Parametric and nonparametric probability distribution estimators of sample maximum
本研究提出一种无需模型设定的插件型非参数估计器用于样本最大值的概率分布估计，其收敛速度在某些条件下与极值指数无关，优于传统参数拟合方法，并通过模拟和两个实际案例验证了其优越性。
2024-07-18 math.ST stat.TH
Semiparametric Penalized Spline Regression
本文利用参数方法和非参数惩罚样条方法的混合技巧，提出了一种新的半参数回归估计。真实回归函数的整体形状由参数部分捕获，而其残差由非参数部分一致地估计。建立了半参数估计的渐近理论，证明了半参数估计的渐近性依赖于非参数惩罚样条估计的渐近性以及真实回归函数与参数部分之间的差异.作为渐近性的自然关联应用，讨论了参数模型选择的一些准则。数值实验表明，所提出的估计比现有的基于核的半参数估计和完全非参数估计性能更好，所提出的准则对于选择合理的参数模型也是有效的.
2012-02-16 math.ST stat.TH
The Trimmed Mean in Non-parametric Regression Function Estimation
本文研究了Nadaraya-Watson估计量的一种修正形式，用于估计未知非参数回归函数。通过极小化问题建立了估计量的特征，并导出了其逐点渐近分布。通过故障点研究了该估计器的鲁棒性。此外，随着广泛的模拟研究的渐近效率的研究表明，这种估计在各种情况下表现良好。三个基准的实际数据，以及估计的实用性。
2019-09-26 math.ST stat.ME stat.TH
Maximum likelihood estimator and its consistency for an $(L,1)$ random walk in a parametric random environment
考虑在i.i.d.中的$(L,1)$随机游动。随机环境，其环境包含一定的参数。我们得到了环境参数的极大似然估计，它可以表示为随机环境中带移民的多型分支过程的泛函。由于所涉及的多型BPIRE的后代分布是线性分式的，因此可以显式地计算多型BPIRE的极限不变分布。结果，我们得到了MLE的一致性。我们的结果是Comets等人[随机过程]的推广。2014，124，268-288]。
2018-08-30 math.ST stat.TH
Unbiased estimation of the volume of a convex body
基于$\R^d$中凸集上均匀分布点的观测值，提出了一种新的凸集体积估计方法。该估计是最小最大最优的，也是有效的非渐近：它几乎是无偏的所有无偏预言型估计之间的方差最小。我们的方法是基于泊松点过程模型，并作为一个组成部分，我们证明了凸包是一个充分的和完全统计量。对凸集的边界不作任何假设。在数值研究中，我们表明，估计优于早期的估计量。此外，针对凸体本身提出了一种改进的集合估计器。
2016-01-21 math.ST stat.TH
Statistical Inference in Parametric Preferential Attachment Trees
偏好依恋（PA）模型是对动态社交网络（如协作网络）建模的一种流行方法。假设PA函数为参数形式，我们提出并研究了参数的极大似然估计。利用一个超临界连续时间分支过程框架，我们证明了该估计量的几乎必然相合性和渐近正态性。我们还提供了一个估计，只依赖于网络的最终快照，并证明其一致性，其渐近正态性在一般情况下。我们在一个小的模拟研究中的估计的性能进行比较的非参数估计。
2022-08-16 math.PR math.ST stat.TH
Parametric inference of hidden discrete-time diffusion processes by deconvolution
研究了隐离散扩散模型的一种新的参数化方法。该方法是基于对比度最小化和反卷积，并导致估计一个大类的非线性漂移和非线性扩散的随机模型。例如，它可以应用于生态和金融状态空间模型。在证明了估计的相合性和渐近正态性，得到了渐近置信区间之后，我们给出了一个详细的数值研究，比较了实际应用中的许多经典方法（非线性最小二乘估计、Monte Carlo期望最大化Likewise估计和贝叶斯估计）对随机波动率模型的估计。我们证明了我们的估计量在计算时间方面明显优于最大似然估计量，但也优于大多数其他方法。我们还表明，这种对比方法是最稳定的，也不需要任何调整参数。
2016-12-19 math.ST stat.TH
On Non-parametric Estimation of the Lévy Kernel of Markov Processes
