测因子。从每个计算节点的变量选择，然后融合的投票计划，找到完整的数据集的稀疏基。它以稳健的方式确定相关变量。在第二阶段，采用已开发的统计稳健且计算高效的自助方法。实际推断构造置信区间，找到参数估计值并量化标准差。与阶段1类似，本地推理的结果被传送到融合中心并在那里组合。通过使用分析方法，我们建立了良好的统计特性的强大的和计算效率的自助方法，包括一致性的固定数量的预测，和鲁棒性。建议的两阶段的强大和分布式推理程序表现出可靠的性能和稳健性，在变量选择，发现置信区间和自举近似的标准差，即使数据是高维和离群值污染。
2022-08-17 cs.LG eess.SP stat.ML
Enhancing Statistical-Computational Balance in Uncertainty Quantification of Bagging: A Cheap Bootstrap Approach
Columbia University（哥伦比亚大学）
本文针对Bagging不确定性量化中覆盖有效性与计算成本难以平衡的问题，基于廉价自助法思想提出一种区间构造方法，该方法计算量远小于现有方法，在随机森林等实验中表现出可靠覆盖性能。
2026-10-14 stat.ME
AR-sieve Bootstrap for High-dimensional Time Series
Hunan University（湖南大学）；Macquarie University（麦考瑞大学）；Australian National University（澳大利亚国立大学）；Xiamen University（厦门大学）
本文提出一种新的高维时间序列AR-筛bootstrap方法，通过因子建模降低维度并捕捉时间依赖性，建立基于因子的bootstrap流程，并在高维场景中验证其有效性。
2025-12-08 math.ST stat.ME stat.TH
Weighted residual empirical processes, martingale transformations, and model specification tests for regressions with diverging number of parameters
Hunan University（湖南大学）；Beijing Normal University（北京师范大学）；Beijing Normal University at Zhuhai（北京师范大学珠海校区）
本文针对参数个数发散的回归模型，提出基于加权残差经验过程的设定检验，无鞅变换检验具有最优局部备择检测速率且不依赖维度，虽非分布无关但可用平滑残差自助逼近，而鞅变换检验虽分布无关但功效较低。
2025-10-27 math.ST stat.TH
Conditional Density Estimation with Dimensionality Reduction via Squared-Loss Conditional Entropy Minimization
Tokyo Institute of Technology（东京工业大学）
回归的目的是在给定输入的情况下估计输出的条件均值。然而，回归是不够的信息，如果条件密度是多峰，异方差，和不对称的。在这种情况下，估计条件密度本身是优选的，但是条件密度估计（CDE）在高维空间中是具有挑战性的。处理高维的一种简单方法是首先执行降维（DR），然后执行CDE。然而，这样的两步过程在实践中执行得不好，因为在第一DR步骤中引起的误差可能在第二CDE步骤中被放大。在本文中，我们提出了一种新的单次拍摄过程，同时进行CDE和DR在一个集成的方式。我们的主要思想是制定DR作为最小化的条件熵的平方损失变量的问题，这是通过CDE解决。因此，一个额外的CDE步骤是不需要DR后。我们证明了所提出的方法的有用性，通过广泛的实验，包括人形机器人过渡和计算机艺术的各种数据集。
2014-04-28 cs.LG stat.ML
Simultaneous adjustment of bias and coverage probabilities for confidence intervals
提出了一种新的方法，用于校正置信区间时，原始区间不具有正确的名义覆盖概率在频率意义下。所提出的方法是通用的，不需要任何分布假设。它可以应用于频率论和贝叶斯推断的区间估计是必要的。我们提供了所提出的估计的一致性的理论结果，并给出了两个复杂的例子，复合似然估计的置信区间校正和近似贝叶斯计算（ABC），以证明新方法的广泛适用性。并与双自举法和其他提高置信区间覆盖率的方法进行了比较。
2013-08-29 stat.CO stat.ME
High-dimensional simultaneous inference with the bootstrap
我们提出了一个残差和野生自助方法的个人和同时推理的高维线性模型与可能的非高斯和异方差误差。我们建立渐近一致性的同时推断参数组$G$，其中$p \gg n$，$s_0 = o(n^{1/2}/\{\log(p) \log(|G|)^{1/2}\})$和$\log(|G|) = o(n^{1/7})$，$p$的变量的数量，$n$的样本量和$s_0$表示稀疏。该理论得到了许多实证结果的补充。我们提出的程序在R-包HDI中实现。
2016-06-13 stat.ME
Beta-trees: Multivariate histograms with confidence statements
