Empirical Likelihood Weighted Estimation of Average Treatment Effects
在随机临床试验（RCT）中，当主要目标是估计平均处理效应（ATE）时，如何有效、客观地利用协变量信息已引起越来越多的关注。在本文中，我们提出了一个有效的加权方法来提取协变量信息的经验似然（EL）方法的基础上。由此产生的两个样本的经验似然加权（ELW）估计包括两类权重，这是从一个约束的经验似然估计过程，其中协变量信息被有效地纳入到一般估计方程的形式。此外，这种ELW方法将ATE的估计与协变量-结果关系的分析分开，这意味着我们的方法保持了客观性。在理论上，我们证明了所提出的ELW估计是半参数有效的。我们扩展我们的估计，以解决的情况下，结果是随机缺失（MAR），并证明了我们的估计的双重鲁棒性和多重鲁棒性。此外，我们还得到了MAR机制下所有正则和渐近线性半参数ATE估计的半参数有效界，并证明了我们提出的估计达到了这个界。我们进行了模拟，与其他现有的估计，这证实了我们提出的ELW估计的效率和多重鲁棒性进行比较。艾滋病临床试验组175号协议（ACTG 175）数据的应用进行。
2020-08-29 stat.ME
Sharp Bounds for Treatment Effect Generalization under Outcome Distribution Shift
Vanderbilt University Medical Center（范德堡大学医学中心）；University of Minnesota（明尼苏达大学）
本文提出了一种敏感性分析框架，通过约束目标与试验结果密度的似然比来确定处理效应泛化时的界限，提供了一种高效的估计方法。
2026-04-03 stat.ME
Multiply Robust Inference of Average Treatment Effects by High-dimensional Empirical Likelihood
本文提出高维经验似然加权与正则化增广结果回归相结合的ATE多重稳健推断方法，在多个PS模型或结果模型之一正确设定时保证置信区间覆盖，并通过模拟和右心导管数据验证其优势。
2025-08-30 stat.ME
Assessing Interactive Causes of an Occurred Outcome Due to Two Binary Exposures
School of Mathematics and Statistics, Beijing Technology and Business University（北京工商大学数学与统计学院）；Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学应用统计中心及统计学院）；School of Systems Science and Statistics, Beijing Wuzi University（北京物资学院系统科学与统计学院）
本文提出通过后验概率评估两种二元暴露导致结果的交互原因，揭示吸烟与石棉暴露的协同效应是肺癌的主要归因因素。
2026-01-18 stat.AP
Approximate Bayesian Bootstrap Procedures to Estimate Multilevel Treatment Effects in Observational Studies with Application to Type 2 Diabetes Treatment Regimens
随机临床试验被认为是估计因果关系的金标准。然而，在旨在检查干预措施的不良影响的研究中，由于伦理和经济方面的考虑，此类试验往往不切实际。在观察性研究中，广义倾向得分的匹配被提出作为估计多种干预措施的处理效应的可能解决方案。然而，这些匹配程序的点估计和区间估计的推导可能会变得复杂，具有非连续或删失的结果。我们提出了一种新的近似贝叶斯Bootstrap算法，导致统计上有效的点和区间估计的处理效应与分类结果。该程序依赖于估计的广义倾向得分，并对每个单元的未观察到的潜在结局进行多重插补。此外，我们描述了一个相应的解释敏感性分析，以检查unconfoundedness假设。我们应用这种方法在一个大型观察性数据库中检查2型糖尿病常见的真实抗糖尿病治疗方案的心血管安全性。
2020-01-17 stat.ME
Sequentially learning the topological ordering of causal directed acyclic graphs with likelihood ratio scores
University of California, Los Angeles（加州大学洛杉矶分校）
因果发现，在数据挖掘场景中学习因果关系，作为识别“什么导致什么”的起点，一直具有强烈的科学和理论兴趣。取决于假设和适当的学习算法，有时可以识别和准确估计因果有向无环图（DAG），而不是给出因果方向模糊性的马尔可夫等价类图。本文的重点是在突出的可识别性和估计的DAG一般误差分布通过一般顺序排序程序，顺序变量一次一个，从根节点开始，其次是根节点的孩子，等等，直到完成。我们展示了一个新的应用程序，这种一般的方法来估计拓扑有序的DAG。在该过程的每个步骤中，仅对回归残差计算简单的似然比分数，以决定要附加到当前偏序的下一个节点。我们的算法在p-节点问题上的计算复杂度是O（pd），其中d是最大邻域大小。在温和的假设下，我们的程序的人口版本可证明确定一个真正的排序的基础DAG。我们提供了大量的数值证据来证明，这个顺序的过程规模可能数以千计的节点，并适用于高维数据。我们伴随着这些数值实验与应用程序的单细胞基因表达数据集。
