Statistical Inference for High-Dimensional Robust Linear Regression Models via Recursive Online-Score Estimation
本文提出将递归在线得分估计（ROSE）框架扩展至非凸惩罚M估计，用于稳健高维线性回归的估计与推断，并证明估计量的一致性与渐近正态性，模拟和实际应用验证了其优越性。
2025-04-12 math.ST stat.ME stat.TH
Inference in Functional Linear Quantile Regression
本文研究了函数分位数回归中标量响应和函数协变量的统计推断问题。具体来说，我们考虑一个功能性线性分位数回归模型，其中协变量对响应分位数的影响通过功能协变量和未知的光滑回归参数函数之间的内积来建模，该函数随分位数水平而变化。目的是检验回归参数在几个感兴趣的分位数水平上是否恒定。结合函数主成分分析和分位数回归的思想估计参数函数。调整Wald检验程序提出了这个假设的兴趣，其卡方渐近零分布推导。测试过程进行了研究数值模拟稀疏和嘈杂的功能协变量和资本自行车共享数据应用。所提出的方法易于实现，并且{ \tt R}代码在\url{https://github.com/xylimeng/fQR-testing}上在线发布。
2022-08-20 math.ST stat.ME stat.TH
Adaptive Inference in Multivariate Nonparametric Regression Models Under Monotonicity
该研究针对多元非参数回归的单调性约束问题，推导了自适应置信区间的极小极大收敛速率，提出了适配该速率的新推断方法，适用于高斯误差下的有限样本及回归函数的一般线性泛函。
2026-10-30 econ.EM math.ST stat.AP
Empirical likelihood inference for partial functional linear regression models based on B spline
本文将经验似然方法应用于基于B样条的部分泛函线性回归模型中回归参数的推断。我们证明了回归参数的经验对数似然比收敛于独立χ 2分布的加权和的规律，并运行模拟来评估我们的方法的有限样本性能。
2017-10-31 stat.ME
Robust Inference for Seemingly Unrelated Regression Models
看似不相关的回归模型通过考虑由同时相关的扰动连接的多元回归方程来推广线性回归模型。考虑了看似不相关回归模型的鲁棒推断。MM-估计的引入，以获得估计，具有高崩溃点和高的正常效率。一个快速和强大的自助程序的开发，以获得这些估计的鲁棒推断。构造了相依回归模型参数的置信区间以及回归系数线性约束的假设检验。此外，为了评估一个看似无关的回归模型的需要，提出了一个强大的程序来测试干扰之间的相关性的存在。快速和强大的自助推断的性能进行评估经验，在模拟研究和实际数据上说明。
2018-05-14 stat.ME
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
Cellwise and Casewise Robust Multivariate Regression with Inference
KU Leuven（荷语鲁汶大学）
本文提出cellMR估计器，同时处理案例和单元异常值、缺失数据和高维性，引入cellBoot推断方法，提供稳健的置信区间。
2026-10-20 math.ST stat.ME stat.TH
Wild bootstrap for mean response inference in functional linear regression models
Kent State University（肯特州立大学）；University of California, Berkeley（加州大学伯克利分校）；Iowa State University（爱荷华州立大学）
针对函数线性回归中残差自助法无法处理异方差、配对自助法计算成本高的问题，提出野自助法，兼具计算快速和适用范围广的优点，并给出截断水平选择方法。
2026-06-16 math.ST stat.ME stat.TH
Statistically Significant Linear Regression Coefficients Solely Driven By Outliers In Finite-sample Inference