本文考虑一个常返马尔可夫过程，它是一个伊藤半鞅. Lévy核描述了它的跳跃规律。基于观测值X（0），X（Δ），.，X（nΔ），我们构造了Lévy核密度的一个估计。我们证明了它的相容性（当nΔ-> \infty和Δ->0时）和一个中心极限定理.在正常返情形下，我们的估计是渐近正态的;在零常返情形下，它是渐近混合正态的。我们的估计器的收敛速率等于平滑密度估计的非参数极大极小化速度。渐近偏差和方差类似于经典的条件密度的Nadaraya-Watson估计。提供了渐近置信区间。
2013-05-12 math.ST stat.TH
Some Theoretical Results Concerning non-Parametric Estimation by Using a Judgment Post-stratification Sample
本文利用判断后分层样本（JPS）讨论了g（X）（X的任意函数）的期望的非参数估计的一些性质。一类估计量（包括标准JPS估计量和Frey和Feeman提出的JPS估计量（2012，Comput. Stat. Data An.））考虑了本文给出了该类成员的均值和方差，并检验了它们的一致性和渐近分布。具体而言，结果用于估计总体均值、总体方差和CDF。我们表明，任何估计类可能是效率低于简单随机抽样（SRS）估计小样本量。证明了当样本量趋于无穷大时，该类估计相对于平衡秩集抽样（BRSS）估计的相对效率趋于1。进一步，我们研究了标准JPS均值估计和Frey和Feeman JPS均值估计，证明了这两种估计具有相同的渐近分布.对于标准的JPS均值估计量，在完美排序的情况下，对于不同的样本量，H（排序类大小）的最佳值是针对没有严重偏斜或厚尾的总体非参数确定的。我们表明，标准的JPS均值估计可能是更有效的比BRSS大样本量，在这种情况下，我们可以使用一个更大的类大小H在JPS设置。
2013-11-19 math.ST stat.ME stat.TH
Central limit theorem for the robust log-regression wavelet estimation of the memory parameter in the Gaussian semi-parametric context
本文研究了具有广义谱密度f的（可能）非平稳高斯时间序列记忆参数d的稳健估计。这个广义谱密度的特征在于记忆参数d和函数f*，它指定了过程的短程依赖结构。我们的设置是半参数的，因为f* 和d都是未知的，d是唯一感兴趣的参数。通过对不同尺度下小波系数估计方差的对数进行回归，估计记忆参数d。我们考虑的d的两个估计量是基于小波系数方差的稳健估计量，即由Alfresseuw和Croux（1993）提出的尺度估计量的平方和小波系数平方的中值。我们建立了这些稳健估计的中心极限定理，以及基于Moulines，Roueff和Taqqu（2007）提出的经典方差估计的d的估计。一些蒙特卡洛实验来说明我们的主张，并比较不同的估计性能。尼罗河数据和互联网流量数据包计数的性质进行了比较。理论结果和经验证据表明，稳健估计可以作为估计高斯时间序列记忆参数d的一种替代方法。
2010-11-19 math.ST stat.TH
Weighted allocations, their concomitant-based estimators, and asymptotics
加权保险费和风险资本配置规则的类别的各种成员已经从许多角度进行了研究。在参数分布族的情况下，导出了相应的公式，它们在建立该领域的参数统计推断时起了关键作用。非参数推断的结果也已在特殊情况下，如尾部条件期望，失真风险度量，和几个成员的加权保费。然而，对于加权分配规则，非参数推断结果尚未得到充分发展。因此，本文提出了加权分配规则的经验估计，并在实际合理的条件下证明了它们的相合性和渐近正态性。复杂的统计考虑依赖于诱导顺序统计量的理论，称为伴随。
2017-10-09 math.ST stat.TH
Parametric convergence rate of a non-parametric estimator in multivariate mixtures of power series distributions under conditional independence
本文研究条件独立幂级数分布多元混合的非参数估计，证明极大似然估计的Hellinger距离收敛速率，构建达参数速率的新估计量，提出条件独立性检验方法，经模拟和Vélib数据集验证有效。
2025-09-05 math.ST stat.ME stat.TH
Some improvement on non-parametric estimation of income distribution and poverty index
本文提出了Foster，Greer和Thorbecke测度类$\displaystyle P(z,α) = \int_0^{z}\Big(\frac{z-x}{z}\Big)^αf(x)\, dx$的一个估计，其中$z>0$是贫困线，$f$是收入分布的概率密度函数，$α$是所谓的贫困厌恶.该估计器是用一个有偏约化核估计器构造的。建立了一致几乎必然相合性和一致均方相合性。仿真研究表明，我们的新估计性能良好。
2019-09-17 math.ST stat.ME stat.TH