2022-05-19 cs.LG stat.ME stat.ML
Sensitivity analyses for average treatment effects when outcome is censored by death in instrumental variable models
在对非死亡结局（如支气管肺发育不良（BPD））进行因果推断时出现的两个问题是未测量的混杂和死亡删失，即，只有当受试者存活时才能观察到结果。在不依从的随机化实验中，工具变量方法可用于控制未测量的混杂因素，而无需通过死亡进行删失。但是，当按死亡删失时，在通常假设下无法确定平均因果处理效应，但可以通过使用附加假设的敏感性分析研究特定亚群。然而，在观察性研究中，未充分研究通过未测量混杂因素的死亡问题删失的局部平均处理效应（LATE）评价。本文提出了一种基于工具变量模型的敏感性分析方法。具体来说，我们提出了一个额外的假设下的识别结果，并提出了一个三步的LATE估计过程。此外，我们提出了一种改进的两步程序，通过同时估计仪器倾向得分（即，给定协变量的仪器概率）和由假设引起的参数。我们已经通过模拟研究表明，两步程序可以比三步程序更鲁棒和有效。最后，我们将我们的敏感性分析方法应用于研究在高水平新生儿重症监护病房分娩对BPD风险的影响。
2018-02-19 stat.AP stat.ME
Pseudo-Empirical Likelihood Methods for Causal Inference
本文提出两种基于双样本伪经验似然的平均处理效应推断方法，分别利用倾向得分和结果回归模型，并建立PEL比统计量的理论性质及自助置信区间构造方法。
2024-01-12 stat.ME
Identifiability of causal effects with multiple causes and a binary outcome
未观察到的混杂对观察性研究的因果推断构成了重大威胁。最近，一些作者认为，这个问题可能会克服在一个共享的混杂设置，多个治疗是独立的共同的潜在混杂因素。研究表明，在治疗的线性高斯模型下，如果没有结局模型的参数假设，因果效应是不可识别的。在本文中，我们表明，因果效应确实是可识别的，如果我们假设一个一般的二元选择模型的结果与非概率链接。我们的识别方法是基于治疗和潜在混杂因素的高斯性之间的不一致性，以及潜在结果变量的非高斯性。我们进一步开发了一个两步似然估计过程。
2020-11-24 stat.ME
Estimating Net Effects of Treatments in Treatment Sequence without the Assumption of Strongly Ignorable Treatment Assignment
在序贯因果推断中，在治疗之间存在时间依赖性协变量的情况下，估计治疗序列中治疗对末次治疗后结局的因果净效应，通过强可验证治疗分配的不可检验假设改进估计，并获得一致但非真实的基于似然性的估计。在这篇文章中，我们引入了治疗的净效应作为参数的条件分布的结果，所有的治疗和时间依赖的协变量，并表明它是等于因果净效应的治疗下，假设强可解释的治疗分配。因此，我们可以估计治疗的净效应，并在两个独立的步骤中评估其因果解释。第一步是本文的重点，而第二步可以通过通常的敏感性分析来完成。我们构造了条件结果分布的点参数化，其中感兴趣的参数是单点治疗的点效应。在点参数化的条件下，在不作不可检验假设的情况下，利用极大似然估计处理净效应，改进了处理净效应的可检验模式估计，得到了有限维模式下处理净效应的无偏相合最大似然估计.
2014-11-16 stat.ME
Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood
本研究提出结合HMM与MTGCN的预测因果推断集成框架，非对称处理时空信息以拓展双稳健估计，经临床场景模拟验证，可适配生物医学数据时空复杂性、提升偏差校正与预测精度。
2025-10-30 cs.LG stat.ME stat.ML
Doubly Robust Estimation of Continuous Outcomes under Multiple Treatment Levels via GPS, CBPS, and Penalized Empirical Likelihood
本文提出将GPS、CBPS与结果回归纳入惩罚经验似然框架，实现多处理水平下连续结果的双重稳健估计与变量选择，并通过模拟和与元学习器比较验证其有效性。
2025-09-19 stat.ME
Estimation of time-specific intervention effects on continuously distributed time-to-event outcomes by targeted maximum likelihood estimation
目标极大似然估计是一种通用的方法，结合灵活的集成学习和半参数效率理论，在两个步骤的过程中估计的因果参数。提出的生存和竞争风险分析的目标极大似然程序迄今为止集中于离散时间内的事件值。在这里，我们提出了一个有针对性的极大似然估计过程的事件时间，采取R+的值。我们专注于估计干预特定的平均结果与随机干预的时间固定的治疗。对于滋扰参数的数据自适应估计，我们提出了一种新的灵活的高度自适应套索估计方法，可以实现与L1惩罚泊松回归的连续时间强度。在一个模拟研究的目标极大似然估计的基础上的高度自适应lasso估计证明是无偏的，并实现适当的覆盖与渐近理论的协议，并进一步显示效率的改进相对于Kaplan-Meier方法。
2021-06-21 stat.ME