本研究通过R模拟验证单个异常值可使线性回归不显著系数呈现统计显著性，对比稳健Huber回归，分析异常值影响与诊断方法，关联正态性假设并警示仅用p值的风险，梳理回归方法与高斯-马尔可夫定理的关系。
2025-05-19 econ.EM math.ST stat.ME
Inference in High-dimensional Linear Regression
当潜在解释变量的数目大于样本量时，本文提出了一种线性回归模型的推断方法。该方法将每个回归系数依次作为兴趣参数，其余系数是讨厌的参数，并寻求最佳的兴趣尊重变换，在概念费舍尔信息矩阵的相关块上引起稀疏性。通过对每个变量进行边际最小二乘分析来利用诱导的稀疏性，如在析因实验中，从而避免惩罚。一个参数化的问题被发现是特别方便，无论是计算和数学。特别是，它允许的最佳转换问题的解析解，便于理论分析和比较其他工作。与正则化回归（如lasso及其扩展）相比，既不需要选择调整，也不需要重新调整解释变量，确保保留回归系数的物理解释。推荐的用法是在一组更广泛的推理陈述中，以反映模型和参数的不确定性。扩展到其他回归模型的工作所涉及的考虑因素进行了简要讨论。
2022-11-11 math.ST stat.ME stat.TH
Valid Post-selection Inference in Assumption-lean Linear Regression
基于数据驱动选择的估计量有效统计推断的构造近年来受到了广泛关注。Berk等人（2013）可能是第一个在任意协变量/变量选择下为具有固定协变量的高斯同方差线性回归提供有效推断的工作。该设置是不现实的，Bachoc et al.（2016）通过放松分布假设进行了扩展。上述工作的一个主要缺点是有效置信区域的构造是计算密集的。本文首先证明了后选择推理等价于同时推理，然后构造了计算简单的有效后选择置信区域。我们的构造是基于确定性不等式和适用于独立以及相关的随机变量，而不需要正确的分布假设。最后，我们比较了我们的置信区域与现有的体积，并表明在非随机协变量，我们的区域要小得多。
2018-06-11 math.ST stat.ME stat.TH
Asymptotic Inference for Constrained Regression
本文提出在高维回归中考虑参数空间约束的渐近推断方法，用于估计糖尿病相关连续结果的遗传效应，并研究其理论性质与数值表现。
2026-01-05 math.ST stat.ME stat.TH
Statistical inference for function-on-function linear regression
函数对函数线性回归对于理解响应和预测变量（均为函数）之间的关系非常重要。在这篇文章中，我们提出了一个再生核希尔伯特空间的方法来函数的函数线性回归通过惩罚最小二乘，正则化的薄板样条光滑惩罚。研究了系数函数估计的极小极大最优收敛速度。我们推导出Bahadur表示，这使我们能够提出统计推断的方法，使用自举和收敛的Banach值随机变量的超规范。我们说明我们的方法，并验证我们的理论结果，通过模拟数据实验和真实数据的例子。
2021-09-28 math.ST stat.TH
Heteroskedasticity-robust inference in linear regression models with many covariates
我们考虑在线性回归模型，是强大的异方差和存在许多控制变量的推断。当控制变量的数目以与样本量相同的速率增加时，协方差阵的通常异方差稳健估计是不一致的。因此，基于这些估计量的测试即使在大样本中也会发生尺寸失真。提出了这种设置的另一种协方差矩阵估计量，补充了Cattaneo，Jansson和Newey（2018）最近的工作。我们提供了高层次的条件，我们的方法提供（渐近）大小正确的推理，以及更原始的条件，为三种特殊情况。仿真结果和经验说明推断工会保费。
2020-09-28 math.ST stat.TH
Statistical Inference in High-dimensional Poisson Regression with Applications to Mediation Analysis
本文研究高维稀疏 Poisson 回归的统计推断，提出回归向量线性与二次变换的偏差校正估计量、置信区间和检验方法，并用于计数结果的高维中介分析。
2024-10-28 math.ST stat.ME stat.TH
Inference for Rank-Rank Regressions
