Nonparametric Change Point Detection in Regression
本文研究了回归分析中的变点检测问题。该研究提出了一种新的测试程序,具有完全数据驱动的校准方案。该方法本质上是一个黑盒,不需要从业者进行调优。该方法从理论和实践的角度进行了研究。理论研究表明,在$H_0$下,第一类差错率得到了适当的控制,在$H_1$下,功率逼近$1$。对合成数据进行的实验完全支持理论主张。总之,该方法适用于金融数据,在那里它检测到明智的变化点。变点定位技术也提出了建议和研究。
2019-07-01 math.ST stat.TH
Minimax Nonparametric Two-sample Test under Smoothing
我们考虑两组之间的概率密度比较的问题。提出了一种新的概率张量积光滑样条框架来模拟两个变量的联合密度。在这种框架下,概率密度比较相当于测试相互作用的存在/不存在。我们提出了一种用于此类相互作用检验的惩罚似然比检验,并表明在原假设下检验统计量是渐进卡方分布的。此外,我们得到了一个尖锐的minimax检验率的基础上的伯恩斯坦宽度的非参数两样本检验,并表明我们提出的检验统计量是minimax最优的。此外,一个数据自适应调整标准的发展,以选择惩罚参数。仿真和实际应用表明,所提出的测试优于传统的方法在各种情况下。
2021-01-11 math.ST stat.AP stat.ME
On the Effect of Bias Estimation on Coverage Accuracy in Nonparametric Inference
非参数方法在现代实证研究中起着核心作用。虽然他们提供的推理程序是更强大的参数误设定偏差,他们可能是相当敏感的调整参数的选择。我们研究了核密度和局部多项式回归估计中偏差校正对置信区间覆盖率的影响,证明了偏差校正可以优先于欠平滑,以最小化覆盖率误差并增加对调整参数选择的鲁棒性。这是使用一种新颖而简单的学生化方法来实现的,它导致了一种新的构建基于内核的偏差校正置信区间的方法。此外,对于实际情况下,我们得出的覆盖误差的最佳带宽,并讨论易于实现的带宽选择器。对于内点,我们表明,MSE最优带宽的原始点估计(偏差校正前)提供最快的覆盖误差衰减率偏差校正后,当二阶(等效)内核采用,但否则是次优的,因为它是太“大”。最后,对于奇数度的本地多项式回归,我们表明,与点估计,覆盖误差自动适应边界点时,适当的学生化,但是,MSE最优带宽的原始点估计是次优的。所有的结果都是建立在有效的Edgeworth展开,并与模拟数据。我们的研究结果有重要的影响,实证工作,因为它们表明,偏差校正的置信区间,加上适当的标准误差,具有较小的覆盖误差和调整参数的选择,在实际相关的情况下,额外的平滑度是不太敏感的。
2018-03-07 econ.EM math.ST stat.TH
Online Estimation with Rolling Validation: Adaptive Nonparametric Estimation with Streaming Data
本文针对在线非参数估计中的模型选择与超参数调优问题,提出一种加权滚动验证方法,以极低额外计算保持在线特性,并能提升估计器的启发式性能与自适应收敛速率。
2025-07-04 math.ST stat.ME stat.ML
Revisiting the two-sample location shift model with a log-concavity assumption
本文针对两样本位置偏移模型,提出在对数凹性假设下利用对数凹密度估计构建无调节参数的一步估计量,并通过模拟证明零截断版本在实际中表现最佳。
2023-12-02 math.ST stat.TH
Nonparametric Estimation in the Dynamic Bradley-Terry Model
我们提出了一个随时间变化的推广布拉德利-特里模型,允许不同的团队的动态全球排名的非参数建模。我们开发了一种新的估计,依赖于核平滑预处理的成对比较随着时间的推移,并适用于稀疏设置的布拉德利-特里可能不适合。得到了估计量存在唯一的充要条件。我们还推导出随时间变化的预言界的估计误差和超额风险的模型不可知设置的布拉德利-特里模型不一定是真正的数据生成过程。我们彻底测试我们的模型使用模拟和真实世界的数据的实际有效性,并提出了一个有效的数据驱动的方法进行带宽调整。
