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
On the asymptotic validity of confidence sets for linear functionals of solutions to integral equations
本文研究积分方程解的线性泛函置信集,证明在弱依赖模型下均匀有效性需直径覆盖参数范围,Wald区间失效,提出二值变量特例方法,并指出一般情形仍开放。
2025-08-07 math.ST stat.ME stat.TH
Valid causal inference with unobserved confounding in high-dimensional settings
针对高维因果推断中未观测混杂破坏识别的问题,本文提出允许未观测混杂的不确定区间,并以收敛速率给出有效性条件,辅以模拟和出生体重案例验证。
2024-01-12 stat.ME stat.ML
Doubly Robust Inference for Targeted Minimum Loss Based Estimation in Randomized Trials with Missing Outcome Data
缺失的结果数据是随机试验处理效应估计有效性的主要威胁之一。缺失数据和观察数据的参与者的结果分布通常是不同的,这增加了偏倚的风险。因果推断方法可通过将基线变量纳入分析来帮助减少偏倚并提高效率。特别是,双稳健估计纳入两个滋扰参数的估计:结果回归和缺失机制,以调整观察到的和未观察到的组中的差异,可以解释观察到的协变量。传统上使用参数模型来估计这样的干扰参数,这通常排除一致的估计,特别是在中到高维中。最近对缺失数据的研究主要集中在数据自适应估计的滋扰参数,以达到一致性,但大样本的性质,这样的估计知之甚少。在本文中,我们讨论了双稳健估计,是一致的和渐近正态(CAN)下的数据自适应一致估计的结果回归或缺失机制。我们提供了一个公式的渐近有效的置信区间在最小的假设。我们表明,我们提出的估计有较小的有限样本偏差相比,标准的双稳健估计。我们提出了一个模拟研究,证明了我们的估计在偏倚,效率和覆盖范围的置信区间的增强性能。我们提出了一个说明性的例子的结果:一个随机的,双盲的II/III期抗逆转录病毒治疗HIV感染者的试验,并提供R代码实现我们提出的估计。
2017-04-05 stat.ME
Semiparametric Causal Inference for Right-Censored Outcomes with Many Weak Invalid Instruments
City University of Hong Kong(香港城市大学);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);The Hong Kong Polytechnic University(香港理工大学);Columbia University(哥伦比亚大学)
针对生物样本库孟德尔随机化中右删失结局、多弱无效工具下经典方法失效的问题,提出半参数因果推断框架与GEL-NOW方法,推导含删失不确定性的渐近性质,经模拟和UK Biobank数据验证具稳健性与实用性。
2025-10-03 math.ST stat.ME stat.TH
Proximal Path-Specific Inference
National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学)
本文提出非参数识别策略,通过利用观察到的协变量作为代理变量,解决路径特异性效应中的未测量混杂问题,并提出四重稳健局部高效估计器。
2026-05-10 math.ST stat.ME stat.ML
De-Biased Machine Learning of Global and Local Parameters Using Regularized Riesz Representers
我们提供了自适应推理方法,$\ell_1$正则化的基础上,定期(半参数)和非定期(非参数)的线性泛函的条件期望函数。正则泛函的例子包括平均处理效应、政策效应和导数。非正则泛函的例子包括平均处理效应、政策效应和以固定在某点的协变量子向量为条件的导数。我们构建了一个奈曼正交方程的目标参数,是近似不变的滋扰参数的小扰动。为了实现这一属性,我们包括Riesz代表功能作为一个额外的滋扰参数。我们的分析产生了弱的“双稀疏鲁棒性”:回归的近似或代表者的近似可以是“完全稠密的”,只要另一个足够“稀疏”。我们的主要结果是非渐近的,并意味着在大类模型的渐近一致有效性,转化为诚实的信心带的全球和当地的参数。
2022-10-21 econ.EM math.ST stat.ML
Randomization Inference for Treatment Effect Variation
应用研究人员越来越感兴趣的是,在随机评价中,处理效应是否以及如何变化,特别是观察到的协变量无法解释的变化。我们提出了一种无模型的方法来测试这种无法解释的变化的存在。为了使用这种基于随机化的方法,我们必须解决这样一个事实,即平均处理效应,通常是随机化实验中感兴趣的对象,实际上在这种设置中充当了一个讨厌的参数。我们探索潜在的解决方案,并提倡一种方法,保证有效的测试,尽管这种滋扰有限的样本。我们还展示了这种方法如何容易地扩展到测试的异质性超出了一个给定的模型,这可能是有用的评估一个给定的科学理论的充分性。最后,我们将我们的方法应用于全国领先影响研究,一个大规模的联邦学前教育计划的随机评估,发现确实有显着的无法解释的处理效应的变化。
2014-12-16 stat.AP stat.ME
