Marginal Regression on Transient State Occupation Probabilities with Clustered Multistate Process Data
在多中心观察性研究和临床试验中，经常会遇到多态过程数据。一个临床上重要的估计与这样的数据是边际概率是在一个特定的瞬态作为时间的函数。然而，目前还没有一种方法，这些概率与聚类多态过程数据的非参数边际回归分析。为了解决这个问题，我们提出了一个加权函数广义估计方程的方法，不施加马尔可夫假设或假设的结构内集群的依赖，并允许信息集群大小（ICS）。严格地建立了函数回归系数估计的渐近性质，并提出了协变量效应的非参数假设检验方法。仿真研究表明，该方法即使在少量的聚类中也能很好地执行，并且忽略类内依赖性和ICS会导致无效推理。所提出的方法是用来分析数据的多中心临床试验复发或转移性鳞状细胞癌的头部和颈部的分层随机设计。
2022-09-02 stat.ME
Real-Time Regression Analysis of Streaming Clustered Data With Possible Abnormal Data Batches
本文提出了一种基于二次推理函数（QIF）的增量学习算法，用于分析具有相关结果的流数据集，如纵向数据和聚类数据。我们提出了一个可再生的QIF（RenewQIF）方法的可再生估计和增量推理的范式内，其中参数估计递归更新与当前数据和历史数据的汇总统计，但没有使用任何历史主题级的原始数据。我们比较我们的可再生估计方法与离线QIF和离线广义估计方程（GEE）的方法，处理整个累积的主题级数据，并从理论上和数值上表明，我们的可再生程序具有统计和计算效率。我们还提出了一种方法来诊断的同质性假设的回归系数通过序贯拟合优度测试作为筛选程序的异常数据批次的出现。我们通过扩展现有的Spark的Lambda架构来实现所提出的方法，用于统计推断和数据质量诊断。我们说明了所提出的方法，通过广泛的模拟研究和分析流汽车碰撞数据集从国家汽车抽样系统耐撞性数据系统（NASS CDS）。
2021-06-30 stat.ME
Design-Based Ratio Estimators and Central Limit Theorems for Clustered, Blocked RCTs
本文为聚类、区组化 RCT 提出了基于设计的比率估计量，证明了新的有限总体中心极限定理，并通过模拟验证了该 ATE 估计量在聚类数较少时仍具稳健性。
2021-02-25 stat.ME
Probability Weighted Clustered Coefficients Regression Models in Complex Survey Sampling
针对复杂抽样调查中不同领域关系存在差异导致现有方法失效的问题，提出基于成对惩罚的统一框架，利用交替方向乘子法求解以研究分组协变量效应，并在理论和数值实验中验证了其在群体识别和估计效率上的优越性。
2024-09-23 stat.ME
Composite empirical likelihood for multisample clustered data
本文针对多样本聚类数据的分位数推断问题，在密度比模型下提出复合经验似然方法，并配套基于聚类的自助法以控制第一类错误。
2025-07-18 stat.ME
An improved fully nonparametric estimator of the marginal survival function based on case-control clustered data
病例对照家族研究是一项研究，其中患有感兴趣的疾病的个体（病例先证者）和没有疾病的个体（对照先证者）从明确定义的人群中随机抽样。对先证者及其亲属的发病年龄和疾病状态进行可能的右删失。一个家庭中的结果之间的相关性是由遗传易感性、共享环境和共同行为模式等因素引起的。对于这种设置，我们提出了一个非参数估计的边际生存函数，基于局部线性估计的条件生存函数。估计的渐近理论，并提出了模拟结果表明，该方法表现良好。该方法说明了从前列腺癌研究的数据。关键词：病例对照;家系研究;多变量生存;非参数估计;局部线性
2018-12-03 stat.ME
Efficient semiparametric estimation in generalized partially linear additive models for longitudinal/clustered data
考虑了当多个协变量需要非参数建模时，纵向/聚类数据广义部分线性可加模型中欧氏参数的有效估计，并提出了一种基于模型非参数部分的样条逼近和广义估计方程（GEE）的估计方法.虽然考虑的模型是自然的，在许多实际应用中是有用的，这个模型的文献是非常有限的，因为在处理非参数加性模型的相关数据的挑战。我们证明了，即使协方差结构是错误的，所提出的估计是一致的和渐近正态的。还提供了渐近方差的显式相合估计。在一般矩条件下，我们还得到了半参数有效值和信息界。通过证明我们的估计达到了半参数信息界，我们有效地建立了他们的效率在更强的意义上比通常认为的GEE。我们的渐近结果的推导在很大程度上依赖于我们开发的纵向/聚类数据的经验过程工具。数值结果被用来说明所提出的估计的有限样本性能。
2014-02-04 math.ST stat.TH
Nonparametric analysis of nonhomogeneous multi-state processes based on clustered observations