2020-02-28 math.ST stat.ML stat.TH
Simple Adaptive Estimation of Quadratic Functionals in Nonparametric IV Models
本文研究了非参数辅助变量(NPIV)模型中二次泛函的自适应Minimax估计,这是带有未知算子的不适定逆回归的非线性泛函的最优估计中的一个重要问题.我们首先证明了二次泛函的留一筛选NPIV估计量可以达到与Chen和Christensen [2018]中先前推导的下界一致的收敛速度。最小最大速率是通过筛选尺寸(关键调整参数)的最佳选择来实现的,这取决于NPIV函数的平滑度和不适定性的程度,两者在实践中都是未知的。接下来,我们提出了一个Lepski型的数据驱动的选择的关键筛尺寸适应未知的NPIV模型功能。二次函数的自适应估计,以达到极大极小最优率在严重不适定的情况下,并在定期轻度不适定的情况下,但乘法$\sqrt{\log n}$因子在不规则轻度不适定的情况下。
2022-02-09 econ.EM math.ST stat.ME
Causal isotonic regression
在观察性研究中,潜在的混杂因素可能会扭曲暴露与结果之间的因果关系。然而,在某些条件下,因果剂量反应曲线可以恢复使用G计算公式。当暴露是连续的时,估计这种曲线的大多数经典方法依赖于限制性参数假设,这带来了模型错误设定的重大风险。在这种情况下,非参数估计是具有挑战性的,因为在非参数模型中,这些曲线不能以常规速率估计。许多可用的非参数估计是敏感的某些调整参数的选择,并执行有效的推断与这样的估计可能是困难的。在这项工作中,我们提出了一个非参数估计的因果剂量反应曲线已知是单调的。我们表明,我们提出的估计程序推广了经典的最小二乘保序回归估计的单调回归函数。具体而言,它不涉及调整参数,并且对于曝光变量的严格单调变换是不变的。我们描述了我们提出的估计的理论性质,包括其不规则的极限分布和潜在的双重鲁棒推理。此外,我们通过数值研究说明了它的性能,并使用它来评估BMI和HIV疫苗试验中的免疫反应之间的关系。
2019-12-16 stat.ME
Isotonic Distributional Regression
保序分布回归(IDR)是一种用于估计序约束下条件分布的强有力的非参数方法。简而言之,IDR学习经过校准的条件分布,并且同时相对于相关损失函数的综合类是最优的,服从协变量空间上的偏序方面的保序性约束。非参数保序分位数回归和非参数保序二元回归作为特例出现。对于预测,我们提出了一种插值方法,概括了现有的规格下的池相邻违规者算法。我们建议使用IDR作为概率预测问题中的通用基准技术,因为它不涉及任何参数调整或实现选择,除了选择协变量空间上的偏序。该方法可以与子样本聚集相结合,具有更平滑的回归函数和计算效率增益的优点。在模拟研究中,我们比较的连续排名概率得分(CRPS)和$L_2$估计误差,这是密切相关的分布回归的方法。在一个案例研究的原始和后处理的定量降水预报从一个领先的数值天气预报系统,IDR是竞争力的最先进的技术。
2021-09-28 math.ST stat.ME stat.TH
Nonparametric regression using deep neural networks with ReLU activation function
University of Twente(特文特大学)
考虑多元非参数回归模型。研究表明,基于具有ReLU激活函数和适当选择的网络架构的稀疏连接深度神经网络的估计器在回归函数的一般组成假设下实现了极小极大收敛率(高达$\log n$ -因子)。该框架包括许多研究良好的结构约束,如(广义)添加剂模型。虽然网络架构具有很大的灵活性,但调优参数是网络的稀疏性。具体来说,我们考虑大型网络的潜在网络参数的数量超过了样本量。分析给出了一些见解,为什么多层前馈神经网络在实践中表现良好。有趣的是,对于ReLU激活函数,神经网络架构的深度(层数)起着重要的作用,我们的理论表明,对于非参数回归,随着样本量缩放网络深度是很自然的。它还表明,在组合假设小波估计只能达到次优率。
2020-09-13 cs.LG math.ST stat.ML
A Residuals-Based Nonparametric Variance Ratio Test for Cointegration
