Robust Variational Inference
National Research University Higher School of Economics(俄罗斯国家研究型高等经济大学);Yandex
变分推理是近似推理的有力工具。然而,它主要集中在证据下界作为变分目标和其他措施的发展变分推理是一个有前途的研究领域。本文提出了一种鲁棒的证据修正和证据下限,这是适用于大多数的训练集样本是随机噪声对象。我们提供的实验变分自编码器显示的优势,通过添加无信息的噪声对象MNIST和OMNIGLOT合成数据集的证据下限的目标。此外,对于原始MNIST和OMNIGLOT数据集,我们观察到非鲁棒证据下限有小幅改善。
2016-11-28 cs.LG stat.ML
Fast and Robust Likelihood-Guided Diffusion Posterior Sampling with Amortized Variational Inference
Institute of Foundation Models, MBZUAI(基础模型研究所,MBZUAI);Huawei Lagrange Mathematics and Computing Research Center, Paris, France(华为拉格朗日数学与计算研究中心,法国巴黎);Mohamed Bin Zayed University of AI, Chair of the ML Department, EPITA, Laboratoire Recherche de l'EPITA(穆罕默德·本·扎耶德人工智能大学,机器学习系主任,EPITA,EPITA研究实验室)
本文提出一种快速且稳健的扩散后验采样方法,通过幅度化变分推断保留显式似然引导,提升逆问题的效率与鲁棒性。
2026-02-06 cs.AI cs.LG stat.ML
Nearly Dimension-Independent Convergence of Mean-Field Black-Box Variational Inference
University of Pennsylvania(宾夕法尼亚大学);University of California San Diego(加州大学圣地亚哥分校);University of British Columbia(不列颠哥伦比亚大学)
该研究证明平均场位置-尺度变分族下,带重参数化梯度的BBVI收敛速率近乎维度无关,大幅优于满秩族的O(d)依赖,并给出不同分布族的维度依赖界及梯度方差界的最优性结论。
2025-10-21 cs.LG math.OC stat.CO
Do Cryptocurrency Markets Differentiate Infrastructure from Regulatory Shocks? A Multi-Moment Event Study with Dependence-Robust Inference
King’s Business School, King’s College London(伦敦国王学院金史密斯商学院);Dissensus
本文研究加密货币市场对基础设施故障和监管冲击的反应差异,采用GJR-GARCH-X模型进行多矩事件分析,揭示了依赖性稳健推断下的显著性差异及选择偏差问题。
2026-09-15 q-fin.CP q-fin.ST stat.AP
Dependence-Robust Inference Using Resampled Statistics
我们开发的推理程序强大的一般形式的弱依赖。该程序利用测试统计量的方式,不依赖于未知的相关性结构的数据构建的restaurant。我们证明了统计量是渐近正态的弱要求下,目标参数可以一致估计的参数率。这适用于许多著名的弱依赖形式下的正则估计,并证明了依赖鲁棒性的要求。我们认为应用程序设置未知或复杂的依赖形式,与各种形式的网络依赖作为主要的例子。我们开发的时刻平等和不平等的测试。
2021-08-25 econ.EM stat.ME
Serial-Dependence and Persistence Robust Inference in Predictive Regressions
本文提出一种检验预测回归参数显著性的新方法,通过检验统计量内嵌机制解耦序列依赖,无需修正即可处理序列相关与条件异方差,且对预测变量持久性稳健,极限零分布服从卡方分布。
2025-02-01 econ.EM stat.ME
A statistician's guide to weak-instrument-robust inference in instrumental variables regression with illustrations in Python
本文概述工具变量回归中弱工具变量稳健推断的相关结果,介绍其在Python的ivmodels软件包中的实现并提供实例展示。
2025-08-17 econ.EM stat.ME
Adaptive Econometric Inference under Unknown Dependence: Contrast-Local Validity
University at Albany, SUNY(奥尔巴尼大学,纽约州立大学)
提出从经验依赖算子学习依赖结构的框架,通过投影相似度评分总结低维依赖特征,建立识别、一致性和渐近正态性,并证明在切空间重叠时无法区分一阶几何结构,最后展示依赖轮廓的预言机自适应推断。
2026-08-12 econ.EM stat.ME
Statistical inference for the logarithmic spatial heteroskedasticity model with exogenous variables