临床试验和观察性研究通常涉及多起事件的复杂事件历史数据。当观察是独立的，这种研究的分析可以基于多状态模型的标准方法。然而，独立性假设经常被违反，例如在多中心研究中，这使得标准方法的使用不合适。在这项工作中，我们解决的问题，非参数估计和两个样本检验的人口平均转移和状态占用概率的一般多状态模型的基础上右删失，左截断，和集群的观察。所提出的方法不施加假设内集群的依赖，允许信息集群大小，并适用于马尔可夫和非马尔可夫过程。利用经验过程理论，证明了估计量是一致相合的，并且弱收敛于紧高斯过程。导出了封闭形式的方差估计量，提出了计算同时置信带的严格方法，并建立了非参数检验的渐近性质。此外，我们提供了理论论据的有效性的非参数集群引导，它可以很容易地在实践中实现，无论多么复杂的基础多状态模型。仿真结果表明，所提出的方法的性能是好的，和方法，忽略簇内的依赖性可能会导致无效的推理。最后，将该方法应用于多中心随机对照试验的数据。
2020-06-26 stat.ME
Bootstrapping Clustered Data in R using lmeresampler
线性混合效应模型通常用于分析聚类数据结构。有许多包可以在R中拟合这些模型并进行基于可能性的推理。基于重采样的推理过程的实现更加有限。在本文中，我们介绍了lmeresampler软件包，用于通过lme4或nlme拟合自举嵌套线性混合效应模型。对于小样本量和分布假设失效时，Bootstrap估计允许偏倚校正、调整标准误和置信区间。我们还将说明如何使用引导程序重新启动来诊断这个模型类。此外，lmeresampler使得构造模型参数函数的区间估计变得容易。
2021-06-11 stat.CO stat.ME
Power Analysis for Experiments with Clustered Data, Ratio Metrics, and Regression for Covariate Adjustment
本文提出一个基于残差样本方差的统一框架，用于在聚类数据、比率指标和协变量调整情形下进行A/B测试标准误计算与功效分析，并估计协变量调整可使关键指标方差中位数降低66%，实验时间缩短66%。
2024-06-10 math.ST stat.ME stat.TH
Finite-sample adjustments for comparing clustered adaptive interventions using data from a clustered SMART
本文针对整群SMART中群组样本量小导致统计推断不准确的问题，提出三种有限样本调整方法（自由度调整、t分布参考和偏差校正方差估计），并通过模拟实验和ASIC研究验证其改进因果效应推断的性能。
2024-04-30 stat.ME
Non-parametric Archimedean generator estimation with implications for multiple testing
在多重检验中，族间误差率在一定条件下可以由检验统计量的copula来界定。假设这个Copula是阿基米德的，我们考虑两个非参数阿基米德生成估计。更具体地说，我们使用Genest et al.（2011）的非参数估计量及其略微修改。在模拟中，我们将得到的多个测试与Bonferroni测试和来自真实生成器的多个测试作为基线进行比较。
2019-03-27 stat.ME
Reinforcement Learning with Heterogeneous Data: Estimation and Inference
New York University（纽约大学）；North Carolina State University（北卡罗来纳州立大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）
强化学习（RL）有望为医疗、教育、商业和其他领域的各种问题提供数据驱动的决策支持。经典的RL方法专注于总回报的平均值，因此，在通常作为大规模数据集基础的异质群体的设置中可能会提供误导性的结果。我们引入K-异质马尔可夫决策过程（K-Heterogeneous Markov Decision Process，K-Heterogeneous MDP）来解决具有种群异质性的序贯决策问题。我们提出了自动验证策略评估（ACPE）用于估计给定策略的值，以及自动验证策略迭代（ACPI）用于估计给定策略类中的最优策略。我们的自动聚类算法可以自动检测和识别同质子群体，同时估计每个子群体的Q函数和最优策略。我们建立收敛速度和构造置信区间的估计得到的ACP和ACPI。我们提出了模拟来支持我们的理论研究结果，我们进行了实证研究的标准MIMIC-III数据集。后一种分析显示了价值异质性的证据，并证实了我们的新方法的优势。
2022-01-31 cs.LG stat.ME
Testing k-monotonicity of a discrete distribution. Application to the estimation of the number of classes in a population
我们在这里开发了几个拟合优度测试的离散密度的k-单调性，基于经验分布的观察。我们的测试是非参数的，易于实现，并被证明是渐近的期望水平和一致的。基于非参数拟合优度检验，提出了分布k-单调性程度的一个估计。我们应用我们的工作估计的总人口中的类。一个大型的模拟研究可以评估我们的程序的性能。
2017-08-29 stat.ME
Weighted M-estimators for multivariate clustered data: theory and simulation results
