Multivariate Spline Estimation and Inference for Image-On-Scalar Regression
最近的数据分析在生物医学成像研究的动机，我们认为一类图像的标量回归模型的成像响应和标量预测。我们建议使用灵活的多元样条三角剖分处理图像上的感兴趣的对象的不规则域，以及图像的其他特性。在一定的正则条件下，证明了所提出的系数函数的估计是根-n相合的和渐近正态的。我们还提供了一个一致的和计算效率高的估计的协方差函数。构造了系数函数的渐近逐点置信区间和数据驱动的同时置信走廊。我们的方法可以同时估计和推断的系数函数，同时将空间异质性和空间相关性。一个高效和可扩展的估计算法的开发。蒙特卡罗模拟研究进行检查所提出的方法，然后将其应用于空间归一化的正电子发射断层扫描数据的阿尔茨海默病神经影像倡议的有限样本性能。
2021-06-02 stat.ME
Reconsidering the asymptotic null distribution of likelihood ratio tests for genetic linkage in multivariate variance components models
准确地了解假设检验的零分布对于检验的有效应用是非常重要的。在以往的文献和软件中，用于检测多变量方差分量模型中遗传连锁的似然比检验的渐近零分布被描述为χ 2分布与二项混合概率的混合。在这里，我们表明，通过模拟和理论参数的几何参数空间的基础上，前面所述的渐近零分布的所有方面都是不正确的-二项混合概率和卡方分量。校正零分布会给出比前面所述更保守的临界值，产生的P值很容易大十倍。真正的混合概率给出了最高的概率的情况下，所有的方差参数估计为正，和混合成分显示严重偏离χ 2分布。因此，渐近零分布具有复杂的特征，这对多变量连锁发现的显著性评估提出了挑战。我们提出了一种生成渐近零分布的方法，该方法比其他经验方法（如基因丢弃）快得多，使我们能够更有效地获得具有更高精度的P值。
2008-09-13 stat.ME
Statistical inference for multivariate extremes via a geometric approach
本文提出基于极限集形状的多元极值几何统计建模与参数估计方法，可外推联合尾部并估计小概率，模拟和环境数据应用均验证其竞争力与良好拟合。
2023-11-02 stat.ME
A Mathai-type Multivariate Nakagami-$m$ Distribution: Density, Closed-form Estimators, and Asymptotic Efficiency
Konkuk University（建国大学）
本文提出一种具有闭式密度的多元Nakagami-$m$分布，并基于一步修正构造渐近有效的闭式估计量，其性能接近数值最大似然估计且优于初始估计量。
2026-09-15 stat.ME
A Test for Multivariate Location Parameter in Elliptical Model based on Forward Search Method
本文基于散布矩阵的前向搜索估计，给出了椭圆模型中多元位置参数的一个检验方法。在此，我们研究了在相邻方案下，基于检验统计量的渐近分布，检验的渐近功效。此外，对不同的模拟数据和实际数据进行了性能测试，并与经典的性能进行了比较。
2018-04-11 stat.ME
Asymptotic Distribution-Free Change-Point Detection for Multivariate and non-Euclidean Data
我们考虑的测试和估计的变化点，位置的分布突然变化，在一个序列的多元或非欧几里德观测。我们研究了一个非参数框架，利用观测之间的相似性信息，它可以应用于各种数据类型，只要样本空间上的信息相似性度量可以定义。沿着这条线的现有方法具有低功率和/或偏差的估计变点在一些常见的情况下。我们通过考虑基于相似性信息的新测试来解决这些问题。仿真研究表明，新方法在检测和估计变点方面有很大的改进。此外，在某些温和的条件下，新的检验统计量在不变的原假设下是渐近分布自由的。分析p值近似的意义，新的检验统计量的单一变点的替代品和改变间隔的替代推导，使新的方法很容易现成的工具，大型数据集。纽约出租车数据的分析说明了新的方法。
2018-02-22 stat.ME
A Latent Variable Approach to Learning High-dimensional Multivariate longitudinal Data