An accurate percentile method for parametric inference based on asymptotically biased estimators
针对参数推断中估计量可能渐近有偏的问题，提出隐式自举法，构建渐近有效且可达二阶精度的百分位置信区间，并在标准自举失效的三种情形下保持精确。
2024-09-19 math.ST stat.CO stat.ME
Parametric Estimation of Diffusion Processes Sampled at First Exit Times
本文给出了一类扩散过程参数的递推估计。我们使用的思想的随机算法的建设的估计。证明了这些估计量的渐近相合性和适当的归一化的渐近正态性。结果适用于两个例子，从金融文献，即，Cox-Ingersoll-Ross模型和恒定方差弹性（CEV）过程说明了本文提出的技术的使用。
2004-02-16 math.ST stat.TH
Adaptive non-parametric estimation in the presence of dependence
我们考虑非参数估计问题中存在的相关数据，特别是非参数回归随机设计和非参数密度估计。建议的估计过程是基于降维。极小极大最优收敛速率的估计推导出假设一个足够弱的依赖性，其特征在于快速减少的混合系数。我们说明这些结果考虑经典的平滑假设。然而，建议的估计需要一个最佳的选择的尺寸参数取决于某些特性的功能的兴趣，这是不知道在实践中。在我们的工作中解决的主要问题是这个尺寸参数的自适应选择模型选择和Lepski的方法相结合。它的灵感来自Goldenshluger和Lepski（2011）最近的工作。我们表明，这种数据驱动的估计可以达到较低的风险绑定到一个常数提供了一个快速衰减的混合系数。
2016-02-01 math.ST stat.TH
Sparse M-estimators in semi-parametric copula models
本文研究半参数 copula 模型中带伪观测值的稀疏 M-估计量的大样本性质，建立一致性、渐近正态性及渐近 oracle 性质，并应用于高斯 copula、混合及条件 copula 的典型最大似然损失，辅以数值实验验证。
2023-05-31 math.ST stat.TH
A method of moments estimator of tail dependence
在多变量极值的世界中，依赖结构的估计仍然是一个挑战和有趣的问题。一个程序的二元情况下，开辟了道路，以类似的方式处理问题，在一个真正的多元设置。我们考虑一个半参数模型，其中稳定的尾部依赖函数是参数化的。给定一个来自二元分布函数的随机样本，问题是估计未知参数。提出了一种矩估计方法，其中稳定尾部依赖函数的非参数、基于秩的估计的某个积分与相应的参数版本匹配。在很弱的条件下，证明了该估计是相合的且渐近正态的。此外，参数和非参数估计之间的比较导致半参数模型的拟合优度检验。估计的性能示出了一个离散的谱测度，出现在一个因素型模型，并为基于似然的方法打破。第二个例子是某些亚椭圆分布的稳定尾部依赖函数族。
2008-11-14 math.ST stat.TH
Adaptive Estimation of Convex Sets and Convex Polytopes from Noisy Data
我们估计凸多胞体和一般凸集$\mathbb R^d,d\geq 2$的回归框架。我们使用一个$L^1$型损失函数来衡量我们的估计的风险，并证明这些风险的上界。我们表明，在多面体的情况下，这些估计达到极大极小率。对于多面体，这个极大极小率是$\frac{\ln n}{n}$，这不同于非正规家庭的参数率的对数因子，我们表明，这个额外的因素是必不可少的。使用多面体近似，我们将我们的结果扩展到一般的凸集，我们实现了极大极小率的对数因子。此外，我们提供了一个估计，是自适应的未知多面体的顶点数，我们证明了这个估计是最佳的在所有类的多面体与给定的顶点数。
2012-11-14 math.ST stat.TH
Non-parametric Quantile Regression via the K-NN Fused Lasso
分位数回归是用于估计响应变量的条件分位数的统计方法。此外，对于均值估计，众所周知，分位数回归比基于$l_2$的方法对离群值更稳健。通过在$K$ -最近邻图上使用融合套索惩罚，我们提出了一种非参数设置下的自适应分位数估计。我们表明，估计达到最佳的$n^{-1/d}$率的对数因子，温和的假设下的数据生成机制的$d$维数据。我们开发算法来计算估计量和讨论方法的模型选择。模拟和真实数据的数值实验表明，所提出的估计的最先进的方法的国家的明显优势。
2021-08-17 math.ST stat.ME stat.TH
Parameter estimation of ODE's via nonparametric estimators
