Least informative distributions in Maximum q-log-likelihood estimation
为了在数据中含有异常值的情况下有效地估计密度函数中的参数，我们采用了最小信息分布（LID）的最大$q$ -对数似然估计。通过使用两个PDF的凸组合$f_ε=(1-ε)f_0+εf_1$来导出LID。两个PDF的凸组合被认为是污染$f_1$，作为底层$f_0$分布的离群值，并且$f_ε$是污染分布。当数据污染程度稍大时，通过最小化最大q-log-似然函数的变化，得到最优准则。本文对一般的极大似然估计、极大q-似然估计、基于$\log_q$的LID和基于Huber M-估计的LID进行了比较。提出了基于$\log_q$和LID的Akaike和Bayesian信息准则（AIC和BIC）来评价函数的拟合性能。应用真实数据集测试了包含形状、尺度和位置参数的估计函数的拟合性能。
2017-11-15 math.ST stat.TH
Semiparametric adaptive estimation under informative sampling
针对信息性抽样中的选择偏倚与 Horvitz-Thompson 估计量效率不足问题，本文将调查权重视为随机变量推导半参数效率界，并提出在工作模型下一致、渐近正态且最优有效的估计量，通过模拟和加拿大调查数据验证其性能。
2024-04-04 math.ST stat.ME stat.TH
In Nonparametric and High-Dimensional Models, Bayesian Ignorability is an Informative Prior
在有大量缺失数据的问题中，必须对两个不同的数据生成过程进行建模：生成响应的结果过程和确定我们观察到的数据的缺失数据机制。然而，在Rubin（1976）的可验证性条件下，基于似然性的结果过程推断不依赖于缺失数据机制，因此只需要估计前者;部分由于这种简化，可验证性通常被用作基线假设。我们研究的影响，贝叶斯可扩展性的存在下，高维滋扰参数，并认为，可扩展性通常是不兼容的选择偏差的量与明智的先验信念。我们表明，对于许多问题，可验证性直接意味着选择偏差的先验紧密集中在零附近。这是证明了几个模型的实际利益，和可扩展性的影响的后验分布的特点是高维线性模型与岭回归前。然后，我们展示了如何建立高维模型，编码合理的信念选择偏差，也表明在某些狭窄的情况下，可扩展性是问题不大。
2021-11-06 math.ST stat.ME stat.TH
Selecting informative conformal prediction sets with false coverage rate control
本文提出 InfoSP 与 InfoSCOP，在分类和回归中经规则选择小而有信息量的保形预测集，并对所选样本实现有限样本 FCR 控制。
2024-11-25 math.ST stat.ML stat.TH
Efficient Multiple-Robust Estimation for Nonresponse Data Under Informative Sampling
Iowa State University（爱荷华州立大学）；Graduate School of Engineering Science, the University of Osaka（大阪大学工学研究科）
针对概率抽样后无应答及数据整合场景，本研究在两步单调缺失框架下推导半参数效率界，提出具双重稳健性的自适应估计量并扩展为多重稳健性，经数值研究验证性能且应用于实际调查数据。
2025-11-12 math.ST stat.ME stat.TH
On the definition of informative vs. ignorable nuisance process
本文是早期版本。我们建议推广的概念，“忽略”的随机过程，以及信息和可验证的随机过程的概念，在一个非常一般的设置和不同类型的推理（贝叶斯或频率论），并为不同的目的（估计，预测或测试）。然后，我们面对的定义，我们建议提到或定义的信息和可重复的过程中发现的文学。为此，我们提供了一个非常一般的统计框架，调查抽样，以准确地定义设计和选择的概念，并用于说明和讨论提出的概念。
2019-06-06 math.ST stat.TH
An adaptive sequential optimum design for model selection and parameter estimation in non-linear nested models
这篇论文已被作者撤回，因为它已被大幅修改。
2011-12-20 math.ST stat.ME stat.TH
Closed-form estimation of the exponential scale under two-sided informative random censorship
Navoi State University（纳沃伊国立大学）；Gulistan State University（古利斯坦国立大学）
针对双侧信息性随机删失下的指数寿命尺度估计，提出闭式伪最大似然估计量，无需迭代，具有精确Fisher一致性、强相合性与高渐近效率，并推广至比例风险类。
2026-09-14 math.ST stat.TH
Optimal kernel selection for density estimation