One-step Targeted Maximum Likelihood for Time-to-event Outcomes
用于分析至事件发生时间数据的当前目标极大似然估计（TMLE）方法分别估计每个时间点的生存概率，这导致估计值不一定是单调的。在本文中，我们提出了一个扩展的TMLE的观察时间到事件的数据，一步目标极大似然估计的治疗规则的具体生存曲线。我们构建了一个一维的通用最不利的子模型，目标是整个生存曲线，从而需要最小的额外拟合数据，以实现其目标，解决有效的影响曲线方程。通过使用模拟研究，我们将表明，这种方法提高了以前提出的方法在鲁棒性和效率，并在同一时间尊重单调递减的生存曲线的性质。
2019-06-12 stat.ME
Profile Likelihood Biclustering
双聚类是同时对数据矩阵的行和列进行聚类的过程，是在高维数据集中发现结构的一种流行而有效的工具。许多biclustering程序在实践中似乎工作得很好，但大多数没有相关的一致性保证。为了解决这个缺点，我们提出了一个新的双聚类过程的基础上配置文件的可能性。该程序适用于广泛的数据模式，包括二进制，计数和连续观测。我们证明，该过程恢复真正的行和列类时，数据矩阵的维度趋于无穷大，即使数据分布的函数形式是错误的。该过程需要计算组合搜索，这在实践中可能是昂贵的。而不是直接执行此搜索，我们提出了一个新的启发式优化过程的基础上的Kernighan-Lin启发式，它具有良好的计算性能，并在模拟中表现良好。我们展示了我们的程序与应用程序国会投票记录，和微阵列分析。
2020-06-02 math.ST stat.ME stat.ML
A likelihood approach to proper analysis of secondary outcomes in matched case-control studies
The George Washington University（乔治华盛顿大学）
本文提出了一种基于似然方法的统计技术，用于正确分析匹配病例对照研究中的次级结局，以提高结果的准确性和可靠性。
2026-02-22 stat.ME
An Augmented Likelihood Approach for the Discrete Proportional Hazards Model Using Auxiliary and Validated Outcome Data -- with Application to the HCHS/SOL Study
在大型流行病学研究中，通常在定期随访访视期间使用廉价的非侵入性程序来记录疾病状态，而金标准测试的评估频率较低。像自我报告的疾病状态这样便宜的结果测量是可行的，但容易出错。依赖于易出错结果的关联分析可能会导致有偏差的结果;然而，将分析仅限于来自不太频繁观察到的无错误结果的数据可能是低效的。我们已经开发了一种增强的可能性，它结合了来自易出错结果和黄金标准评估的数据。我们进行了一个数值研究，以显示我们如何可以提高统计效率，通过使用所提出的方法在标准的方法区间删失生存数据，不利用辅助数据。我们将此方法扩展到复杂的调查设计设置，以便它可以应用于我们的激励数据示例中。我们的方法应用于西班牙裔社区健康研究/拉丁美洲人研究的数据，以评估能量和蛋白质摄入量与糖尿病发病风险之间的关联。在我们的应用程序中，我们演示了我们的方法如何与回归校准结合使用，以额外解决自报饮食中的协变量测量误差。
2022-09-21 stat.ME
Technical Note: Targeted Maximum Likelihood Estimator for an ATE Standardized for New Target Population
本文提出一种 TMLE，用于在目标人群仅观测基线协变量且结局存在缺失或右删失时，将源人群的 ATE 标准化并迁移到新目标人群。
2025-01-10 stat.ME
Statistical Inference for Random Unknowns via Modifications of Extended Likelihood
本文通过修正扩展似然提出h-似然和h-置信，用于含随机未知量的统计模型，实现点估计、区间估计与预测，并达到广义Cramér-Rao下界。
2025-02-28 math.ST stat.ME stat.TH
Two-Phase Sampling Designs and Analysis Approaches for Ordinal Outcomes
Vanderbilt University Medical Center（范德堡大学医学中心）；Beth Israel Deaconess Medical Center and Harvard Medical School（贝斯以色列女执事医疗中心和哈佛医学院）；Mass General Brigham（麻省总医院布里格姆）；Vanderbilt Institute for Clinical and Translational Research（范德堡临床与转化研究研究所）；Vanderbilt Genetics Institute（范德堡遗传学研究所）
针对有序结局变量，提出三种基于结局的第二阶段抽样设计（ODS、协变量分层ODS和残差依赖抽样）以及相应的校正分析方法，显著提高估计效率。
2026-05-26 stat.ME
Maximum Smoothed Likelihood Component Density Estimation in Mixture Models with Known Mixing Proportions