TU Dortmund University(多特蒙德工业大学)
本文推导了Breitung非参数方差比检验用于回归残差的渐近理论,证明其在有限样本中具有较好的规模校正功效,且无功效反转问题,并应用于加密货币价格数据。
2022-12-07 econ.EM math.ST stat.TH
Multivariate, Heteroscedastic Empirical Bayes via Nonparametric Maximum Likelihood
本研究将非参数最大似然估计扩展到多元异方差误差,提出一种经验贝叶斯去噪方法,具有近最优性能,并应用于天文学和层次线性模型,展示了其自适应性和优势。
2023-12-29 math.ST stat.TH
Nonparametric Conditional Density Estimation in a High-Dimensional Regression Setting
在某些应用中(例如,在宇宙学和经济学中),回归E[Z|由于f(z)的多模态和不对称性,x]不足以表示预测因子x和响应Z之间的关联|x);使用全密度而不是单点估计可以在随后的分析中产生更少的偏差。到目前为止,还没有有效的方法来估计f(z| x)当x表示高维复杂数据时。本文提出了f(z)的一个新的非参数估计|x),其适应x中的稀疏(低维)结构。通过直接展开f(z| x)在基于核的算子的本征函数中,我们避免了高维的张量积以及估计密度的比率。我们的基函数与底层数据分布正交,允许快速实现和调整参数。我们得到的收敛速度,并表明该方法适应的内在尺寸的数据。我们还证明了系列方法的有效性的图像,光谱和应用光度红移估计星系。
2016-04-02 stat.ME
Nonparametric estimation of multivariate copula using empirical bayes method
在金融、保险、系统可靠性等领域,通常感兴趣的是通过使用copula对多变量分布建模来测量变量之间的相关性。具有参数假设的copula模型易于估计,但当这些假设是错误的时,可能会有很大的偏差,而经验copula是非光滑的,通常不是真正的copula,使得在实践中对相关性的推断具有挑战性。作为一种妥协,经验伯恩斯坦copula提供了一个光滑的估计,但估计的调谐参数仍然难以捉摸。在本文中,通过使用所谓的经验棋盘copula,我们建立了一个分层的经验贝叶斯模型,使估计的光滑copula函数的任意尺寸。基于多元Bernstein多项式的估计量本身是一个真正的copula,其维数变化程度的选择是依赖于数据的。我们还表明,建议copula估计提供了一个更准确的估计,可以得到在封闭形式的多变量相关措施。我们调查的渐近和有限样本性能的估计,并比较它与一些非参数估计,通过模拟研究。投资组合风险管理的应用,以及量化的估计不确定性。
2021-12-20 stat.ME
Nonparametric estimation of the dynamic range of music signals
动态范围是测量声功率传播的重要参数,并且对于音乐信号,动态范围是记录质量的量度。声功率有各种描述性的测量方法,但没有一种方法有很强的统计基础。我们从一个非参数模型的声波,其中添加剂的随机项的作用,以捕捉瞬态能量。这个组件是恢复一个简单的速率最优内核估计,需要一个单一的数据驱动的调整。其方差的分布是近似的一致的随机抽样方法,能够应付的典型数据集的大规模。基于后者,我们提出了一个统计,和一个估计方法,能够代表的动态范围的概念一致。的统计行为进行评估的基础上,我们模拟动态压缩的选择真正的音乐信号的大型数值实验。应用该方法的实际数据也表明,该方法可以预测主观专家的意见,高保真质量的录音。
2018-02-14 stat.AP stat.CO stat.ME
Robust Nonparametric Two-Sample Tests via Mutual Information using Extended Bregman Divergence
Novartis AG(诺华公司)
本文提出基于扩展Bregman散度的互信息非参数两样本检验,具有稳健性和高渐近效率,通过模拟验证其在污染下的优越性能。
2026-02-03 stat.ME
Minimaxity and Efficiency in Exponential Family Regression: From Star-Shaped to Convex Constraints