University of California at Los Angeles（加州大学洛杉矶分校）；Ludwig-Maximilians-Universität München（慕尼黑大学）
针对秩-秩回归斜率系数常用推断方法无效、分布不连续时OLS估计量受秩并列处理影响的问题，研究推导了OLS估计量的渐近分布，并为通用秩-秩回归设定提供有效推断方法，服务于代际流动性测量研究。
2026-08-12 econ.EM math.ST stat.TH
Inference for function-on-function regression: central limit theorem and residual bootstrap
Kent State University（肯特州立大学）
本文研究了函数-函数回归模型的渐近推断，通过基于函数主成分分析的估计器，改进了中心极限定理并引入残差自助法以提升置信区间校准，通过数值实验验证了其优越性。
2026-03-12 math.ST stat.ME stat.TH
Statistical Inference on High Dimensional Gaussian Graphical Regression Models
针对高维高斯图回归中统计推断未被探索的问题，提出基于多任务学习器的去偏估计量，通过新型投影技术降低计算成本，证明其渐近正态性可支撑有效统计推断，模拟和脑癌基因数据分析验证了实用性。
2024-11-03 math.ST stat.ME stat.TH
Inference in high-dimensional logistic regression under tensor network dependence
University of Florida（佛罗里达大学）
本文研究了在个体间依赖由马尔可夫随机场诱导的情况下，高维协变量逻辑回归的统计推断问题，提出了一种能处理更高阶依赖的张量结构框架，并开发了两步方法以获得渐近正态的估计量，用于构建置信区间和假设检验。
2026-03-20 math.ST stat.ME stat.TH
Inference for high-dimensional instrumental variables regression
本文研究了高维回归参数中各分量的统计推断问题，尽管每个回归变量可能是内禀的。给定第一阶段线性模型的内生回归和第二阶段线性模型的因变量，我们开发了一个新的适应的参数一步更新的通用第二阶段估计。我们提供的条件下，缩放更新是渐近正常的。然后，我们介绍了一个两阶段的Lasso过程，并证明了第二阶段的Lasso估计满足上述条件。利用这些结果，我们构造了第二阶段回归系数分量的渐近有效置信区间。我们补充我们的渐近理论与模拟研究，证明了我们的方法在有限样本的性能。
2019-11-21 math.ST stat.TH
Finite-Sample Distribution Theory and Efficient Large-Scale Inference for Online Quantile Regression
University of Chicago（芝加哥大学）；Rice University（莱斯大学）；University of Miami（迈阿密大学）
本文提出基于常数学习率SSGD的在线分位数回归推断方法，证明有限样本高斯近似，提出后缀平均化解决偏差，避免协方差估计，实现高效且覆盖率理想的推断。
2026-10-06 cs.LG math.ST stat.ME
Inference for the Case Probability in High-dimensional Logistic Regression
在电子健康记录中关于患者具有疾病或病症的状态（即病例或对照状态）对患者进行标记越来越依赖于使用从结构化和非结构化电子健康记录数据导出的高维变量的预测模型。目前的一个主要障碍是缺乏有效的统计推断方法的情况下的概率。针对高维稀疏逻辑斯谛回归模型的预测问题，通过线性化和方差增强技术，提出了一种新的偏差校正估计量.我们建立的估计量的渐近正态性的任何负载向量在高维。我们构建了一个置信区间的情况下的概率，并提出了一个假设检验程序的患者病例对照标签。我们证明了所提出的方法，通过广泛的模拟研究和应用到现实世界的电子健康记录数据。
2021-10-13 math.ST stat.ME stat.TH
Valid post-correction inference for censored regression problems
