Inference on a Distribution Function from Ranked Set Samples
考虑独立观测值$(X_1,R_1)$、$(X_2,R_2)$、\ldots、$(X_n,R_n)$和随机秩或固定秩$R_i \in \{1,2,\ldots,k\}$,当以$R_i = r$为条件时,随机变量$X_i$具有与来自未知连续分布函数$F$的大小为$k$的随机样本内的$r$阶统计量相同的分布。这样的观测方案被用于对观测值进行排序比获得其精确值容易得多的情况。两个著名的特例是排序集抽样(McIntyre 1952)和判断后分层(MacEachern et al. 2004)。在包括不平衡秩集抽样的一般设置中,我们推导并比较了分布函数$F$为$n \to \infty$和固定$k$的三种不同估计量的渐近分布:Stokes和Sager(1988)的分层估计量,Kvam和Samaniego(1994)的非参数最大似然估计量和Chen(2001)的基于矩的估计量。我们的功能中心极限定理推广和完善以前的渐近分析。此外,我们简要地讨论了逐点和同时的分布函数$F$的置信区间,保证覆盖概率有限的样本量。一个真实的数据的例子说明了该方法,并在一个小型的模拟实验的潜在影响的不完美的排名进行了研究。总而言之,除了计算效率之外,基于矩的估计器似乎在效率和鲁棒性与不完美的排名之间提供了一个很好的折衷。
2018-07-02 stat.ME
Multiple Observers Ranked Set Samples for Shrinkage Estimators
分级集抽样(RSS)被用作一种强大的数据收集技术,用于测量研究变量需要昂贵和/或繁琐的过程的情况,而抽样单元可以容易地分级(例如,骨质疏松症研究)。本文针对线性回归、随机约束回归和逻辑斯谛回归的系数估计中的共线性问题,提出了多观测站RSS数据下岭型和Liu型收缩估计.通过广泛的数值研究,我们表明,收缩方法与多观察员RSS的结果更有效的系数估计。开发的方法,最后应用到骨矿物质数据分析的骨疾病状态的妇女年龄在50岁及以上。
2021-10-15 math.ST stat.CO stat.ME
generalRSS: Sampling and Inference for Balanced and Unbalanced Ranked Set Sampling in R
本文介绍R语言的generalRSS包,它支持平衡与非平衡排序集抽样的数据生成、样本分配及统计推断,通过医学数据应用验证了其实用性,弥补了现有软件的局限。
2025-09-02 stat.CO stat.ME
On uncertainty and information properties of ranked set samples
秩集抽样是一种在工业统计、环境与生态研究等方面有着广泛应用的抽样设计。在参数推断中,秩集样本比相同大小的简单随机样本提供了更多关于潜在分布未知参数的Fisher信息。在本文中,我们考虑的不确定性和信息含量的排序集样本在完美和不完美的排名情况下的香农熵,Rényi和Kullback-Leibler(KL)的信息措施。证明了在这些信息测度下,秩集抽样设计比同规模的简单随机抽样设计具有更好的效果。在排序集合抽样中,信息量也是集合大小的单调函数。此外,排名误差对数据的信息含量的影响进行了研究。
2013-01-18 math.ST stat.ME stat.TH
Empirical Likelihood Inference for Area under the ROC Curve using Ranked Set Samples
受试者工作特征曲线(AUC)下的面积是一个有用的工具,以评估性能的连续规模的诊断测试对二进制分类。在这篇文章中,我们提出了一个经验似然(EL)的方法来构建置信区间的AUC从数据收集的秩集抽样(RSS)。建议的EL为基础的方法,使推理无需假设在现有的非参数方法,并利用RSS的抽样效率。我们发现,对于平衡和不平衡的RSS,基于EL的点估计是Mann-Whitney统计量,置信区间可以从缩放的χ 2分布中获得。对糖尿病和慢性肾脏疾病数据的模拟研究和两个案例研究表明,使用所提出的方法和RSS可以更有效地推断AUC。
2022-05-04 stat.ME
Exponentially Titled Empirical Distribution Function for Ranked Set Samples
研究了基于秩集抽样设计的连续随机变量的分布函数的非参数估计问题。我们提出了ET估计的DF,并使用它们来构建新的不平衡的排序集样本的恢复算法。我们探索所提出的算法的属性。对于一个假设检验问题的基础人口平均值,我们表明,自助测试的基础上的ET估计的DF是渐近正态的,并表现出一个小的偏差顺序$O(n^{-1})$。我们说明的方法和评估有限样本性能的算法下完美和不完美的排名计划,使用一个真实的数据集和几个蒙特卡罗模拟研究。我们比较的检验统计量的ET估计的基础上的经验似然估计的基础上的性能。
2015-06-21 math.ST stat.CO stat.ME
L-Estimation of Population Quantiles Using Ranked Set Sampling
University of Manitoba(曼尼托巴大学);University of Isfahan(伊斯法罕大学);The George Washington University(乔治华盛顿大学)