研究了$\mathbb{R}^d$值聚类数据的加权M-估计，给出了其相合性的充分条件。通过对渐近协方差阵的估计，建立了它们的渐近正态性。我们解决这些估计的鲁棒性方面的崩溃点。与未加权的情况下进行了比较，一些数值研究。他们强调，最佳权重最大化的相对效率有坏的影响的崩溃点。
2016-01-13 math.ST stat.TH
Efficient methods for the estimation of the multinomial parameter for the two-trait group testing model
使用混合抽样估计单个伯努利参数是组检验文献中最古老的问题之一。为了进行这样的估计，已经引入了一系列有效的估计，涵盖了广泛的情况下，经常遇到的应用程序。最近，人们越来越感兴趣的是使用组测试来同时估计两个相关性状的联合概率，使用多项模型。不幸的是，基本的估计结果，如极大似然估计（MLE），还没有得到充分的解决，在这种情况下的文献。在本文中，我们发现这个问题的极大似然估计是等价于最大化多项式似然与一个限制参数空间。提出了一种使用期望最大化算法的解决方案，即使在参数空间的边界上，也能保证收敛到全局最大值。两个额外的封闭形式估计的目标是最小化的偏差和/或均方误差。该方法说明了考虑的应用程序的联合估计传播流行率的两个菌株的马铃薯Y病毒的蚜虫桃蚜。
2019-05-20 stat.ME
Learning Human Activity Patterns using Clustered Point Processes with Active and Inactive States
事件模式建模是许多学科的中心任务。在诸如研究人类活动模式的应用中，事件通常以零星和长时间的不活动聚集在一起。事件模式的这种异质性对现有的点过程模型提出了挑战。在这篇文章中，我们提出了一类新的集群点过程，交替活动和非活动状态。所提出的模型是灵活的，高度可解释的，并可以提供有用的洞察事件模式。本文提出了一种复合似然方法和复合EM估计方法，用于有效的、数值稳定的参数估计。我们研究了估计的计算和统计性质，包括收敛性，一致性和渐近正态性。该方法适用于唐纳德·特朗普的Twitter数据，以调查他的行为是否以及如何在总统竞选之前、期间和之后演变。此外，我们分析了新浪微博的大规模社交媒体数据，并识别出具有不同行为的有趣用户群。
2021-12-30 stat.AP
Estimation and Hypothesis Testing of Fixed Effects Models-Based Uncertainty for Factor Designs
College of Mathematics and System Science, Xinjiang University（新疆大学数学与系统科学学院）
本文提出新的固定效应模型以处理因子设计中变量的不确定性，通过单因素和双因素设计的实证案例验证了模型在处理不确定实验数据方面的有效性。
2026-03-17 stat.ME
Estimation of a Two-component Mixture Model with Applications to Multiple Testing
我们考虑一个已知组分的两组分混合模型。我们开发了非参数估计混合比例和未知分布的方法，给定i.i.d.~混合模型的数据，使用形状约束函数估计的思想。我们建立了估计量的一致性。我们发现的混合比例的估计的收敛速度和渐近极限。为混合比例制定了完全自动的无分布诚实有限样本置信下限。讨论了与多重检验问题的联系。模型的可辨识性，以及未知分布的密度估计也得到了解决。我们比较建议的估计，这是很容易实现的，与一些现有的程序，通过模拟研究和分析两个数据集，一个产生的应用在天文学和其他微阵列实验。
2015-11-09 stat.ME
Estimation and testing for multiple regulation of multivariate mixed outcomes
最近相当大的兴趣集中在流行病学和基因组研究中同时研究多个表型，以捕获复杂疾病的多维性或了解相关疾病的共同病因。我们试图确定与多个结果相关的{ \em多个调节因子}或预测因子，这些结果可能在非常不同的尺度上测量或由连续的、二元的和未完全观察到的元素的混合物组成。我们首先提出了一种估计技术，把所有的影响相似的尺度，我们诱导稀疏估计的影响。我们提供了标准的渐近结果，这个估计，并表明，restaurant可以用来量化有限样本中的不确定性。最后，我们提供了一个多重检验程序，它可以专门针对感兴趣的多个监管机构的类型，我们建立，在标准的正则条件下，familywise错误率将接近0，样本量发散。仿真结果表明，我们的方法可以改善非正则化方法，无论是在减少估计偏差和提高功率的测试。
2015-11-25 stat.ME
Design-Driven Inference for Online Experiments: Jointly Optimal Evidence Collection, Testing, and Estimation
School of Mathematics and Statistics, Beijing Institute of Technology（北京理工大学数学与统计学院）；School of Science, China University of Mining and Technology-Beijing（中国矿业大学（北京）理学院）；Department of Statistics, Beijing Normal University at Zhuhai（北京师范大学珠海校区统计学系）
