An efficient and doubly robust empirical likelihood approach for estimating equations with missing data
本文考虑了当数据随机缺失时，由一般估计方程定义的参数的经验似然推断。现有的估计的效率关键取决于正确指定的条件期望的估计函数给定的随机观测值的观测分量。当条件期望没有被正确指定时，即使（缺失的）倾向函数被正确指定，估计的效率也会严重受损。我们提出了一个有效的估计，它具有双重鲁棒性，并且可以在估计方程的估计函数所生成的估计函数类内达到半参数有效界，如果正确指定倾向模型和回归模型（条件期望）。此外，如果正确地指定了倾向模型，但错误地指定了回归模型，所提出的估计仍然实现了半参数效率下界内更一般的估计函数类。仿真结果表明，所提出的估计是强大的对误设定的倾向模型或回归模型，并优于许多现有的竞争对手的意义上有较小的均方误差。此外，使用我们的方法进行统计推断，既不需要重采样，也不需要核平滑。一个真实数据的例子来说明所提出的方法。
2016-12-03 stat.ME
Generalized Ridge Regression: Applications to Nonorthogonal Linear Regression Models
本文研究广义岭回归在缓解多元线性回归多重共线性中的应用，推导了估计方差、变异系数、相关系数、方差膨胀因子和条件数的表达式，并用两个数值例子验证结果。
2025-04-08 stat.ME
Generalized Ridge Regression: Biased Estimation for Multiple Linear Regression Models
本文针对多元线性回归中回归变量非正交导致普通最小二乘估计不佳的问题，系统研究了广义岭回归的估计、均方误差、拟合优度及自助法推断。
2024-07-02 stat.ME
Solving estimating equations with copulas
由于它们能够捕捉复杂的依赖结构，copula经常被用来将随机变量粘合到具有任意边缘分布的联合模型中。最近，它们已被应用于解决统计学习问题，如回归或分类。将这些方法构建为估计方程的解，我们将它们概括在一个统一的框架中。然后，我们可以在多个类似回归的问题上获得同时的、连贯的推论。我们得到相应的估计的自举的一致性，渐近正态性和有效性。该条件允许连续和离散数据以及参数，非参数和半参数估计的copula和边缘分布。这种方法的多功能性说明了几个理论的例子，模拟研究，并应用到金融投资组合配置。
2022-08-19 stat.ME
Estimating Derivatives of Function-Valued Parameters in a Class of Moment Condition Models
我们开发了一个通用的方法来估计的衍生物的函数值参数$θ_o(u)$，确定为每个值的$u$作为解决方案的时刻条件。这个设置特别涵盖了条件分布的许多有趣的模型，例如分位数回归或分布回归。利用$θ_o(u)$解决了矩条件，我们从隐函数定理得到了其导数的显式表达式，并通过适当的样本模拟来估计该表达式的分量，这需要使用（局部线性）光滑。然后，我们的估计可以用于各种目的，包括估计的条件密度函数，分位数部分效应，和结构拍卖模型在经济学。
2016-10-28 stat.ME
Data Mining for Longitudinal Data under Multicollinearity and Time Dependence using Penalized Generalized Estimating Equations
针对存在多重共线性的纵向高斯数据，提出了基于弹性网或L2-光滑剪切绝对偏差惩罚的惩罚广义估计方程，以同时选择最重要的变量并估计其影响.即使存在强相关性，该方法也能够一致地选择和估计主效应。此外，澄清了时间依赖性协变量的潜在陷阱。渐近理论和仿真结果都表明了惩罚作为纵向数据的数据挖掘工具的有效性，特别是当存在大量变量时。该方法说明了在欧洲的预期寿命的主要决定因素挖掘。
2012-11-22 stat.ME
Generalized High-Dimensional Trace Regression via Nuclear Norm Regularization
本文研究了回归系数矩阵接近低秩的广义迹回归，推广了回归系数向量稀疏性的概念。具体地，给定矩阵协变量$X$，概率密度函数$f(Y\vert X)=c(Y)\exp{(ϕ^{-1}\left[-Yη^* + b(η^*)\right])}$，其中$η^*=tr({Θ^*}^TX)$。该模型可容纳各种类型的响应，并包含许多重要的问题设置，例如降秩回归，矩阵回归，可容纳一组回归量，矩阵完成等。我们通过最小化经验负对数似然加上核范数惩罚来估计$Θ^*$。我们首先建立了一个一般的理论，然后对于每个特定的问题，我们推导出明确的统计率的估计。它们都匹配线性迹回归中的极小极大率，直到对数因子。数值研究证实了我们建立的速率，并证明了广义迹回归的优势，线性迹回归时的响应是二分的。我们还展示了将核范数正则化用于动态股票收益预测和图像分类的好处。
