Asymptotic confidence sets for the jump curve in bivariate regression problems
本文基于两个单侧核估计的旋转差,构造了光滑图像函数中单个边缘的均匀和逐点渐近置信集。利用M-估计的方法,我们证明了边缘函数的位置、斜率和高度的估计的一致性,并对对比度过程进行了统一的线性化。然后,均匀置信带依赖于分数过程的高斯近似以及高斯过程上确界的反集中结果,而逐点置信带基于渐近正态性。有限样本性能的逐点建议的方法进行了研究,在模拟研究。最后给出了一个实际图像处理的例子。
2019-03-23 math.ST stat.TH
Honest confidence sets for high-dimensional regression by projection and shrinkage
在非参数回归中,构造置信集的诚实性问题产生了。虽然非参数估计中的最优率可以用来构造尖锐的置信集,但在估计光滑度后,置信水平往往会严重下降。类似地,对于高维回归,稀疏估计的预言不等式可以用来构造尖锐的置信集。然而,稀疏度本身是未知的,需要估计,导致诚实问题。为了解决这个问题,我们开发了一种新的方法来构建诚实的信心集稀疏高维线性回归。我们构造的关键思想是将信号分为强组和弱组,然后分别为每组构造置信集。这是通过投影和收缩方法实现的,后者通过Stein估计和相关的Stein无偏风险估计来实现。我们的置信集是诚实的,在整个参数空间没有任何稀疏约束,而其直径适应最佳速率的$n^{-1/4}$时,真正的参数确实是稀疏的。通过广泛的数值比较,我们证明了我们的方法优于其他竞争对手,具有有限样本的大利润,包括基于底层模型的真正稀疏性的Oracle方法。
2019-05-03 math.ST stat.ME stat.TH
Sparse Confidence Sets for Normal Mean Models
在正态均值模型$X\sim N(θ,σ^2I)$下,本文提出了一种新的构造$d$维未知稀疏参数$θ$置信集的框架。所提出的置信集的一个关键特征是它能够考虑$θ$的稀疏性,因此被命名为{ \em sparse}置信集。这与经典方法形成鲜明对比,例如Bonferroni置信区间和其他基于恢复的过程,其中$θ$的稀疏性经常被忽略。具体地,我们要求期望的稀疏置信度集满足以下两个条件:(i)在参数空间上均匀地,$θ$的覆盖概率高于预先指定的水平;(ii)存在$\{1,...,d\}$的随机子集$S$,使得$S$保证用于检测非零$θ_j$的预先指定的真阴性率(TNR)。为了利用$θ$的稀疏性,我们定义了$θ_j$的置信区间退化到任何$j\notin S$的单点0。在这个新的框架下,我们首先考虑是否存在满足上述两个条件的稀疏置信集。为了解决这个问题,我们建立了一个非渐近极大极小下界的非覆盖概率在一个合适的类稀疏置信集。该下限揭示了稀疏性和最小信噪比(SNR)在稀疏置信集构造中的作用。此外,在适当的信噪比条件下,提出了一个两阶段的过程来构建一个稀疏的信心集。为了评估的最优性,建议的稀疏置信集,以达到一个minimax下界的一些适当定义的风险函数的一个常数因子。最后,我们开发了一个自适应的过程,未知的稀疏性和信噪比。数值研究进行了验证的理论结果。
2020-08-17 math.ST stat.ME stat.TH
Honest Confidence Sets in Nonparametric IV Regression and Other Ill-Posed Models
本文发展了计量经济学中一类非常普遍的不适定模型的推导方法,包括非参数工具变量回归,各种函数回归和密度反卷积。我们专注于使用Tikhonov正则化估计的感兴趣参数的均匀置信集,如Darolles,Fan,Florens和Renault(2011)。由于它是不可能的推理方法的基础上的中心极限定理,我们开发了两种替代方法依赖于浓度不等式和自助近似。我们表明,预期的直径和覆盖性能的结果集有统一的有效性,在一个大类的模型,即,构造的置信集是诚实的。蒙特卡罗实验表明,引入的置信集具有合理的宽度和覆盖性能。使用美国的数据,我们为各种商品的恩格尔曲线提供了统一的置信集。
2020-12-19 econ.EM math.ST stat.AP
Confidence Sequences for Generalized Linear Models via Regret Analysis
Universitat Pompeu Fabra(庞培法布拉大学);Poznań University of Technology(波兹南技术大学)
本文通过将广义线性模型的参数推断归约为序列预测博弈,提出在线到置信集转换框架,统一并扩展了现有置信集构建方法,并引入新型置信集。
2025-04-23 cs.LG math.ST stat.ML
On Adaptive Confidence Sets for the Wasserstein Distances