在大量的文献中,大量的模型对均值的空间相关性进行了深入的研究,然而,对方差的空间相关性的研究却相对滞后。现有的方差空间依赖性模型是稀缺的,既没有概率结构,也没有统计推断程序进行了探索。为了克服这一缺陷,本文提出了一个新的带有外生变量的广义对数空间异方差模型(log-SHE模型)来研究方差的空间依赖性。针对log-SHE模型,研究了其空间近历元相关性,给出了系统的统计推断方法,包括极大似然估计和广义矩估计估计,模型参数约束的Wald检验、Lagrange乘子检验和似然比D检验,以及模型诊断检验的过识别检验.使用空间NED工具,在正则条件下建立了所有估计和检验的渐近性。仿真结果和一个真实的数据例子上的房屋销售价格说明了所提出的方法的实用性。
2023-01-17 econ.EM stat.ME
High-dimensional inference on jumps in nonparametric time series regression models
Washington University in Saint Louis(圣路易斯华盛顿大学);Tsinghua University(清华大学);University of Bristol(布里斯托大学)
研究高维异质非参数时间序列条件均值函数中跳跃的同时推断,提出两个统一检验,推导跳跃估计量协方差结构近似并建立高斯近似,模拟和实证表明方法在多种依赖性下有效,能揭示显著非平滑效应。
2026-07-14 econ.EM stat.ME
Robust Two-Sample Inference under Serial Dependence
University at Albany, SUNY(纽约州立大学奥尔巴尼分校);University of Connecticut(康涅狄格大学)
本文提出了一种在序列依赖下稳健的两样本均值检验方法,通过改进的t近似和野 bootstrap技术,提升小样本下的推断性能。
2026-07-29 econ.EM
An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls
我们引入了新的推理程序的反事实和合成控制法的政策评估。我们将因果推断问题重新定义为一个反事实预测和一个结构突变检验问题。这使我们能够利用共形预测和结构突变测试的见解,开发置换推理程序,以适应现代高维估计,在弱和易于验证的条件下是有效的,并且可以证明对误指定是鲁棒的。我们的方法与许多不同的方法一起工作,在没有政策干预的情况下预测反事实的平均结果。示例包括合成控制、差异中的差异、因子和矩阵完成模型以及(融合)时间序列面板数据模型。我们的方法在模拟中表现出出色的小样本性能,并被用于数据应用,我们重新评估室内卖淫合法化的后果。用于实现我们的共形推理方法的开源软件是可用的。
2021-05-20 econ.EM stat.ME
Inference in High-Dimensional Panel Models: Two-Way Dependence and Unobserved Heterogeneity
School of Economics, Shanghai University of Finance and Economics(上海财经大学经济学院)
本文提出了一种适用于高维面板模型的工具包,通过改进的LASSO方法处理双向依赖和未观测异质性,实现稳健的推断。
2025-12-20 econ.EM
Local Gaussian copula inference with structural breaks: testing dependence predictability
Erasmus University Rotterdam(鹿特丹伊拉斯姆斯大学);Tinbergen Institute(蒂宁伯根研究所);Keio University(庆应义塾大学);University of Cologne(科隆大学)
本文提出了一种鲁棒的依赖可预测性检验方法,通过局部高斯表示和分布回归技术,适用于具有结构性断裂的条件累积分析。
2026-03-02 econ.EM
Some Impossibility Results for Inference With Cluster Dependence with Large Clusters
本文研究具有集群依赖的观测数据推断,证明单一/存在大集群时均值一致判别与长期方差一致估计的不可能性,并给出相应判别条件。
2023-06-06 econ.EM
Robust Inference with High-Dimensional Instruments
提出一种针对高维工具变量线性回归的弱识别稳健检验,采用自归一化统计量与随机矩阵理论,对网络和空间等误差依赖性具有稳健性,模拟证实其具有良好的尺寸控制与检验功效。
2025-06-30 econ.EM
Inference in Panel SVARs with Two-Way Dependence
University of Duisburg-Essen(杜伊斯堡-埃森大学);Georg August University of Göttingen(哥廷根大学);Leipzig University(莱比锡大学);Humboldt University of Berlin(柏林洪堡大学)
该研究针对存在双向依赖的异质性面板SVAR,提出适配均值组估计的闭式合并识别方法与递归设计的面板移动块自助法,模拟验证了联合重采样方案的良好覆盖率表现。
2026-10-09 econ.EM
Wald inference on varying coefficients