在科学和工程的许多领域，经常需要两步估计来拟合截尾回归模型。由于删失会在朴素最小二乘拟合中产生偏倚，因此两步估计器首先估计偏倚，然后拟合校正的线性模型。我们开发了一个框架，用于执行有效的/校正后的推断/两步估计。利用最近的结果后选择推理，我们得到有效的置信区间和显着性检验的拟合系数。
2014-03-13 stat.ME
Robust semiparametric inference for polytomous logistic regression with complex survey design
分析复杂调查方案（如分层或整群抽样）的多分类响应在一些社会经济学应用中非常重要。本文给出了多分类逻辑斯谛回归模型的一类最小拟加权密度幂离估计。这个家庭的半参数估计是一个强大的推广的最大拟加权似然估计，利用流行的密度功率发散措施的优势。相应地，还导出了设计效应的鲁棒估计。利用新的估计量对回归系数进行了一般线性假设的稳健检验。理论上研究了它们的渐近分布和鲁棒性，并通过数值算例和广泛的蒙特卡罗研究进行了经验验证。
2019-04-03 math.ST stat.AP stat.ME
Optimal inference in a class of regression models
本文研究了线性或部分线性回归中回归函数的线性泛函的置信区间的构造问题，如线性泛函在某一点的值、回归不连续参数、回归系数等。我们的主要假设是，回归函数是已知的谎言在一个凸函数类，其中涵盖了大多数平滑和/或形状的假设，在计量经济学。我们推导出有限样本的最优CI和尖锐的效率界下的正常误差与已知的方差。我们表明，这些结果转化为一致的（在函数类）渐近结果时，误差分布是未知的。当函数类是中心对称的时，这些效率界限意味着在光滑回归函数上极大极小CI接近于有效。这特别意味着，不可能使用依赖于数据的调优参数来形成更紧密的CI，并保持对整个函数类的覆盖。我们专门研究我们的结果回归不连续参数的推断，并说明他们在模拟和实证应用。
2017-11-22 math.ST stat.AP stat.TH
Debiased Nonparametric Regression for Statistical Inference and Distributionally Robustness
The University of Tokyo（东京大学）
本文提出一种无模型的非参数回归去偏方法，通过加入估计条件期望残差的校正项，使估计量在温和条件下具备风险收敛与渐近正态性，从而支持统计推断并提升协变量偏移下的鲁棒性。
2025-03-17 cs.LG econ.EM math.ST
Nonparametric Conditional Inference for Regression Coefficients with Application to Configural Polysampling
我们认为推断程序，条件上观察到的从属统计量，为回归系数下的线性回归设置未知的误差分布指定非参数。在正则条件下，建立了回归系数估计的条件渐近正态性，并证明了条件推断过程中核型密度估计的插入方法.仿真结果表明，该方法在构造置信区间时，可以得到精确的条件覆盖概率。插件的方法可以应用于与神经多元采样，以获得强大的条件估计自适应对抗的对比方案。我们证明了这一点，通过调查的条件均方误差的位置估计在各种对抗的模拟研究，成功地扩展到一个非参数的背景下，几何多抽样。
2007-10-30 stat.ME
Exact Post-Selection Inference for Sequential Regression Procedures
我们提出了新的推理工具，向前逐步回归，最小角度回归，和套索。假设一个高斯模型的观察向量y，我们首先描述了一个一般的计划，以执行有效的推理后，任何选择事件，可以被描述为y落入一个多面体集。这个框架允许我们在前向逐步回归或最小角度回归的任何一步，或者沿着套索正则化路径的任何一步推导出条件（后选择）假设检验，因为事实证明，这些过程的选择事件可以表示为y上的多面体约束。在有限样本中，与这些检验相关的p值在零分布下完全均匀，得到精确的第一类错误控制。检验也可以反向以产生适当的潜在回归参数的置信区间。R包“selectiveInference”在CRAN库中免费提供，实现了本文中描述的新推理工具。
2015-10-11 stat.ME
Valid Post-Selection Inference in High-Dimensional Approximately Sparse Quantile Regression Models