在密度估计模型中,我们探讨了自适应诚实的信心,Wasserstein距离$W_p$,$p\geq1$,并与未知的规则性测量的Besov尺度密度测量半径集的构建问题。作为采样域,我们专注于$d-$维环面$\mathbb{T}^d$,在这种情况下$1\leq p\leq 2$,和$\mathbb{R}^d$,其中$p=1$。我们确定的必要条件和充分条件存在的自适应置信集的直径的顺序的规则依赖的$W_p$-极大极小估计率。有趣的是,似乎这种适应的直径的可能性取决于底层空间的尺寸。在低维情况下,$d\leq 4$可以适应任何规律。在更高的维度中,当且仅当底层的前缀属于宽度至少为$d/(d-4)$的某个区间时,自适应才是可能的。这与通常的$L_p-$理论形成对比,在通常的理论中,与维度无关,自适应要求λ位于小的固定宽度窗口中。对于允许这些自适应集存在的配置,我们明确地通过风险估计的方法构建置信区域,以自适应估计为中心。这些是Wasserstein距离自适应不确定性量化的统计方法中的第一个结果。我们的分析和方法更广泛地扩展到弱损失,如Sobolev范数距离与负光滑指数。
2021-11-17 math.ST stat.TH
Minimax semi-supervised confidence sets for multi-class classification
在这项工作中,我们研究了半监督框架的置信集分类与控制的期望大小在极小极大设置。在边际假设和回归函数的H{<$}lder条件下,我们得到了半监督极小极大收敛速度.此外,我们表明,如果没有进一步的假设,没有监督的方法,优于半监督估计提出了这项工作。我们建立了任何监督方法的最佳可达率是n^{-1/2},即使边际假设是非常有利的。相反,半监督估计器可以实现更快的收敛速度,只要有足够多的未标记样本。我们还进行数值评估所提出的算法经验证实我们的理论研究结果。
2019-04-29 math.ST stat.TH
Distribution-free binary classification: prediction sets, confidence intervals and calibration
Carnegie Mellon University(卡内基梅隆大学)
我们研究了三个概念的不确定性量化-校准,置信区间和预测集-二进制分类的分布自由设置,即不作任何分布假设的数据。随着对校准的重点,我们建立了一个“三脚架”的定理,连接这三个概念的分数为基础的分类。一个直接的含义是,分布免费校准是唯一可能的,甚至渐近,使用评分函数的水平集划分的特征空间至多可数许多集。参数校准方案,如普拉特缩放的变体不满足这一要求,而非参数方案的基础上分仓。为了闭合循环,我们推导出固定宽度和均匀质量分箱的分箱概率的无分布置信区间。作为我们的“三脚架”定理的结果,这些分组概率的置信区间导致无分布校准。我们还推导出扩展设置流数据和协变量移位。
2022-02-16 cs.AI cs.LG math.ST
Black-Box Model Confidence Sets Using Cross-Validation with High-Dimensional Gaussian Comparison
本文推导了V折交叉验证风险估计的高维高斯比较结果,为候选模型数大于样本量时的模型置信集构建提供了理论支持。
2023-11-13 math.ST stat.ME stat.TH
Confidence Sets Based on Penalized Maximum Likelihood Estimators in Gaussian Regression
基于惩罚的最大似然估计,如LASSO,自适应LASSO,和硬阈值的置信区间进行了分析。在已知方差的情况下,有限样本覆盖性质,这样的间隔被确定,它表明,对称的间隔是最短的。基于硬阈值估计的最短间隔的长度大于基于自适应LASSO的最短间隔的长度,其大于基于LASSO的最短间隔的长度,其进而大于基于最大似然估计的标准间隔。在惩罚估计量被调整为具有“稀疏性”的情况下,基于这些估计量的区间比标准区间大数量级。此外,一个简单的渐近置信区间的建设在“稀疏”的情况下,也适用于平滑剪切绝对偏差估计,进行了讨论。已知方差的情况下的结果进行到未知方差的情况下,在适当的渐近意义。
2010-02-01 math.ST stat.ME stat.ML
Inverse set estimation and inversion of simultaneous confidence intervals
针对气候与医学风险评估中的逆集估计问题,提出通过反演同时置信带非渐近地构造多水平置信集,并给出非参数自举算法,适用于稠密与非稠密域。
2023-07-11 math.ST stat.ME stat.TH
Conformal confidence sets for biomedical image segmentation
针对生物医学图像分割黑盒模型的空间不确定性问题,提出适配成像场景的共形置信集方法,通过分数变换与校准获取阈值,在polpys数据集上验证可在控错率下实现肿瘤位置紧致边界。
2024-10-08 cs.LG stat.ML
Fixed-b Subsampling and Block Bootstrap: Improved Confidence Sets Based on P-value Calibration