针对在线多因素实验，提出设计驱动框架联合优化分配与证据规则，实现检验与估计双重最优，并通过模拟和LLM实验验证改进。
2026-10-07 stat.ME
Large-scale linear hypothesis testing for high-dimensional online M-estimation
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Ewha Womans University（梨花女子大学）；Oregon State University（俄勒冈州立大学）
针对高维在线M估计，提出修正可再生损失结合部分折叠凹正则化，实现大规模线性假设检验，并建立误差界与渐近有效检验。
2026-10-07 stat.ME
Adaptively-structured mixed models for simple clustered data
University of Southampton（南安普顿大学）
针对简单聚类数据提出自适应结构混合模型，通过从数据估计设计函数灵活适应数据，建立总体估计性质，模拟显示其提高推断质量且计算高效，应用于少女体脂数据可捕捉相关模式和差异。
2026-07-15 stat.AP stat.ME
Powerful Spatial Multiple Testing via Borrowing Neighboring Information
本文提出二维空间多重检验（2d-SMT）方法，通过将空间信号模式和依赖性构建为辅助统计量并结合加权BH程序，在控制FDR的同时显著提高空间信号检测功效。
2024-08-12 stat.ME
Adaptive Block-Based Change-Point Detection for Sparse Spatially Clustered Data with Applications in Remote Sensing Imaging
提出一种自适应基于块的非参数变点检测框架，利用维度间空间依赖性提升高维或非欧几里得数据中稀疏变化的检测功效与估计精度，并在模拟和遥感图像中验证了其优越性能。
2025-05-27 stat.AP stat.ME
Multiple Comparisons using Composite Likelihood in Clustered Data
本文研究了多维数据中存在相关性时的多重假设检验问题。多重比较问题在许多应用中很常见。当数据是多变量的和相关的，现有的多重比较程序的基础上极大似然估计可能是令人望而却步的计算密集型。我们建议构建基于复合似然统计的多重比较程序。我们专注于三种普遍存在的情况下产生的数据：多变量高斯，概率单位，二次指数模型。为了帮助从业者评估我们提出的方法的质量，我们通过蒙特卡罗模拟评估他们的经验表现。结果表明，复合似然为基础的程序保持良好的控制familywise I型差错率在集群内相关性的存在下，而忽略相关性导致不稳定的性能。使用从糖尿病肾病研究中获得的数据，我们展示了我们的复合似然方法如何使难以处理的分析成为可能。
2015-05-29 math.ST stat.TH
Estimation, Testing, and Prediction Regions of the Fixed and Random Effects by Solving the Henderson's Mixed Model Equations
本文简要介绍了在传统的简单线性混合模型中，对固定效应的线性函数和/或同时对固定效应和随机效应进行统计推断的方法（检验统计假设、构建置信区间和/或预测区间和区域）。所提出的方法是基于亨德森的混合模型方程的解决方案。
2013-01-04 stat.CO stat.ME
Nonparametric Empirical Bayes Estimation and Testing for Sparse and Heteroscedastic Signals
University of Pennsylvania（宾夕法尼亚大学）；Temple University（天普大学）；University of Michigan（密歇根大学）
现代大规模数据往往涉及高维未知参数的估计和检验。希望以准确性和错误发现控制来识别稀疏信号，“大海捞针”。然而，现代数据结构中前所未有的复杂性和异构性需要新的机器学习工具来有效地利用共性，并针对稀疏性和异构性进行鲁棒调整。此外，高维参数的估计往往缺乏不确定性量化。在本文中，我们提出了一种新的尖峰和非参数混合先验（SNP）-尖峰，以促进稀疏性和非参数结构捕获信号。与现有的方法相比，本文提出的方法同时解决了估计和检验问题，具有以下优点：1）稀疏性估计准确; 2）具有收缩/软阈值特性的点估计; 3）不确定性量化的可信区间; 4）控制错误发现率的最优多重检验过程。我们的方法在模拟数据和基因表达案例研究上都表现出很好的经验性能。
2021-11-05 cs.LG stat.ME
Sparse Minimax Optimality of Bayes Predictive Density Estimates from Clustered Discrete Priors