Contrasting Identifying Assumptions of Average Causal Effects: Robustness and Semiparametric Efficiency
University of Jyvaskyla(耶尔文佩大学);Uppsala University(乌普萨拉大学)
本文比较后门、前门及两门三种因果识别假设,推导其有效影响函数与半参数效率界,并分析估计量达到界的条件及对冗余模型误设的稳健性,揭示效率与稳健性之间的权衡。
2023-02-17 stat.ME
Unveiling the Potential of Robustness in Selecting Conditional Average Treatment Effect Estimators
The Hong Kong Polytechnic University(香港理工大学);City University of Hong Kong(香港城市大学)
针对现有CATE估计器选择方法需拟合nuisance参数、未聚焦鲁棒性选择的问题,本文提出无nuisance依赖的分布鲁棒指标DRM,可有效选出对协变量偏移、隐藏混杂引发的分布偏移鲁棒的CATE估计器。
2024-10-31 cs.AI cs.LG econ.EM
Proximal Mediation Analysis with Hidden Recanting Witnesses
Center for Data Science, Zhejiang University(浙江大学数据科学中心);Department of Statistics and Data Science, National University of Singapore(新加坡国立大学统计与数据科学系)
针对中介分析中未知反悔证人(治疗诱导的中介-结局混杂因素)导致的路径效应识别难题,提出三种基于近端因果推断的识别策略,并开发了近端多重稳健估计量,在部分模型正确设定时仍一致,且渐近正态达到半参效率界。
2026-06-17 math.ST stat.ME stat.ML
Estimation and Inference for Causal Functions with Multiway Clustered Data
本文面向多向聚类数据提出一般因果函数的两步机器学习估计、交叉拟合与多向聚类稳健筛得分自助一致推断方法,并通过模拟和奴隶贸易实证验证其有效性。
2024-09-10 econ.EM stat.ME stat.ML
Imputation-based randomization tests for randomized experiments with interference
针对存在干扰的随机化实验中经典Fisher随机化检验失效的问题,提出基于插补的随机化检验方法,通过多次插补未知干扰项并平均p值,有效控制第一类错误率并显著提升检验功效。
2024-11-13 stat.ME
Why Is the Double-Robust Estimator for Causal Inference Not Doubly Robust for Variance Estimation?
Vanderbilt University Medical Center(范德堡大学医学中心);UCSD Herbert Wertheim School of Public Health and Human Longevity Science(加州大学圣地亚哥分校赫伯特·韦特海姆公共卫生与人类长寿科学学院);University of Florida(佛罗里达大学)
本文探讨了因果推断中双重稳健估计器在方差估计中的局限性,并提出混合框架方法以实现有效推断。
2025-11-22 stat.ME
A General Framework for Treatment Effect Estimation in Semi-Supervised and High Dimensional Settings
该研究提出半监督高维场景下处理效应估计的通用框架,利用无标签数据提升估计的稳健性与效率,证明了相关统计性质,验证了方法优于监督式方法。
2024-08-14 math.ST stat.ME stat.ML
A Simple and Adaptive Confidence Interval when Nuisance Parameters Satisfy an Inequality
National University of Singapore(新加坡国立大学)
研究在干扰参数满足不等式时的置信区间问题,提出简单自适应的不等式约束置信区间(IICI),无需模拟和调参,具自适应性,一致有效且长度(弱)短于普通置信区间,通过线性回归和工具变量回归实证验证。
2026-08-11 econ.EM math.ST stat.TH
Causal Mediation Analysis: Selection with Asymptotically Valid Inference
研究人员不仅对治疗对结果的影响感兴趣,而且还对这些影响的作用途径感兴趣。中介是一个变量,它受治疗的影响,并随后影响结果。现有的惩罚性中介分析方法可能会导致忽略重要的中介,或者假设有限维线性模型足以消除混杂偏倚,或者根本不执行混杂控制。实际上,这些假设可能并不成立。我们提出了一种方法,认为混杂函数作为滋扰参数估计使用数据自适应方法。然后,我们使用一种新的正则化方法应用到这个目标函数,以确定一组重要的调解人。在一定的假设下,我们得到了估计量的渐近性质,并建立了预言性质。渐近结果也提出了在一个本地设置的对比建议与标准的自适应套索。我们还提出了一个扰动引导技术,提供渐近有效的选择后推理的介导的影响。这些方法的性能将通过模拟研究进行讨论和论证。
2021-12-20 stat.ME
How to select predictive models for causal inference?
