Generalised least squares estimation of regularly varying space-time processes based on flexible observation schemes
规则变化的随机过程对不同位置和/或时间点处的过程值之间的极端依赖性进行建模。对于这样的过程,我们提出了一个两步参数估计的极值,当感兴趣的域的一部分是固定的,另一个增加。我们提供了条件的一致性和渐近正态性的经验极值中心的前渐近版本,这样的观察计划。对于具有Fr{é}chet边界的最大稳定过程,我们给出了条件,使得以其真实版本为中心的经验极值图(或偏差校正版本)渐近正态。第二步,对于参数极值模型,我们用广义最小二乘估计拟合参数,并证明了估计的相合性和渐近正态性。我们提出子抽样程序,以获得渐近正确的置信区间。最后,我们将我们的结果应用到各种Brown-Resnick过程。模拟研究表明,该程序也适用于中等样本量。
2018-08-27 math.ST stat.TH
Renewable Learning for Multiplicative Regression with Streaming Datasets
当大量数据以流的形式连续到达时,在线更新是减少存储和计算负担的有效方法。在线更新的核心思想是只使用当前数据和历史原始数据的一些汇总统计量来顺序更新先前的估计量。在这篇文章中,我们开发了一个可更新的学习方法的乘法回归模型与流数据,其中的参数估计的最小产品相对误差标准的基础上更新,而无需重新访问任何历史的原始数据。在一定的正则条件下,证明了更新估计的相合性和渐近正态性。此外,理论结果证实,建议的可更新估计实现了相同的渐近分布的最小产品相对误差估计与整个数据集。数值研究和两个实际数据的例子来评估我们所提出的方法的性能。
2022-10-11 stat.ME
Gaussian Differential Private Bootstrap by Subsampling
本文提出了一种私有的经验 $m$ out of $n$ 自助法,在高斯差分隐私下验证了其一致性,相比私有 $n$ out of $n$ 自助法,该方法降低了计算成本与噪声,提升了统计准确性和有限样本性质。
2025-05-02 cs.LG math.ST stat.CO
A note on centering in subsample selection for linear regression
居中是线性回归分析中常用的技术。使用响应和协变量的中心数据,可以从没有截距的模型计算斜率参数的普通最小二乘估计量。如果从居中的完整数据中选择子样本,则子样本通常不居中。在这种情况下,在没有截距的情况下拟合模型仍然合适吗?答案是肯定的,我们表明,最小二乘估计的斜率参数从一个模型没有截距是无偏的,它有一个较小的方差协方差阵的Loewner顺序比从一个模型的截距。我们进一步表明,对于非信息加权子采样时,使用加权最小二乘估计,使用全数据加权均值重新定位子样本提高了估计效率。
2022-09-30 stat.CO stat.ME
Fixed-Point Estimation of the Drift Parameter in Stochastic Differential Equations Driven by Rough Multiplicative Fractional Noise
Universitat Pompeu Fabra(庞培法布拉大学);Institut de Mathématiques de Toulouse, Université Paul Sabatier(图卢兹数学研究所,保罗·萨巴蒂尔大学);Laboratoire Modal’X, Université Paris Nanterre(Modal'X实验室,巴黎楠泰尔大学)
针对Hurst参数H∈(1/3,1)的乘性分数布朗噪声驱动的随机微分方程,提出基于Skorokhod积分的定点估计方法,通过Malliavin导数重公式化控制逼近误差,建立估计量的适定性、渐近置信区间和非渐近风险界。
2026-05-26 math.ST stat.TH
Robust Learning-Based Control via Bootstrapped Multiplicative Noise
University of Texas at Dallas(德克萨斯大学达拉斯分校)
尽管在自适应控制和强化学习方面进行了数十年的研究和最近的进展,但仍然缺乏对设计控制器的基本理解,这些控制器对由有限噪声数据估计的模型产生的固有非渐近不确定性提供鲁棒性。我们提出了一种鲁棒自适应控制算法,明确地将这种非渐近不确定性的控制设计。该算法有三个组成部分:(1)一个最小二乘标称模型估计;(2)一个自举响应方法,量化的非渐近方差的标称模型估计;和(3)一个非传统的鲁棒控制设计方法,使用最优线性二次型调节器(LQR)与乘性噪声。所提出的方法的一个主要优点是,系统辨识和鲁棒控制设计过程都使用随机不确定性表示,使实际固有的统计估计不确定性直接对准的不确定性的鲁棒控制器的设计。我们通过数值实验表明,所提出的鲁棒自适应控制器可以显着优于确定性等价控制器的预期后悔和后悔风险的措施。