2017-10-23 stat.ME
A penalized logistic generalized regression estimator
Reed College（里德学院）；Bucknell University（巴克内尔大学）；Genospace
本文在模型辅助框架下提出一种惩罚逻辑广义回归估计量，结合Lasso或Ridge惩罚控制辅助变量影响，经模拟和实例验证可提高稀疏模型下估计效率，适用于含多辅助变量的复杂调查数据场景。
2026-09-01 stat.ME
A Multiple Linear Regression Approach For Estimating the Market Value of Football Players in Forward Position
运用多元线性回归方法，对2017-2018赛季我国足球运动员的市场价值进行了研究。以欧洲4大联赛的运动员为研究对象，通过方差齐性检验，建立了0.10显著性水平内的回归模型，并对影响因素进行了详细的分析。
2018-07-03 stat.AP
Smoothed estimating equations for instrumental variables quantile regression
工具变量分位数回归的矩条件或估计方程涉及到不连续指示函数。相反，我们使用平滑估计方程（SEE），带宽为$h$。我们表明，SEE的向量的均方误差（MSE）是最小化的一些$h>0$，导致较小的渐近MSE的估计方程和相关的参数估计。相同的MSE最优$h$还最小化了基于SE的$χ^2$检验的高阶第一类错误，并增加了大样本中的大小调整功效。SEE估计量的计算也变得更简单，更可靠，特别是（更多）内生回归。蒙特卡罗模拟在有限样本中证明了所有这些优越的特性，并且我们将我们的估计器应用于JTPA数据。平滑估计方程不仅仅是建立Edgeworth展开和自举精化的技术操作;它还带来了更精确的估计和更强大的测试的真正好处。估计器、模拟和经验示例的代码可从第一作者的网站获得。
2016-09-28 econ.EM math.ST stat.AP
An efficient Averaged Stochastic Gauss-Newton algorithm for estimating parameters of non linear regressions models
非线性回归模型是对真实现象建模的标准工具，在机器学习、生态学、计量经济学等领域有多种应用..多年来，模型参数的估计已经引起了人们的广泛关注。本文主要讨论非线性回归参数估计的一种递推方法。事实上，这些方法，其中最著名的可能是随机梯度算法及其平均版本，能够有效地处理大量数据顺序到达。然而，在实践中，它们可能对我们想要最小化的泛函的Hessian的特征值处于不同尺度的情况非常敏感。为了避免这个问题，我们首先介绍了一个在线的随机高斯-牛顿算法。为了改善在初始化不好的情况下的估计行为，我们还引入了一种新的平均随机高斯-牛顿算法，并证明了它的渐近有效性。
2020-09-16 math.ST stat.TH
Smoothed quantile regression for censored residual life
我们考虑了一个回归模型的分位数的剩余寿命，剩余寿命在一个特定的时间。我们提出了一个光滑的诱导版本现有的非光滑估计方程的方法估计回归参数。所提出的估计方程是光滑的回归参数，所以解决方案可以很容易地通过标准的数值算法得到。此外，在建议的估计方程的光滑性，使人们能够获得一个强大的ESTA型协方差估计的回归估计的辅助下，一个有效的恢复方法。为了处理右截尾数据，采用截尾权的逆概率作为权值。建立了估计量的相合性和渐近正态性。广泛的模拟研究进行验证所提出的估计在各种有限样本设置的性能。我们将所提出的方法应用于牙科研究数据，以评估牙科牙齿的寿命。
2022-05-01 stat.CO
PLS Generalized Linear Regression and Kernel Multilogit Algorithm (KMA) for Microarray Data Classification
本文将Bastien等人（2005）提出的偏最小二乘广义线性回归（PLSGLR）与逻辑斯谛回归和线性判别分析相结合，得到偏最小二乘广义线性回归-逻辑斯谛回归模型（PLSGLR-log）和偏最小二乘广义线性回归-线性判别分析模型（PLSGLRDA）。这两种分类方法，然后与经典的方法，如k-近邻（KNN），线性判别分析（LDA），偏最小二乘判别分析（PLSDA），岭偏最小二乘（RPLS），和支持向量机（SVM）进行比较。此外，我们实现了Dalmau等人的核多对数算法（KMA）。（2015）并将其性能与其他分类器进行了比较。结果表明，对于未经预处理和预处理的数据，KMA具有最低的分类错误率。