在本文中，我们提出了一个最大平滑似然方法估计的混合模型的成分密度函数，其中的混合比例是已知的，并可能不同的观察。所提出的估计最大化一个平滑的对数似然函数，并继承了所有的重要性质的概率密度函数。一个优化最小化算法，建议计算所提出的估计数值。在理论上，我们表明，从任何初始值开始，该算法增加了平滑的似然函数，并进一步导致估计，最大化平滑的似然函数。这表明了算法的收敛性。此外，我们从理论上建立了我们提出的估计的渐近收敛速度。一个自适应的过程中，建议选择的带宽在我们的估计过程。仿真研究表明，所提出的方法是更有效的比现有的方法的综合平方误差。最后给出了一个实例进行了分析。
2014-07-11 math.ST stat.ME stat.TH
Maximum likelihood estimation of hidden Markov models for continuous longitudinal data with missing responses and dropout
本文提出了连续响应隐马尔可夫模型的极大似然估计的一种推理方法。我们扩展到纵向观察的情况下，有限混合模型的多变量高斯分布与随机缺失（MAR）的结果，也占可能的辍学。由此产生的隐马尔可夫模型解释了不同类型的缺失模式：（i）在给定时间点部分缺失结果;（ii）在给定时间点完全缺失结果（间歇性模式）;（iii）在观察期结束前退出（单调模式）。MAR假设制定处理前两种类型的缺失，而占信息辍学，我们假设一个额外的吸收状态。模型参数的极大似然估计基于依赖于适当递归的扩展期望最大化算法。该建议说明了一个蒙特卡罗模拟研究和应用程序的基础上原发性胆管炎的历史数据。
2021-06-30 stat.ME
Smoothed log-concave maximum likelihood estimation with applications
研究了概率分布在$\mathbb{R}^d$上的光滑对数凹极大似然估计。这是一个全自动的非参数密度估计，作为对数凹最大似然估计的规范平滑而获得。我们证明了它的吸引力的功能，通过分析其理论性质和模拟研究。此外，我们使用我们的方法来开发一个新的测试的对数，并显示如何估计可以作为一个中间阶段的更多涉及的程序，如构建一个分类器或估计的功能的密度。在这里，这些程序的使用可以证明在理论上的理由，并通过其有限的样本性能，我们说明了它的使用在乳腺癌诊断（分类）的问题。
2012-06-10 math.ST stat.ME stat.TH
An Approximate Quasi-Likelihood Approach for Error-Prone Failure Time Outcomes and Exposures
测量误差通常出现在依赖于电子健康记录或大型观察队列数据的临床研究环境中。特别是，自我报告的结果是典型的慢性疾病，如糖尿病的队列研究，以避免昂贵的诊断测试的负担。饮食摄入量也通常通过自我报告收集，并受到测量误差的影响，是与糖尿病和其他慢性病相关的主要因素。这些错误可能会使疾病与疾病之间的关联产生偏差，最终误导临床决策。我们已经扩展了现有的半参数似然为基础的方法，处理容易出错，离散故障时间的结果，也解决协变量误差。我们进行了广泛的数值研究，比较所提出的方法，天真的方法，忽略测量误差的偏差和效率的回归参数的估计。在考虑的所有设置中，所提出的方法显示出最小的偏差并保持覆盖概率，从而优于显示极端偏差和低覆盖率的朴素分析。该方法适用于妇女健康倡议的数据，以评估能量和蛋白质摄入量与糖尿病发病风险之间的关系。我们的研究结果表明，在自我报告的结果和饮食暴露的错误进行校正，导致相当不同的风险比估计比那些忽略测量误差的分析，这表明了纠正的结果和协变量误差的重要性。补充材料第S1节介绍了实施拟议方法的计算细节和R代码。
2021-02-04 stat.ME
Robust Emax Model Fitting: Addressing Nonignorable Missing Binary Outcome in Dose-Response Analysis
University of California, Davis（加州大学戴维斯分校）；Pfizer Inc.（辉瑞公司）
本文提出了一种基于惩罚似然的方法，用于解决剂量反应分析中非忽略缺失二元结局问题，通过整合修改的期望-最大化算法和非信息性先验，减少参数估计偏倚并提升模型性能。
2024-09-30 stat.AP stat.ME
A robust approach for generalized linear models based on maximum Lq-likelihood procedure
本文提出基于最大Lq似然的广义线性模型稳健估计方法，并给出迭代加权最小二乘的推广算法、标准化残差及稳健模型选择准则，通过模拟和真实数据验证其有效性。
2024-08-08 stat.ME
Weighted sampling, Maximum Likelihood and minimum divergence estimators
本文研究了Sanov型大偏差概率下参数模型的极大似然。加权抽样下的参数模型的极大似然估计被证明与相对于权重分布定义的特定发散准则的最小化有关。由此产生的推理过程的一些属性; Bahadur效率的测试也被认为是在这种情况下。
2012-07-27 math.ST stat.ME stat.TH
Bayesian model selection consistency and oracle inequality with intractable marginal likelihood