Queen’s University(女王大学);University of Essex(埃塞克斯大学);Shanghai Jiao Tong University(上海交通大学);National University of Singapore(新加坡国立大学);Shanghai University of International Business and Economics(上海对外经贸大学)
本文提出了一种适用于变化系数的非参数推断方法,用于检验线性限制,并通过实证研究展示了其在生产函数和房价分析中的应用效果。
2026-01-24 econ.EM
Fast, Robust Inference for Linear Instrumental Variables Models using Self-Normalized Moments
我们提出并实现了一种方法来推断线性工具变量模型,同时是强大的和计算上容易处理。推断是基于样本矩条件的自标准化,并允许(但不需要)许多(相对于样本量),弱,潜在无效或潜在的内源性工具,以及许多回归和条件异方差。我们的覆盖率结果是一致的,并可提供小样本保证。我们开发了一种新的计算方法的基础上半定规划,我们表明,它同样可以适用于快速反演现有的测试(例如,。AR、LM、AR等)。
2022-11-28 econ.EM
Robust Minimum Distance Inference in Structural Models
本文提出结构模型中对欠识别冗余参数具备稳健性的最小距离推断方法,可在无需知晓欠识别程度下实现渐近卡方推断,经示例、蒙特卡洛模拟和货币政策模型应用验证了其适用性与有限样本表现。
2023-10-09 econ.EM
New Approaches to Robust Inference on Market (Non-)Efficiency, Volatility Clustering and Nonlinear Dependence
本文针对金融收益的非线性依赖、异质性和重尾性问题,提出基于绝对收益小次幂的度量及分组t统计量检验的新方法,实现对市场(非)有效性与波动率聚集的稳健推断。
2023-11-30 econ.EM math.ST stat.TH
Inference for High-Dimensional Network Data
Vanderbilt University(范德堡大学)
针对网络依赖型高维随机向量,本文提出新型推断方法,建立高斯近似结果与HAC协方差估计器,模拟验证其性能,应用于分析溢出效应随网络同质性指数的变化,揭示低维推断未发现的异质性与局部显著性。
2026-08-28 econ.EM math.ST stat.ME
From Replications to Revelations: Heteroskedasticity-Robust Inference
本文通过分析经济学顶刊复现包发现98.1%的异方差稳健回归使用Stata默认HC1设定,并通过大规模蒙特卡洛研究证明HC1/HC2默认自由度会导致过度拒绝,提出基于部分杠杆的新推断方法表现最优。
2024-12-28 econ.EM
Fast and Reliable Jackknife and Bootstrap Methods for Cluster-Robust Inference
我们提供了计算上有吸引力的方法来获得基于折刀的集群稳健方差矩阵估计(CRVE)的线性回归模型估计的最小二乘。我们还提出了几个新的变种的野生集群引导,其中涉及这些CRVE,折刀为基础的引导数据生成过程,或两者兼而有之。广泛的模拟实验表明,新的方法可以提供更可靠的推理比现有的情况下,后者是不值得信赖的,如当集群的数量是小的和/或集群大小变化很大。三个实证例子说明了新的方法。
2023-02-10 econ.EM
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
Robust Inference in Locally Misspecified Bipartite Networks
本文提出在局部误设的双边网络中进行稳健推断的方法,构建了均方误差极小化最优的稳健估计量与偏差感知置信区间,并在稀疏网络渐近性下验证了其有效性与有限样本表现。
2024-03-20 econ.EM
Approximation-Robust Inference in Dynamic Discrete Choice
动态离散选择模型中的估计和推理通常依赖于近似来降低动态规划的计算负担。不幸的是,近似的使用可能会在估计中产生很大的偏差,并导致无效的置信集。我们提出了一种方法,明确说明使用近似,因此是有效的,无论近似误差的集合估计和推断。我们展示了如何可以占近似在低计算成本的错误。我们的方法使研究人员能够评估由于使用近似的估计误差,从而更有效地管理偏差和计算方便之间的权衡。我们提供模拟证据来证明我们的方法的实用性。
2020-10-22 econ.EM
Robust Inference on Income Inequality: $t$-Statistic Based Approaches
收入和财富不平等的实证分析以及经济学和金融学其他领域的实证分析往往面临数据异质性、重尾性或以某种未知方式相关的困难。本文重点讨论了最近发展起来的基于\textit{t} -统计量的鲁棒推理方法在不等式测度分析中的应用,并在上述问题下进行了比较。特别地,遵循这些方法,对两个感兴趣的参数(例如,所考虑的两个区域或国家中的不平等度量的平等性测试)如下进行:将所处理的两个样本中的数据划分为固定数$q_1, q_2\ge 2$(例如,$q_1=q_2=2, 4, 8$),估计每组的参数(处理的不等式测量),并推断是基于标准的双样本$t-$测试与得到的$q_1, q_2$组估计。稳健的$t-$统计方法在对参数的估计值进行分组的一般条件下导致有效的推断(例如,不等式测度)被认为是渐近独立的,无偏的和高斯的可能不同的方差,或弱收敛,以任意的速度,独立的规模混合的正常随机变量。这些条件通常在经验应用中得到满足,即使在明显的重尾性和异质性以及可能的观测依赖性下。本文所处理的方法与文献中的其他推理方法相比是有益的。使用强大的推理方法说明了收入不平等的措施,并在俄罗斯不同地区的比较的实证分析。