2019-06-19 stat.CO stat.ME
Generalized Method of Moments and Percentile Method: Estimating parameters of the Novel Median Based Unit Weibull Distribution
针对新型基于中位数的单位 Weibull 分布在 MLE 参数估计中存在大方差的问题，本文引入 GMMs 与百分位法进行参数估计，并通过真实数据分析说明方法应用。
2024-10-28 math.PR stat.ME
Estimating spatial quantile regression with functional coefficients: A robust semiparametric framework
本文考虑空间数据半参数变系数分位数回归的一种估计。一个通用的强大的框架，对待分位数回归空间数据的自然半参数的方式。利用局部线性逼近，给出了未知函数系数函数的局部M-估计，并在弱空间混合条件下建立了其渐近分布.土壤数据集的应用证明了有趣的发现，超越传统的分析。
2014-02-05 math.ST stat.TH
Generalized Orthogonal Components Regression for High Dimensional Generalized Linear Models
在这里，我们提出了一个算法，称为广义正交成分回归（GOCRE），探讨一个分类的结果和一组大量的变量之间的关系。一组正交分量被依次构造以解释分类结果的变化，并且一起构建广义线性模型（GLM）。该算法可以被认为是偏最小二乘（PLS）的GLM的扩展，但克服了现有的基于迭代重加权最小二乘（IRLS）的扩展的几个问题。首先，现有的扩展在每次迭代时构造不同的组件集，因此不能提供收敛的组件集。其次，现有的扩展是计算密集型的，因为重复构建一套完整的组件。第三，虽然他们追求回归系数的收敛，但得到的回归系数仍然可能发散，特别是在建立逻辑斯谛回归模型时。相反，GOCRE在收敛构造时顺序地建立每个正交分量，并且同时对这些正交分量进行回归以拟合GLM。仿真研究和实际数据的例子都证明了新方法的性能。
2013-04-17 stat.CO stat.ME
Parametric bootstrapping in a generalized extreme value regression model for binary response
当我们研究代表罕见事件的二元响应变量$Y$和潜在预测变量$\mathbf{X}$之间的关系时，广义极值（GEV）回归往往更适合。特别地，我们使用GEV分布的分位数函数作为链接函数。Bootstrapping将准确性的度量（偏倚、方差、置信区间、预测误差、假设检验）分配给样本估计值。该技术允许使用随机抽样方法估计几乎任何统计量的抽样分布。Bootstrapping通过从近似分布中采样时测量估计量的属性来估计估计量的属性。本文首先对广义极值回归模型进行拟合，然后用参数Bootstrap方法检验假设，估计广义极值回归模型参数的置信区间，并给出一个实际数据应用。
2021-05-02 stat.AP stat.ME
surveygenmod2: A SAS macro for estimating complex survey adjusted generalized linear models and Wald-type tests
本文介绍 surveygenmod2 SAS 宏，在 da Silva（2017）的复杂调查广义线性模型宏基础上修复错误，并新增基于系数与协方差矩阵的参数组 Wald 型检验功能。
2024-06-11 stat.CO stat.ME
Efficient Algorithms for Estimating the Parameters of Mixed Linear Regression Models
Splunk（斯邦克）；University of Southern California（南加州大学）
混合线性回归（MLR）模型是用于使用线性模型的混合来对非线性分布进行建模的最典型的统计工具之一。当MLR模型中的加性噪声为高斯噪声时，EM算法是MLR参数极大似然估计的一种常用算法。然而，当噪声是非高斯的，期望最大化算法的步骤可能没有封闭形式的更新规则，这使得期望最大化算法不切实际。本文研究了加性噪声为非高斯分布时MLR模型参数的极大似然估计。特别是，我们考虑的情况下，噪声具有拉普拉斯分布，我们首先表明，与高斯的情况下，所得到的子问题的期望最大化算法在这种情况下不具有封闭形式的更新规则，从而防止我们使用EM在这种情况下。针对这一问题，提出了一种基于交替方向乘子法（ADMM）和期望最大化算法思想相结合的新算法。数值实验表明，在非高斯噪声情况下，该方法在统计精度和计算时间上均优于期望最大化算法。