Inria(法国国家信息与自动化研究所);Haute Autorité de Santé(法国国家卫生管理局)
针对经典机器学习模型选择不适用于因果推断的问题,基于广泛的实证研究提出一种良好的因果模型选择程序,即使用 $R\ ext{-risk}$、灵活估计器计算冗余模型及划分 10\% 数据计算风险。
2023-05-16 cs.LG stat.ML
Debiased Ill-Posed Regression
针对条件矩限制下的函数估计问题,提出基于影响函数的去偏估计策略,具有二阶偏差和稳健性,并给出超参数选择方法,实现根号n一致性。
2025-05-27 econ.EM stat.ME stat.ML
Causal Partial Identification via Conditional Optimal Transport
Stanford University(斯坦福大学);University of Southern California(南加州大学)
本文提出了一种基于条件最优传输的直接非参数估计方法,用于单个单位的因果部分识别,通过更强拓扑下的连续性证明,提高了估计的一致性和有效性。
2026-02-12 stat.ME
Orthogonal Series Estimation for the Ratio of Conditional Expectation Functions
在数据科学的各个领域,研究人员经常对估计条件期望函数(CEFR)的比率感兴趣。特别是在因果推断问题中,有时考虑基于比率的处理效应是很自然的,例如比值比和风险比,甚至基于差异的处理效应在一些经验相关的设置中被识别为CEFR。本章开发了CEFR的估计和推理的一般框架,它允许使用灵活的机器学习无限维干扰参数。在该框架的第一阶段中,使用去偏机器学习技术构造正交信号,以减轻滋扰估计中的正则化偏差对目标估计的负面影响。然后,将信号与针对CEFR定制的新型系列估计器相结合。我们推导出点态和一致的渐近结果CEFR的估计和推断,包括高斯引导的有效性,并提供低级别的充分条件,适用于一些具体的例子所提出的框架。我们证明了有限样本的性能的系列估计所提出的框架下,通过数值模拟。最后,我们应用所提出的方法来估计401(k)计划对家庭资产的因果影响。
2022-12-26 econ.EM stat.ME stat.ML
Doubly Robust Functional Representation Learning for Longitudinal Causal Inference with Irregular Histories
Academy of Life and Natural Sciences, Xi’an Jiaotong-Liverpool University(西交利物浦大学生命与自然科学学院);Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息研究院)
针对不规则历史的纵向因果推断,提出DR-FRL交叉拟合工作流,通过函数与时间编码器映射状态、估计干扰项函数,经诊断验证后在模拟与VitalDB审计中表现出良好性能。
2026-07-31 cs.LG stat.AP stat.CO
Semi-parametric Bayesian inference under Neyman orthogonality
McGill University(麦吉尔大学)
本文提出了一种基于奈曼正交性的贝叶斯推断方法,通过非参数模型和狄利克雷过程实现,展示了在因果推断中有效且稳健的边缘后验推断。
2026-02-23 math.ST stat.ME stat.TH
Generalized Bayes for Causal Inference
Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出了一种广义贝叶斯框架,用于因果推断,通过直接在因果估计量上放置先验并利用驱动识别的损失函数,实现对因果效应的完整不确定性量化。
2026-11-17 cs.LG stat.ML
Data-Poisoning Audits for Causal Effect Estimation
Department of Statistics, Korea University, Seoul, Republic of Korea(统计系,韩国大学,首尔,大韩民国)
研究观察性因果分析中数据中毒问题,提出针对增强逆概率加权估计的数据中毒审计方法,通过指定相关参数、进行贪婪扫描等操作,推导总影响分数和有限预算界限,经模拟验证可支持可靠因果报告及源级保障设计。
2026-07-23 cs.LG stat.ME stat.ML