Department of Statistics and Data Science, Northwestern University(西北大学统计与数据科学系)
本文针对星形约束下非参数指数族回归,确立了其极小极大估计率,提出多项式时间高效算法并推导了具体例子的极小极大最优率。
2026-07-31 math.ST stat.TH
Adaptive, Rate-Optimal Hypothesis Testing in Nonparametric IV Models
本文提出一种自适应假设检验方法,用于非参数工具变量模型中的不等式和等式约束,达到自适应极小极大检验速率,并通过模拟和实证验证其有效性。
2024-11-06 econ.EM stat.ME stat.ML
On the Estimation of Derivatives Using Plug-in Kernel Ridge Regression Estimators
Rice University(莱斯大学)
针对回归函数导数估计中参数调优难、高阶导数分析复杂的问题,提出适用于多维支撑域与任意混合偏导的插入式KRR估计量,统一推导误差界,验证其极小极大最优速率与免随导数阶数调参的插入式特性,且有限样本性能优异。
2023-08-26 cs.LG math.ST stat.ML
A Generic Path Algorithm for Regularized Statistical Estimation
正则化被广泛应用于统计学和机器学习中,以防止过拟合和对先验信息的齿轮求解。一般来说,正则化估计问题最小化损失函数和惩罚项之和。惩罚项通常由调整参数加权,并鼓励对要估计的参数进行某些约束。约束的特定选择导致流行的lasso、fused-lasso和其他广义$l_1$惩罚回归方法。虽然在这方面已经有了很多研究,但为许多不可分离的惩罚开发有效的优化方法仍然是一个挑战。在这篇文章中,我们提出了一个精确的路径求解器的基础上常微分方程(EPSODE),适用于任何凸损失函数,可以处理广义$l_1$处罚以及更复杂的正则化,如不等式约束中遇到的形状限制回归和非参数密度估计。在路径跟踪过程中,解决方案路径会遇到、退出并沿着各种约束滑动,生动地说明了拟合优度和模型简约性之间的权衡。在实践中,EPSODE可以与AIC、BIC、$C_p$或交叉验证耦合以选择最佳调谐参数。我们的应用广义$l_1$正则化广义线性模型,形状限制回归,高斯图形模型,和非参数密度估计展示了EPSODE算法的潜力。
2012-01-17 stat.CO stat.ME
Path Generation and Evaluation in Video Games: A Nonparametric Statistical Approach
School of Mathematical and Data Sciences(数学与数据科学学院)
本文提出一种基于非参数统计和copula模型的视频游戏路径生成与评估方法,通过三样本假设检验判断过拟合或欠拟合,并支持用户参数控制路径的人类真实感程度。
2025-06-04 cs.LG stat.ML
Anti-concentration and honest, adaptive confidence bands
非参数密度(和其他函数)的均匀置信带的现代构造通常依赖于经典的Smirnov-Bickel-Rosenblatt(SBR)条件;例如,参见Giné和Nickl [Probab.理论相关领域143(2009)569-596]。该条件要求学生化经验过程的上确界存在极值型极限分布(等价地,对于具有与学生化经验过程相同的协方差函数的高斯过程的上确界)。本文的主要贡献是消除了对这一经典条件的需要。我们证明了一个相当弱的充分条件来自近似高斯过程的上确界的反集中属性,我们推导出一个不等式,导致这样的属性可分高斯过程。我们把这个新条件称为广义SBR条件。我们的新结果表明,上确界不会太快地集中在任何值周围。然后,我们应用这一结果,推导出高斯乘数的自举过程,为非参数密度估计构建诚实的置信带(这一结果也可以应用于其他非参数问题)。我们的方法的一个重要优点是,它适用于一般情况下,即使在极限分布的上确界的学生化经验过程不存在(或未知)。这是特别重要的问题,分辨率水平或其他调谐参数已被选择在一个数据驱动的方式,这是需要自适应的置信带的建设。最后,独立的兴趣是我们引入了一个新的,实用的版本的Lepski的方法,它计算的最佳,非保守的分辨率水平通过高斯乘数自举方法。