本文提出了一种新的（异质）分位数回归模型中回归系数的推断方法。我们考虑一个高维模型，其中回归变量的数量可能超过样本量，但其中的一个子集足以构建一个合理的近似条件分位数函数。所提出的方法是（显式或隐式）基于正交得分函数，防止适度的模型选择错误，这往往是不可避免的，在本文中考虑的近似稀疏模型。我们建立了所提出的分位数回归系数的置信区域的一致有效性。重要的是，这些方法直接适用于一个以上的变量和连续的分位数指数。此外，所提出的方法的性能说明通过蒙特卡洛实验和实证的例子，处理儿童营养不良的危险因素。
2016-06-23 econ.EM math.ST stat.TH
Scalable simultaneous inference in high-dimensional linear regression models
高维线性回归模型的同时推理方法的计算复杂性随着变量的增加而迅速增加。本文提出了一种基于Moore-Penrose伪逆的计算效率高的方法。在对可用回归量的对称性假设下，估计量是正态分布的，并且伴随着无调谐参数的标准误差的封闭形式的表达式。我们研究的数值性能，模拟现代应用程序的大小，现有的方法是计算上不可行的蒙特卡罗实验。我们发现接近名义上的覆盖范围，即使在设置强加的对称性假设不成立。正规化的伪逆通过脊调整，以产生可能的效率增益。
2021-02-01 math.ST stat.TH
Wild Residual Bootstrap Inference for Penalized Quantile Regression with Heteroscedastic Errors
本文考虑一类异方差回归模型，其中某些回归系数为零，但不知道哪些为零。惩罚分位数回归是分析这类数据的一种有效方法。通过允许不同的协变量与不同分位数水平的条件分位数函数建模相关，它提供了比均值回归更完整的响应变量条件分布的图像。现有的惩罚分位数回归的工作主要集中在点估计。虽然Bootstrap方法最近被证明是有效的惩罚平均回归的推断，他们不直接适用于惩罚分位数回归与异方差误差。我们证明了未惩罚分位数回归的一个野生残差自举过程对于逼近具有自适应$L_1$惩罚的分位数回归估计的分布是渐近有效的，并且一个修改的版本可以用来逼近$L_1$惩罚的分位数回归估计的分布.新方法不需要估计未知的误差密度函数。我们建立一致性，证明有限样本的性能，并说明了一个真实的数据例子的应用程序。
2018-07-20 stat.ME
Inference with Randomized Regression Trees
本文提出随机回归树（RRT）方法，通过在回归树增益函数中添加高斯噪声，实现数据依赖模型的统计推断，具有高预测精度和强大的推断能力。
2025-12-16 stat.ME
Accurate inference in negative binomial regression
负二项回归通常用于分析过度分散的计数数据。对于小到中等的样本量，离散参数的极大似然估计量可能会受到显著偏倚的影响，这反过来又会影响对平均参数的推断。本文提出了负二项回归推理的基础上调整的得分函数，旨在减少均值和中位数的偏差。由此产生的估计方程是类似的那些可用于改进的推断在广义线性模型，特别是，可以解决使用一个适当的扩展迭代加权最小二乘。仿真研究表明，新方法的显着性能，这也被发现在许多情况下解决最大似然估计的数值问题。使用两个案例研究的方法进行说明和评估：一个埃姆斯saltinase检测数据集和癫痫发作的数据。基于调整后的分数的推断通常比明确的偏见纠正更可取。
2020-11-05 stat.ME
Inference problems in binary regression model with misclassified responses
如果忽略二元响应的错误分类，可能会严重偏倚回归参数的最大似然估计（MLE）。对于这样的数据，结合误分类概率的二元回归模型被研究人员广泛用于不同的应用背景。然而，该模型，遭受一个严重的估计问题，因为未知的误分类概率与回归参数的混淆。为了克服这一问题，除了主要样本外，建议使用内部验证数据。然而，最大似然估计（MLE）被发现有很大的偏见。进一步研究，我们提出了一个最大的伪似然估计方法，导致偏差减少。对于回归参数的推断，我们在标准假设下建立了最大伪似然估计的严格渐近理论。为了便于实现，提出了一个自举版本的估计，并证明了其分布一致性。这些结果的扩展也提供了更一般的误分类模型。模拟研究的结果令人鼓舞。该方法是说明与调查数据。
2020-09-25 math.ST stat.TH
Distribution-free inference for regression: discrete, continuous, and in between