常微分方程（ODE）是物理、化学和生物学中广泛应用的数学模型。特别地，这种数学形式主义用于描述复杂系统的演化，并且它可能由耦合的非线性微分方程的高维集合组成。在这种情况下，我们提出了一个通用的方法来估计参数索引ODE的时间序列。我们的方法是能够减轻所遇到的经典参数方法的计算困难。这些困难是由于模型的隐含定义。我们建议使用的回归函数的非参数估计作为第一步在建设的M-估计，我们证明了在一般条件下的一致性的估计。在样条估计的情况下，我们证明了渐近正态性，收敛速率是通常的$\sqrt{n}$率参数估计。一些观点的改进，这个新的家庭的参数估计。
2008-12-22 math.ST stat.TH
Optimality of estimators for misspecified semi-Markov models
假设我们观察到一个几何遍历的半马尔可夫过程，并且对于嵌入马尔可夫链的转移分布、到达间隔时间的条件分布或两者都有一个参数模型。前两个模型的过程是半参数的，参数可以估计的条件最大似然估计。第三个模型的过程是参数，参数可以估计的无条件最大似然估计。我们确定了这些估计量的渐近分布，并证明了它们是渐近有效的。如果参数模型是不正确的，（条件）最大似然估计的参数，最大限度地提高Kullback-Leibler信息。我们证明了它们在非参数意义下仍然是渐近有效的。
2007-12-20 math.ST stat.TH
Uniform central limit theorems for the Grenander estimator
我们考虑Grenander估计，这是最大似然估计的非增密度。证明了有界变差函数的某些子类和光滑性s>1/2的Hölder球的一致中心极限定理。我们不假设密度是可微的或连续的。这个证明可以看作是参数极大似然估计方法在非参数情况下的一个改进。由于非参数极大似然估计位于边界上，因此不可能像参数情况那样期望似然的导数等于零。然而，我们的证明依赖于这样一个事实，即可能性的导数可以被证明是小的最大似然估计。
2015-06-26 math.ST stat.TH
Non-parametric estimator of a multivariate madogram for missing-data and extreme value framework
极大值间相关性的建模在风险分析的许多应用中是一个重要课题。为此目的，极值copula函数，其特征在于通过madogram，可以被用来作为一个边际的依赖结构的描述。从实际的角度来看，极值分布族非常丰富，并且作为适当归一化的分量最大值的极限分布而自然出现。本文研究了数据完全随机缺失情况下madogram的非参数估计。我们提供的功能中心极限定理所考虑的多元madrogram正确规范化，对一个紧密的高斯过程的协方差函数依赖于丢失的概率。给出了渐近方差的显式表达式。我们的研究结果说明了在一个有限的样本设置与模拟研究。
2022-04-29 math.ST stat.TH
Parametric convergence rate of some nonparametric estimators in mixtures of power series distributions
本文研究无穷支撑幂级数分布混合的估计问题，证明NPMLE的Hellinger距离收敛速度及对数因子最优性，构建基于NPMLE的两类达到参数化收敛速度的估计量，通过模拟与真实数据验证性能，并比较两类自助法构建置信区间的表现。
2025-07-31 math.ST stat.TH
Non-parametric adaptive bandwidth selection for kernel estimators of spatial intensity functions
基于Campbell-Mecke公式和Abramson平方根定律，提出了一种新的空间点过程强度函数核估计的完全非参数两步自适应带宽选择方法.我们提出了一个模拟研究，以评估其性能相对于Cronie-Van Lieshout全球带宽选择器，并应用该技术在theGroningen气田诱发地震的数据。
2022-10-21 stat.ME
Feasible Inference for Stochastic Volatility in Brownian Semistationary Processes
本文研究了非半鞅情形下布朗半平稳过程的积分幂波动过程的若干估计的有限样本性质。我们建立了三个一致的可行估计的综合波动率，两个来自参数方法和非参数。然后，我们使用一个模拟研究的估计量的收敛特性进行比较，彼此，并基准的不可行的估计。我们进一步建立了不可行估计量的渐近方差的界，并评估了不可行估计量的中心极限定理是否可以转化为非参数估计量的可行极限定理。
2021-06-17 math.ST stat.AP stat.ME
Parametric Statistical Inference in the Zone of Moderate Deviation Probabilities
本文在小偏差概率区发展了参数统计推断理论，通过Hellinger距离基于泰勒展开的对数似然比展开，证明了贝叶斯估计和最大似然估计的large deviation principle，并建立了后验贝叶斯测度的集中定理。