2021-08-11 cs.LG cs.SY eess.SY
Minimax Theory of Likelihood-Based Deep Learning for Speckle Regression
University of Notre Dame(圣母大学)
研究乘性散斑噪声和加性高斯噪声模型下平滑非参数回归函数的极小极大估计,用基于似然的深度神经网络估计器,建立估计误差上界与极小极大下界,证明估计难度不变,数值实验验证方法有效性。
2026-07-16 math.ST stat.ML stat.TH
Identifying Conditions Favouring Multiplicative Heterogeneity Models in Network Meta-Analysis
University of Waterloo(滑铁卢大学)
通过比较加性随机效应与乘性效应模型在nmadb数据库中的表现,发现乘性模型在拟合优度上相当或更优,且对极端观测和发表偏倚更稳健。
2026-06-17 stat.ME
New algorithms for computing the least trimmed squares estimator
与经典的最小二乘(LS)方法不同,Schloseuw(1984)提出了最小化$n$($n/2 \leq h < n$)最小残差平方和的方法,得到的估计量称为最小截尾平方(LTS)。LTS的思想很简单,但它的计算是具有挑战性的,因为没有LS型的分析计算公式存在了。自其出现以来,已经进行了尝试,可行解算法(Hawkins(1994)),fastlts.f(Risseeuw和Van Driessen(1999))和FAST-LTS(Risseeuw和Van Driessen(2006))等都是有希望的近似算法。后两者已由Valentin Todorov并入R函数ltsReg。这些算法利用组合或子采样方法。LTS具有良好的软件可访问性和快速的计算速度,具有许多理想的性质,已成为多学科中最受欢迎的稳健回归估计器之一。本文提出了分析方法-采用目标函数的一阶导数(梯度)和二阶导数(Hessian矩阵)。我们的近似算法的LTS审查合成和真实数据的例子。与ltsReg -稳健回归的基准和众所周知的速度相比,我们的算法在速度和精度标准方面是相当的(有时甚至是有利的)。其他主要贡献包括:(i)分别在经验和总体设置下产生唯一性和强和Fisher一致性;(ii)在一般设置下推导影响函数;(iii)用整洁和一般的方法重新建立估计量的渐近正态性(因此是根-n一致性)。
2022-10-12 stat.CO
Supervised Kernel Thinning
Cornell Tech, Cornell University(康奈尔科技学院,康奈尔大学)
本研究将核压缩(KT)算法推广至有监督核学习场景,结合Nadaraya-Watson回归与核岭回归实现训练推理的二次加速,证明其兼具更优计算与统计效率,并给出新的乘法误差保证,经实验验证有效。
2025-01-15 cs.LG math.ST stat.ML
Estimating Viral Genetic Linkage Rates in the Presence of Missing Data
尽管人们对使用社交和信息网络的兴趣越来越大,但大多数关于网络的推论都假设收集的数据代表了完整的信息。然而,当忽略缺失数据时,甚至当完全随机缺失时,这会导致关于推理网络相关参数的估计量的偏倚。在本文中,我们专注于构建概率的估计,随机选择的节点有节点至少有一个边缘的假设下,节点是完全随机缺失完全随机缺失及其相应的边缘。此外,问题也出现在获得这样的估计渐近性质,因为跨节点的联动指标是相关的,防止直接应用的中心极限定理和大数定律。使用二次抽样的方法,我们提出了一个改进的估计我们的参数的兴趣,以适应缺失数据。利用U-统计量理论,我们得到了所提出的估计量的相合性和渐近正态性。这种方法减少了估计我们感兴趣的参数时的偏差。我们说明我们的方法使用的HIV病毒株从一个大的群集随机试验的艾滋病毒预防干预组合-博茨瓦纳联合预防项目(BCPP)。
2022-03-24 math.ST stat.ME stat.TH
Maximum likelihood estimation in the additive hazards model
加性风险模型以加性方式指定协变量对风险的影响,与流行的Cox模型相反,它是乘法的。作为非参数模型,它提供了一种非常灵活的建模时变协变量效应的方法。它通常由普通最小二乘估计。本文考虑协变量有界的情形,在协变量定义域中所有协变量值的风险均为非负的约束下,导出了极大似然估计。我们描述了一个有效的算法来找到极大似然估计。该方法与普通的最小二乘法在模拟研究中进行了对比,并在一个现实的数据集上说明了该方法。