本文提出两种基于秩集抽样的L估计方法,用于估计人口分位数,通过分解秩集设计构造了可扩展的计算方法,并在模拟和实际数据中验证了其效率优势。
2026-05-02 math.ST stat.ME stat.TH
Ranked Set Sampling in Survival Analysis
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本研究开发了适用于平衡RSS设计的统一生存分析框架,提出了基于排名的生存估计方法和推断工具,提升了在不完美排名和删失情况下的效率。
2025-12-27 stat.ME
Sampling of multiple variables based on partial order set theory
本文将介绍一种新的多准则秩集抽样方法。该方法基于Panahbehagh等人(2017)引入的排名集抽样版本,该版本放宽了从每个排名集中只选择一个个体变量的限制。在新的排序方法下,元素在集合中的排序基于偏序集理论中的线性扩张,其中基于所有的变量同时。结果将通过一些模拟和两个真实的案例研究进行评估,这些案例研究涉及德国西南部地区花卉的经济、药用价值以及铅、镉、锌和硫对草本层的污染。
2020-07-21 math.ST stat.ME stat.TH
Bayesian Mixture Modelling with Ranked Set Samples
针对不完美排序集抽样下有限混合模型参数估计问题,提出结合EM算法与Metropolis within Gibbs Sampling的贝叶斯估计方法,效果优于简单随机抽样法,并应用于老年女性骨病估计。
2023-06-13 math.ST stat.ME stat.TH
Dual To Ratio Cum Product Estimator In Stratified Random Sampling
Tracy等人[8]在简单随机抽样中,利用Srivenkataramana和Tracy([6],[7])变换,引入了一类估计量。本文提出了分层随机抽样中比率与乘积估计的对偶估计。推导了估计量的均方误差的表达式。此外,理论研究结果的数值例子支持。
2013-04-02 stat.ME
Improved Horvitz-Thompson Estimator in Survey Sampling
Horvitz-Thompson(HT)估计量在调查抽样中有着广泛的应用。然而,HT估计的方差变大时,包含概率是高度异质性的。为了克服这一缺点,本文对一阶包含概率采用了硬阈值方法,即仔细选择一个阈值,然后用该阈值代替小于阈值的包含概率。通过这种收缩策略,我们提出了一种新的估计称为改进的Horvitz-Thompson(IHT)估计的人口总数。IHT估计器提高了估计精度,但带来的偏差相对较小。我们推导了IHT估计的均方误差及其无偏估计量,并从理论上比较了IHT估计和HT估计。我们也应用我们的想法来构造改进的比率估计。我们数值分析模拟和真实的数据集,以说明所提出的估计是更有效和更强大的比经典的估计。
2018-04-11 stat.ME
Ranked-choice conjoint experiments
London School of Economics(伦敦政治经济学院);University of Oxford(牛津大学)
本文探讨了如何将排序结果整合到联合分析框架中,发现排序选择联合实验能更精确地估计AMCE,推荐K=4个profile用于大多数应用。
2026-04-16 stat.ME
Inference for two-stage sampling designs with application to a panel for urban policy
住户和健康调查通常采用两阶段抽样设计。为了产生具有各种置信区间的可靠估计量,需要Horvitz-Thompson估计量的一些基本统计性质,如一致性和渐近正态性,以及各种方差估计量的一致性。这些性质主要是研究单阶段抽样设计。在这项工作中,我们证明了一致性的Horvitz-Thompson估计和相关的方差估计的一般类的两阶段抽样设计,在温和的假设。我们还研究了第一阶段采用大熵抽样设计的两阶段抽样,并通过耦合论证证明了Horvitz-Thompson估计量是渐近正态分布的。当第一级抽样比可忽略时,本文提出了简化的方差估计,它不需要估计一级单元内的方差,并证明了它们是相容的。一个应用程序的城市政策,这是这项工作的最初动机小组,也提出。
2019-01-04 stat.ME
Transformed Naive Ratio and Product Based Estimators for Estimating Population Mode in Simple Random Sampling
本文提出了一种基于变换朴素比和乘积的估计方法,用于无替换简单随机抽样下总体模型的估计。在一定的自然总体和人工生成的数据集上,研究了所提出的变换朴素比率型估计量的性能的偏差、均方误差、相对效率、均方误差的精确值与模拟均方误差的比值以及置信区间.我们已经证明,建议的转换朴素比估计是更有效的比朴素估计和朴素比估计的人口模式。
2019-07-01 stat.ME