2026-10-28 math.ST stat.TH
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
Asymptotic properties of the maximum likelihood estimator for multivariate extreme value distributions
最大稳定分布和过程是极端事件和尾部风险评估的重要模型。参数最大稳定分布的完整多元似然性很复杂，只有最近的进展才能使用它。最大似然估计在多变量极值中的渐近性质大多是未知的。本文给出了保证估计量渐近正态性的最大稳定分布的指数函数和角测度的自然条件。我们证明了这一结果的有效性，将其应用到流行的参数模型在多元极值统计和最常用的家庭的空间最大稳定的过程。
2017-08-07 math.ST stat.TH
Semiparametric density estimation by local L_2-fitting
本文通过结合参数方法和非参数因子来研究密度估计。插入式参数估计量被视为真密度的粗略估计量，并通过非参数因子进行调整。非参数因子由局部L_2拟合准则导出。给出了一类具有乘性调整的估计，包括一些作者作为特例提出的估计，并给出了渐近理论。理论比较表明，在这类估计优于，或至少有竞争力的，传统的核估计在广泛的一类密度。这类估计的渐近最佳估计量可以从偏置函数的优美特征中得到。
2004-06-25 math.ST stat.TH
Asymptotically Optimal Bias Reduction for Parametric Models
统计分析中的一个重要挑战是控制估计量的有限样本偏差。在变量数$p$随样本量$n$发散的高维设置中，以及对于非线性模型和/或具有离散数据的模型，该问题被放大。对于这些复杂的设置，我们建议使用一个通用的模拟为基础的方法，并表明所得到的估计有一个偏差的顺序$\mathcal{O}(0)$，从而提供了一个渐进的最佳偏差减少。它是基于一个初始估计，可以稍微渐近偏置，使该方法非常普遍适用。这是特别相关的经典估计，如最大似然估计，只能（数字）近似。我们证明了Kuk（1995）的迭代自举法提供了一种计算效率高的方法来计算这种偏差降低的估计量。我们说明了我们的理论结果在模拟研究中，我们开发了新的偏差减少估计的逻辑斯谛回归，有和没有随机效应。这些估计享有额外的属性，如数据污染和可分性问题的鲁棒性。
2020-02-19 math.ST stat.CO stat.ME
Robust Inference for Convex Pairwise Difference Estimators
Princeton University（普林斯顿大学）；UC Berkeley（加州大学伯克利分校）；University of Warwick（华威大学）
针对凸成对差分估计量，本文发展了分布理论和基于自助法的推断方法，通过小带宽渐近理论、广义刀切去偏和调整带宽方差扭曲的自助法，实现了在更弱带宽条件下的有效推断。
2026-05-28 econ.EM math.ST stat.ME
The Cumulative Residual Mathai--Haubold Entropy and its Non-parametric Inference
本文提出累积残差Mathai-Haubold熵及其动态版本，并基于生存函数的核密度估计开发非参数估计器，通过模拟和实际数据验证其有效性。
2025-12-10 math.ST stat.ME stat.TH
Semiparametrics via parametrics and contiguity
本文提出通过构造近似参数模型并利用相互邻接性，将半参数推断问题转回参数框架，从而严格证明极限估计量的渐近正态性与有效性，并以部分线性模型和Cox模型为例，给出Cox部分似然估计量有效性的新证明。
2025-09-22 econ.EM math.ST stat.ME
An unbiased minimum variance non-parametric analytic and likelihood estimator for discrete and continuous score spaces
这份手稿开发了一个通用的内积规范的肯德尔\(τ\)和斯皮尔曼的\(ρ\)，它作为一个公正的MLE，即使在关系的存在。我们推导并证明了严格的亚高斯的Kemeny范数空间，从而反驳结论\textcite{kendall1948}和\textcite{diaconis1977}开发的适当的，有限的样本，概率分布和检验统计量的性质。所有双变量对的非参数MLE框架的开发，从而解决了\textcite{olkin1994}的假设有关的指数多元分布的顺序统计量，通过显示，对于有限的样本，分布是非指数的。非参数线性估计也构造了多元相关性和扩展，线性可分解的非参数多维线性方程组的非参数因子分析。
2022-08-02 stat.ME
Convex Banding of the Covariance Matrix