子采样和基于块的自举方法已被广泛用于时间序列的推断问题。为了适应这种依赖性,这些恢复方法涉及带宽参数,例如基于块的引导中的子采样窗口宽度和块大小。在经验工作中,使用不同的带宽参数可能会导致不同的推断结果,但传统的一阶渐近理论没有捕捉到带宽的选择。在这篇文章中,我们建议采用固定b的方法,主张由Kiefer和Vogelsang(2005)在异方差-自相关稳健检验的背景下,考虑到带宽的影响的推断。在固定b渐近框架下,我们推导了子采样和移动块引导下p值的渐近零分布,并进一步提出了传统的基于小b的置信区间(区域、带)和检验的校正方法.我们的处理是相当普遍的,因为它包括有限维参数和无限维参数,如边缘分布函数和归一化谱分布函数。仿真结果表明,固定b值方法比传统的小b值方法更能逼近有限样本分布,且校正后的置信集覆盖误差小于未校正的置信集。
2012-04-04 math.ST stat.TH
Model Selection Confidence Sets by Likelihood Ratio Testing
传统的模型选择活动旨在发现优于其他候选模型的单个模型。然而,在存在明显噪音的情况下,往往会发现多个模型同样能很好地解释相同的数据。为了解决这一模型选择模糊性问题,提出了基于似然比检验的模型选择置信集(MSCSs)的一般方法。MSCS被定义为在用户指定的置信水平下与真实模型在统计上不可区分的模型列表,其将置信区间的熟悉概念扩展到模型选择框架。当样本量和模型维数都增加时,我们的方法保证了真实模型的渐近正确覆盖概率。我们推导出的条件下,MSCS包含所有相关信息的真实模型结构。此外,我们提出了基于MSCS的自然统计,以一种原则性的方式来衡量变量的重要性,这种方式考虑了整个模型的不确定性。当可行模型空间较大时,采用自适应随机搜索算法对MSCS模型进行高概率采样。通过对合成数据和实际数据的数值实验,说明了MSCS方法。
2017-09-13 math.ST stat.ME stat.TH
Conformal Calibration of Statistical Confidence Sets
本文提出TRUST和TRUST++两种方法,利用模拟数据校准统计置信集,实现无分布条件覆盖,在小样本下优于现有方法,弥合保形预测与统计推断的差距。
2025-09-25 stat.ME stat.ML
Confidence Sets Based on Thresholding Estimators in High-Dimensional Gaussian Regression Models
我们研究了线性回归模型中基于硬阈值、软阈值和自适应软阈值的置信区间,其中回归变量$k$的数量可能取决于样本量$n$并随样本量而发散。除了已知的误差方差的情况下,我们定义和研究版本的估计误差方差是未知的。在已知方差的情况下,我们提供了一个精确的分析,这样的区间在有限样本的覆盖特性。我们表明,这些区间总是大于基于最小二乘估计的标准区间。渐近地,基于阈值估计的区间更大,甚至由一个数量级时,估计量进行调整,以执行一致的变量选择。对于未知方差的情况下,我们提供了非平凡的下界的覆盖概率在有限的样本和进行渐近分析,从已知方差的情况下的结果可以被证明进行渐近,如果自由度的数量$n-k$趋于无穷快的阈值参数。
2014-08-05 math.ST stat.ME stat.ML
Density Level Sets: Asymptotics, Inference, and Visualization
我们推导出了Hausstrom损失下密度水平集的插入估计的渐近理论。基于渐近理论,我们提出了水平集的两个自举置信区域。置信区域可用于执行异常检测和聚类的测试。我们还介绍了一种技术,可视化高维密度水平集相结合的模式聚类和多维缩放。
2016-09-05 math.ST stat.ME stat.TH
Fuzzy Prediction Sets: Conformal Prediction with E-values
Erasmus University Rotterdam(鹿特丹伊拉斯姆斯大学)
本文提出模糊预测集,扩展了传统预测集,通过数据驱动的置信水平进行排除,继承e值的合并性质,并展示最优e值如何生成最优模糊预测集。
2026-03-31 math.ST stat.ME stat.ML
Adaptive Confidence Sets for Nonparametric Density Estimation under Local Differential Privacy
Columbia University(哥伦比亚大学);University of Toronto(多伦多大学)
该研究针对局部差分隐私下的非参数密度估计,推导了自适应诚实置信集实现光滑速率自适应的阈值条件,构造了符合要求的私有置信集,明确了不同正则性参数下的自适应可行性。
2026-10-14 math.ST stat.TH
Knowing what you know: valid and validated confidence sets in multiclass and multilabel prediction
Stanford University(斯坦福大学)