SIRNET: Causal Adaptation of Pretrained Embeddings for Semiparametric Treatment-Effect Estimation Under Surrogacy
Adobe Research(奥多比研究院);Division of Biostatistics UC Berkeley(加州大学伯克利分校生物统计学系)
SIRNET是一种代理感知表示适应框架,通过联合学习适配器优化预训练嵌入,在合成、半合成及A4试验中实现了半参数处理效应的高效估计。
2026-10-14 cs.LG stat.ME
Uniformly Valid Inference Under Interactive and High-Dimensional Constraints
Rutgers University(罗格斯大学)
本文针对极值估计量在参数边界处渐近正态性失效问题,提出适用于高维交互约束的拟无约束估计量检验方法,将其应用于面板数据网络估计,实现一致有效推断。
2026-08-25 econ.EM math.ST stat.TH
Selective inference for effect modification via the lasso
当治疗对结果的影响根据其他协变量的水平而变化时,发生效应修正,并且通常对决策具有重要影响。当存在数十或数百个协变量时,有必要使用观察到的数据来选择更简单的模型进行效应修正,然后进行有效的统计推断。我们提出了一个两阶段的程序来解决这个问题。首先,我们使用Robinson变换将干扰参数与感兴趣的处理效应解耦,并使用机器学习算法来估计干扰参数。接下来,在插入讨厌参数的估计值后,我们使用Lasso选择一个低复杂度的模型进行效果修改。与由所有协变量组成的完整模型相比,所选模型更具可解释性。与单变量亚组分析相比,所选模型大大减少了错误发现的数量。我们证明了在经典半参数回归的速率假设下,所选模型的条件选择性推断是渐近有效的。进行了大量的模拟研究,以验证渐近结果和流行病学的应用程序来证明该方法。
2021-11-19 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
Valid and efficient imprecise-probabilistic inference with partial priors, III. Marginalization
本文提出基于剖面似然的新推断模型(IM)框架解决含冗余参数的边际推断问题,在参数、预测及非参数场景下均保证有效性与效率,并建立与 conformal prediction 的联系。
2023-09-23 math.ST stat.ME stat.TH
Collaborative targeted inference from continuously indexed nuisance parameter estimators
我们希望从一个定律中推断出一个参数的值,并从中抽取独立的观测值。该参数是光滑的,我们可以定义两个变分无关的法律,其$Q$ -和$G$ -组件的功能,使他们一致地估计在一个足够快的产品率允许建立一个置信区间(CI)与给定的渐近水平从一个普通的目标最小损失估计(TMLE)。假设上述乘积不够快,并且用于$G$分量的算法由实值$h$微调。具有通过交叉验证选择的$h$的普通TMLE通常不会产生CI。我们构建了一个合作的TMLE(C-TMLE),并在温和的条件下,如果存在一个甲骨文$h$,使一个庞大的剩余项渐近高斯,那么C-TMLE产生CI。我们用平均处理效应的推论来说明我们的发现。我们进行了一个模拟研究,其中的$G$ -组件估计的LASSO和$h$是上界的系数的范数。它揭示了小样本属性,面对低到高维的基线协变量,并可能违反积极性。
2018-04-05 math.ST stat.ME stat.ML
Uniformly Valid Inference Based on the Lasso in Linear Mixed Models
本文针对高斯线性混合模型,基于Lasso型估计量构建固定效应置信集,量化变量选择与参数估计的联合不确定性,并证明其一致有效性及优于朴素选择后程序。
2023-08-16 math.ST stat.ME stat.TH
Uniformly Valid Confidence Sets Based on the Lasso