在我们不能依赖分布假设的数据分析问题中，仍然可以获得什么类型的推理保证？许多流行的方法，如holdout方法，交叉验证方法和共形预测，能够提供预测推理的分布自由保证，但为底层回归函数提供推理（例如，条件均值$\mathbb{E}[Y|X]$上的推理）的问题更具挑战性。在特征$X$连续分布的设置中，最近的工作已经建立了$\mathbb{E}[Y|X]$的任何置信区间必须具有非零宽度，即使样本量趋于无穷大。在另一个极端，如果$X$只取少量的可能值，那么对$\mathbb{E}[Y|X]$的推断是微不足道的。在这项工作中，我们研究的问题，在这两个极端之间的设置。我们发现，有几个不同的制度之间的有限设置和连续设置，其中消失宽度的置信区间是可实现的，当且仅当有效的支持大小的分布$X$是小于的平方的样本量。
2022-05-28 math.ST stat.TH
Inference for non-stationary time series quantile regression with inequality constraints
针对带不等式约束的非平稳线性分位数回归，本文利用投影几何不变性构造Wald、似然比和基于秩的一致推断方法，并通过模拟与电力需求数据验证其优势。
2024-04-04 stat.ME
An estimator for predictive regression: reliable inference for financial economics
使用最小二乘法估计线性回归并报告稳健的标准误在金融经济学中非常常见，实际上，在许多社会科学和其他领域也是如此。对于异方差下的厚尾预测，这种推理方法表现不佳，有时甚至非常糟糕。在这里，我们开发了一种替代方法，提供了一个无偏的，一致的和渐近正态的估计，只要结果和预测的手段是有限的。新方法在异方差下具有易于可靠估计的标准误和接近其标称大小的检验。该程序在模拟和经验练习中运行良好。对分位数回归进行了推广。
2020-08-13 q-fin.ST stat.ME
On statistical estimation and inferences in optional regression models
本文的主要研究对象是一个非常一般的回归模型在可选的设置-当一个观察过程是一个可选的半鞅依赖于一个未知的参数。众所周知，统计数据可以在没有通常条件的情况下呈现信息流/过滤。估计问题是通过结构最小二乘（LS）估计及其序列版本。本文的主要结果致力于这种LS-估计的强相合性。对于序贯LS-估计，证明了固定精度的性质。
2021-03-15 math.ST q-fin.ST stat.TH
Statistical Inference after Kernel Ridge Regression Imputation under item nonresponse
插补是处理缺失数据的常用技术。我们考虑一个非参数方法填补使用核岭回归技术，并提出一致的方差估计。建议的方差估计是基于一个线性化的方法，采用熵的方法来估计密度比。当在核岭回归插补中利用Sobolev空间时，建立了插补估计的根-n相合性，从而使我们能够发展所提出的方差估计。合成数据实验证实了我们的理论。
2021-01-29 stat.ME stat.ML
High-Dimensional Gaussian Copula Regression: Adaptive Estimation and Statistical Inference
我们开发的自适应估计和推理方法，高维高斯copula回归，实现相同的性能，而无需知识的边际变换的高维线性回归。利用Kendall的基于τ的协方差阵估计，提出了一个$\ell_1$正则化估计和相应的去偏估计的置信区间的建设和假设检验。理论性质的程序进行了研究，所提出的估计和推理方法是适应未知的单调边际变换。还考虑了对给定协变量值的响应的预测。该程序易于实现，并在数值上表现良好。该方法也被应用于分析社区和犯罪的非规范化数据从UCI机器学习知识库。
2015-12-08 stat.ME
Statistical Inference on Panel Data Models: A Kernel Ridge Regression Method
在核岭回归框架下提出了交互固定效应面板数据模型的统计推断方法，与传统的筛法相比，该方法不需要选择基函数和截断参数，模型复杂性由一个连续的正则化参数控制，该参数可以通过广义交叉验证自动选择.基于经验过程理论和泛函分析工具，我们得到了非均匀背景下估计量的联合渐近分布。这些联合渐近的结果，然后使用构造置信区间的回归平均值和预测区间的未来的观察，都是第一个可证明的有效区间在文献中。在齐次背景下，得到了函数估计的边缘渐近正态性。仿真和实际数据分析证明了该方法的优越性。