A general class of regression type estimators in systematic sampling under non-response
本文提出了无响应下系统抽样中利用辅助信息估计总体均值的一类广义修正回归型估计。推导了一阶近似下的偏差和均方误差的表达式。数值研究包括支持的理论结果。
2013-06-26 stat.ME
Simple estimators for network sampling
提出了一种新的网络抽样设计估计方法,包括响应者驱动抽样(RDS)和雪球抽样(SB)。这些类型的链接追踪设计对于隐藏人群的研究至关重要,例如艾滋病毒风险人群。新方法背后的简单思想是对样本网络数据运行快速抽样过程,以估计实际调查的包含概率,并将其纳入人口均值和比例的不等概率估计中。通常的RDS和SB设计的改进版本也被提出,称为RDS+和SB+,以获得更多的样本内链接的信息。在使用科罗拉多斯普林斯研究艾滋病毒异性传播的网络进行的模拟中,新的估计量在大多数情况下产生的偏差和均方都低于当前方法。对于具有最大均方误差与当前估计的变量,改进与新的估计是戏剧性的。使用增强型设计版本后,估计值得到了更大的改善。对于总体平均度的估计,用新方法估计的效率增益,RDS为29,RDS+为54,SB为26,SB+为80。这意味着,例如,在普通RDS设计中,新估计量的均方误差,相同的数据,是目前使用的估计量的1/29。新方法计算复杂,但速度快,规模扩大。新的估计方法可用于重新分析现有的网络调查数据。对于新的网络抽样研究,建议使用改进的设计以及新的估计量。
2019-04-22 stat.ME
Combining cluster sampling and link-tracing sampling to estimate the size of a hidden population: asymptotic properties of the estimators
Félix-Medina和Thompson(2004年)提出了一种联系追踪抽样的变体,以估计吸毒者、性工作者或无家可归者等隐藏人口的规模。在他们的变体中,构建了人口成员倾向于聚集的地点的抽样框。该框架并不假定覆盖整个人口,而只是覆盖其中的一部分,而是选择一个简单的随机样本;确定样本点的人口,并要求他们说出加入样本的其他人口成员的名字。这些作者提出了人口规模的极大似然估计,该估计来自于在抽样地点发现的人数的多项模型和认为一个人被特定抽样地点中的任何元素命名的概率(链接概率)不依赖于命名的人,即概率是齐次的模型。后来,Félix-Medina等人(2015)提出了人口规模的无条件和条件极大似然估计,该估计来自一个考虑了链接概率异质性的模型。在这项工作中,我们考虑这种抽样设计和设置条件的一般模型的链接概率,保证一致性和渐近正态的人口规模的估计和模型的参数估计的链接概率。特别地,我们证明了总体大小的无条件和条件极大似然估计是一致的,并且具有彼此不同的渐近正态分布。
2015-06-20 stat.ME
Using a rank-based design in estimating prevalence of breast cancer
乳腺癌是妇女癌症相关死亡的主要来源,各国政府和卫生组织监测乳腺癌的流行情况非常重要。然而,这种疾病的准确诊断是昂贵的,特别是在发展中国家。这篇文章关注的是一个具有成本效益的方法来估计乳腺癌的患病率,当诊断是基于一个全面的活检程序。利用多级秩集抽样(MSRSS)来建立比例估计量。该设计采用了一些视觉评估的细胞学协变量,这些协变量与乳腺癌的确定有关,以便为实验者提供更多的信息样本。所提出的估计的理论特性进行了探讨。数值研究的证据报告。在简单随机抽样(SRS)中,所开发的程序可以比其竞争对手更有效。在某些情况下,在给定精度水平下,MSRSS中的比例估计需要比SRS少76%左右的观测值。因此,使用MSRSS可以导致相对于SRS的成本的相当大的降低。在许多医学研究中,例如基于完整的活检程序诊断乳腺癌,精确的量化是困难的(昂贵和/或耗时的),但是潜在的样本单元可以在没有实际测量的情况下相当准确地排序。在这种设置中,多级排序集抽样是一个适当的设计,开发成本效益的统计方法。
2021-04-20 stat.ME
Information content of partially rank-ordered set samples
部分秩序集抽样是秩集抽样的一种推广,它不要求排序者对每个集合中的抽样单元进行完全排序,从而具有更大的灵活性来执行必要的判断排序过程。PROS抽样在从环境和生态研究到医学研究的不同领域有着广泛的应用,并且在估计总体均值方面优于秩集抽样和简单随机抽样。本文研究了PROS样本的Fisher信息含量和不确定性结构,并将其与基本总体中相同大小的简单随机样本(SRS)和秩集样本(RSS)样本的Fisher信息含量和不确定性结构进行了比较。我们根据香农熵、雷尼熵和Kullback-Leibler(KL)判别测度研究了不确定性结构。几个例子,包括FI的PROS样本的位置-尺度分布家族以及回归模型进行了讨论。
2015-04-28 math.ST stat.ME stat.OT
Estimating the rate of defects under imperfect sampling inspection - a new approach