我们引入了一个新的稀疏估计的协方差阵的高维模型中的变量有一个已知的顺序。我们的估计，这是一个凸优化问题的解决方案，等价地表示为一个估计，该估计由Toeplitz，稀疏带状，数据自适应矩阵的样本协方差阵。由于这种自适应性，凸带状估计享有理论上的最优性能没有达到以前的带状或锥形估计。特别是，我们的凸带估计是极小极大率自适应Frobenius和运营商的规范，对数因子，在共同研究类的协方差阵，并在更一般的类。此外，它正确地恢复带宽时，真正的协方差是完全带状。我们的凸公式承认一个简单而有效的算法。实证研究证明了它的实际有效性，并说明我们的确切带状估计工作良好，即使当真正的协方差阵只是接近带状矩阵，证实了我们的理论结果。我们的方法与所有现有的方法相比，在精度和速度方面。我们说明了凸带估计的实际优点，它可以用来提高性能的判别分析分类录音。
2014-05-23 math.ST stat.CO stat.ME
All models are wrong, but which are useful? Comparing parametric and nonparametric estimation of causal effects in finite samples
在统计学、流行病学和计量经济学领域存在一个长期的争论，即使用数据自适应方法的非参数估计，如模型拟合中的机器学习算法，是否比现实世界中的有限样本因果效应估计中的更简单的参数方法具有任何有意义的优势。我们解决这个问题：当试图估计治疗对结果的影响时，在合理数据分布的范围内，选择非参数与~参数估计重要吗？而不是回答这个问题的模拟，反映了几个选定的数据场景，我们提出了一种新的方法来评估性能在成千上万的数据生成机制，从非参数模型与半信息先验。我们称这种方法为通用蒙特卡罗模拟。我们比较了两种参数估计量（使用参数结果模型和治疗加权估计量逆概率的g计算估计量）和两种非参数估计量（贝叶斯加性回归树和在模型拟合中使用机器学习算法集成的基于目标最小损失的估计量）估计平均处理效应的性能。我们总结了估计性能的偏差，置信区间覆盖，和均方误差。我们发现，非参数估计几乎总是优于参数估计，除了在最小样本量N=100下，在偏倚方面具有相似的性能，在覆盖方面具有相似到略差的性能。
2022-12-19 stat.ME
An Efficient Minimax Optimal Estimator For Multivariate Convex Regression
Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系）；Department of Mathematics, Tel Aviv University（特拉维夫大学数学系）
本文提出了一种高效且最小最大最优的多变量凸回归估计器，适用于高维数据和多面体支持条件，解决了传统方法的最小二乘估计器次优问题。
2025-12-28 cs.LG math.MG math.ST
Distributionally Robust Parametric Maximum Likelihood Estimation
Stanford University（斯坦福大学）；University of Cyprus（塞浦路斯大学）
我们考虑的参数估计问题的概率生成模型规定使用一个自然的指数分布族。对于这个问题，典型的极大似然估计器通常在有限的训练样本量下过拟合，对噪声敏感，并且可能在下游预测任务上表现不佳。为了缓解这些问题，我们提出了一个分布鲁棒的极大似然估计，最大限度地减少最坏情况下的预期对数损失均匀的参数Kullback-Leibler球周围的参数标称分布。利用同一自然指数族中两个分布之间的库尔贝克-莱布勒散度的解析表达式，我们证明了最小-最大估计问题在广泛的环境中是易于处理的，包括广义线性模型的鲁棒训练。我们的新的鲁棒估计也享有统计一致性，并提供了有前途的实证结果在回归和分类任务。
2020-10-11 cs.LG math.ST stat.ML
Non-parametric cure rate estimation under insufficient follow-up using extremes
生存分析中的一个重要研究主题与治愈率的建模和估计有关，即永远不会发生感兴趣事件的受试者比例。然而，大多数估计方法提出的文献中没有处理的情况下，不充分的后续行动，也就是说，当正确的终点支持的删失时间严格小于生存时间的易感受试者，因此这些估计高估了治愈率在这种情况下。我们填补了这一空白，提出了一个新的估计的治愈率，利用外推技术，从该地区的极值理论。我们建立的估计量的渐近正态性，并显示如何估计工程的小样本通过模拟研究。我们还通过对乳腺癌患者生存数据的分析来说明其实际适用性。
2018-04-04 math.ST stat.ME stat.TH
Measuring inequality: application of semi-parametric methods to real life data