2014-09-23 math.ST stat.TH
Active set algorithms for estimating shape-constrained density ratios
在许多情况下,对密度的形状施加约束是合理且灵活的假设。它提供了一种替代参数模型,可以是过于刚性和其他非参数方法,需要选择调整参数。本文在一个统一的框架下,用有效集算法讨论对数凹或对数凸密度比的非参数估计。在对数凹密度的设置中,新算法与以前考虑的活动集方法类似,但速度要快得多。对数凸性是一种不太常见的形状约束,被一些作者描述为“尾部膨胀”。这里提出的有效集方法在这方面是新颖的。作为一个副产品,新的拟合优度测试的单一假设制定和被证明是更强大的比更高的批评测试在模拟研究。
2020-12-08 stat.CO
High-dimensional nonparametric changepoint detection via low-rank degree-two density projection
North Carolina State University(北卡罗来纳州立大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出基于低秩二阶密度投影的高维非参数变点检测方法,利用低秩矩阵CUSUM等技术实现变点精确检测,在高维数据实验中表现优异。
2026-08-17 cs.LG stat.ML
Measuring training variability from stochastic optimization using robust nonparametric testing
Rutgers, The State University of New Jersey(罗格斯大学(新泽西州立大学));Pacific Northwest National Lab(太平洋西北国家实验室);Pacific Northwest National Laboratory(太平洋西北国家实验室);ARPA-H(美国高级卫生研究项目局)
针对深度神经网络随机优化训练中模型变异性易被传统统计量掩盖的问题,提出含α-修剪水平的稳健假设检验框架,解决原假设分布描述难题,能建议可靠训练运行次数且比单一性能指标更具表达性。
2025-04-15 cs.LG stat.ML
Nonparametric Adaptive CUSUM Chart for Detecting Arbitrary Distributional Changes
由于非参数控制图能够灵活地适应不同的分布假设和分布变化,因此能够检测任意分布变化的非参数控制图是非常可取的。然而,在文献中,大多数这样的控制图要么涉及一些调整参数,这需要预先指定,或涉及密集的计算。在本文中,我们提出了一个新的非参数自适应的CRACUUM图检测任意分布的变化。该控制图不依赖于任何调整参数,计算效率高。它的自启动性质使得建议的控制图适用于没有足够大的参考数据的情况。我们提出的控制图还具有内置的信号后诊断功能,可以识别报警后发生了什么样的分布变化。我们的模拟研究和实际数据分析表明,建议的控制图表现良好,在广泛的设置,并与现有的非参数控制图相比。
2017-12-14 stat.ME
GLS under Monotone Heteroskedasticity
本文针对异方差 GLS 中条件方差函数估计难题,提出在非参数单调性约束下使用保序回归的两阶段 GLS 估计量,并通过模拟与老龄化—增长实证应用验证其有效性。
2024-01-23 econ.EM stat.ME
Adaptive Ridge-Penalized Functional Local Linear Regression
本文介绍了一种新颖的泛函局部线性回归多维岭惩罚方法。函数数据的非参数回归是从其多元对应物扩展而来的,并且已知对$J$的选择敏感,其中$J$是数据的投影子空间的维数。在多变量设置下,粗糙度惩罚有助于减少方差。然而,在有限的作品涵盖粗糙度惩罚下的功能设置,大多数只使用一个单一的标量调整。我们的新方法提出了一类数据自适应的岭惩罚,这意味着模型会根据数据集自动调整惩罚的结构。该结构具有$J$自由参数,并且使得能够进行二次规划搜索以获得最优调谐参数,所述最优调谐参数使预测的估计均方误差(MSE)最小化,并且能够将不同的粗糙度惩罚水平应用于每个$J$基础。通过多个模拟场景和两个真实数据的例子证明了该方法在预测精度和减少有限数据方差方面的优势。证明了它的渐近性能,并与无惩罚的泛函局部线性回归进行了比较。