我们考虑的问题,估计的缺陷率(平均每项缺陷数),给定两个独立的不完美的检查员检测到的一个样本的项目的缺陷计数。与众所周知的“捕获-重新捕获”方法的设置相反,我们{ \it{do not} }具有关于由{ \it{both} }检查器联合检测到的缺陷数量的信息。我们解决这个问题,通过构建两种类型的估计-一个简单的矩型估计,和一个复杂的最大似然估计。这些估计的性能进行了研究分析,并通过模拟。结果表明,极大似然估计优于矩型估计。并与捕获-再捕获方法作了系统的比较。
2019-04-22 stat.ME
Strong uniform consistency of nonparametric estimation for quantile-based entropy function under length-biased sampling
Cochin University of Science and Technology(科钦科技大学)
本文研究长度偏差抽样下基于分位数的 Shannon 熵的非参数估计,证明两种估计量的强一致相合性,并通过模拟和真实数据验证其有效性。
2025-09-19 stat.ME
Sampling-based federated inference for M-estimators with non-smooth objective functions
本文提出基于MCMC采样和第二阶段扰动的联邦推断框架,用于非光滑M估计量,并通过基于差异性度量和lasso正则化的自适应站点选择策略实现最优渐近效率,防止负迁移。
2025-05-05 stat.ME
Selection of proposal distributions for multiple importance sampling
朴素重要性抽样(IS)估计器通常在涉及对多个目标的同时推断的示例中不工作得很好,因为重要性权重可以取任意大的值,使得估计器高度不稳定。在这种情况下,替代的多个IS估计,涉及多个建议分布的样本是首选。就像朴素IS一样,这些多IS估计器的成功关键取决于建议分布的选择。这些提案发行版的选择是本文的重点。我们提出了三种方法:(i)几何空间填充方法,(ii)极小极大方差方法,和(iii)最大熵方法。前两种方法适用于任何IS估计器,而第三种方法在Doss(2010)的两阶段IS估计器的上下文中描述。对于第一种方法,我们提出了一个合适的“接近度”的对称库尔贝克-莱布勒散度的基础上,而第二和第三种方法分别使用Doss(2010年)的IS估计和Geyer(1994年)的反向逻辑斯谛回归估计的渐近方差估计。因此,当样本的建议分布获得运行马尔可夫链,我们提供了一致的谱方差估计这些渐近方差。使用各种详细的例子来说明建议密度的选择方法。
2022-04-18 stat.ME
Predictive mean matching imputation in survey sampling
预测均值匹配插补是调查抽样中处理项目无应答的常用方法。本文研究了总体均值的预测均值匹配估计的渐近性质。对于方差估计,由于匹配估计的非光滑性,固定匹配的匹配估计量的传统自举推断已被证明是无效的。我们提出了渐近有效的复制方差估计。关键策略是直接基于线性项而不是变量的单个记录来构建估计量的重复。扩展到最近邻填补也进行了讨论。仿真研究证实,新的程序提供了有效的方差估计。
2018-01-12 stat.ME
Sampling distributions for complex design variance estimators in a Fay-Herriot model
University of Washington(华盛顿大学);Norwegian University of Science and Technology(挪威科技大学)
本文研究了复杂设计方差估计器在Fay-Herriot模型中的采样分布,提出两种分布并比较其在DHS设计中的表现,发现简单分布与复杂分布效果相当。
2026-04-24 stat.ME
Improved Inference for Respondent-Driven Sampling Data with Application to HIV Prevalence Estimation
受访者驱动抽样是链接追踪网络抽样的一种形式,广泛用于研究难以接触的人群,通常用于估计人口比例。以前的治疗这个过程中使用了替换近似,我们发现诱导偏差估计大样本分数和差分网络连通性的特征的兴趣。我们提出了一个治疗的响应驱动的抽样作为一个连续的抽样过程。与现有的表示,我们的方法尊重的过程中的基本无替换功能,同时收敛到现有的小样本分数与替换表示,并为一个完整的人口样本的样本均值。我们提出了一个连续抽样为基础的估计人口均值的基础上响应驱动的抽样数据,并证明其优越的性能时,隐藏人口的大小是已知的。我们对未知的人群规模进行了敏感性分析。此外,我们注意到,像其他现有的估计,我们的新估计是受偏见所引起的初始样本的选择。使用在两个国家的三个人群中收集的数据,我们说明了这种方法的应用,具有不同特征的人群。我们的结论是,连续抽样估计改进现有的估计,也可以作为一个诊断工具时,人口规模是未知的。
2010-06-24 stat.ME
A note on the consistency of the Narain-Horvitz-Thompson estimator