2021-11-21 econ.EM
Cluster-Robust Inference: A Guide to Empirical Practice
聚类鲁棒推理的方法通常用于经济学和许多其他学科。然而,直到最近,在许多经验相关的情况下使用这些方法的理论基础已经开发出来。在本文中,我们使用这些理论结果,以提供一个指导的实证实践。我们并不试图提出一个全面的调查(非常大的)文献。相反,我们桥梁理论和实践提供了一个彻底的指导,做什么和为什么,基于最近可用的计量经济学理论和模拟证据。为了实践我们所宣扬的,我们使用个人数据对最低工资对青少年劳动力供给的影响进行了实证分析。
2022-05-06 econ.EM
Sparsity Double Robust Inference of Average Treatment Effects
许多流行的方法用于在高维混杂下建立因果效应的置信区间,需要强的“超稀疏”假设,这可能难以在实践中验证。为了减轻这一困难,我们在这里研究一种新的方法,平均治疗效果估计,产生渐近精确的置信区间,假设条件响应面或治疗的条件概率允许超稀疏表示(但不一定两者)。这种保证使我们能够在比现有基线更普遍的情况下,为高维的平均治疗效果提供有效的推断。此外,我们展示了我们的结果是半参数有效的。
2019-05-02 econ.EM math.ST stat.ME
On the probability of a causal inference is robust for internal validity
观察性研究的内部效度经常受到争论。在这项研究中,我们将反事实定义为未观察到的样本,并打算量化它与原假设统计检验(NHST)的关系。我们提出因果推断的概率对于内部效度是稳健的,即,PIV作为因果推断的鲁棒性指标。形式上,PIV是基于观察样本和反事实再次拒绝原假设的概率,前提是相同的原假设已经基于观察样本被拒绝。在频率论或贝叶斯框架下,人们可以基于对反事实的有界信念来约束推理的PIV,这在无混淆假设是可疑的时经常需要。当认为NHST基于观察样本和反事实时,PIV相当于统计功效。我们将用PIV评估内部效度的过程总结为一个八步程序,并用一个实证例子(即,Hong和Raudenbush(2005))。
2019-06-20 econ.EM stat.AP stat.ME
Local Projection Inference is Simpler and More Robust Than You Think
Columbia University(哥伦比亚大学);Princeton University(普林斯顿大学)
本文证明局部投影推断在处理持久数据和远期冲击响应时比标准自回归推断更简单且更稳健。
2026-01-13 econ.EM
When Can We Trust Cluster-Robust Inference?
Queen’s University(女王大学);Aarhus Center for Econometrics (ACE)(奥胡斯计量经济学中心)
本文探讨了在面板数据中如何通过不同稳健推断方法评估推断可靠性,指出不同方法在不同情况下表现各异,但通过多种检验可提高可信度。
2026-04-02 econ.EM
Spatially Robust Inference with Predicted and Missing at Random Labels
本文提出了一种双稳健估计器,用于处理具有预测和缺失在随机标签的空间依赖性问题,通过交叉拟合和jackknife方法校正空间异方差性和自相关,提高置信区间的有效性。
2026-03-11 cs.LG econ.EM stat.AP
Refined Cluster Robust Inference
University of California, Davis(加州大学戴维斯分校)
针对小聚类数下t统计量正态近似精度差的问题,本文提出基于条件Cramér-Edgeworth展开的临界值方法,实现三阶精细化,并给出闭式表达式。
2026-08-11 econ.EM math.ST stat.TH
Pivotal and identification-robust nonparametric inference in linear IV models
Simon Fraser University(西蒙菲莎大学);Toulouse School of Economics, Université Toulouse Capitole(图卢兹经济学院,图卢兹第三大学)
针对线性工具变量模型,提出对识别强度与异方差鲁棒且第一阶段非参数的新推断方法,包括渐近关键统计量、子向量推断和设定检验。
2026-06-11 econ.EM math.ST stat.TH
Identification and Inference in Nonlinear Dynamic Network Models
Inter-American Development Bank (IDB)(泛美开发银行)
本文研究非线性动态系统在未知交互网络上的识别与推断问题,提出基于谱异质性的识别条件,并设计了半参数估计器和网络依赖性检验。
2026-04-03 cs.LG econ.EM math.ST