2021-05-12 cs.LG math.OC stat.ME
Nonparametric Multivariate L1-median Regression Estimation with Functional Covariates
当协变量取值于无穷维空间时，本文提出了多元条件分布的L1-中位数的非参数估计。多变量情况更适合于同时预测随机变量向量的分量，而不是分别预测它们中的每一个。在利用著名的Nadarya-Waston估计量估计条件L1-median函数时，我们证明了该估计量的强相合性和渐近正态性。我们还提出了一些模拟，并提供如何建立条件con？多元L1-中位数回归的置信椭圆。对化学计量实际数据进行了数值研究，比较了协变量X为曲线，X为随机向量时多元L1-中位数回归与边际中位数回归向量的异同。
2013-04-16 math.ST stat.ME stat.TH
Estimating the minimizer and the minimum value of a regression function under passive design
该研究提出被动设计下光滑强凸回归函数极小点与最小值的估计方法，极小点估计结合正则化局部多项式梯度估计与投影梯度下降，最小值估计采用两阶段策略，证明了算法达到极小极大最优收敛速率。
2023-10-08 math.ST stat.ML stat.TH
Estimating the logistic regression equation when the model is incorrect
Norwegian Computing Centre（挪威计算中心）；University of Oslo（奥斯陆大学）
研究当逻辑回归模型仅为真实函数的近似时，基于似然的估计量（如最大似然估计）的一致性和渐近正态性，并指出最小化加权距离的“最小假”参数值。
2026-05-26 math.ST stat.TH
Optimal Estimating Equation for Logistic Regression with Linked Data
我们提出了一个最佳估计方程的逻辑斯谛回归与链接的数据，同时考虑到假阳性。它建立在以前的解决方案上，但在大样本中以较小的方差估计回归系数。
2017-08-15 stat.ME
A Novel Approach in Solving Stochastic Generalized Linear Regression via Nonconvex Programming
本文提出一种基于非凸规划、聚类和分位数估计的随机广义线性回归求解方法，在F1、精确率和召回率上比普通逻辑回归提升1至2个百分点。
2024-01-16 math.OC stat.ML
Nonparametric regression with filtered data
我们提出了一个一般原则，估计一个回归函数非参数，允许各种各样的数据过滤，例如，重复左截断和右删失。平均值和中位数回归的情况下被认为是。该方法的工作原理是首先估计条件风险函数或条件生存函数，然后积分。我们还研究了改进的方法，考虑到模型结构，如独立的错误，并表明这种方法可以提高性能时，模型结构是真的。我们建立了估计量的逐点渐近正态性。
2011-02-09 math.ST stat.TH
On the Optimality of Functional Sliced Inverse Regression
本文证明函数型切片逆回归在估计函数型充分降维中心空间时达极小极大最优速率，通过集中不等式、截断方案及模拟验证。
2025-04-15 math.ST stat.TH
Accuracy Assessment for High-dimensional Linear Regression
本文考虑随机设计下高维线性回归中估计量$\ell_q$损失的点估计和区间估计。我们建立了估计$\ell_{q}$损失的Minimax率和回归向量的率最优估计的$\ell_{q}$损失的Minimax期望置信区间长度，包括常用的估计，如Lasso，scaled Lasso，square-root Lasso和Dantzig Lasso。还研究了$\ell_{q}$损失的置信区间的自适应性。研究了同一性设计协方差阵和已知噪声水平的设置以及未知设计协方差阵和未知噪声水平的设置。结果显示，使用$1\le q <2$估计$\ell_2$损失和$\ell_q$损失之间以及两种设置之间存在有趣且显著的差异。新的技术工具的开发，以建立率急剧下降的最小最大估计误差和预期长度的最小和自适应置信区间的$\ell_q$损失。损失估计与传统的参数估计的一个显著区别在于，损失估计的约束条件是回归向量估计量的性能，而下界则是估计其$\ell_q$损失的难度。本文中开发的技术工具也可以是独立的兴趣。
2016-09-24 math.ST stat.TH