我们开发了共形预测方法,用于在多类和多标签问题中构建有效的预测置信集,而无需假设数据生成分布。这里的一个挑战是,典型的共形预测方法-提供边际有效性(覆盖率)保证-提供不均匀的覆盖率,因为它们以基本上忽略困难的例子为代价来解决简单的例子。通过利用分位数回归的思想,我们建立的方法,总是保证正确的覆盖率,但另外提供(渐近最优)的条件覆盖多类和多标签预测问题。为了解决多标签预测中指数级大置信度集的潜在挑战,我们构建了树结构分类器,有效地解释了标签之间的相互作用。我们的方法可以被固定在任何分类模型之上-神经网络,随机森林,提升树-以保证其有效性。我们还提供了一个实证评估,同时提供新的验证方法,这表明我们的信心集更强大的覆盖范围。
2020-07-10 cs.LG stat.ME stat.ML
Reconstruct Kaplan--Meier Estimator as M-estimator and Its Confidence Band
Kaplan-Meier(KM)估计量是一种非参数估计生存函数的方法,在临床研究、工程、经济等领域有着广泛的应用。KM估计的理论性质包括其相合性和渐近分布已被广泛研究。我们重建KM估计的M-估计最大化的二次M-函数的基础上的一致性,这可以使用期望最大化(EM)算法计算。结果表明,期望最大化算法的收敛点与传统的KM估计量一致,从而对KM估计量作为M估计量给出了新的解释。利用M-估计理论建立了KM估计的大样本方差和极限分布等理论性质。在两个真实数据集上的仿真和应用表明,所提出的M-估计与KM估计完全等价,并且可以导出置信区间和置信带.
2020-11-20 stat.ME
Higher Order Imprecise Probabilities and Statistical Testing
我们推广标准的信用集模型的不精确概率,包括高阶信用集-置信度的信心。在这样做时,我们指定如何观察事件时,代理的高阶置信度(credal集)更新。我们的模型开始用不精确的概率模型来解决标准问题,比如扩张和信念惯性。我们推测,当高阶置信集包含所有可能的概率函数时,则在极限情况下,最高阶置信度收敛以在一阶置信集上形成均匀分布,其中我们根据统计距离度量(全变差距离)定义均匀性。有限模拟支持的猜想。我们进一步建议,这种收敛呈现的总变差均匀分布作为一个自然的,特权的统计假设检验的先验。
2021-07-19 math.ST stat.ME stat.TH
Nonparametric extensions of randomized response for private confidence sets
本研究在本地差分隐私约束下,通过泛化“随机响应”机制,提出了针对总体均值的非参数置信区间和时间一致置信序列,并将其扩展至时变均值,应用于私有在线 A/B 测试。
2024-07-24 cs.CR math.ST stat.ME
Bootstrap confidence sets for spectral projectors of sample covariance
设$X_{1},\ldots,X_{n}$为i.i.d.。样本在$\mathbb{R}^{p}$中,均值为零,协方差矩阵为$\mathbfΣ$。在许多应用中,从这些观测中自然会出现将投影仪恢复到$\mathbfΣ$的本征空间上的问题。来自[Koltchinskii,Lounici,2015]的最新技术有助于研究在第$r$个特征值的子空间上的真实投影器$\mathbf{P}_r$与其经验对应物$\widehat{\mathbf{P}}_r$之间的Frobenius范数$\| \mathbf{P}_r - \widehat{\mathbf{P}}_r \|_{2}$中距离的渐近分布,其根据$\mathbfΣ$的有效秩。本文提供了一个自举过程,从给定的数据建立真正的投影机$\mathbf{P}_r$尖锐的信心集。该方法不依赖于$\| \mathbf{P}_r - \widehat{\mathbf{P}}_r \|_{2}$及其矩的渐近分布。适用于小样本量或中等样本量的$n$和大样本量的$p$。主要结果表明,所提出的方法的有效性有限样本的显式误差界的自助逼近的错误。这个界涉及到高维空间中高斯比较和高斯反集中的一些新的尖锐结果。数值结果证实了良好的性能的方法在现实的例子。
2017-03-02 math.PR math.ST stat.TH
Confidence Sets and Hypothesis Testing in a Likelihood-Free Inference Setting
Carnegie Mellon University(卡内基梅隆大学);Federal University of São Carlos(圣卡洛斯联邦大学)
参数估计、统计检验和置信度集是经典统计学的基石,使科学家能够对产生观测数据的基本过程进行推断。一个关键问题是,在所谓的无似然推理(LFI)设置中,是否仍然可以构建具有适当覆盖率和高功率的假设检验和置信集;也就是说,可能性不明确,但可以根据随机模型向前模拟可观察数据的设置。在本文中,我们提出了$\texttt{ACORE}$(通过比值比估计的近似计算),一个频率主义的方法,LFI,首先制定了经典的似然比检验(LRT)作为一个参数化的分类问题,然后使用测试和置信集的等价性,建立置信区域的参数感兴趣。我们还提出了一个良好的拟合过程,用于检查是否构造的测试和置信区域是有效的。$\texttt{ACORE}$基于以下关键观察结果:LRT统计量、测试的拒绝概率和置信集的覆盖率是条件分布函数,其通常作为感兴趣参数的函数平滑变化。因此,不是仅仅依赖于在固定参数设置下模拟的样本(如标准蒙特卡罗解决方案中的惯例),而是可以利用机器学习工具和在参数附近模拟的数据来改进对感兴趣的量的估计。我们证明了$\texttt{ACORE}$的有效性与理论和实证结果。我们的实现可以在Github上找到。