为了使Narain-Horvitz-Thompson估计量具有通常的渐近性质(例如一致性),需要对抽样设计和感兴趣的变量设定一些条件。Cardot等人(2010)给出了均方相合性的一些充分条件,但其中一个条件通常很难证明或对某些不等概率抽样设计不成立。我们提出了Narain-Horvitz-Thompson估计量均方一致性的替代条件。在鞅抽样算法的情况下,也证明了一个特殊的结果,这意味着在立方体方法的快速算法下的一致性。
2014-12-09 stat.ME
Essentially ML ASN-Minimax double sampling plans
本文研究了具有未知标准差和双侧规格限的正态分布质量特性的ASN-Minimax(AM)双重抽样方案。基于不合格率p的估计量p*,即最大似然(ML)估计量,分别利用首样和合并样的随机变量p* 1和p* p,计算AM-双重抽样方案。给定p_1、p_2、α和β,基于相同估计量的AM-双重抽样方案都不具有平均样本量的下最大值,同时满足经典的两点条件。
2011-06-21 stat.ME
Optimal sampling for design-based estimators of regression models
两阶段设计测量子队列中感兴趣的变量,其中队列中所有个体的结果和协变量都很容易获得或便宜。考虑到有限的资源可用性,它是感兴趣的,以找到一个最佳的设计,包括更多的信息个人在最终的样本。我们探索最佳的设计和效率的分析设计为基础的估计。广义耙是一种有效的基于设计的估计器,它通过基于辅助信息调整权重来改进逆概率加权(IPW)估计器。本文给出了广义耙估计量估计回归系数的最优设计的封闭解。我们比较它与最优设计的分析,通过IPW估计和其他两个阶段的设计在测量误差设置。我们考虑一般的两阶段设计,其中结果变量和感兴趣的变量可以是连续的或离散的。我们的研究结果表明,两个基于设计的估计分析的最佳设计可以是非常不同的。IPW估计的最佳设计是最佳的分析,通过IPW估计,并通常给出接近最佳的效率,广义耙,虽然我们表明,在某些设置有潜在的改善。
2021-06-16 stat.ME
Nearest neighbor imputation for general parameter estimation in survey sampling
最近邻插补是调查抽样中处理项目无应答的常用方法。本文研究了一般总体参数,包括总体均值、比例和分位数的最近邻填补估计的渐近性质。对于方差估计,由于匹配估计的非光滑性,具有固定匹配数的匹配估计的传统自举推断已被证明是无效的。我们提出了渐近有效的复制方差估计。关键策略是直接基于线性项而不是变量的单个记录来构建估计量的重复。仿真研究证实,新的程序提供了有效的方差估计。
2017-06-30 stat.ME
Optimal two-phase sampling designs for generalized raking estimators with multiple parameters of interest
University of Washington(华盛顿大学);Vanderbilt University(范德堡大学);University of Auckland(奥克兰大学);Kaiser Permanente Washington Health Research Institute(凯撒永久华盛顿健康研究所)
本文研究了在多个感兴趣的参数下,通过双阶段抽样设计优化通用加权估计器的效率,提出多种分配策略并通过模拟和实际数据验证,发现独立优化每个参数的分配比传统配对抽样更有效,且最优设计对GR和IPW估计器有显著影响。
2026-03-19 stat.ME
Bayesian Estimators for Small Area Models Shrinking Both Means and Variances
对于面积级数据的小面积估计,Fay-Herriot模型被广泛用作基于模型的方法。在Fay-Herriot模型中,通常假设抽样方差是已知的,而实际上使用的是抽样方差的估计量。因此,已知抽样方差的设置是不现实的,并提出了几种方法来克服这个问题。在本文中,我们假设的情况下,抽样方差的直接估计是可用的,以及样本均值。利用这些信息,我们提出了一个贝叶斯但客观的方法产生收缩估计的均值和方差的Fay-Herriot模型。我们考虑了样本方差的层次结构,并对模型参数设置了统一的先验,以保持模型的客观性。为了验证后验推断的有效性,我们在较弱的条件下证明了后验分布是适当的,并且具有有限的方差。我们通过模拟和实证研究来研究数值性能。
2016-04-06 stat.ME
Deductive semiparametric estimation in Double-Sampling Designs with application to PEPFAR
在随访时间较长的研究中,不可预测的脱落是常见的,除非仔细处理,否则可能会使研究结果产生偏倚。双重抽样设计分配额外的资源,以追求辍学的子样本,并找出他们的结果,这可以解决潜在的偏见,由于不可解释的辍学。由于半参数估计具有稳健性,因此需要构造双重抽样设计的半参数估计。然而,获得这样的半参数估计仍然是一个挑战,由于有效影响函数(EIF)的解析形式的要求,其推导可以是特设的和困难的双重抽样设计。最近的工作表明,如何推导的EIF可以演绎和计算机化使用功能的衍生表示的EIF在非参数模型。然而,这种方法需要导出连续分布和点质量的混合,这本身对于诸如双重抽样设计之类的复杂问题来说是具有挑战性的。通过推广演绎和可计算机化的估计方法,提出了双重抽样设计中生存概率的半参数估计。特别是,我们建议建立半参数估计的基础上离散化的支持结构,它近似可能连续的观测数据分布和规避的混合分布的推导。我们的方法是演绎的意义上说,它预计将产生半参数局部有效的估计在有限的步骤内,没有知识的EIF。我们应用建议的估计估计死亡率的双重抽样设计的总统艾滋病紧急救援计划(PEPFAR)计划的组成部分。我们评估了双重抽样选择标准对死亡率估计的影响。