在这篇文章中，我们研究了大样本性质的模型选择过程中的一般贝叶斯框架时，封闭形式的表达的边缘似然函数是不可用的或局部渐近二次近似的对数似然函数不存在。在真实模型的适当可辨识性假设下，我们提供了贝叶斯模型选择过程是一致的并服从奥卡姆剃刀现象的充分条件，即，当样本量趋于无穷大时，选择包含真值的“最小”模型的概率趋于1。为了表明贝叶斯模型选择过程选择包含真理的最小模型，我们施加了先验反集中条件，要求由大模型分配给真理邻域的先验质量足够小。在一个更一般的设置，强模型可识别性假设可能不成立，我们引入了局部贝叶斯复杂性的概念，并开发贝叶斯模型选择过程的预言不等式。我们的贝叶斯预言不等式的特点之间的权衡近似误差和贝叶斯表征的局部复杂性的模型，说明了自适应性质的平均为基础的贝叶斯程序实现最佳的后验收敛率。模型选择理论的具体应用进行了讨论的背景下，高维非参数回归和密度回归的回归函数或条件密度被假定为依赖于一个固定的子集的预测。作为独立兴趣的结果，我们提出了一种获得平稳高斯过程小球概率上界的一般方法。
2017-01-09 math.ST stat.ME stat.ML
Maximum Likelihood under constraints: Degeneracies and Random Critical Points
本文研究了在汇总统计量约束下的半参数极大似然估计问题。这样的过程导致离散的概率分布，其在指定的约束（称为估计方程）下使所有此类分布中的似然最大化，并且是基本总体分布的近似。对这种经验可能性的研究起源于欧文的开创性工作。我们调查这个过程中设置错误指定（或有偏）的估计方程，即当原假设是不正确的。我们建立的行为下，这种错误的规格的最优分布显着不同的性质下的零，即当估计方程是无偏的，并正确指定。这表现为定义似然的最优分布中的某些退化。这种简并在零下是观察不到的。此外，我们建立了一个异常的行为的对数似然基于Wilks统计，这与下空，不表现出卡方极限。在贝叶斯设置中，我们严格地建立后验一致性的程序的基础上，这些想法，而不是一个参数似然，经验似然被用来定义的后验分布。特别是，我们表明，这后，作为一个随机的概率测度，迅速收敛到真正的参数值的δ测量。我们的方法的一个新的特点是调查的临界点的随机函数的背景下，这种经验的可能性。特别是，我们得到的位置和质量的退化的最佳权重作为领导和子领导项在一个典型的扩展的一个特定的临界点的随机函数，自然与模型。
2020-07-19 math.ST stat.ME stat.ML
Jeffreys-prior penalty, finiteness and shrinkage in binomial-response generalized linear models
惩罚的可能性杰弗里斯不变的前，或由一个积极的权力，产生有限值的最大惩罚似然估计在广泛的一类二项式广义线性模型。这类模型包括逻辑斯谛回归，其中Jeffreys先验惩罚是已知的，以减少最大似然估计的渐近偏差;以及其他常用的链接函数，如概率单位和对数对数的模型。收缩等概率跨观察，相对于最大似然估计，理论上建立，并通过说明性的例子进行了研究。有限性和收缩推理的一些影响进行了讨论，特别是当推理是基于Wald型程序。一个广泛适用的程序开发的最大惩罚似然估计的计算，通过使用重复的最大似然拟合迭代调整二项式响应和总数。这些理论结果和方法支持了减少偏差和类似惩罚的二项回归模型在许多应用领域中的日益广泛的使用。
2020-03-23 math.ST stat.ME stat.TH
Targeted maximum likelihood estimation for longitudinal two-stage designs with outcome subsampling
University of California, Berkeley（加州大学伯克利分校）
针对纵向两阶段设计中结局子抽样的因果参数估计问题，基于HIV相关死亡率研究中的重抽样设计。提出两种估计器，包括IPCW纵向TMLE及新LTMLE，通过模拟表明新方法可降低方差，还指出交叉拟合方差估计对有效推断很关键。
2026-07-07 stat.ME
Sparse estimation via nonconcave penalized likelihood in a factor analysis model
考虑因子分析模型中的稀疏估计问题。一个传统的估计过程中使用的是以下两个步骤的方法：模型估计的极大似然方法，然后旋转技术是用来找到稀疏因子加载。然而，当变量的数目远大于观测的数目时，不能获得最大似然估计。此外，即使最大似然估计是可用的，旋转技术通常不产生足够稀疏的解决方案。为了处理这些问题，本文介绍了一种惩罚似然过程，对因子载荷施加非凸惩罚。我们发现，惩罚似然过程可以被视为传统的两步方法的推广，所提出的方法可以产生稀疏的解决方案比旋转技术。一个新的算法，通过期望最大化算法随着坐标下降被引入到计算整个解决方案的路径，它允许应用到各种各样的凸和非凸处罚。蒙特卡罗模拟进行调查我们的建模策略的性能。最后给出了一个实际数据的例子来说明我们的方法。
2013-03-15 stat.CO stat.ME stat.ML
A likelihood ratio approach to sequential change point detection for a general class of parameters
在本文中，我们提出了一种新的方法，顺序监测的参数的$d$维时间序列，它可以估计的经验分布函数的近似线性泛函。我们考虑了一个封闭的方法，这是出于似然比检验原则，并比较新的方法与两个替代程序。我们还将自我规范化，使长期方差的估计是不必要的。我们证明了对于一个大类的测试问题，新的检测方案具有渐近水平$α$，是一致的。渐近理论的重要情况下，监测的变化的均值，方差和相关性。通过模拟研究表明，新的测试比目前可用的程序更好地执行这些problem.Finally的方法是说明了一个小数据的例子调查指数价格从互联网泡沫。