在固定维线性回归模型$p \leq n$中,基于Lasso估计,构造了未知参数向量的置信区域,该估计在有限样本下以及在渐近条件下,一致且精确地保持给定的置信区域.因此,我们量化估计的不确定性以及“后模型选择误差”的估计。更具体地说,在有限样本高斯误差和渐近的情况下,拉索估计被调整到执行保守的模型选择,我们推导出精确的公式,用于计算最小覆盖概率在整个参数空间的一大类形状的置信集,从而使有效的置信区域的建设在这些设置的基础上的拉索估计。文中还讨论了置信集形状的选择以及与基于最小二乘估计的置信椭圆的比较。此外,在调整Lasso估计器以实现一致的模型选择的情况下,我们给出了一个简单的置信区域,其最小覆盖概率收敛到1。最后,我们还处理未知误差方差的情况下,并提出了一些想法的扩展。
2018-05-14 math.ST stat.ME stat.TH
Finite Sample Bernstein -- von Mises Theorem for Semiparametric Problems
在允许有限样本和模型误设定的非经典设置中重新考虑经典参数和半参数Bernstein - von Mises(BvM)结果。在一个有限维的冗余参数的情况下,我们得到的目标参数的后验分布,这是明确的滋扰和目标参数的尺寸的高斯近似的误差上界。这有助于识别BvM结果适用的完整参数的所谓\emph{critical dimension} $ p $。在重要的身份证里。的情况下,我们证明了条件“$ p^{3} / n $是小的”是足够的BvM结果是有效的,在一般的假设模型。我们还提供了一个例子,一个模型的相变效应:陈述的BVM定理失败时,尺寸$ p $接近$ n^{1/3} $。将所得结果推广到Sobolev类中含有冗余参数的无穷维参数的情形。特别是,我们显示了接近正常的后,如果平滑参数$s$超过3/2。
2014-06-15 math.ST stat.TH
Uniformly valid confidence intervals post-model-selection
我们建议一般的方法来构造渐近一致有效的置信区间后模型选择。这些构造基于Berk等人(2013)最近提出的原理。特别是,所使用的候选模型可能被错误指定,推理的目标是特定于模型的,并且保证覆盖任何数据驱动的模型选择过程。在开发了一个一般的理论,我们适用于我们的方法,实际上重要的情况下,候选人的一组模型,从中选择一个工作模型,由固定设计的同向或异向线性模型,或一般链接功能的二元回归模型。在一个广泛的模拟研究中,我们发现,建议的置信区间执行非常好,即使与现有的方法相比,只针对特定的模型选择程序。
2017-11-13 math.ST stat.TH
Valid Bayesian Inference based on Variance Weighted Projection for High-Dimensional Logistic Regression with Binary Covariates
针对高维基线协变量下二元结果相关分类处理效应的推断挑战,提出基于方差加权投影的正交得分及新型贝叶斯框架,提供一致收敛结果并通过模拟与真实数据分析验证方法有效性。
2024-11-26 math.ST stat.ME stat.TH
Nonparametric inference for ratios of densities via uniformly valid and powerful permutation tests
University of Warwick(华威大学)
本文提出了一种基于密度比的非参数检验方法,通过有效置换检验评估密度比与已知函数的比例关系,并在迁移学习和因果推断中展示其应用价值。
2026-01-13 math.ST stat.ME stat.TH
Uniformly Valid Post-Regularization Confidence Regions for Many Functional Parameters in Z-Estimation Framework
在本文中,我们开发的程序来构建同时的置信带$\tilde p$潜在的无穷维参数后,一般矩条件下的模型选择,其中$\tilde p$是潜在的远大于可用数据的样本量,$n$。这使我们能够覆盖具有功能响应数据的设置,其中每个$\tilde p$参数都是一个功能。该过程基于满足一定正交条件的得分函数的构造。所提出的同时置信带依赖于高维向量的统一中心极限定理(而不是Donsker参数,因为我们允许$\tilde p \gg n$)。为了构建频带,我们采用了一个乘法器引导程序,这是计算效率高,因为它只涉及重新估计的得分函数(并不需要解决高维优化问题)。本文将一般理论应用于logistic环节分布回归模型中回归系数过程的推断,并详细分析了两种实现方法。模拟和实际数据的应用程序,以帮助说明结果的适用性。
2019-02-03 math.ST stat.ME stat.TH
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