我们提供了新的一般内核选择规则感谢惩罚最小二乘标准。我们得到最优预言不等式使用适当的浓度工具。我们还研究了[BM 07]中所描述的最小惩罚问题。
2015-11-06 math.ST stat.TH
Estimator selection: a new method with applications to kernel density estimation
估计量的选择已成为非参数估计中的一个关键问题。两种广泛使用的方法是惩罚经验风险最小化（如惩罚对数似然估计）或成对比较（如Lepski方法）。我们在本文中的目的是双重的。首先，我们解释一些关于估计量选择方法的校准问题的一般想法。我们回顾了一些已知的结果，把重点放在最小惩罚的概念，这是有助于设计数据驱动的选择标准。其次，我们提出了一种新的方法，在核密度密度估计的框架内的带宽选择，这是在某种意义上这两个主要的方法之间的上述。我们提供了一些理论结果，导致一些完全数据驱动的选择策略。
2017-10-18 math.ST stat.TH
Bandlet Image Estimation with Model Selection
为了估计白噪声模型中的几何正则的图像，并获得自适应的近渐近极大极小结果，我们考虑了一种基于模型选择的带估计器。该带估计器结合了模型选择的最佳基选择行为和带字典的近似性质。我们推导出它的近渐近极小极大几何正则的图像作为一个例子的模型选择与一般字典的正交基。因此，本文也是一个独立的教程模型选择与正交基字典。
2009-12-12 math.ST stat.TH
Optimal model selection in density estimation
我们建立惩罚最小二乘估计，使用斜率启发式和reservation处罚。证明了首项常数渐近等于1的选择估计量的预言不等式。我们比较这些方法的实际性能在一个简短的模拟研究。
2010-07-26 math.ST stat.TH
Bayesian Variable Selection and Estimation for Group Lasso
本文重新访问贝叶斯群体套索，并使用穗和板坯先验组变量选择。在这个过程中，我们的模型与惩罚回归的连接被证明，并指出后中值阈值的作用。证明了在正交设计下，后验中位数估计对组变量的选择和估计具有预言性质，而当变量选择达到一致时，组Lasso估计具有次优的渐近估计率.接下来，我们考虑两个层次的选择问题，并提出了贝叶斯稀疏组选择再次与穗和板坯先验选择变量在组水平和组内。我们通过模拟证明，我们的尖峰和平板模型的后验中值估计具有优良的性能，无论是变量的选择和估计。
2015-12-03 math.ST stat.TH
Universal pointwise selection rule in multivariate function estimation
本文研究多元函数的点态估计问题。我们开发了一个一般的逐点估计过程，是基于从一个大的参数化集合中选择估计。逐点风险的上界的建立，它表明，建议的选择程序专门为不同的集合的估计导致极大极小和自适应极大极小估计在各种设置。
2008-11-17 math.ST stat.TH
The Brouwer Lecture 2005: Statistical estimation with model selection
本文的目的是解释的兴趣和重要性的（近似）模型和模型选择的统计。从非常基本的例子直方图，我们提出了一个一般的概念，有限维模型的统计估计，我们解释了什么类型的风险范围可以预期从使用这样的模型。然后，我们从一个家庭这样的模型的性能合适的模型选择程序。我们说明了我们的观点，两个主要的例子：从一个n样本的直方图设计的分区的选择和高斯回归的背景下的变量选择的问题。
2006-05-13 math.ST stat.TH
Improved estimation via model selection method for semimartingale regressions based on discrete data
研究了半鞅噪声下连续时间回归模型中观测到的周期函数的鲁棒自适应非参数估计问题。
2020-05-23 math.PR math.ST stat.TH
Construction of an informative hierarchical prior for a small sample with the help of historical data and application to electricity load forecasting
我们感兴趣的是在一个短的数据集上的参数模型的估计和预测，预计它会过拟合和表现不佳。为了克服缺乏数据（相对于模型的维度），我们提出了一个信息层次贝叶斯先验的基础上，另一个较长的数据集，这是假设共享一些相似之处，与原始的，短的数据集的建设。我们说明了我们的先验对来自三个标准模型的模拟数据集的性能。然后，我们将该方法应用于实际数据集上的电力负荷预测的工作模型，在那里它导致预测质量的大幅提高。
2014-03-25 math.ST stat.AP stat.TH
Non-Bayesian Post-Model-Selection Estimation as Estimation Under Model Misspecification
针对模型选择后估计问题，提出三种非贝叶斯解释，并开发误设最大似然估计器与Cramér-Rao型下界，仿真显示选择性推断解释具有最低均方误差。
2023-08-22 cs.IT eess.SP math.IT