研究了高维高斯模型中位置参数具有精确稀疏约束的Kullback-Leibler损失下的预测密度估计问题。研究了基于乘积离散先验的Bayes预测密度估计的一阶渐近极小极大风险，其中非零坐标的比例随着维数的增加而收敛到零。离散先验的产品，聚集的单变量先验提供了一个易于处理的配置，分散未来的风险，并用于构建有效的预测密度估计。我们建立了贝叶斯预测密度估计从一个适当设计的聚类离散先验是渐近极小极大最优的。我们提出的先验的边缘有无限个大小相同的簇。簇内支持点是等概率的，并且簇随着它们远离原点而以几何衰减概率周期性地间隔开。簇的周期性取决于簇概率的衰减速率。在不同的稀疏性制度下，通过数值实验，我们比较了来自聚类先验的贝叶斯预测密度估计与各种竞争估计的最大风险，包括基于Johnstone（1994）和Mukherjee & Johnstone（2017）的几何衰减非聚类先验的估计，并获得了令人鼓舞的结果。
2019-05-23 math.ST stat.TH
An efficient Gehan-type estimation for the accelerated failure time model with clustered and censored data
在医学研究中，收集的协变量通常包含潜在的离群值。对于具有删失观测的聚类/纵向数据，传统的Gehan型估计对响应中存在的离群值具有稳健性，但对协变量域中的离群值敏感，并且忽略了聚类内的相关性。考虑到簇内相关性、簇大小的变化以及协变量中的异常值，我们提出了簇数据加速失效时间模型中参数估计的加权Gehan型估计函数.我们提供的估计量的渐近性质，并进行模拟研究，以评估所提出的方法在各种现实的设置下的性能。仿真结果表明，所提出的方法是强大的协变量域中存在的离群值，并导致更有效的估计时，一个强大的类内相关性存在。最后，将所提出的方法应用于一个医学数据集，从而获得更可靠和令人信服的结果。
2020-03-09 stat.ME
A Lasso-OLS Hybrid Approach to Covariate Selection and Average Treatment Effect Estimation for Clustered RCTs Using Design-Based Methods
统计功效通常是聚类RCT的一个关注点，因为设计效应的方差膨胀和增加研究聚类（如医院、学校或社区）的高成本。虽然协变量预设定是提高估计回归调整平均处理效应（ATE）把握度的首选方法，但一旦收集了主要结局，则可通过协变量选择实现进一步的精度增益。本文使用基于设计的方法聚类RCT开发一个Lasso-OLS混合程序的事后选择协变量和ATE估计，避免模型过拟合和缺乏透明度。在第一阶段，使用聚类水平平均进行lasso估计，其中使用有限总体回归估计的新的中心极限定理证明渐近正态性。在第二阶段中，使用加权最小二乘法估计ATE和基于设计的标准误与第一阶段套索协变量。这种非参数方法适用于连续、二元和离散结果。仿真结果表明，第二阶段ATE估计的第1类误差接近标称值，标准误接近真实值，但在小样本情况下有些保守。该方法是证明使用数据从一个大的，联邦政府资助的集群随机对照试验测试的影响，以学校为基础的计划，促进行为健康。
2020-05-05 stat.ME
Bias-corrected GEE estimation and smooth-threshold GEE variable selection for single-index models with clustered data
本文提出了一种基于广义估计方程的单指标模型的估计方法和变量选择过程，当观测数据是聚类的。与独立观测值的情况不同，当估计方程中使用一般的工作相关矩阵时，需要进行偏差校正。我们的变量选择过程的基础上平滑阈值估计方程\citep{Ueki-2009}可以自动消除不相关的参数设置为零，是计算简单，比其他方法的基础上收缩惩罚。由此产生的估计一致地识别指数中的重要变量，即使工作相关矩阵被错误指定。无论非零参数是否已知，估计量的渐近性质都是相同的（在两种情况下，我们使用相同的估计方程），从而实现了\cite{Fan-Li-2001}意义下的预言性质。通过一些模拟例子以及实际数据的应用，说明了估计的有限样本性质。
2011-08-05 stat.ME
Minimax Rates in Network Analysis: Graphon Estimation, Community Detection and Hypothesis Testing
本文综述了网络分析的基本极限和优化算法的一些最新进展。我们专注于最小最大最优率在网络分析的三个基本问题：图子估计，社区检测，和假设检验。对于每一个问题，我们回顾国家的最先进的结果，在文献中遵循的一般原则，导致最小最大估计和测试的最佳程序。这使我们能够从一般的角度将网络分析中的问题与其他统计推断问题联系起来。
2019-02-14 cs.SI math.ST stat.ML
Estimation of the $l_2$-norm and testing in sparse linear regression with unknown variance
本文研究了方差未知的稀疏线性回归的$l_2$ -范数和平方$l_2$ -范数的估计问题，以及在$l_2$分离的稀疏替代下回归参数为零的假设检验问题.我们建立了这三个问题的最优估计率（分别为检验率）。
2020-10-26 math.ST stat.TH
General Semiparametric Shared Frailty Model Estimation and Simulation with frailtySurv