2018-11-22 math.ST stat.ME stat.TH
Efficient Maximum Approximated Likelihood Inference for Tukey's g-and-h Distribution
Tukey的$g$ -和- $h$发行版自推出以来一直是数据探索和建模的强大工具。然而，两个长期存在的挑战与这个分布家庭仍然没有解决，直到今天：如何找到一个最佳的估计过程，以及如何使有效的统计推断的未知参数。为了克服这两个挑战，一个计算效率高的估计过程的基础上最大化的Tukey的$g$和$h$分布的近似似然函数的提出，并示出具有相同的估计效率的极大似然估计在温和的条件下。该估计量的渐近分布的推导和一系列的近似似然比检验统计量进行假设检验，涉及两个形状参数的Tukey的$g$ -和- $h$分布。模拟实例和空气污染数据的分析被用来证明所提出的估计和测试程序的有效性。
2015-06-02 stat.ME
Differentially Private Model Selection with Penalized and Constrained Likelihood
在统计披露控制中，数据分析的目标是双重的：发布的信息必须提供有关相关人群的准确和有用的统计数据，同时最大限度地减少个人记录被识别的可能性。近年来，差分隐私的概念在理论计算机科学、机器学习和统计学中受到了广泛的关注。它为保护个人敏感信息提供了严格和有力的概念。一个基本的问题是如何将差异隐私纳入传统的统计推断程序。本文研究了差分隐私约束下多元线性回归的模型选择问题。我们表明，模型选择程序的基础上惩罚最小二乘或似然差分私有的正则化和随机化的组合，并提出了两种算法来做到这一点。我们表明，我们的私人程序是一致的，基本上相同的条件下，相应的非私人程序。我们还发现，在差分隐私下，该过程变得更加敏感的调谐参数。我们说明和评估我们的方法，使用模拟研究和两个真实数据的例子。
2016-07-14 stat.ME
The AI&M Procedure for Learning from Incomplete Data
Aalborg Universitet（奥尔堡大学）
我们研究的方法参数学习不完整的数据，是随机缺失。基于似然性的方法则需要考虑所有可能的缺失机制的简档似然性的优化。优化此配置文件的可能性提出了两个主要的困难：多个（局部）最大值，其非常高维的参数空间。在本文中，提出了一种新的方法来优化的轮廓可能性，解决了第二个困难：在建议的AI&M（调整插补和最大化）过程中的优化是通过在数据完成的空间中的操作，而不是直接在参数空间的轮廓可能性。我们将AI&M方法应用于贝叶斯网络的参数学习。该方法进行了比较保守的推断，考虑到每个可能的数据完成，并对EM。结果表明，基于似然的推理仍然是可行的，在未知的缺失机制的情况下，保守的推理是不必要的弱。另一方面，我们的结果也提供了证据，期望最大化算法仍然是相当有效的数据时，不是随机缺失。
2012-06-27 cs.AI cs.LG stat.ME
Parameter Estimation for Hidden Markov Models with Intractable Likelihoods
近似贝叶斯计算（ABC）是一种流行的技术，用于近似似然，并经常用于参数估计时，似然函数是解析难处理的。虽然ABC的使用在许多领域都很广泛，但对由此产生的估计量的理论性质却很少有研究。本文从理论上分析了隐马尔可夫模型基于ABC的极大似然参数估计的渐近性质。特别是，我们得出了与标准极大似然估计的一致性和渐近正态性类似的结果。我们还讨论了如何顺序蒙特卡罗方法提供了一个自然的方法来实现基于ABC程序的可能性。
2011-03-28 math.ST stat.ME stat.TH
Bayesian implementation of Targeted Maximum Likelihood Estimation for uncertainty quantification in causal effect estimation
本文提出三种贝叶斯TMLE方法，其中BN-TMLE通过贝叶斯网络同时训练结果、处理和波动模型，实现因果效应不确定性量化，并在小数据情形下优于经典实现。
2025-07-21 stat.ME stat.ML
Convergent stochastic algorithm for parameter estimation in frailty models using integrated partial likelihood
脆弱模型通常是异质生存数据的首选模型。脆弱性模型包含随机效应和固定效应，其中随机效应适应数据中的相关性。对于固定效应和随机效应之间的方差和协方差，提出了不同的估计方法。尤其是在未指明的基线危害下，即，在Cox模型中，少数可用的方法仅处理特定的相关结构。本文介绍了一种基于积分偏似然的估计方法，它可以处理任何类型的相关结构。新的方法，即最大化的综合偏似然，与随机估计过程相结合，也允许广泛的选择分布的随机效应。首先，我们证明了几乎必然收敛的随机算法对一个临界点的综合偏似然。其次，数值收敛性能进行了评估，通过模拟。第三，通过应用于癌症临床试验数据，证明了使用未指明基线风险的优势。
2019-09-16 stat.ME
Beta Regression with Autoregressive Errors for Interrupted Time Series Analysis of Proportion and Rate Outcomes: A Simulation Study
University of California, San Francisco（旧金山加利福尼亚大学）