2020-08-14 cs.LG stat.ME stat.ML
Does a Developed Comorbidity Index Really Add Value? A Selection-Aware Bootstrap for Post-Selection Concordance
University of British Columbia(不列颠哥伦比亚大学);St. Paul’s Hospital(圣保罗医院)
研究特定疾病合并症指数开发中标准乐观校正的问题,提出选择感知自举法,通过在重采样中重新运行最佳选择消除结构偏差,经模拟和实验验证该方法能有效改进置信区间,提高判别准确性。
2026-07-15 stat.AP stat.ME
Uncertainty quantification in the stochastic block model with an unknown number of classes
研究了具有未知数的不同规模的类的随机块模型的贝叶斯统计推断的频率论性质。我们配备了空间的顶点标号与先验的类的数量,并有条件地,先验的标签。类的数量可以作为顶点数量的函数增长到无穷大,这取决于图的稀疏性。我们推导出非渐近后收缩率的形式$P_{θ_{0,n}}Π_n(B_n\mid X^n)\le ε_n$,其中$X^n$是观察到的图,根据$P_{θ_{0,n}}$生成,$B_n$是$\{θ_{0, n}\}$,或者在非常稀疏的情况下,一个球周围的$θ_{0,n}$的已知程度,和$ε_n$是一个明确的收敛速度。这些结果使得可信集转换为置信集。在稀疏的情况下,可信的测试被证明是置信集。在非常稀疏的情况下,可信集被扩大以形成置信集。对于每个$n$,置信水平是明确的,作为可信水平和收敛速率的函数。类的数量之间的假设检验被认为是与后验概率的帮助下,并被证明是一致的。给出了第一和第二类误差的上界和检验功效的下界。
2020-05-04 math.ST stat.TH
Confidence regions for excursion sets in asymptotically Gaussian random fields, with an application to climate
本文的目的是给出一个给定阈值以上的空间函数的偏移集的置信区域,从重复的噪声观测的细网格上的固定位置。给定目标函数的渐近高斯估计,构造一对数据依赖的嵌套偏移集,它们分别是真实偏移集的子集和超集,具有期望的置信度。渐近覆盖概率是通过一个乘数自助法确定的,不需要高斯性的原始数据,也不需要平稳性或光滑性的限制高斯场。该方法用于确定北美地区的夏季和冬季平均气温预计到21世纪中叶将增加2摄氏度以上。
2015-01-28 stat.AP stat.ME
Confidence Sets for a level set in linear regression
回归建模是统计学的主要工具,有大量关于回归函数估计的文献。近年来人们认识到,在回归分析中,最终目标可能是估计回归函数的水平集,而不是估计回归函数本身。已发表的工作估计水平集迄今主要集中在非参数回归,特别是点估计。本文考虑了线性回归水平集置信集的构造问题。特别是,$1-α$水平的上限,下限和双侧置信集的正态误差线性回归构建。结果表明,这些置信集可以很容易地从相应的$1-α$水平的同时置信带构造。本文还指出,该构造方法同样适用于均值响应通过单调连接函数依赖于线性预测量的其它参数回归模型,包括广义线性模型、线性混合模型和广义线性混合模型。因此,本文提出的方法具有广泛的适用性。最后给出了实例说明该方法。
2022-07-26 stat.ME
Joint Coverage Regions: Simultaneous Confidence and Prediction Sets
本文提出联合覆盖区域(JCR),统一频率学派中的置信区间与预测区域,并给出有限样本有效构造方法及高效算法,适用于结构化参数空间下的预测集构造。
2025-06-07 stat.ME
Confidence Sets for Causal Orderings
本文针对可识别加性误差结构方程模型,提出基于残差自助拟合优度检验构建因果排序置信集的框架,并证明其渐近有效性,可用于祖先关系推断和纳入模型不确定性的因果效应置信区间。
2024-10-05 stat.ME
Finite-Sample Valid Rank Confidence Sets for a Broad Class of Statistical and Machine Learning Models
Rutgers, The State University of New Jersey(新泽西州立罗格斯大学)
本文提出Repro Samples方法,通过构建置信集来解决有限样本下广泛统计和机器学习模型中秩估计的不确定性问题,并通过模拟和真实数据验证其有效性。
2025-12-04 math.ST stat.ME stat.TH