为了衡量收入和支出等各种情况下的不平等，采用了一些方法。为了进行统计推断，人们往往需要估计现有的不平等衡量标准。文献中有许多估计量，最常用的是非参数估计量。kpanzou（2011）已经开发了不等式度量的半参数估计，并表明这些估计非常适合于重尾分布。在本文中，我们将这种半参数方法应用到一个实际的数据集，并展示了它们如何与非参数估计进行比较。一个指导也给出了对参数分布的选择，以适应在尾部的数据
2017-12-25 stat.ME
Finite Sample MIMO System Identification with Multisine Excitation: Nonparametric, Direct, and Two-step Parametric Estimators
本文针对多正弦激励下的MIMO系统，提出了频域估计器的有限样本统计框架，推导了FRF估计的分布特性，并证明了最优两阶段频域方法与时域极大似然估计的等价性，实现了严格的不确定性量化与闭式估计。
2025-10-30 cs.SY eess.SY stat.ME
Besting Good--Turing: Optimality of Non-Parametric Maximum Likelihood for Distribution Estimation
本文提出一种融合 Robbins 经验贝叶斯与 Kiefer--Wolfowitz NPMLE 的无参数估计器，在理论和实践上超越 Good--Turing，实现竞争框架下的实例级最优风险。
2025-09-09 cs.IT math.IT math.ST
Parametric estimation of quantile versions of Zenga and D inequality curves: methodology and application to Weibull distribution
本文研究 Zenga 与 D 不平等曲线分位数版本的参数估计，提出最小距离估计量并证明其一致性与渐近正态性，且在 Weibull 模型中加以应用说明。
2023-12-12 math.ST stat.AP stat.TH
Asymptotic normality of robust $M$-estimators with convex penalty
本文在高维情形下得到了具有凸罚的稳健M-估计的个体坐标的渐近正态性结果，其中维数$p$至多与样本容量$n$的阶数相同，即对于某一固定常数$γ>0$，为$p/n\leγ$.渐近正态性需要一个偏差校正，并保持了一个大类的损失函数，包括Huber损失和它的平滑版本正则化的强凸惩罚的M-估计的大多数坐标。渐近方差的特点，得到的置信区间的宽度估计与数据驱动的数量。这种方差估计自动适应于低（$p/n\to0)$）或高（$p/n \le γ$）维，并且不涉及在以前的M估计量的渐近正态性中看到的邻近算子。对于Huber损失，估计的方差具有涉及有效自由度以及有效样本大小的简单表达式。详细研究了弹性网络惩罚的Huber损失情况，并通过仿真研究证实了理论研究结果。本文给出的球面上高维随机向量的Stein公式的渐近正态性结果是独立的。
2021-07-08 math.ST stat.ML stat.TH
Parametric Estimation of Ordinary Differential Equations with Orthogonality Conditions
在实际应用中，常使用微分方程对动态确定性系统进行建模。当需要用统计参数估计来校正理论模型时，经典的统计估计方法往往面临复杂的、潜在不适定的优化问题。因此，需要替代经典参数估计量的估计量来获得可靠的估计。我们提出了一种梯度匹配的方法估计参数常微分方程观测噪声。从一个真正的解决方案的常微分方程的非参数代理，我们建立了一个参数估计的基础上变分表征的解决方案。作为广义矩估计，我们的估计必须满足一组正交条件，这些条件在最小二乘意义下求解。尽管使用非参数估计，我们证明了根$n$的一致性和渐近正态的正交条件估计。由于渐近方差的封闭形式表达式，我们可以导出置信集。最后，在几个（模拟和真实的）实验和ODE模型，以显示其多功能性和相关性与经典的梯度匹配和非线性最小二乘估计的OC估计与经典的估计进行了比较。特别是，我们在一个真实的流感感染数据集上表明，该方法给出了可靠的估计。此外，我们表明，我们的方法可以直接处理更详细的模型，如延迟微分方程（DDE）。
2014-10-28 stat.ME
A Robbins-Monro algorithm for non-parametric estimation of NAR process with Markov-Switching: asymptotic normality
Aix-Marseille University（艾克斯-马赛大学）；Escuela de Matemáticas, Facultad de Ciencias, Universidad Central de Venezuela（委内瑞拉中央大学理学院数学系）；Departamento de Matemáticas, FACYT, Universidad de Carabobo（卡拉沃博大学FACYT数学系）