2021-09-17 stat.AP stat.CO stat.ME
Nonparametric intensity estimation of spatial point processes by random forests
Aalborg University(奥尔堡大学);Univ Rennes, Ensai, CNRS, CREST(雷恩大学,ENSAI,法国国家科学研究中心,CREST)
本文提出一种适用于有无协变量的空间点过程强度随机森林估计器,无需边界校正且能适应不规则域和流形,通过数值实验证明其性能与现有方法相当。
2026-11-20 stat.ME
Multivariate Rank-based Distribution-free Nonparametric Testing using Measure Transportation
在本文中,我们提出了一个一般的框架,分布自由的非参数检验在多维,基于一个概念的多变量秩定义的测量运输理论。与文献中其他现有的建议不同,这些多变量的行列与通常的一维行列共享一些有用的属性,最重要的是,这些行列是分布自由的。这一重要的观察使我们能够设计出在原假设下完全无分布的非参数检验。我们证明了这种方法的适用性,通过构建两个经典的非参数问题的精确分布测试:(i)测试随机向量之间的相互独立性,和(ii)测试多元分布的平等。特别地,我们提出了距离协方差的(多变量)秩版本(Székely等人,2007年)和能源统计(Székely和Rizzo,2013年)分别用于测试情景(i)和(ii)。在这两个问题中,我们得到了所提出的检验统计量的渐近零分布。我们进一步表明,我们的测试是一致的,对所有固定的替代品。此外,所提出的测试是无调谐的,计算上可行的,并且在对底层分布的最小假设下被良好定义(例如,他们不需要任何时刻假设)。我们还证明了这些程序的有效性,通过广泛的模拟。在分析我们的程序的理论性质的过程中,我们最终证明了一些新的结果,在测量运输理论和置换统计极限理论中使用Stein的方法可交换对,这可能是独立的利益。
2019-10-04 math.ST stat.ME stat.TH
Nonparametric regression for a circular response with error-in-covariate
本文针对协变量含测量误差的圆形响应回归问题,基于无误差假设下的现有估计量,利用反卷积算符提出三种非参数估计量,并开发了更高效的带宽选择方法,通过渐近分析和有限样本实证验证了其有效性。
2025-08-21 stat.ME
Pivotal estimation via square-root Lasso in nonparametric regression
提出了一种自校正的$\sqrt{\mathrm {Lasso}}$方法,该方法同时解决了高维回归分析中的三个重要实际问题,即处理未知尺度、异方差和噪声的(剧烈)非高斯性.此外,我们的分析允许表现不佳的设计,例如,完美共线回归,即使在极端情况下也会产生尖锐的界限,例如无限方差情况和无噪声情况,与Lasso相反。我们建立了各种非渐近界$\sqrt{\mathrm {Lasso}}$,包括预测范数率和稀疏性。我们的分析是基于新的影响因素,这些因素是为边界预测范数量身定制的。为了覆盖异方差非高斯噪声,我们依赖于适度偏差理论的自归一化和实现高斯样的结果在较弱的条件。此外,我们推导出普通最小二乘(ols)的性能上的界限适用于所选择的模型由$\sqrt{\mathrm {Lasso}}$占所选模型的可能误指定。在较弱的条件下,$\sqrt{\mathrm {Lasso}}$后的ols的收敛速度与$\sqrt{\mathrm {Lasso}}$的收敛速度一样好。作为应用,我们考虑使用$\sqrt{\mathrm {Lasso}}$和ols post $\sqrt{\mathrm {Lasso}}$作为一般半参数问题(非线性矩条件或$Z$ -问题)中多余参数的估计,从而构造了主要参数的$\sqrt{n}$ -相容和渐近正态估计.