Generalized Method of Moments Estimator Based On Semiparametric Quantile Regression Imputation
在这篇文章中，我们考虑一种插补方法来处理基于半参数分位数回归估计的缺失响应值。在所提出的方法中，缺失的响应值生成使用估计的条件分位数回归函数在给定的协变量值。我们采用广义矩量法估计的参数定义通过一个一般的估计方程。我们证明了所提出的估计，它结合了半参数分位数回归插补和广义矩方法，具有竞争优势，对一些最广泛使用的参数和非参数插补估计。证明了估计量的相合性和渐近正态性，并给出了方差估计。有限的模拟研究和实证研究的结果，显示所提出的方法的充分性。
2014-04-11 math.ST stat.TH
Asymptotic results with generalized estimating equations for longitudinal data
我们考虑Liang和Zeger [Biometrika 73（1986）13-22]的边际模型用于纵向数据的分析，并且我们为这样的模型发展了一个统计推断理论。证明了一个定义为伪似然方程根的估计序列的存在性、弱相合性和渐近正态性。
2005-05-27 math.ST stat.TH
$p$-Generalized Probit Regression and Scalable Maximum Likelihood Estimation via Sketching and Coresets
TU Dortmund University（多特蒙德工业大学）；Dortmund Data Science Center（多特蒙德数据科学中心）
本文研究了$p$ -广义概率单位回归模型，它是一个二元响应的广义线性模型。它扩展了标准的概率单位模型，用$p$-$p\in[1, \infty)$的广义正态分布替换其链接函数，标准正态cdf。$p$ -广义正态分布\citep{Sub23}在统计建模中具有特殊意义，因为它们更灵活地拟合数据。它们的尾部行为可以通过选择参数$p$来控制，该参数影响模型对离群值的敏感性。特殊情况包括拉普拉斯分布、高斯分布和均匀分布。我们进一步展示了如何最大似然估计$p$ -广义概率回归可以有效地近似到$(1+\varepsilon)$的大数据的一个因素，通过结合草图技术与重要性子采样，以获得一个小的数据摘要称为coreset。
2022-03-25 cs.DS cs.LG stat.ML
Two-step spline estimating equations for generalized additive partially linear models with large cluster sizes
本文利用估计方程，提出了一种两步估计方法，用于估计具有聚类数据的广义可加部分线性模型。我们所提出的方法适用于每个集群的观测数允许增加的情况下，独立的主题。我们建立了每个函数分量的两步估计的Oracle属性，使得它通过假设参数向量和所有其他函数分量是已知的来执行以及单变量函数估计。得到了估计量的渐近分布和相合性。模拟连续和二进制响应变量的随机样本实验证实了渐近结果。我们举例说明的方法与美国失业数据集的应用程序。
2013-02-19 math.ST stat.TH
Estimating multi-index models with response-conditional least squares
多指标模型是一个简单而强大的高维回归模型，它可以避免维数灾难，假设$ \mathbb{E} [ Y | X ] = g(A^\top X) $为某些未知的指标空间$A$和链接函数$g$。本文介绍了一种指标空间的估计方法，并研究了在链函数回归中指标空间估计的传播误差。所提出的方法近似的指数空间的跨度线性回归斜率系数计算的水平集的数据。基于普通最小二乘，我们的方法是易于实现和计算效率。我们证明了一个紧密的浓度范围，显示$N^{-1/2}$收敛，但也忠实地描述了所选择的水平集分区的依赖，从而给出指示的超参数调整。通过与最先进的方法在合成和真实数据集上的广泛比较，证实了估计器的竞争力。作为第二个贡献，我们建立最小最大最优泛化边界的k-最近邻和分段多项式回归时，训练的样本投影到任何$N^{-1/2}$ -相合估计的索引空间，从而提供完整的和可证明的估计的多指标模型。
2020-06-03 math.ST stat.TH
Estimating Generalized Additive Conditional Quantiles for Absolutely Regular Processes
针对严格平稳绝对正则过程，提出带未知链接函数的广义加性条件分位数非参数估计方法，并证明各估计量的相合速率、二阶渐近展开与逐点渐近正态性。
2023-06-06 math.ST stat.TH
Generalized Minimum Distance Estimators in Linear Regression with Dependent Errors