2022-01-20 stat.ME
Simulation study to evaluate when Plasmode simulation is superior to parametric simulation in estimating the mean squared error of the least squares estimator in linear regression
该研究以线性回归最小二乘估计量的均方误差估计为场景,对比参数模拟与Plasmode模拟的性能,探究假设偏差等因素对两类模拟的影响,明确了不同场景下的优选模拟方法及Plasmode模拟的适用重采样策略。
2025-06-17 stat.CO stat.ME
Enhancing Statistical-Computational Balance in Uncertainty Quantification of Bagging: A Cheap Bootstrap Approach
Columbia University(哥伦比亚大学)
本文针对Bagging不确定性量化中覆盖有效性与计算成本难以平衡的问题,基于廉价自助法思想提出一种区间构造方法,该方法计算量远小于现有方法,在随机森林等实验中表现出可靠覆盖性能。
2026-10-14 stat.ME
Robust Forecasting of Sequences with Periodically Stationary Long Memory Multiplicative Seasonal Increments Observed with Noise and Cointegrated Sequences
BNP Paribas Cardif(法国巴黎银行康菲);Taras Shevchenko National University of Kyiv(基辅塔拉斯舍甫琴科国立大学)
本文针对带周期平稳噪声观测且具有周期平稳增量的随机序列,研究线性泛函的最优稳健估计问题,在谱密度已知和仅知可容许集合两种情形下分别给出最优估计及极小极大谱特征的计算公式。
2025-11-07 math.ST stat.TH
Robust filtering of sequences with periodically stationary multiplicative seasonal increments
研究了具有周期平稳、多季节、积分和分数积分模式的分数阶广义多重增量随机序列$ξ(k)$。我们解决了线性泛函的滤波问题,构造的随机序列$ξ(k)$的未观测值的基础上与周期平稳噪声序列的观察。对于已知矩阵的谱密度序列,我们得到的公式计算值的均方误差和最佳估计的泛函的谱特性。在序列的谱密度不完全已知的情况下,给出了确定泛函的最优线性估计的最不利谱密度和极小极大(鲁棒)谱特征的公式.
2021-10-14 math.PR math.ST stat.TH
Robust interpolation of sequences with periodically stationary multiplicative seasonal increments
BNP Paribas Cardif(法国巴黎银行卡迪夫);Taras Shevchenko National University of Kyiv(基辅塔拉斯·舍甫琴科国立大学)
本文研究具有分数阶周期平稳广义多重增量且含多季节与积分模式的随机序列插值问题,在谱密度已知时给出最优插值误差公式,在谱密度不确定时提出极小极大稳健谱特性公式。
2025-11-10 math.ST stat.TH
Finite-time Identification of Stable Linear Systems: Optimality of the Least-Squares Estimator
Royal institute of Technology (KTH)(瑞典皇家理工学院)
我们提出了稳定线性定常系统普通最小二乘(OLS)估计器估计误差的新有限时间分析。我们将观测样本的数量(观测轨迹的长度)描述为足以使OLS估计器为$(\varepsilon,δ)$ -PAC,即,以产生小于$\varepsilon$的估计误差,概率至少为$1-δ$。我们表明,这个数字匹配现有的样本复杂度下界[1,2]的通用乘法因子(独立的($\varepsilon,δ)$和系统)。因此,本文建立了稳定系统OLS估计的最优性,这是文[1]中的一个结果。我们对OLS估计器性能的分析比现有的分析更简单,更清晰,更容易解释。它依赖于协变量矩阵的新浓度结果。
2020-03-26 cs.LG cs.SY eess.SY