2019-06-26 stat.ME
Nonparametric Identification for Respondent-Driven Sampling
受访者驱动抽样是一种针对隐藏或难以接触的人群的调查方法,其中被抽样的个人通过他们的社会联系招募研究人群中的其他人。最流行的估计为人口的平均值假设个人抽样概率是成比例的每个主题的报告程度在社会网络连接成员的隐藏人口。然而,目前还不清楚在什么情况下,这些估计是有效的,以及什么样的假设是正式需要确定人口数量。在这个简短的说明中,我们详细介绍了非参数识别结果的总体平均值时,抽样概率被假定为网络度的函数已知的规模。重要的是,我们建立了流行的Volz-Heckathorn(VH)估计的一致性的一般条件。我们的研究结果意味着,VH估计的一致性的条件远不如最近的RDS诊断工作所建议的严格。特别是,我们的研究结果不需要随机抽样或存在连接人口的网络。
2015-04-14 stat.ME
Nested Simulation Methods for Sobol' Index Estimation: Bias Correction, Budget Allocation, and Latin Hypercube Sampling
Grado Department of Industrial and Systems Engineering, Virginia Tech(弗吉尼亚理工大学工业与系统工程格拉多系)
本文针对索伯列夫指数估计问题,通过嵌套模拟统一比较经典估计器与嵌套模拟估计器,分析标准嵌套模拟估计器并提出两种扩展,刻画模拟工作量分配,研究拉丁超立方抽样影响,为估计器选择提供实践指导。
2026-07-08 stat.ME
Mean Squared Prediction Error Estimators of EBLUP of a Small Area Mean Under a Semi-Parametric Fay-Herriot Model
本文针对半参数 Fay-Herriot 模型,推导了小域均值 EBLUP 的均方预测误差估计量,证明其在非正态条件下保持二阶无偏,且无需估计随机效应峰度,并通过模拟验证其精度。
2025-02-24 stat.ME
Optimal shrinkage covariance matrix estimation under random sampling from elliptical distributions
本文考虑了当样本量小于或不大于数据的维数时估计高维(HD)协方差阵的问题。本文提出了一种正则化的样本协方差阵(RSCM)估计器,它可以应用于常见的稀疏数据问题。建议的RSCM估计是基于未知的最佳(oracle)收缩参数,产生最小均方误差(MMSE)之间的RSCM和真正的协方差阵的数据是从一个未指定的椭圆对称分布采样时的估计。我们提出了两种变体的RSCM估计不同的方法,他们估计的基础球度参数中涉及的理论最佳收缩参数。建议RSCM估计的性能进行了评估与数值模拟研究。特别是当样本量较低时,建议的RSCM估计量通常比Ledoit和Wolf(2004)的传统RSCM估计量有显著改善。我们进一步评估所提出的估计在分类和投资组合优化问题与真实数据的性能,其中所提出的方法能够优于基准方法。
2018-08-30 stat.ME
Repeated sampling of different individuals within the same clusters to improve precision of longitudinal estimators: the DISC design
University of California, Berkeley(加州大学伯克利分校);Duke University(杜克大学)
研究纵向研究中抽样设计,介绍DISC设计,它结合群组与重复横截面设计,在基线取集群样本,各时间点取集群内不同个体横截面样本,能提高估计量精度。
2026-07-07 stat.ME
Regression of ranked responses when raw responses are censored
我们讨论半参数回归时,只有响应的秩观察。模型为$Y_i = F (\mathbf{x}_i'{\boldsymbolβ}_0 + \varepsilon_i)$,其中$Y_i$是未观察到的响应,$F$是单调递增函数,$\mathbf{x}_i$是协变量的已知$p-$向量,${\boldsymbolβ}_0$是未知的$p$ -目标向量,$\varepsilon_i$是独立于$\mathbf{x}_i$的误差项。我们观察到$\{(\mathbf{x}_i,R_n(Y_i)) : i = 1,\ldots ,n\}$,其中$R_n$是有序秩函数。我们探索一种新的估计高斯假设下。我们讨论了文献,将该方法应用于阿尔茨海默病的生物标志物,进行模拟研究,并证明了一致性和渐近正态性。
2016-02-24 stat.AP stat.ME