本文讨论了具有相依误差的强混合线性回归模型的最小距离估计方法。利用最小距离估计方法对回归参数进行了估计，并讨论了估计量的渐近分布性质。仿真研究比较了最小距离估计与其他著名的估计性能。这个模拟研究显示了最小距离估计优于另一种估计。用于模拟研究的KoulMde（R软件包）可在线获得。详情见第4节。
2017-01-05 math.ST stat.TH
Improving KernelSHAP: Practical Shapley Value Estimation via Linear Regression
University of Washington（华盛顿大学）
合作博弈论中的Shapley值概念已经成为解释ML模型的流行技术，但有效地估计这些值仍然具有挑战性，特别是在模型不可知的环境中。在这里，我们重新审视通过线性回归估计Shapley值的想法，以理解和改进这种方法。通过分析原始KernelSHAP以及新提出的无偏版本，我们开发了检测其收敛性和计算不确定性估计的技术。我们还发现，原来的版本会导致一个可忽略不计的偏差增加，以换取显着降低方差，我们提出了一个方差减少技术，进一步加快收敛的两个估计。最后，我们开发了一个版本的KernelSHAP随机合作游戏，产生快速的新估计的两个全球性的解释方法。
2021-04-23 cs.LG stat.ML
Estimating the Ratio of Two Functions in a Nonparametric Regression Model
由于测量噪声的存在，如何估计两个函数的比值是各个领域中普遍存在的问题。本文研究了非参数回归模型中两个函数之比的估计问题。假设噪声是正态分布的，这相当于估计两个正态分布随机变量的均值比。我们确定了一个相合估计量，当以高概率事件为条件时，它给出了$O(1/n)$阶的均方损失（$n$是样本量）。我们还提出了我们的结果适用于实际数据从EAPS和模拟数据，证实了我们的理论结果。
2013-11-26 stat.ME
Appropriate use of parametric and nonparametric methods in estimating regression models with various shapes of errors
本文提出了一种实用的回归模型估计方法，它采用半参数有效得分函数，适用于具有各种形状误差的数据。首先，我推导出半参数有效的分数向量的同方差回归模型没有任何假设的错误。接下来，可以根据误差分布的形状假设误差的特定参数分布或者通过非参数地估计误差分布来修改半参数有效得分函数。误差的非参数方法可用于估计感兴趣的参数或找到适当的参数误差分布。在这方面，所提出的估计方法适当地利用参数和非参数方法的误差。通过数值研究，所提出的估计方法的性能进行了论证。
2023-01-20 stat.ME
Grouped Generalized Estimating Equations for Longitudinal Data Analysis
广义估计方程（GEE）被广泛用于纵向数据的回归建模，考虑到同一主题内的潜在相关性。尽管标准GEE假设所有受试者的回归系数相同，但当受试者之间的回归系数存在潜在异质性时，这种假设可能不现实。在本文中，我们开发了一个灵活的和可解释的方法，称为分组GEE分析，建模纵向数据允许异质性的回归系数。所提出的方法假设受试者被分成有限数量的组，并且同一组内的受试者共享相同的回归系数。我们提供了一个简单的算法分组的主题和估计的回归系数同时，并显示所提出的估计的渐近性质。组数可以通过交叉验证平均法确定。我们证明了所提出的方法，通过模拟研究和应用程序到一个真实的数据集。
2022-07-08 stat.ME
Estimating the Variance of Measurement Errors in Running Variables of Sharp Regression Discontinuity Designs
当运行变量包含测量误差时，通过回归不连续性设计估计处理效应面临严峻的挑战，因为这些误差平滑了识别所依赖的不连续性。已有的研究表明，在这种情况下，测量误差的方差在偏差校正和辨识中起着至关重要的作用。然而，从数据估计方差的方法相对不发达。本文对锐回归连续性设计中运行变量的测量误差的方差提出了两个估计。所提出的估计量可以仅仅从观察到的运行变量和治疗分配的数据构建，并且不需要任何其他外部信息源。
2019-09-23 stat.ME
Estimating Broad Sense Heritability via Kernel Ridge Regression
针对现有方法多聚焦狭义遗传力估计的问题，本文提出基于核岭回归的广义遗传力估计方法，给出估计量上下界，经模拟及真实数据验证有效，可应用于疾病相关遗传研究。
2024-11-01 stat.ME
Estimating Shapley Effects in Big-Data Emulation and Regression Settings using Bayesian Additive Regression Trees