本文研究了非参数估计马尔可夫切换NAR过程的回归函数估计器，提出了一种恢复-估计Robbins-Monro算法，并证明了模型可识别性和估计器的一致性，最后给出了模拟研究以展示估计方法的性能。
2026-03-31 stat.ME
Parametric estimation of hidden stochastic model by contrast minimization and deconvolution: application to the Stochastic Volatility Model
我们研究了一种新的参数方法，特别是隐藏的随机模型，如随机波动率模型。该方法基于对比度最小化和去卷积。在证明了估计的渐近置信区间的一致性和渐近正态性后，我们提供了一个彻底的数值研究，比较了在实践中使用的大多数经典方法（拟极大似然估计，模拟期望最大化似然估计和贝叶斯估计）。我们证明，我们的估计显然优于极大似然估计的计算时间，但也大多数其他方法。我们还表明，这种对比度的方法是最强大的非高斯误差，也不需要任何调整参数。
2013-03-14 q-fin.ST stat.AP
Non-Parametric Estimation of Spot Covariance Matrix with High-Frequency Data
特别是随着高频金融数据的日益可用，估计现货协方差是一个重要的研究问题。本文研究了高频数据点协方差的核方法估计。特别是，我们考虑第一核加权版本的实现协方差估计的价格过程所支配的一个连续的多元半鞅。接下来，我们将其扩展到阈值核估计的现货协方差时，潜在的价格过程是一个不连续的多元半鞅有限活动跳跃。我们得到了固定和收缩带宽的估计量的渐近分布。在一个设置与跳跃的估计有相同的速度收敛的扩散过程的估计没有跳跃。一个模拟研究检查估计的有限样本性质。此外，我们研究的估计量的协方差预测的背景下的应用。我们发现，预测模型与我们的估计优于基准模型在文献中。
2019-05-20 stat.AP stat.ME stat.OT
Simple estimators of false discovery rates given as few as one or two p-values without strong parametric assumptions
控制全族错误率或错误发现率的多重比较程序提供了实现的错误率作为每个检验假设的调整后p值。然而，由于这样的p值不是零假设为真的概率，因此已经设计了经验贝叶斯方法来估计这样的后验概率，称为局部错误发现率（LFDR），以强调其先验的频率解释。LFDR估计的主要方法依赖于最大似然的数值算法或非参数密度估计的平滑参数的选择，缺乏错误率控制方法的自动性质。为了填补这一空白，本文介绍了LFDR估计的自动方法，该方法在p值独立但没有强参数假设的情况下具有已证明的渐近保守性。模拟表明，他们仍然是保守的，即使是非常小数量的假设。所提出的程序之一，使解释的LFDR估计方面的原始FDR控制规则，从而促进实际的解释。最保守的新程序适用于20种蛋白质的丰度水平。
2011-06-22 math.ST q-bio.QM stat.ME
Non-parametric change-point detection using string matching algorithms
给定一个数据源的输出值在一个有限的字母表中，我们希望检测变点，即时间时，源的统计属性变化。受信息论中匹配长度思想的启发，我们提出了一种新的非参数估计，我们称之为CRECHE（交叉枚举变化估计）。我们目前的模拟证据表明，这种估计表现良好，无论是模拟源和连接文本源形成的真实数据。例如，我们表明，我们可以准确地检测到一个源的变化，从马尔可夫链的IID源具有相同的平稳分布的点。我们的估计量不需要对源分布的形式进行假设，并且避免了估计其概率的需要。此外，我们建立了一致性的CRECHE估计相关的玩具模型下，通过建立一个流体限制和使用鞅参数。
2011-07-28 cs.IT math.IT math.PR
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
On The Density Estimation by Super-Parametric Method
超参数密度估计及其算法是由Y. -S Tsai et al [7].超参数估计的参数个数是无限的，它是统一或连接非参数估计和参数估计的一般理论。在应用于数值例子之前，我们不能对估计量作任何评论。本文着重介绍了窗函数选择的算法和策略的计算机实现。研究了B样条、Bezier样条和覆盖窗。根据Parzen窗收敛条件的判据，窗函数的个数应大致与样本个数成正比，变量个数也大致与样本个数成正比。由于该算法是为求解似然函数的最优化而设计的，因此会产生一组含有大量变量的非线性方程组。结果表明，Y. -S Tsai在数学意义上是非常强大和有效的，即迭代过程收敛并且收敛速度非常快。不同窗函数的数值结果表明，超参数密度估计方法开创了统计学的新纪元。
2008-11-07 stat.CO