Optimal Regret Is Achievable with Bounded Approximate Inference Error: An Enhanced Bayesian Upper Confidence Bound Framework
Columbia University(哥伦比亚大学);Adobe Inc.(Adobe公司)
针对近似推断下贝叶斯老虎机算法的理论空白,提出EBUCB框架,证明在两种α散度误差有界时实现最优遗憾O(log T),并指出单一散度不足以保证亚线性遗憾。
2023-11-10 cs.LG stat.ML
Nonparametric Inference via Bootstrapping the Debiased Estimator
在本文中,我们提出了通过自举的去偏核密度估计(密度估计)和去偏局部多项式回归估计(回归分析)构造置信带。Calonico等人(2018 b)最近采用了使用去偏估计量的想法,通过显式估计随机变化来构建给定点处密度函数(和回归函数)的置信区间。我们扩展了他们的想法,使用去偏估计,并进一步提出了一个自举方法,同时构建置信带。这种改进方法的优点是,我们可以很容易地从传统的带宽选择器选择平滑带宽和置信带将是渐近有效的。我们证明了自举置信带的有效性,并将其推广到密度水平集和逆回归问题。仿真研究证实了建议的置信带/集的有效性。我们将我们的方法应用于天文数据集,以显示其适用性
2019-06-04 math.ST stat.ME stat.TH
Confidence intervals for high-dimensional Cox models
在协变量数可能大于样本量的高维Cox比例风险回归模型中,构造回归系数的置信区间。我们的去偏估计量构造类似于Zhang and Zhang(2014)和van de Geer et al.(2014),但时间相关协变量和删失风险集引入了相当多的额外挑战。我们的理论结果,这提供了条件下,我们的置信区间是渐近有效的,支持广泛的数值实验。
2018-03-03 math.ST stat.ME stat.TH
An Optimal Transportation Approach for Improved Confidence Intervals
Geneva School of Economics and Management, University of Geneva(日内瓦大学经济与管理学院);IMUVA, Universidad de Valladolid(巴利亚多利德大学IMUVA)
提出基于最优传输的置信区间构建方法,通过最优耦合最小化覆盖偏差,理论证明一致性并给出误差界,模拟显示优于标准方法。
2026-07-08 math.PR math.ST stat.ME
Confidence Intervals for Algorithmic Leveraging in Linear Regression
大数据时代已经产生了分析和存储计算成本高昂的数据集。数学杠杆提出我们从原始数据集中采样观察结果以生成代表性数据集,然后对代表性数据集进行分析。在本文中,我们提出了有效的算法,为每个算法利用估计的回归系数,渐近覆盖保证有限样本置信区间。在模拟中,我们根据经验确认置信区间具有期望的覆盖概率,而自举置信区间可能没有。
2018-03-10 stat.AP stat.ML
Uncertainty quantification in automated valuation models with spatially weighted conformal prediction
University of Oslo(奥斯陆大学);North Carolina State University(北卡罗来纳州立大学)
针对房价预测中保形预测置信集因空间依赖性而校准不均的问题,提出基于空间加权非一致性分数的校准方法,并在奥斯陆房地产数据及模拟研究中验证了其能提升地理区域间覆盖范围的一致性。
2025-01-30 cs.LG stat.AP stat.ML
Learning Optimal Conformal Classifiers
DeepMind(深度思维);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
现代基于深度学习的分类器在测试数据上显示出非常高的准确性,但这并不能为安全部署提供足够的保证,特别是在医疗诊断等高风险AI应用中。通常,预测是在没有可靠的不确定性估计或正式保证的情况下获得的。共形预测(CP)通过使用分类器的预测来解决这些问题,例如,其概率估计,以预测包含具有用户指定概率的真实类的置信度集。然而,在训练之后使用CP作为单独的处理步骤会阻止底层模型适应置信集的预测。因此,本文探讨了策略,通过CP在培训过程中区分与培训模型的目标与保形包装端到端。在我们的方法中,一致性训练(ConfTr),我们专门在训练期间对小批量进行“模拟”一致性。与标准训练相比,ConfTr降低了训练后应用的最先进CP方法的平均置信集大小(效率低下)。此外,它允许“塑造”在测试时预测的置信集,这对于标准CP来说是困难的。在几个数据集的实验中,我们表明ConfTr可以影响效率如何在类之间分布,或者指导置信集的组成,同时保留CP提供的保证。