Nonparametric Bootstrap Inference for the Targeted Highly Adaptive LASSO Estimator
高度自适应LASSO目标最小损失估计(HAL-TMLE)是统计模型中的路径可微参数的有效插入式估计器,其最小(并且可能仅)假设真实滋扰功能参数(即,数据分布的相关部分)是有限的。它依赖于滋扰功能参数的初始估计(HAL-MLE),通过最小化经验风险的参数空间的约束下,候选函数的截面变化范数由一个常数,其中这个常数可以选择与交叉验证。在这篇文章中,我们建立了HAL-TMLE的非参数自举,固定在一个大于或等于交叉验证选择器的值的截面变异范数的值,提供了一个一致的方法来估计HAL-TMLE的正态极限分布。为了优化有限样本覆盖率的非参数引导置信区间,我们提出了一种选择方法,该方法是基于运行的非参数引导的所有值的截面变异范数大于交叉验证选择的一个,随后确定一个值,在该值处得到的置信区间的宽度达到一个平台。我们展示了我们的方法:1)平均治疗效果的非参数估计,基于对每个单位的协变量向量,二元治疗和结果的观察,以及2)数据分布的多变量密度平方积分的非参数估计。此外,我们还提出了模拟结果,这两个例子证明了优秀的有限样本覆盖率的基于引导的置信区间。
2020-02-07 math.ST stat.ME stat.TH
Selective machine learning of doubly robust functionals
本文提出一种选择性机器学习框架,基于双重稳健性质定义伪风险并选择最优学习器对,用于半参数模型中有限维泛函的推断,并应用于平均处理效应的估计,理论证明其oracle性质,模拟和实证验证了有效性。
2023-09-03 math.ST stat.ME stat.ML
Marginal inferential models: prior-free probabilistic inference on interest parameters
推理模型(IM)框架提供了无先验、频率校准、后验概率推理。关键是使用随机集来预测与可观测数据和未知参数相关联的不可观测辅助变量。当存在冗余参数时,边缘化步骤可以减小辅助变量的维数,这又导致更有效的推断。对于经常性的问题,可以实现精确的边缘化,我们给边际IM有效性的条件。我们表明,我们的方法提供了准确和有效的边际推理在几个具有挑战性的问题,包括许多正常的手段问题。在非正则问题中,我们提出了一种广义边缘化技术,并证明了它的有效性。两个基准的例子,即Behrens-Fisher和伽马平均问题的细节。
2014-10-24 math.ST stat.ME stat.TH
Simple Adaptive Size-Exact Testing for Full-Vector and Subvector Inference in Moment Inequality Models
我们提出了一个简单的测试矩不等式,具有确切的大小在正态模型与已知的方差,并具有一致渐近准确的大小更一般。该检验将准似然比统计量与卡方临界值进行比较,其中自由度是有限样本中活跃的不等式的秩。该检验不需要模拟,因此计算速度快,特别适合于通过检验反演来构造参数的置信集。它不使用调整参数的时刻选择,但仍然适应松弛的时刻不等式。此外,我们展示了如何测试可以很容易地适应子向量的推断为常见的经验设置的条件矩不等式与干扰参数进入线性。
2020-08-18 econ.EM math.ST stat.TH
Distribution-uniform anytime-valid sequential inference and the Robbins-Siegmund distributions
University of California, Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种分布均匀的任意时间有效序列推断方法,解决了传统方法在分布均匀性上的不足,并引入了Robbins-Siegmund分布以改进任意时间有效渐近性理论。
2026-01-14 math.ST stat.ME stat.TH
Generalized Asymptotic Limit Theory and Inference for Isotonic Regression
University of Pennsylvania(宾夕法尼亚大学);Carnegie Mellon University(卡内基梅隆大学)
研究保序回归问题,引入真实函数局部行为的一般条件,揭示更丰富渐近分布族。因估计干扰参数,经典框架推断有挑战。利用新极限分布对称性,使HulC程序产生有效置信区间,框架让推断在特定函数类上一致有效。
2026-07-20 math.ST stat.ME stat.TH