介绍了用于半参数共享脆弱性模型模拟和拟合的R软件frailtySurv。软件包frailtySurv实现了各种脆弱分布的半参数相合估计量，包括伽玛分布、对数正态分布、逆高斯分布和幂方差函数，并提供了参数估计量的标准误的相合估计量。参数的估计量是渐进正态分布的，因此可以使用正态分布进行基于该包结果的统计推断，例如假设检验和置信区间。大量的仿真实验证明了该估计器的灵活性和正确性。两个案例研究与公开可用的数据集证明了包的适用性。在糖尿病视网膜病变研究中，失明的发生按患者聚集，在大型硬盘驱动器故障数据集中，故障时间被认为是由硬盘驱动器制造商和型号聚集。
2018-09-05 cs.MS stat.CO
Minimax testing and quadratic functional estimation for circular convolution
在循环卷积模型中，我们的目标是推断的圆形随机变量的密度，使用的观测污染的附加测量误差。我们强调的两个问题的相互作用：最优测试和二次函数估计。在一般的正则性假设下，我们确定了二次泛函的极大极小风险估计的一个上界。上界由两个术语组成，一个模仿经典的偏差-方差权衡，另一个导致二次函数估计中的典型肘效应。利用二次泛函的极小极大最优估计量作为检验统计量，得到了非参数方案非渐近极小极大检验半径的一个上界。有趣的是，在估计情况下引起肘效应的项在测试半径内消失。我们提供了一个匹配的下界的测试问题。通过证明检验问题的任何下界也产生二次函数估计问题的下界，我们得到了估计风险的下界。最后，我们证明了一个匹配的下界的估计问题中的肘效应的原因。考虑索伯列夫空间和普通或超光滑误差密度的结果示出。
2020-04-27 math.ST stat.TH
Efficient estimation in semivarying coefficient models for longitudinal/clustered data
在纵向/聚类数据的半变系数模型中，通常主要关注的是涉及未知常系数的参数分量。首先，我们研究了一般情况下常系数估计的半参数有效界。它可以通过样条回归来实现，只要类内协方差阵都是已知的，这在现实中是不切实际的假设。因此，当协方差阵未知且仅依赖于指数随机变量（如时间）时，以及当连接函数是恒等函数时，我们提出了常系数的自适应估计。在初步估计之后，基于工作独立性以及样条和局部线性回归，我们通过对所得残差应用局部线性回归来估计协方差阵。然后利用协方差阵估计和样条回归得到常系数的最终估计。在正态性假设下，该估计达到了半参数有效界，并且在违背正态性的情况下，该估计具有最小的协方差阵。我们还提出了数值研究的结果。仿真结果表明，我们的估计优于基于工作独立性的估计。当应用于CD 4计数数据时，我们的方法确定了以前分析未发现的有趣结构。
2015-09-13 stat.ME
Rate optimal estimation of quadratic functionals in inverse problems with partially unknown operator and application to testing problems
我们考虑高斯序列模型中的二次泛函的估计，假设特征值是未知的，只能通过噪声观测。施加平滑假设的信号和序列的特征值，我们开发了一个极大极小理论这个问题。我们提出了一个截断序列估计，并表明，它达到最佳的收敛速率，如果截断参数选择适当。测试问题的反问题的后果同样讨论：特别是，极大极小率测试信号检测和拟合优度测试。
2019-07-14 math.ST stat.TH
Variance-Aware Estimation and Inference for Michaelis--Menten Models with Heteroscedastic Errors and Clustered Measurements
Ewha Womans University（梨花女子大学）
针对Michaelis-Menten模型，提出一种基于条件矩约束的方差感知估计与推断方法，通过简单条件高斯工作模型实现单曲线和聚类数据的参数估计，改善了异方差和聚类结构下的推断效率。
2026-05-27 stat.ME
Estimation of population-level summaries in general semiparametric repeated measures regression models
本文考虑了一个广泛的家庭半参数重复测量回归模型，其中的主要兴趣是估计人口水平的数量，如均值，方差，概率等，我们的框架的例子包括集群/纵向数据的广义线性模型，等等。我们推导出插件的基于核的估计的人口水平的数量，并得出其渐近分布。一个例子，涉及估计的生存功能的血红蛋白措施在肯尼亚血红蛋白研究数据来证明我们的方法。
2008-05-15 math.ST stat.ME stat.TH
Clustered random forests with correlated data for optimal estimation and inference under potential covariate shift
University of Cambridge（剑桥大学）
本文提出聚类随机森林算法，通过利用相关数据间的相关性提升估计和推断性能，并探讨协变量偏移下最优权重的选择方法。
2026-01-23 stat.ME stat.ML
Robust hypothesis testing and distribution estimation in Hellinger distance
Google Research（谷歌研究院）
我们提出了一个简单的鲁棒假设检验，具有相同的样本复杂性的最佳Neyman-Pearson检验常数，但强大的分布扰动下Hellinger距离。我们讨论了这样一个强大的测试估计分布在Hellinger距离的适用性。我们经验证明的权力的典型分布的测试。