2022-05-06 cs.CV cs.LG stat.ME
Well-calibrated Confidence Measures for Multi-label Text Classification with a Large Number of Labels
Albourne Partners (Cyprus) Ltd(阿尔本合伙(塞浦路斯)有限公司);Frederick University(弗雷德里克大学);University of West Bohemia(西波希米亚大学)
本研究针对多标签文本分类中标签幂集归纳共形预测计算效率低的问题,提出排除低p值标签集的高效方法,在多语言数据集上验证其兼具良好校准性与实用价值,且上下文嵌入分类器性能最优。
2023-12-14 cs.CL cs.LG stat.ML
Fiducial Confidence Intervals for Agreement Measures Among Raters Under a Generalized Linear Mixed Effects Model
本文在三级设计下推广经典一致性相关系数(CCC),开发基于模型线性化和置信推断的区间估计方法,该方法在覆盖概率和预期宽度上优于Fisher Z变换法,并通过两个实际应用验证其有效性。
2025-04-13 stat.AP stat.ME
Simultaneous confidence sets for ranks using the partitioning principle - Technical report
医疗中心或大学等机构的排名是基于一个指标,并伴随着不确定性措施,如标准差,置信区间应计算,以评估这些排名的质量。我们考虑的问题,同时构建置信区间的中心的排名的基础上观察到的样本。本文提出了一种基于多重检验的新方法,该方法利用了划分原则,并对划分进行了似然比(LR)检验。该算法的复杂度是超指数的。我们提出了几种方法和快捷方式来降低这种复杂性。我们还提供了一个多项式算法,它通过线性化LR检验的临界值,为多重检验产生一个非常好的括号。我们表明,Tukey的诚实的显着差异(HSD)测试可以被写为一个分区过程。新的方法具有很好的性能,在这个意义上,它打开了一扇门,在一个简单而容易的方式来构建新的方法,可以贸易的指数复杂性与测试的力量,反之亦然。与Tukey的HSD检验相比,当中心彼此接近或数据中的不确定性较高时,LR检验似乎给出更好的结果,这在模拟研究期间得到了证实。
2017-08-09 stat.ME
Permutation-based multiple testing corrections for p-values and confidence intervals for cluster randomised trials
在这篇文章中,我们推导和比较方法,以获得\textit{p} -值和置信区间集与强控制的家庭明智的错误率和覆盖率的估计处理效应在多个结果的集群随机试验。有几种方法用于\textit{p}值校正和推导置信区间,限制了它们在此设置中的应用。我们讨论了Bonferroni,Holm和Romano \& Wolf(2005)的方法,并将其应用于使用不同检验统计量的基于置换的方法进行聚类随机试验推断。我们开发了一种新的搜索程序的置信集集使用置换测试产生一组置信区间下的每种方法的校正。我们进行了一项基于模拟的研究,比较家庭明智的错误率,覆盖率的信心集,和效率的每一个程序相比,没有纠正使用基于模型的标准误和排列测试。我们表明,Romano-Wolf型程序具有名义上的错误率和非独立相关结构下的覆盖率,并且在基于模拟的研究中比其他方法更有效。我们还比较了现实世界试验的分析结果。
2023-02-07 stat.ME
Simulation Study Comparing Two Tests of Second-order Stationarity and Confidence Intervals for Localized Autocovariance
本报告通过模拟比较了二阶平稳性的两种检验。它还提供了几个本地化的自协方差和他们的近似置信区间不同的真实和模拟数据集的例子。一个渐近高斯性结果的实证验证也表明。还描述了用于在配套文件中生成图形的命令。
2016-03-21 stat.ME
Constructing confidence sets for the matrix completion problem
在本说明中,我们考虑的问题,构建诚实的和自适应的信心集的矩阵完成问题。对于噪声方差已知的Bernoulli模型,给出了一种构造适应于真矩阵秩未知的置信集的可实现方法。
2017-04-10 math.ST stat.TH
High-dimensional instrumental variables regression and confidence sets
本文考虑了具有多个回归变量的线性工具变量模型中的推断,这些回归变量都可以是内生的。我们提出了STIV估计。辨识鲁棒置信集是通过求解线性规划得到的。我们目前的收敛速度,变量的选择,置信集,适应稀疏性的结果,并分析使用偏差校正的线性函数向量的置信带。我们还提供了一些工具是内源性的解决方案。该应用程序是EASI需求系统。