Inverse Probability Weighting: from Survey Sampling to Evidence Estimation
本文研究逆概率加权估计量的弱悖论,提出基于贝叶斯筛和共轭分层模型的两种贝叶斯估计方法,并通过模拟与后验相合性证明其在调查抽样、证据估计和因果推断中的优势。
2025-04-14 stat.ME
Variance estimation for Sequential Monte Carlo Algorithms: a backward sampling approach
针对粒子滤波和平滑的在线渐近方差估计问题,提出基于后向权重的新估计器及受PaRIS算法启发的高效估计器,提升了稳定性并降低了方差。
2023-01-02 stat.ME
Product-limit estimators of the gap time distribution of a renewal process under different sampling patterns
该研究将更新过程间隔时间分布的非参数估计归为特定抽样框架下的生存分析问题,介绍了数种简单乘积限估计量虽效率有限但仍适用的场景。
2023-05-01 stat.AP stat.ME
Horvitz-Thompson estimators for functional data: asymptotic confidence bands and optimal allocation for stratified sampling
当处理非常大的函数数据集时,调查抽样方法是有用的,以便获得简单函数量的估计值,而不必存储所有数据。我们在这里提出一个霍维茨-汤普森估计的平均轨迹。在超总体框架的背景下,我们证明在温和的正则条件下,我们获得了均值函数及其方差函数的一致相合估计量。通过对抽样设计的额外假设,我们陈述了一个功能性的中心极限定理,并推导出渐近置信带。详细研究了分层抽样问题,得到了考虑均值方差准则的最优分配规则的函数形式。这些技术通过N=18902个电表的测试群体来说明,对于这些电表,我们在一周内每30分钟测量一次个人用电量。我们表明,分层可以大大提高估计的准确性和减少的宽度相比,简单随机抽样没有更换的全球置信带。
2010-09-29 stat.AP stat.ME
On the impossibility of constructing good population mean estimators in a realistic Respondent Driven Sampling model
目前的方法,从受访者驱动抽样(RDS)收集的数据的人口平均估计是基于霍维茨-汤普森估计连同一组假设的抽样模型下,包含概率可以确定从数据中包含的信息。在本文中,我们认为,这样的一套假设是过于简单,是现实的,在现实的抽样模型,情况要复杂得多。具体来说,我们研究了一个现实的RDS采样模型,是由现实世界的RDS数据集的动机。我们表明,对于这个模型,包含概率,这是必要的应用程序的Horvitz-Thompson估计,不能单独由样本中的信息来确定。这意味着,除非获得有关底层人口网络的额外信息,否则从目前的RDS数据中设想人口均值估计的一般理论是无望的。
2014-11-07 stat.AP stat.ME
Some Improved Estimators In Systematic Sampling Under Non-response
本文研究了在无响应情况下利用辅助变量信息估计系统抽样总体均值的问题。本文提出了系统抽样中几种修正的比型、乘积型和差型估计,并研究了它们的性质。推导了一阶近似下的均方误差表达式。进行了实证研究,以判断最好的估计建议的估计。
2014-03-05 math.ST stat.ME 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
Estimating standard errors for importance sampling estimators with multiple Markov chains
朴素的重要性抽样估计,从一个单一的重要性密度的样本的基础上,可以是数字不稳定的。相反,我们考虑广义重要性抽样估计的样本从一个以上的概率分布相结合。我们研究这个问题的马尔可夫链蒙特卡洛的背景下,独立的样本被替换为马尔可夫链样本。如果链以多项式速度收敛到各自的目标分布,那么在两个有限矩条件下,我们证明了广义估计的中心极限定理成立。此外,我们开发了一个易于实现的方法来计算有效的渐近标准误差的基础上批平均值。我们还提供了一个批均值估计量来计算Geyer(1994)的反向Logistic估计量的渐近有效的标准误差。我们使用贝叶斯变量选择过程中的线性回归说明的方法。特别是,广义重要性抽样估计是用来执行经验贝叶斯变量的选择和批均值估计是用来获得标准误差在一个高维设置,目前的方法是不适用的。
2016-08-11 math.ST stat.CO stat.ME
Multiple seed structure and disconnected networks in respondent-driven sampling