2020-11-03 cs.IT cs.LG math.IT
Sensitivity Analysis of Causal Treatment Effect Estimation for Clustered Observational Data with Unmeasured Confounding
在观察性研究中识别因果治疗（或暴露）效应需要数据满足不可用观察数据检验的无混淆性假设。通过敏感性分析，人们可以确定如果假设被违反到一定程度，结论可能会如何变化。在本文中，我们提出了一种新的技术适用于集群观测数据的正态分布或二元结果的敏感性分析。所提出的方法旨在评估单个研究以及多个研究中估计的处理效应的稳健性，即，荟萃分析，针对不可测量的混杂因素。进行了各种基本场景的模拟，以评估我们的方法的性能。与其他现有的敏感性分析方法不同，我们的方法对未测量混杂因素的数量或测量和未测量混杂因素之间的关系没有限制性假设，并且不排除测量混杂因素和治疗之间可能的相互作用。我们的方法很容易使用标准的统计软件包实现。
2023-01-29 stat.ME
Nonparametric estimation of the density of the alternative hypothesis in a multiple testing setup. Application to local false discovery rate estimation
在多重检验的背景下，我们考虑一个半参数混合模型与两个组件，其中一个组件是已知的，并对应于$p$ -值的分布下的原假设和其他组件$f$是非参数的，并代表下的分布备择假设。出于本地错误发现率估计的问题，我们在这里集中在混合物中的非参数未知成分$f$的估计，依赖于真实零假设的未知比例$θ$的初步估计。我们提出并研究了这个未知分量的两个不同的估计的渐近性质。第一估计器是随机加权核估计器。我们建立了它的逐点二次风险的上界，展示了经典的非参数收敛速度在一类Hölder密度。据我们所知，这是第一个结果建立收敛以及相应的速度估计未知成分在这个非参数混合。第二个估计量是最大平滑似然估计量。它是通过一个迭代算法计算的，为此我们建立了一个下降性质。此外，这些估计器用于多重检验过程中，以估计本地错误发现率。他们各自的表现，然后比较合成数据。
2013-04-03 stat.AP
Real-time Detection of Clustered Events in Video-imaging data with Applications to Additive Manufacturing
School of Computing, Informatics, and Decision Systems Engineering, Arizona State University（亚利桑那州立大学计算、信息与决策系统工程学院）；Dipartimento di Meccanica, Politecnico di Milano（米兰理工大学机械工程系）；H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H·米尔顿·斯图尔特工业与系统工程学院）
视频成像数据用于在线过程监控应用在工业中变得越来越流行。在这个框架中，时空统计过程监测方法需要捕捉相关的信息内容和信号可能失控的状态。视频成像数据的特点是由一个时空变异性结构，取决于潜在的现象，和典型的失控模式有关的事件，在时间和空间上都是本地化的。在本文中，我们提出了一个集成的时空分解和回归方法的异常检测视频成像数据。失控事件通常是稀疏的空间聚集和时间一致的。因此，目标不仅是尽可能快地检测异常（“何时”），而且还要定位它（“何处”）。该方法通过将原始时空数据分解为随机的自然事件、稀疏的空间聚集和时间一致的异常事件以及随机噪声。时空回归的递归估计程序，使所提出的方法的实时实施。最后，提出了一种似然比检验方法来检测热点的发生时间和位置。所提出的方法被应用于视频成像数据的分析，以检测和定位在金属增材制造过程中的逐层过程期间的局部过热现象（“热点”）。
2020-04-23 cs.CV stat.AP
Multiplicative models for frequency data, estimation and testing
本文是关于模型的一个向量的概率，其元素必须有一个乘法结构和总和为1在同一时间，在某些应用中，如篮子分析，这些模型可以被看作是一个约束版本的准独立性。在回顾了这些模型的基本性质之后，研究了它们作为曲线指数族的几何特征。提出了一种计算最大似然估计的新算法，并对基本几何结构提供了新的见解。本文导出了三种用于假设检验的统计量的渐近分布，并进行了一个小型的模拟研究，以考察渐近近似的精度。
2018-04-15 math.ST stat.TH
Functional estimation and hypothesis testing in nonparametric boundary models
考虑具有未知支撑边界曲线$g$的Poisson点过程，其形成非规则统计模型的原型。我们解决了估计形式为$\int Φ(g(x))\,dx$的非线性泛函的问题。根据非参数最大似然方法，我们构造了一个估计，这是UMVU在Hölder球，并实现了（局部）极小极大收敛速率。这些结果在$Φ$上的弱假设下成立，这些假设对于$Φ(u)=|u|^p$，$p\ge 1$都是满足的。作为应用，我们考虑了$L^p$ -范数的估计问题，并得到了相应的非参数假设检验问题中的极小极大分离率。结构差异，定期非参数模型的结果进行了讨论。
2019-02-12 math.ST stat.TH