2017-03-08 math.ST stat.TH
Improving the accuracy of likelihood-based inference in meta-analysis and meta-regression
随机效应模型经常被用于综合荟萃分析中不同研究的信息。虽然基于似然性的推理在限制属性和实施方面都很有吸引力，但其在随机效应荟萃分析中的应用可能会导致误导性结论，特别是当研究数量较少时。目前的文件显示，如何减少渐近偏差的极大似然估计的方差分量的方法，也可以大大提高推断的平均效应大小。这些结果是针对随机效应荟萃回归的更一般框架得出的，该框架允许平均效应大小随研究特定协变量而变化。
2017-05-22 stat.ME
Inference for censored quantile regression models in longitudinal studies
我们开发的推断程序的纵向数据中的一些测量被删失的固定常数。我们考虑一个半参数分位数回归模型，没有分布假设。我们的研究的动机是缺乏适当的推理程序的数据，从生物医学研究中的测量是由于一个固定的定量限删失。在这类研究中，重点往往是检验关于待遇平等的假设。为此，我们提出了一个大样本推理的协变量的子集上的秩分数检验。我们证明了会计审查和受试者内的依赖性的重要性，并在模拟研究中评估我们提出的方法的性能。然后，我们将建议的推理程序，从艾滋病相关的临床试验的数据。我们的结论是，我们的框架和建议的方法是非常有价值的区分在不同位置的预测的影响，在条件分布的响应变量。
2009-04-01 math.ST stat.TH
Improved Likelihood Inference in Birnbaum-Saunders Regressions
Birnbaum-Saunders回归模型常用于可靠性研究。我们解决的问题，在这类模型中进行推理时，观察的数量是小的。我们证明了当样本量较小时，似然比检验趋于自由，并且我们得到了一个校正因子，它减小了检验的样本量失真。这种修正使检验的误差率随着样本量的增加而消失得更快。数值结果表明，在有限样本情况下，改进的似然比检验比通常的似然比检验更可靠。我们还提出了一个经验的应用。
2009-04-22 stat.ME
Statistical Inference for Four-Regime Segmented Regression Models
针对时间相依数据，提出带多元协变量依赖边界的四机制分段回归模型，设计混合整数二次规划估计算法与平滑自助推断方法，经模拟和北京PM2.5案例验证了方法有效性。
2024-10-06 stat.ME
Robust inference in inflated beta regression
Department of Statistics, University of São Paulo（圣保罗大学统计系）
本文提出稳健估计器以缓解最大似然推断的不足，同时保持膨胀贝塔框架的简洁和可解释性，并通过模拟研究和实际数据应用展示其优势。
2026-05-13 stat.ME
Inference for Joint Quantile and Expected Shortfall Regression
分位数和预期缺口是金融风险管理中常用的风险度量方法。这两种测量方法既有相关性又有各自的特点。在本计画中，我们的主要目标是发展稳定且实用的条件期望亏绌推论方法。为了便于统计推断过程，我们考虑了条件分位数和期望短缺的联合建模。虽然回归系数可以通过最小化一类严格一致的联合损失函数来联合估计，但由于损失函数既不是可微的也不是凸的，特别是当参数的维数很大时，计算是具有挑战性的。为了减少计算量，我们提出了一个两步估计过程，首先估计分位数回归参数与标准的分位数回归。我们证明了两步估计与联合估计具有相同的渐近性质，但前者在数值上更有效。我们进一步发展了一个分数型推理方法的假设检验和置信区间建设。与Wald型方法相比，评分方法对异质性具有鲁棒性，在有限样本中更优越，特别是对于具有大量混杂因素的情况。我们通过数值研究证明了所提出的方法比现有方法的优势。
2022-08-22 stat.ME
Kernel Ridge Regression Inference
Society of Fellows and Department of Economics, Harvard University（哈佛大学费尔 fellows 社会与经济学系）；Department of Economics, U.C. San Diego（圣地亚哥大学经济学系）