Bootstrap validity in Bayesian semi-parametric models
McGill University(麦吉尔大学)
该研究在半参数贝叶斯推断框架下,结合Dirichlet过程与贝叶斯自助法,放宽随机等连续性假设,验证了后验分布的渐近正态性与收敛性,并通过模拟确认了分析结果。
2026-08-10 math.ST stat.ML stat.TH
Uniform Inference in High-dimensional Dynamic Panel Data Models
在高维固定效应动态面板数据模型中,我们建立了一个版本的Lasso的预言不等式。这些不等式对动态和外生回归变量的系数均成立。单独的预言不等式推导出的固定效果。接下来,我们将展示如何进行一致有效的模型参数的同时推断,并构造一个一致有效的估计的渐近协方差阵,这是强大的条件异方差的误差项。允许条件异方差在动态模型中很重要,因为条件误差方差可能随时间而变化,并取决于协变量。此外,我们的程序允许增加基数的参数向量的高维子集上的推理。我们表明,从我们的过程中产生的置信带是渐近诚实的,并在最佳速率的合同。固定效应的该比率与参数向量其余部分的比率不同。
2016-01-04 math.ST stat.ME stat.TH
Universal Inference for Incomplete Discrete Choice Models
本文针对具有集值预测的实证模型,提出一种具有有限样本有效性的易处理推断方法,基于稳健的普适推断框架构建置信区间,适用于模型不完全性等复杂场景。
2025-01-29 econ.EM math.ST stat.TH
Finite Sample Inference for Targeted Learning
高度自适应Lasso(HAL)-TMLE是统计模型中的路径可微参数的有效估计器,其在最小(并且可能仅)假设真实冗余参数的截面变化范数是有限的。它依赖于初始估计(HAL-MLE)的冗余参数,通过最小化经验风险的参数空间的约束下,截面变异范数是有界的常数,这个常数可以选择交叉验证。在HALMLE公式中,该分段变化范数对应于指标基础系数的绝对值之和。由于其对机器学习的依赖,TMLE的统计推断基于其正态极限分布,从而潜在地忽略了有限样本中的大的二阶剩余。在这篇文章中,我们提出了四种方法来建设一个有限的样本0.95-置信区间,使用非参数bootstrap来估计有限样本分布的HAL-TMLE或保守的分布占主导地位的真正有限样本分布。我们证明了它一致地估计最优正态极限分布,而它的近似误差是由表现良好的经验过程的引导的性能驱动的。我们展示了我们的一般推理方法:1)平均治疗效果的非参数估计,基于对每个单位的协变量向量,二元治疗和结果的观察,以及2)数据分布的多变量密度平方积分的非参数估计。
2017-08-30 math.ST stat.TH
Valid Post-Selection and Post-Regularization Inference: An Elementary, General Approach
在这里,我们提出了一个短暂的,一般的分析有效的后选择或后正则化推理的低维目标参数,$α$,在一个非常高维的冗余参数,$η$,这是估计使用现代选择或正则化方法的存在。我们的分析依赖于高层次的,易于解释的条件,使人们能够清楚地看到实现有效的后正则化推理所需的结构。给出了一类仿射二次模型的简单、易于验证的充分条件。我们集中我们的讨论估计和推理程序的基础上使用的经验模拟的理论方程$$M(α, η)=0$$,其中确定$α$。在这种结构中,我们表明,建立这样的方程的方式,使正交/免疫条件$$\partial_ηM(α, η) = 0$$在真实的参数值是满意的,加上合理的条件上的平滑$M$和质量的估计$\hat η$,保证基于下面讨论的测试或点估计方法的主参数$α$的推断将是规则的,而不管选择或正则化估计$η$时出现偏倚。特别地,$α$的估计量通常在根$n$速率处一致,并且一致渐近正态,即使估计量$\hat η$通常不是渐近线性和正则的。这种一致性适用于大类模型,这些模型不施加非常难以置信的“最小β”条件。我们还表明,推理可以进行倒置测试形成内曼的$C(α)$(正交得分)统计。
2015-08-18 econ.EM math.ST stat.TH
Uniform Inference for Cointegrated Vector Autoregressive Processes
针对协整向量自回归过程中最小二乘渐近分布不连续导致的推断难题,本文将单变量渐近结果推广到多维,并证明滞后增广与工具变量方法可构造一致有效检验和置信区域。
2023-12-07 econ.EM math.ST stat.TH