研究针对比例和速率结果的中断时间序列分析，介绍了betark方法，它是具有AR(k)误差的贝塔回归的联合条件最大似然估计器，通过递归替换实现。蒙特卡罗研究表明其在多数情况校准更好，能直接考虑自相关，相比其他方法有优势，但在特定条件下自身I型错误仍较高。
2026-10-28 stat.ME
A new approach to hierarchical data analysis: Targeted maximum likelihood estimation for the causal effect of a cluster-level exposure
我们经常试图估计自然发生的或在集群级别随机分配的暴露的影响。例如，关于邻里健康决定因素的文献继续增加。同样，社区随机试验被应用于了解具有已证实的个人水平功效的干预措施的现实世界实施、可持续性和人口效应。在这些环境中，由于共享的集群级因素，包括暴露以及个体之间的社会或生物相互作用，个体水平的结果是相关的。为了灵活有效地估计集群级暴露的影响，我们提出了两个有针对性的极大似然估计（TMLE）。第一个TMLE是在非参数因果模型下开发的，该模型允许集群内个体之间的任意交互。这些相互作用包括结果的直接传递（即传染）和一个个体的协变量对另一个个体的结果的影响（即协变量干扰）。第二个TMLE是在因果子模型下开发的，假设聚类水平和个体特异性协变量足以控制混杂因素。模拟比较的替代估计，并说明了潜在的收益配对的个人水平的风险因素和结果在估计过程中，同时避免不必要的假设。我们的研究结果表明，估计下的子模型可能会导致偏差和误导性的推断，在观察设置。在估计过程中验证工作假设比假设它们在基础因果模型中保持更稳健。我们说明了我们的方法与应用到艾滋病毒的预防和治疗。
2018-04-02 stat.ME
Evaluating District-based Election Surveys with Synthetic Dirichlet Likelihood
本研究提出一种基于合成狄利克雷似然的概率模型，用于分析地区选举调查，估计选举结果后验分布并评估调查偏差，通过印度选举数据验证其有效性。
2023-12-23 cs.MA stat.AP stat.ME
Improving Estimation Efficiency for Two-Phase, Outcome-Dependent Sampling Studies
两阶段结果依赖抽样（ODS）被广泛应用于许多领域，特别是当某些协变量是昂贵的和/或难以测量。对于两阶段ODS，条件极大似然（CML）方法是非常有吸引力的，因为它可以处理零阶段2选择概率，并避免建模的协变量分布。然而，大多数现有的基于CML的方法仅使用阶段2样本，因此可能不如其他方法有效。我们提出了一个一般的经验似然方法，使用CML增加了额外的信息，在整个阶段1样本，以提高估计效率。所提出的方法保持了处理零选择概率的能力，并避免了建模的协变量分布，但可以导致显着的效率增益CML在廉价的协变量，或在有影响力的协变量时，替代品是可用的，因为有效地使用第1阶段的数据。使用NHANES数据的模拟和实际数据说明。
2022-12-19 stat.ME
Weak signal identification and inference in penalized likelihood models for categorical responses
惩罚似然模型被广泛用于同时选择变量和估计模型参数。然而，弱信号的存在会导致不准确的变量选择、有偏的参数估计和无效的推断。因此，在惩罚似然模型中，准确识别弱信号并进行有效的推断是至关重要的。我们开发了一种统一的方法来识别弱信号，并在惩罚似然模型中进行推断，包括响应是分类的特殊情况。为了识别弱信号，我们使用每个协变量的估计选择概率作为信号强度的度量，并制定了信号识别标准。为了构造置信区间，我们提出了一个两步推理过程。广泛的仿真研究表明，所提出的程序优于现有的几种方法。我们通过将其应用于实践融合糖尿病数据集来说明所提出的方法。
2022-12-12 stat.ME
A flexible quantile mixed-effects model for censored outcomes
Syneos Health；Department of Mathematical Statistics and Actuarial Science, University of the Free State（自由州大学数学统计与精算科学系）；I-BioStat, KU Leuven（KU鲁汶大学生物统计研究所）；Department of Statistics and Actuarial Science, University of Stellenbosch（斯泰伦博斯大学统计与精算科学系）
本文提出了一种基于SEP分布的分位数混合效应模型，用于处理截断纵向数据，相较于SL模型，该方法在偏斜性冲突时表现更稳定。
2025-11-20 stat.ME
An Empirical Likelihood Approach to Nonparametric Covariate Adjustment in Randomized Clinical Trials
协变量调整是随机临床试验和观察性研究分析的重要工具。它可以用来提高效率，从而提高功率，并减少可能的偏差。虽然随机临床试验中的大多数统计检验本质上是非参数的，但协变量调整方法通常依赖于特定的回归模型，例如连续结局的线性模型、二分结局的逻辑斯谛回归模型和生存时间的Cox模型。最近的几项工作集中在无模型协变量调整。本文利用经验似然方法，提出了一种协变量调整的非参数方法。新方法的一个主要优点是，它可以自动利用协变量信息的最佳方式，而无需拟合非参数回归。通常的渐近性质，包括Wilks型的结果收敛到一个χ 2分布的经验似然比为基础的测试，和相应的最大经验似然估计的渐近正态性，建立。它还表明，由此产生的测试是渐近最强大的，估计的处理效应达到半参数效率界。新方法应用于全球使用策略打开闭塞的冠状动脉（GUSTO）-I试验。进行了大量的模拟，验证了理论研究结果。