2021-08-06 math.ST stat.TH
Adaptive confidence sets for matrix completion
本文研究了矩阵完备化的诚实置信集和自适应置信集的存在性问题。我们考虑两种统计模型:迹回归模型和伯努利模型。在迹回归模型中,我们证明了即使在误差方差未知的情况下,也存在适应矩阵秩未知的诚实置信集。与此相反,我们证明了在伯努利模型中,诚实和自适应的信心集存在时,误差方差是已知的先验。在我们的证明过程中,我们得到了一些复合假设测试问题中出现的低秩推理的极大极小率的界。
2017-02-06 math.ST stat.TH
Confidence sets for nonparametric wavelet regression
我们构造非参数置信集的回归函数使用小波是均匀的Besov球。我们认为阈值和调制估计的小波系数。通过证明由损失函数构造的主元过程一致收敛于均值为零的高斯过程,得到了置信集。反转该主元产生小波系数的置信集,并且由此我们获得回归曲线的泛函的置信集。
2005-05-30 math.ST stat.TH
Nonparametric Confidence Regions for Level Sets: Statistical Properties and Geometry
本文研究并批判性地讨论了密度水平集的非参数置信区域的构造。垂直变化和水平变化的基础上的方法被认为是。通过大样本理论的研究,这些置信区域的行为提供了理论上的见解。我们还讨论了水平和垂直的方法的建设,以及如何有限样本的性能,这些置信区域的几何或拓扑方面的影响的几何关系。这些讨论得到了数值研究的支持。
2019-03-04 math.ST stat.TH
On signal detection and confidence sets for low rank inference problems
研究了低秩备择假设下高斯设计迹回归模型中的信号检测问题。我们推导出精确的(Ingster型)检测边界的Frobenius和核规范。然后,我们应用这些结果表明,诚实的信任集的未知矩阵参数,适应所有低秩子模型的核范数不存在。这表明,最近在(Carpentier,Grossert,Gross和Nickl,2015)中获得的低秩恢复问题置信集的积极结果基本上是最优的。
2015-11-09 math.ST stat.TH
A Geometric Approach to Confidence Sets for Ratios: Fieller's Theorem, Generalizations, and Bootstrap
本文提出了一种几何方法来确定随机变量X和Y的均值比E(Y)/E(X)的置信集。该方法将两个随机变量之比的置信集构造问题归结为一维随机变量均值的置信集构造问题。它适用于各种各样的情况。在正态分布随机变量的情况下,这样构造的置信集与标准的Fieller置信集一致。我们的建设的推广导致非常一般的分布类的精确和保守的置信集的定义,提供的联合期望(X,Y)的存在和线性组合的形式aX + bY是良好的行为。最后,我们的几何方法允许导出一个非常简单的引导方法,用于构建保守的置信度集的比率,在某些情况下,特别是在不对称的重尾制度。
2007-11-01 math.ST stat.ME stat.TH
Confidence sets in a sparse stochastic block model with two communities of unknown sizes
在具有两个大小不等的社区的稀疏随机块模型中,我们得到了两个后验浓度不等式,这意味着(1)在稀疏边界下的社区结构的后验(几乎)精确恢复,这与种植二节模型中众所周知的尖锐边界相当;(2)从可信集构造社区分配的置信集,具有有限的图大小。后者使精确的频率不确定量化与贝叶斯可信集在非渐近图的大小,后验可以很好地模拟。可信度和置信水平之间不成比例:对于给定的边缘概率和期望的置信水平,存在一个临界图大小,其中所需的可信水平从接近1急剧下降到接近0。在这样的图的大小,频率论者决定不包括大多数的后验支持来构建他的置信集,而只包括一小部分包含最高量的后验概率的社区分配(如最大后验估计)。有人认为,对于建议的置信集的建设,一种形式的早期停止适用于MCMC采样的后验,这将使置信集的计算在更大的图形大小。
2021-08-16 math.ST stat.TH
Confidence Sets Based on Sparse Estimators Are Necessarily Large
基于稀疏估计的置信集被证明是大的相比,更标准的置信集,证明估计的稀疏性来在一个相当大的代价方面的质量估计。结果设置在通用参数或半参数框架中。
2009-05-07 math.ST stat.ME stat.TH
Confidence Sets for Multidimensional Scaling
University of California, San Diego(加州大学圣迭戈分校)
本文为经典多维缩放建立统计框架,推导嵌入的分布收敛性,提出bootstrap方法构建刚性变换下的均匀置信集,并验证其有效性及有限样本精度提升。
2025-10-25 cs.LG math.ST stat.ML