响应者驱动抽样(RDS)是一种特别适合于对隐藏总体进行抽样的链接追踪抽样方法。RDS结合了一个有效的雪球型抽样方案与推理程序,产生无偏的人口估计的抽样程序和人口结构的一些假设。几个种子个体通常用于启动RDS招募。然而,标准RDS估计理论假设所有样本个体仅来自一个种子。我们提出了一个估计,基于一个随机游动与隐形传态,这占RDS的多种子结构。新的估计也可以用于断开的社交网络的人口。我们数值评估我们的估计通过模拟人工和真实的网络。我们的估计优于以前的估计,特别是当样本中的种子的比例很大。我们建议我们的新估计用于RDS研究,特别是当种子数量很大或人口的社会网络断开。
2016-03-14 cs.SI physics.soc-ph stat.ME
Importance Sampling and its Optimality for Stochastic Simulation Models
我们考虑的问题,估计一个预期的结果,从随机模拟模型。我们的目标是发展一个理论框架的重要性抽样,这样的估计。通过研究重要性抽样估计量的方差,我们提出了一个两阶段的过程,包括回归阶段和抽样阶段,以构建最终的估计量。我们在第一阶段引入了参数和非参数回归估计,并研究了两个阶段之间的分配如何影响最终估计的性能。我们分析了这两种方法的方差减少率,并推导出它们的预言性质。我们使用两个数值例子和风力涡轮机可靠性评估的案例研究评估的方法的经验性能。
2019-09-25 stat.CO stat.ME
Computationally Efficient Nonparametric Importance Sampling
由重要性抽样建立的方差减少强烈地依赖于重要性抽样分布的选择。一个好的选择往往很难实现,特别是对于高维集成问题。最优重要性抽样分布的非参数估计(称为非参数重要性抽样)是参数估计的一种合理的替代方法,本文提出并研究了自归一化和非归一化重要性抽样估计的非参数变体。对非参数重要性抽样的一个常见批评是与参数方法相比增加了计算负担。我们解决了这个问题,在很大程度上利用线性混合频率多边形估计,而不是核估计。均方误差收敛特性的影响,导致非参数重要性抽样的有效应用的建议。特别地,我们证明了非参数重要性抽样渐近地达到最佳的重要性抽样方差。非参数重要性抽样算法的效率在很大程度上依赖于所采用的非参数估计量的计算效率。线性混合频率多边形优于核估计在某些标准,如有效的采样和评估。此外,它是兼容的反演方法的样本生成。这使得我们的算法与其他方差减少技术,如分层抽样。通过三个基准集成问题的建议算法的实用性的经验证据。作为一个应用,我们估计了基于实际数据的垃圾邮件过滤器排队系统的队列长度分布。
2008-10-20 stat.CO stat.ME
Monte Carlo Simulation for Lasso-Type Problems by Estimator Augmentation
在$\ell_1$惩罚下的正则化线性回归,如Lasso,已被证明在变量选择和稀疏建模中是有效的。$\ell_1$惩罚估计量$\hatβ$的采样分布很难确定,因为估计量是由优化问题定义的,该优化问题通常只能用数值求解,并且其许多分量可能正好为零。令$S$为在$\hatβ$处评估的系数向量$β$的$\ell_1$范数的次梯度。我们发现,联合抽样分布的$\hatβ$和$S$,一起被称为一个增广估计,是更容易处理的,并在低维($p\leq n$)和高维($p>n$)设置的正态误差分布下具有封闭形式的密度。给定$β$和误差方差$σ^2$,可以采用标准蒙特卡罗方法,例如马尔可夫链蒙特卡罗和重要性抽样,从增广估计量的分布中抽取样本,并计算关于$\hatβ$的抽样分布的期望值。我们开发了一些具体的Monte Carlo算法,并证明了数值例子,我们的方法可以提供巨大的优势和极大的灵活性,在研究$\ell_1$惩罚线性回归的抽样分布。我们还建立了非渐近界$\hatβ$的真实抽样分布和估计值之间的差异,通过插入估计参数,这证明了蒙特卡罗模拟的有效性,即使当$p\gg n\to \infty$从估计的抽样分布。
2014-07-13 stat.ME stat.ML
Optimal Control Variates for Survey Sampling and Causal Inference
Boston University(波士顿大学)
本文针对调查抽样与因果推断场景提出一类最优控制变量估计量,通过参数化基函数并求解对应优化问题,在真实调查数据和模拟中实现了显著的方差缩减。
2026-08-19 econ.EM math.OC stat.ME
Ensemble approximate control variate estimators: Applications to multi-fidelity importance sampling
最近的增长,在多保真度的不确定性量化已经引起了一个大的集合的方差减少技术,利用信息从模型集成提供方差减少估计的高保真模型的统计。在本文中,我们提供了两个贡献:(1)我们利用系综估计占近似控制变量(ACV)的方法的最佳权重的不确定性,并推导出下限所需的样本数量,以保证方差减少;(2)我们扩展了现有的多保真度重要性抽样(MFIS)计划,以利用控制变量。因此,我们取得了重大进展,例如,通过考虑导频样本$-$的影响,并使用多保真度方法更有效地估计低概率事件,从而提高了近似控制变量$-$的实用性。数值结果表明,我们的混合MFIS-ACV估计实现了高达50%的改进,在方差减少现有的国家的最先进的MFIS估计,这已经表现出出色的收敛速度相比,蒙特卡罗方法,对计算力学的几个问题。
2021-01-07 stat.CO stat.ME