2014-05-26 math.ST stat.ME stat.TH
Rank-Based Estimation of U-Shaped Biomarker Risk Curves and Critical Points for Time-to-Event Outcomes
Emory University Rollins School of Public Health(埃默里大学罗林斯公共卫生学院);Department of Biostatistics Johns Hopkins Bloomberg School of Public Health(约翰霍普金斯大学彭博公共卫生学院生物统计系);Eli Lilly and Company(礼来公司);Department of Neurology Johns Hopkins School of Medicine(约翰霍普金斯大学医学院神经病学系)
研究针对预后生物标志物水平与不良事件风险的U型关系,提出半参数转换模型,通过基于秩的估计和特定估计方法,能在单个生存模型中估计亚组特异性U型风险曲线及其临界点,并应用于UK Biobank数据。
2026-07-22 stat.ME
CovEsts: Nonparametric Autocovariance Estimation and Analysis
本文介绍R包CovEsts,提供非参数自协方差估计方法,含理论、函数、诊断工具及模拟和真实数据应用。
2026-09-30 math.PR stat.CO stat.ME
Nonparametric inference under a monotone hazard ratio order
两个群体或单个群体的两个分层的风险函数的比率在时间-事件分析中起着重要作用。Cox回归通常用于估计风险比,假设其在时间上是恒定的,这被称为比例风险假设。然而,这一假设在实践中经常被违反,并且当违反时,Cox回归估计的参数很难解释。风险比可以使用平滑以非参数方式估计,但基于平滑的估计量对调谐参数的选择敏感,并且通常难以使用此类估计量执行有效的推断。在某些情况下,已知风险比函数是单调的。在这篇文章中,我们证明了风险比函数的单调性定义了一个不变的随机序,我们研究了这个序的性质。在单调性约束下,我们还引入了风险比函数的一个估计。我们证明了我们的估计量在分布上收敛到均值零极限,并且我们使用这个结果来构造渐近有效的置信区间。最后,我们进行数值研究,以评估我们的估计有限样本的行为,我们使用我们的方法来估计肺腺癌患者的无进展生存期的风险比吉非替尼或卡铂-紫杉醇治疗。
2022-07-11 stat.ME
Nuisance Function Tuning and Sample Splitting for Optimally Estimating a Doubly Robust Functional
Department of Statistics and Data Science, Washington University in St. Louis(华盛顿大学圣路易斯分校统计与数据科学系)
本文研究了如何通过干扰函数调节和样本分割策略优化双重稳健函数估计的收敛速率,展示了不同调节参数和样本分割方法对估计结果的影响。
2026-09-09 math.ST stat.ME stat.ML
Gaussbock: Fast parallel-iterative cosmological parameter estimation with Bayesian nonparametrics
我们提出并应用Gaussbock,一个新的并行迭代算法宇宙学参数估计设计的廉价的并行计算资源的时代。Gaussbock使用贝叶斯非参数和截断重要性抽样准确地从后验分布中提取样本,与其他方法相比,壁时间的数量级加速。在这方面的当代问题往往遭受由于高维参数空间和随之而来的过多的时间要求,以及需要微调的建议分布或采样参数的计算成本增加。Gaussbock是专门针对这些问题而设计的。我们探索和验证的性能和收敛性的算法上的快速近似的暗能量调查1年(DES Y1)后,发现合理的缩放行为与参数的数量。然后,我们使用大规模超级计算设施对完整的DES Y1后验进行测试,并恢复与以前的链的合理一致性,尽管该算法可能低估了约束不良参数的尾部。此外,我们讨论和演示高斯博克如何恢复复杂的后验形状很好地在较低的维度,但面临的挑战,在更高的维度上这样的分布表现良好。此外,我们提供了一个用户友好的软件工具,加速宇宙学参数估计的基础上本文所述的方法。
2020-05-16 astro-ph.CO astro-ph.IM stat.CO
Information estimation using nonparametric copulas