A low-rank based estimation-testing procedure for matrix-covariate regression
矩阵协变量是生物医学研究中经常遇到的问题。传统的统计模型通常通过向量化矩阵协变量来拟合。然而，这种策略导致大量参数，而可用的样本量相对太小，无法获得可靠的分析结果。为了克服假设检验的高维性问题，人们提出了方差分量检验，它具有较好的检测能力，但不能直接给出效应量的估计。在这项工作中，我们克服了高维的问题，利用矩阵协变量的固有结构。其优点是，可以像传统情况一样同时进行估计和假设检验，同时由于对矩阵协变量系数的参数化非常简洁，可以大大提高估计效率和检测能力。我们的方法被应用到测试的PSQI数据中的基因-基因相互作用的显着性，并被施加到测试，如果脑电图是与酒精状态的EEG数据，其中稀疏效应和低秩效应的矩阵协变量被识别，分别。
2016-07-11 stat.AP
The Third Way Of Probability & Statistics: Beyond Testing and Estimation To Importance, Relevance, and Skill
还有第三种实现概率模型和实践的方法。这是为了回答用可观察的东西提出的问题。这消除了频率论假设检验和贝叶斯因子，也消除了参数估计。第三种方法是逻辑概率方法，即在给定的证明数据$X$、过去的观测（当存在时）$D$和某种模型（可能是推导的）$M$的情况下，对取值为$y$的感兴趣的观测量$Y$进行陈述$\Pr(Y \in y | X,D,M)$。重要性和概率模型显示因果关系的错误想法已经不复存在，取而代之的是重要性和相关性。模型是建立在对决策者（而不是统计学家）相关和重要的信息上的。所有的模型都以可公开验证的方式陈述，作为预测。所有的模型在被信任之前都必须经过一个验证过程。
2015-08-09 stat.OT
Parameter estimation and model testing for Markov processes via conditional characteristic functions
马尔可夫过程被广泛应用于包括金融在内的各种学科。这些过程的跃迁密度通常是未知的。然而，条件特征函数更有可能是可用的，特别是对于Lévy驱动的过程。我们提出了一种经验似然方法，参数估计和模型规格测试，基于条件特征函数的过程中，无论是连续或不连续的样本路径。提供了参数的经验似然估计的理论性质和过程的参数规格的平滑经验似然比检验。仿真和实证案例研究进行了确认所提出的估计和测试的有效性。
2013-02-01 math.ST stat.TH
A note on error estimation for hypothesis testing problems for some linear SPDEs
本文的目的是估计和控制加性噪声驱动的随机分数阶热方程漂移/粘性系数的简单假设检验问题的第I类和第II类误差。假设一个路径的第一$N$傅立叶模式的解决方案是连续观察在一个有限的时间间隔$[0,T]$，我们提出了一类新的拒绝区域，并提供可计算的阈值$T$，和$N$，保证统计误差是小于一个给定的上限。所考虑的检验是似然比型的。主要思想和证明是基于尖锐的大偏差界限。最后，我们通过数值模拟说明了理论结果。
2014-07-21 math.PR math.ST stat.TH
Nonparametric Estimation and Testing on Discontinuity of Positive Supported Densities: A Kernel Truncation Approach
密度函数中的不连续性具有经济上的重要性和意义。例如，在回归不连续性设计的研究中，运行变量密度的不连续性表明违反了无操纵假设。本文给出了正支撑下密度不连续性的估计和检验方法。我们的方法是建立在分裂的伽玛内核（陈，2000年）在一个给定的（不）连续点分为两部分，并构建两个截断的内核。该点处密度的跳跃大小可以通过两个核和乘性偏差校正方法非参数地估计。该估计器易于实现，其收敛性通过对不完全Γ函数的各种近似技术来实现。基于跳长估计，给出了连续零点的两种检验统计量。此外，在存在间断点的情况下，探讨了整体密度的估计理论。蒙特卡罗模拟证实了跳跃大小估计量和检验统计量的有限样本性质。
2016-08-01 math.ST stat.TH
Testing and estimation in orthosymmetric Gaussian sequence model
Massachusetts Institute of Technology（麻省理工学院）
本文研究正交对称高斯序列模型，证明了拟合优度检验样本复杂度下界为估计复杂度平方根，并完全刻画了 $\ell_p$-体的无似然假设检验复杂度，发现了模拟与观测样本数间的新权衡。
2025-10-30 cs.IT math.IT math.ST
A new method for clustered survival data]{A new method for clustered survival data: Estimation of treatment effect heterogeneity and variable selection
本文提出利用 riAFT-BART 方法解决成组删失生存数据中的治疗效应异质性估计和变量选择问题，并通过置换法与自助法插值处理变量选择和缺失数据，最终以 COVID-19 案例验证方法有效性。
2023-08-11 stat.AP stat.ME