本文提出一种基于贝叶斯加性回归树的Shapley效应估计器，适用于高维（数百维）非参数回归，并给出后验一致性理论保证及多维度测试验证。
2025-05-24 stat.ME
Estimating the average treatment effects of nutritional label use using subclassification with regression adjustment
当治疗分配未随机化时，倾向得分方法通常用于估计二元处理效应。当暴露在有序尺度上测量时（即，低-中-高），然而，倾向得分推断需要得到有限关注的扩展。有序暴露的可能关注估计值是每对暴露水平之间的平均处理效应。使用这些被估量，可以确定最佳暴露水平。传统的方法，包括暴露的二分法或一系列暴露对之间的二元倾向得分比较，通常不足以识别最佳水平。我们将子分类与回归调整相结合，以估计有序暴露之间的传递性，无偏平均因果效应，并将我们的方法应用于2005-06年全国健康与营养检查调查，以估计营养标签使用对体重指数的影响。
2014-11-30 stat.ME
Estimating heterogeneous treatment effects by W-MCM based on Robust reduced rank regression
本文提出基于稳健降秩回归的W-MCM方法，用于多结局场景下的异质性处理效应估计与有效亚组识别，能够处理结局间高相关性和离群值，并通过模拟与真实数据验证其有效性。
2024-08-01 stat.ME
Estimating network-mediated causal effects via principal components network regression
提出主成分网络回归方法，将社交网络上的因果效应分解为网络介导的间接效应与独立直接效应，假设潜在社会群体为中介，证明渐近理论并指出现有方法存在过度控制偏差，适用于多种结构化数据。
2025-03-06 stat.ME
Estimating the evidence -- a review
在贝叶斯范式下，模型证据是比较统计模型的一个重要量。本文对常用的方法进行了综述。我们列出了一些指导方针，并提供了一些实用的建议。综述的方法进行了比较，两个例子，非嵌套高斯线性回归和协变量子集选择逻辑斯谛回归。
2011-11-08 stat.ME
On generalized estimating equations for vector regression
广义估计方程（GEE;梁和Zeger 1986）一般向量回归设置检查。当响应向量是混合类型的（例如连续二元响应对）时，GEE方法是全似然copula方法的半参数替代方法，并且与Prentice & Zhao（1991）的均值-协方差估计方程方法密切相关。当响应向量是相同类型的（例如左眼和右眼的测量）时，GEE方法可以被视为现有方法的“插件”，例如Yee（2015）最先进的VGAM R包中的vglm函数。在这两种情况下，GEE方法提供了渐近正确的推断模型参数，无论是否工作的方差-协方差模型是正确或不正确的指定。使用基于烧伤数据集（Song 2007）和Sorbinil眼试验数据集（Rosner et. al 2006）。该方法适用于数据分析的例子，使用相同的两个数据集，以及在奥克兰的Hunua范围内的三种植物的存在/不存在的数据集。
2016-11-24 stat.ME
What does not get observed can be used to make age curves stronger: estimating player age curves using regression and imputation
运动员年龄对成绩的影响已经引起了体育界的关注。大多数研究都集中在每个年龄段球员的表现上，忽略了年龄同样影响球员获得表现机会的现实。我们的手稿有两个贡献。首先，我们强调了选择偏差如何与（i）哪些球员有机会在体育运动中表现，以及（ii）我们观察这些球员表现的年龄有关。这种方法用于生成球员如何进出体育组织的基本分布。其次，受缺失数据估计方法的启发，我们提出了一种新的同时利用观测数据和未观测数据的年龄曲线估计方法。我们使用模拟来比较几种比较方法估计老化曲线。基于估算的方法，以及考虑单个玩家技能的模型，往往会生成更低的RMSE和年龄曲线形状，更好地匹配事实。我们使用来自全国曲棍球联盟的数据实施我们的方法。
2023-02-03 stat.ME
A Nonparametric Bayesian Methodology for Regression Discontinuity Designs