研究核岭回归的推断问题，构建有效精确且收缩率接近极小极大率的置信集，采用反对称乘数的自助程序，用于开发关于学生匹配效应的检验。
2026-07-23 cs.LG math.ST stat.ML
Linear programming approach to nonparametric inference under shape restrictions: with an application to regression kink designs
我们开发了一种在形状约束下构建非参数回归函数置信带的新方法。该方法可以通过线性规划实现，因此在计算上具有吸引力。我们说明了我们所提出的方法与应用程序的回归折点设计（RKD）的用法。基于RKD的计量经济学分析由于非参数导数估计的收敛速度慢，经常会遇到置信区间较宽的问题。我们证明，经济模型和结构激励形状的限制，这反过来又有助于缩小置信区间的失业保险金对失业持续时间的因果关系的分析。
2021-02-12 econ.EM stat.ME
Tree-Values: selective inference for regression trees
我们考虑对分类和回归树（CART）的输出进行推断[Breiman等人，1984]算法。一种不考虑树是从数据中估计出来的这一事实的朴素推理方法将无法实现标准保证，例如类型1错误率控制和标称覆盖率。因此，我们提出了一个选择性的推理框架进行推理的拟合CART树。简而言之，我们的条件是树是从数据中估计出来的。我们提出了一个测试的平均响应之间的差异对终端节点控制的选择性类型1的错误率，和一个置信区间内的平均响应在一个单一的终端节点，达到标称的选择性覆盖。提供了计算必要条件集的有效算法。我们将这些方法应用于模拟和涉及部分控制干预措施和热量摄入之间的关联的数据集。
2022-10-17 stat.ME stat.ML
Post-selection inference on high-dimensional varying-coefficient quantile regression model
分位数回归已成功地用于研究异质性和重尾数据。变系数模型经常用于捕捉输入变量对响应的影响随指数或时间的变化。在这项工作中，我们研究了高维变系数分位数回归模型，并开发了新的统计推断工具。我们专注于开发有效的置信区间和诚实的测试，在一个固定的时间点和分位数的非参数系数，同时允许输入变量的数量超过样本量的高维设置。由于在估计中使用了模型选择技术，因此在该方案中进行统计推断具有挑战性。然而，我们可以开发有效的推理工具，适用于广泛的数据生成过程，并不遭受由模型选择引入的偏见。我们进行了数值模拟，以证明我们的方法的有限样本性能，我们也说明了一个实际数据的例子的应用。
2021-10-14 stat.ME
Statistical inference for high-dimensional convoluted rank regression
本文研究高维卷积秩回归的统计推断，建立惩罚估计误差界与去偏估计的 Bahadur 表示，并借助 Gaussian 近似和 bootstrap 构造同时置信区间。
2025-02-19 stat.ME
Inference for Regression with Variables Generated by AI or Machine Learning
针对使用AI或机器学习方法估计的潜变量作为回归协变量会导致有偏估计和无效推断的问题，提出显式偏差校正和联合估计两种方法以恢复有效推断，并通过标签插补、降维和指数构建应用进行说明。
2025-04-30 econ.EM stat.ML
Inference for High Dimensional Censored Quantile Regression
随着高维遗传生物标志物的可用性，人们感兴趣的是识别这些预测因子对患者生存的异质性影响，以及适当的统计推断。删失分位数回归已成为检测协变量对生存结局异质性影响的有力工具。据我们所知，很少有工作可用于推断的影响，高维预测删失分位数回归。本文提出了一种新的程序，在全球审查的分位数回归，调查协变量的响应协会的分位数水平的间隔，而不是一些离散值的框架内得出的所有预测推理。该估计器结合了一系列低维模型估计，是基于多样本分裂和变量选择。我们证明了在一定的正则条件下，估计是相合的，并且渐近服从以分位数水平为指标的高斯过程。模拟研究表明，我们的程序可以适当地量化的不确定性的估计在高维设置。我们应用我们的方法来分析居住在肺癌通路中的SNP对患者生存的异质性影响，使用波士顿肺癌生存队列，一项关于肺癌分子机制的癌症流行病学研究。
2021-07-22 stat.ME stat.ML