受 $k$-d 树启发，提出 Beta-trees 构建欧几里得空间数据自适应划分，提供有限样本同时置信区间，避免维数灾难，并应用于数据可视化与多变量众数寻找。
2023-08-02 stat.ME
Resampling-based confidence intervals and bands for the average treatment effect in observational studies with competing risks
本文针对观察性研究中带竞争风险的时间-to-event 终点，比较三种重抽样方法以构造因果风险差的置信区间和置信带，发现中等样本下 wild bootstrap 通常更优，并用霍奇金病生存数据加以验证。
2023-09-26 stat.ME
Simultaneous inference for linear mixed model parameters with an application to small area estimation
在过去的几十年里，线性混合模型在应用统计学的各个领域都引起了相当大的关注。它们在研究聚类、层次或纵向数据时很受欢迎。尽管如此，有效的同时推断混合参数的统计工具是罕见的。这是令人惊讶的，因为一个经常面临的推理问题以外的逐点检查固定或混合参数。例如，在重复测量的研究中，有兴趣对聚类水平的参数或特定主题的估计值进行比较分析。我们讨论的方法，同时推断假设一个线性混合模型。具体来说，我们开发的同时预测区间以及混合参数的多重检验程序。它们对于集群级参数的联合考虑或比较是有用的。我们采用一致的bootstrap近似的分布的最大型统计量来构建我们的工具。在模拟实验中研究了所开发的方法的数值性能，并在小面积家庭收入的数据示例中进行了说明。
2021-09-16 stat.AP stat.CO stat.ME
Panel Data Quantile Regression for Treatment Effect Models
在这项研究中，我们开发了一种新的估计方法的分位数处理效应（QTE）的秩不变和秩平稳性假设。Ishihara（2020）在这些假设下探索了不可分离面板数据模型的识别，并提出了基于最小距离方法的参数估计。然而，当协变量的维数很大时，使用该过程的最小距离估计在计算上要求很高。为了克服这个问题，我们提出了一个两步估计方法的基础上的分位数回归和最小距离方法。然后，我们展示了我们的估计的一致渐近性质和非参数自助的有效性。蒙特卡罗研究表明，我们的估计在有限样本表现良好。最后，我们提出了两个实证说明，估计分配效果的保险提供对家庭生产和电视观看对儿童认知发展。
2021-11-17 econ.EM stat.ME
Flows for simultaneous manifold learning and density estimation
New York University（纽约大学）
我们引入流形学习流（M流），一类新的生成模型，同时学习数据流形以及该流形上的易处理的概率密度。结合规范化流、GANs、自动编码器和基于能量的模型的各个方面，它们有可能更忠实地表示具有流形结构的数据集，并提供降维、去噪和分布外检测的处理。我们认为，为什么这样的模型不应该单独训练的极大似然，并提出了一个新的训练算法，分离流形和密度更新。在一系列实验中，我们展示了M-flow如何学习数据流形，并允许比环境数据空间中的标准流更好的推理。
2020-11-13 cs.LG stat.ML
Simultaneous estimation of connectivity and dimensionality in samples of networks
本文针对多样本网络数据，提出在预估计社区结构后，通过凸优化和交替方向乘子法联合估计连接概率矩阵及其嵌入维度，并在理论和数值实验中验证其优于传统平均方法。
2025-08-17 math.ST stat.ME stat.ML
Wasserstein and Convex Gaussian Approximations for Non-stationary Time Series of Diverging Dimensionality
本文针对高维非平稳时间序列，基于 2-Wasserstein 距离和凸集族建立通用高斯近似理论，并用乘子自助法实现，支撑两类新的统计推断应用。
2025-06-10 math.PR math.ST stat.ME
Simultaneous confidence bands for cumulative hazard via exchangeable bootstrap and box calibration
The Ohio State University（俄亥俄州立大学）
针对右删失数据中累积风险函数的重抽样置信带覆盖不足问题，提出结合可交换自助法与箱线校准的方法，在保留Nelson-Aalen比结构的同时构建置信带，渐近达到名义覆盖水平。
2026-07-01 stat.ME
Wild Bootstrap based Confidence Bands for Multiplicative Hazards Models
我们提出了新的基于重采样的方法来构造多状态Cox模型中累积风险函数的渐近有效的时间同时置信带。特别是，我们详细讨论了简单Cox模型的方法与不定常协变量，其中的数据可能会受到独立的右删失或左截断。在广泛的模拟，我们调查他们的有限样本行为。最后，对一个实例进行了分析.