2011-08-02 stat.ME
Permutation tests for assessing potential non-linear associations between treatment use and multivariate clinical outcomes
在许多心理测量应用中，结果的平均值与定量协变量之间的关系过于复杂，无法用简单的参数函数来描述;相反，可以使用惩罚样条来合并灵活的非线性关系。惩罚样条可以方便地表示为线性混合效应模型（LMM），其中样条基函数的系数是随机效应。惩罚样条的LMM表示使得扩展到多变量结果相对简单。在LMM中，定量协变量对结果无影响对应于原假设，即固定效应和方差分量均为零。在零值下，方差分量的似然比检验的通常渐近χ 2分布不成立。因此，我们提出了三个排列测试的似然比检验统计量：一个基于置换的定量协变量，其他两个基于置换残差。我们通过模拟的第一类错误率和功率的三个排列测试获得的联合模型的多个结果，以及常用的参数测试。测试说明使用数据从兴奋剂使用障碍的心理社会临床试验。
2023-02-24 stat.AP stat.ME
Accounting for selection biases in population analyses: equivalence of the in-likelihood and post-processing approaches
本文证明群体研究中直接将选择效应纳入似然与先推断观测分布再事后消除选择效应两种方法在适当假设下等价，并澄清后一种方法不会产生所谓的潜在偏差。
2024-05-10 astro-ph.IM gr-qc stat.ME
Annealed Important Sampling for Models with Latent Variables
本文研究了似然函数在解析上难以处理但可以无偏估计时的贝叶斯推断。我们提出了一个退火的重要性抽样过程中估计的期望后验。该算法是有用的情况下，找到一个好的建议密度是具有挑战性的，当需要估计的边际似然。似然估计的效果进行了研究，结果提供了指导方针，如何设置的似然估计的精度，以最佳地实现该程序。在几个模拟和真实数据的例子中，经验证明了方法的结果。
2014-02-25 stat.ME
Maximum softly penalised likelihood in factor analysis
London School of Economics and Political Science（伦敦政治经济学院）；University of Warwick（华威大学）
本文提出最大软惩罚似然方法，解决因子分析中Heywood情况问题，通过调整惩罚项确保估计一致性与渐近正态性。
2026-01-26 stat.ME
A likelihood-based approach for cure regression models
本文提出了一种新的基于似然的方法，用于随机右删失下时间-事件分析中参数治愈回归模型的估计、推断和变量选择。在这种情况下，经常发生一些受试者被“治愈”，即，他们永远不会经历感兴趣的事件。然后，删失观察的样本是治愈和“易感”受试者的未标记混合物。使用逆概率截尾加权（IPCW），我们提出了一个基于似然的估计程序的治愈回归模型，而不作假设的易感受试者的生存时间的分布。IPCW方法确实需要对截尾分布进行初步估计，可以使用一般参数、半参数或非参数方法。在我们的估计过程中的惩罚项的成立是简单的，特别是，我们提出了L1型变量选择的处罚。我们的理论结果是在温和的假设下得出的。仿真实验和实际数据分析验证了该方法的有效性。
2020-07-15 stat.ME
Constrained Markov decision processes for response-adaptive procedures in clinical trials with binary outcomes
本研究提出用于二分类结局临床试验响应自适应程序的CMDP方法，可在约束下实现特定目标，开发了最优及近优求解方法，实验表明其在I、II类错误相关场景下性能优于现有CRDP程序。
2024-01-28 math.OC stat.ME
Nested Group Testing Procedures for Screening
本文回顾了一类自适应组测试程序，操作下的概率模型假设如下。考虑一组$N$项目，其中项目$i$具有有缺陷的概率$p$（广义组测试中的$p_i$），以及独立于其他项目的无缺陷概率$1-p$。应用于大小为$n$的任何子集的组检验是具有两种可能结果（阳性或阴性）的二元检验。如果所有$n$项目均无缺陷，则结果为否定，而如果$n$项目中至少有一个项目有缺陷，则结果为肯定。目标是用最少的预期测试次数完全识别所有$N$项目。
2021-02-17 math.PR stat.AP stat.ME
Maximum likelihood estimation of the Weibull distribution with reduced bias
University of Melbourne（墨尔本大学）；Monash University（莫纳什大学）
本文提出一种新的偏倚调整最大似然估计方法，用于Weibull分布的形状参数估计，具有更低的偏倚和更高的效率，且易于用现有软件实现。
2023-02-09 stat.ME