在回归不连续性设计中，估计阈值处的平均处理效应的最流行方法之一是局部线性回归（LLR），该方法将更大的权重放在更接近阈值的单元上。我们提出了一个高斯过程回归的方法，作为一个贝叶斯模拟LLR的回归不连续性设计。我们的方法提供了一个灵活的适合治疗和控制响应放置一个一般的平均响应函数之前。此外，与LLR不同的是，我们的方法可以在估计处理效应时将单位加权的不确定性纳入其中。我们证明了我们的方法在估计阈值处的平均处理效应时是一致的。此外，我们发现，通过模拟，我们的方法具有良好的覆盖范围，间隔长度，和均方误差属性相比，标准LLR和国家的最先进的LLR方法。最后，我们探讨了我们的方法在现实世界的例子，通过研究的影响，是第一轮选秀权的表现和发挥时间的篮球运动员在美国国家篮球协会。
2018-09-30 stat.ME
A stochastic second-order generalized estimating equations approach for estimating intraclass correlation coefficient in the presence of informative missing data
整群随机试验的设计和分析必须考虑同一群试验结果之间的相关性。当应用标准广义估计方程（GEE）时，即使在错误指定相关性结构的情况下，也可以一致地估计一阶（例如治疗）效应。在相关性感兴趣的设置中，可以通过二阶广义估计方程（GEE2）估计该量。我们建立在GEE2的设置缺失数据，我们将“二阶”逆概率加权（IPW）计划和“二阶”双鲁棒（DR）估计方程，防止部分模型误设定。我们强调，需要在这种情况下的缺失指标之间的相关性模型。此外，求解这些二阶方程的计算困难促使我们开发计算效率更高的算法来求解GEE 2，这减轻了对参数起始值的依赖，并提供比更广泛使用的确定性根更快、更高的收敛率求解方法。
2018-04-16 stat.ME
Targeted smoothing parameter selection for estimating average causal effects
观察性研究中平均因果效应的非参数估计通常依赖于通过平滑回归方法（如核、样条或局部多项式回归）控制混杂协变量。这种回归方法通过平滑参数进行调整，该平滑参数调节拟合中使用的自由度的量。在本文中，我们提出了数据驱动的方法来选择平滑参数时，目标参数是一个平均的因果效应。为此，我们提出估计的均方误差的精确表达式。渐近近似表明，最小化此均方误差的平滑参数收敛到零的速度比最佳平滑参数的估计的回归函数。在模拟研究中，我们表明，所提出的用于选择平滑参数的数据驱动方法比其他可用方法产生更低的经验均方误差，例如，交叉验证
2013-06-19 stat.ME
A Nested Error Regression Model with High Dimensional Parameter for Small Area Estimation
本文提出了一个灵活的高维嵌套误差回归小区域模型，它在回归系数和方差分量中引入了异质性。我们开发了一个新的强大的小区域特定的估计方程的方法，允许适当汇集大量的地区在估计小区域特定的模型参数。我们提出了一个参数自助和刀切法估计不仅均方误差，但也常用的不确定性措施，如标准误和变异系数。我们进行基于模型和基于设计的仿真实验和真实数据分析，以评估所提出的方法
2022-01-25 stat.ME
Estimating sparse direct effects in multivariate regression with the spike-and-slab LASSO
提出一种基于spike-and-slab LASSO先验的稀疏高斯链图模型拟合方法，通过期望条件最大化算法自适应惩罚参数以估计直接效应和残差精度矩阵，在理论与模拟中表现优异并应用于老年人肠道微生物组研究。
2024-03-26 stat.ME
Estimating Functional Linear Mixed-Effects Regression Models
函数线性模型是研究标量/函数响应变量与标量/函数协变量之间关系的常用工具。当重复测量可用于多个受试者时，我们将此模型推广到功能线性混合效应模型。每个受试者都有一个单独的截距和斜率函数，而共享共同的总体截距和斜率函数。该模型在允许斜率随机效应随时间变化的意义上是灵活的。我们提出了一种惩罚样条光滑方法来估计总体和随机斜率函数。提出了一种基于REML的期望最大化算法来估计随机效应和数据噪声的方差参数。仿真研究表明，我们的估计方法提供了一个精确的估计功能线性混合效应模型的有限样本。通过研究24小时二氧化氮对日最大臭氧浓度的影响以及日温度对年降水量的影响，证明了函数线性混合效应模型。
2016-01-06 stat.ME
Mixture Conditional Regression with Ultrahigh Dimensional Text Data for Estimating Extralegal Factor Effects
针对文本判决文书中的超高维控制变量，本文提出混合条件回归 MCR 及 EM 估计算法，用于在潜在类别结构下高效估计法外因素效应。
2023-11-14 stat.ME