2018-08-01 math.ST stat.ME stat.TH
Gaussian and Bootstrap Approximations for Suprema of Empirical Processes
本文提出经验过程上确界分布的非渐近高斯逼近与基于截断Karhunen-Loève分解的Bootstrap方法，适用于非Donsker类且条件更简单，并成功应用于高维统计中的三个基本推断问题。
2023-09-04 math.PR math.ST stat.ME
Simultaneous Inference in Multiple Matrix-Variate Graphs for High-Dimensional Neural Recordings
Carnegie Mellon University（卡内基梅隆大学）；Purdue University（普渡大学）；University of Pittsburgh（匹兹堡大学）
本文提出了一种统一框架，结合组惩罚回归和高维高斯近似自助法，用于高维神经记录中多个矩阵变量图的同时推断，实现对任意大小边子集的全局检验。
2026-01-17 math.ST stat.ME stat.TH
Self-convolved Bootstrap for M-regression under Complex Temporal Dynamics
针对协变量与误差可交叉依赖的非平稳时变系数 M 回归，提出单参数自卷积 bootstrap，实现 √n 一致推断及多类统一检验，并应用于气候与股票数据。
2024-09-09 math.ST stat.ME stat.TH
Bagged filters for partially observed interacting systems
装袋（即，bootstrap聚集）涉及组合bootstrap估计的集合。我们认为装袋的推理噪音或不完整的测量相互作用的随机动态系统的集合。每个系统被称为一个单元，每个单元都与一个空间位置相关联。流行病学中出现了一个令人鼓舞的例子，其中每个单位都是一个城市：大多数传播发生在城市内，城市之间的疾病传播产生了较小但在流行病学上重要的相互作用。用于非线性非高斯系统推理的蒙特卡罗滤波方法会随着单元数的增加而遭受维数灾难。我们介绍袋式过滤器（BF）的方法，它结合了一个合奏的蒙特卡罗过滤器，使用时空本地化的权重选择成功的过滤器在每个单元和时间。我们获得的条件下，使用BF算法的可能性评估可以击败维数灾难，我们证明了适用性，即使这些条件不成立。BF在描述传染病传播的耦合种群动力学模型上的性能优于集合卡尔曼滤波。块粒子滤波器在此任务上也表现良好，尽管袋式滤波器尊重块粒子滤波器可能违反的平滑性和守恒定律。
2021-06-28 stat.ME
Simple bootstrap for linear mixed effects under model misspecification
线性混合效应被认为是各个领域中聚类水平参数的优秀预测因子。然而，以前的工作表明，他们的表现可能会受到严重影响，从建模假设的偏离。由于后者在应用研究中很常见，因此需要一种推理方法，这种方法在一定程度上对误解具有鲁棒性，但同时又足够简单，可以吸引从业者。我们使用直接的半参数随机效应自助法构建了用于模型误设下混合效应的聚类和同时推断的统计工具。在我们的理论分析中，我们证明了我们的方法在一般的正则条件下是渐近相容的。在模拟中，我们的区间对严重偏离模型假设的情况具有鲁棒性，并且在经验覆盖概率方面表现优于竞争对手。
2022-07-25 stat.CO stat.ME