随机变量之间互信息的估计在从物理学到神经科学再到金融学的一系列领域中已经变得至关重要。在各种条件下准确估计信息依赖于开发灵活的方法来描述变量之间的统计依赖关系,而不会对数据施加可能无效的假设。在缺乏关于其统计特性的先验知识和样本数量有限的情况下,需要这种方法。在这里,我们提出了一个强大的和普遍适用的信息估计的基础上非参数copula。这种估计,称为非参数copula为基础的估计(NPC),是专门考虑到详细的随机关系的数据独立的数据的边缘分布。NPC估计器可用于连续和离散数值变量,从而为连续和离散数据的互信息估计提供了一个单一的框架。通过对来自各种统计分布的人工样本的广泛验证,我们发现NPC估计量与常用的替代品相比效果良好。与不基于Copula的方法不同,它允许对边缘分布的细节变化具有鲁棒性的信息估计。与参数copula方法不同,它保持准确,而不管变量之间的相互作用的精确形式。此外,NPC估计有准确的信息估计,即使在低样本数,相比替代估计。因此,NPC估计量在数据中任意形状的统计依赖性的一般适用性之间提供了良好的平衡,并且在使用小样本量时显示出准确和稳健的性能。
2018-10-25 cs.IT math.IT q-bio.NC
A Spectral Series Approach to High-Dimensional Nonparametric Regression
现代统计学中的一个关键问题是如何对复杂的高维数据进行快速可靠的推断。虽然稀疏技术引起了人们的极大兴趣,但目前的方法不能很好地推广到具有非线性结构的数据。在这项工作中,我们提出了一个正交系列的预测是复杂的聚合对象,如自然图像,星系光谱,轨迹和电影估计。我们的系列方法将内核机器学习和傅立叶方法的思想联系在一起。我们扩展未知回归的数据方面的特征函数的内核为基础的运营商,我们利用正交的基础上的基本数据分布,P,以加快计算和调整参数。如果核被适当地选择,则特征函数适应于数据的内在几何形状和维度。我们提供了理论上的保证,径向内核具有不同的带宽,我们与光滑的回归函数相对于P稀疏的特征基。最后,使用模拟和真实世界的数据,我们系统地比较了经典的核平滑,k-最近邻回归,核岭回归,和国家的最先进的流形和局部回归方法的性能的谱序列方法。
2016-02-01 stat.ME stat.ML
Statistical inference using Regularized M-estimation in the reproducing kernel Hilbert space for handling missing data
插补和倾向得分加权是处理缺失数据的两种常用技术。我们使用再生核Hilbert空间中的正则化M-估计技术来解决这些问题。具体来说,我们首先使用内核岭回归开发插补处理项目无应答。虽然这种非参数方法有可能用于插补,但文献中未对其统计特性进行研究。在调整参数的阶数一定的条件下,我们首先建立了核岭回归插补估计的根$n$相合性,并证明了它达到了半参数渐近方差的下界。一个非参数的倾向得分估计使用再生核希尔伯特空间也开发了一个新的应用程序的最大熵方法的密度比函数估计。我们证明了所得到的倾向得分估计渐近等价于核岭回归插补估计。有限的模拟研究的结果也证实了我们的理论。将该方法应用于北京市大气污染监测数据的分析。
2021-07-15 stat.ME stat.ML
fastMI: a fast and consistent copula-based estimator of mutual information
针对现有非参数互信息估计器因参数调优导致性能不稳定的问题,提出无需调参的fastMI估计器,基于copula公式结合快速傅里叶变换估计密度,在大数据集上精度更高、速度更快,还可有效检验独立性并提供R包。
2023-07-16 stat.AP stat.CO stat.ME
A class of modular and flexible covariate-based covariance functions for nonstationary spatial modeling
University of Zurich(苏黎世大学)
本文提出一类模块化且灵活的基于协变量的参数协方差函数,用于非平稳空间建模,在保持参数方法计算稳定性和可识别性的同时提升灵活性,并通过瑞士降水数据验证了其预测性能与可解释性优于现有方法。
2025-08-04 stat.AP stat.ME stat.ML
A Unified Frequency Domain Cross-Validatory Approach to HAC Standard Error Estimation
提出统一的频域交叉验证(FDCV)方法用于估计HAC标准误,支持在参数化与非参数化谱估计器间进行模型选择,并提供高效计算技术,模拟表明其优于现有HAC估计器。
2023-06-30 econ.EM stat.ME