London School of Economics and Political Science（伦敦政治经济学院）；The Chinese University of Hong Kong（香港中文大学）
本文提出了一种潜在变量模型，用于处理高维多变量纵向数据，通过引入未观测因素来建模变量间和时间上的依赖性，并应用于预测客户购物行为。
2025-12-08 stat.ME
Simultaneous Confidence Tubes for Comparison of Several Multivariate Linear Regression Models
在过去的60多年里，关于多重比较和同时推理的研究大多是针对几个总体均值的比较。Spurrier（1999）似乎是第一个使用同时置信带研究几个简单线性回归线的多重比较的人。本文将Liu等（2004）利用联合置信带对几个单变量线性回归模型进行有限比较的工作推广到利用联合置信管对几个多元线性回归模型进行有限比较。我们展示了如何同时置信管可以构建允许多个多元线性回归模型的比较，比目前的假设检验方法更翔实的推论。用实例说明了这些方法。
2020-05-20 stat.ME
Permutation inference methods for multivariate meta-analysis
多变量荟萃分析在证据合成研究中越来越突出，因为它可以同时合成多个相关的结果数据，随机效应模型通常用于解决研究间的异质性。然而，随机效应模型的标准推断方法的置信区域或区间的覆盖概率（例如，限制性极大似然估计）一般不能保持其标称置信水平，尤其是当合成研究的数量较少时，因为它们的有效性依赖于大样本近似。在这篇文章中，我们提供了基于置换的推理方法，使精确的联合推理的平均结果的措施，没有大样本近似。我们还提供了准确的边际推理方法下的一般设置的多元荟萃分析。我们提出了有效的方法，置换推理使用最佳加权的基础上有效的得分统计。所提出的方法的有效性说明通过应用到双变量荟萃分析的诊断准确性研究气道嗜酸性粒细胞增多症哮喘和抗高血压药物的网络荟萃分析事件糖尿病，以及通过模拟实验。在通过模拟进行的数值评估中，我们的方法通常在广泛的设置范围内提供准确的置信区域或区间，而当前的标准推断方法表现出严重的覆盖不足特性。
2019-07-30 stat.AP stat.ME
Signal-to-Noise Ratio Inference for Multivariate High-Dimensional Linear Models
University of California, Davis（加州大学戴维斯分校）
针对多元高维线性模型，提出基于矩方程的显式信噪比估计方法，建立渐近置信区间并校正噪声差异，通过模拟和酵母数据验证。
2026-09-18 math.ST stat.ME stat.TH
Efficient inference about the tail weight in multivariate Student $t$ distributions
利用Le Cam方法，提出了多元Student $t$分布尾权参数的一种新的检验方法.我们的测试是渐进的经典似然比检验的效率，但优于后者的灵活性和简单性：事实上，我们的方法允许估计的位置和分散滋扰参数的任何根- $n$相合估计量，从而避免数值上复杂的极大似然估计。在蒙特卡罗模拟研究中分析了我们检验的有限样本性质，并将我们的方法应用于金融数据集。最后，我们指出如何使用这个框架有效的点估计的文件。
2014-04-08 math.ST stat.ME stat.TH
Inference for Volatility Functionals of Multivariate Itô Semimartingales Observed with Jump and Noise
在高频噪声背景下，给出了一般多变量Itô半鞅非线性波动泛函的非参数推断.预平均和截断使得能够同时处理噪声和跳跃。二阶展开揭示了显式偏差和偏差校正的途径。基于此框架的估计器实现了最优的收敛速度。在渐近协方差阵可估计的条件下，得到了一类稳定的中心极限定理。本文为实现的拉普拉斯变换、实现的主成分分析、连续时间线性回归和广义积分矩法等的填充渐近结果奠定了基础，从而有助于将应用范围扩展到更频繁采样的噪声数据。
2019-11-06 math.ST q-fin.ST stat.ME
Inference for Multivariate Normal Mixtures
多元正态混合模型为高维数据提供了一个灵活的模型。它们广泛应用于统计遗传学、统计金融学等学科。由于似然函数的无界性，经典的基于似然函数的方法虽然具有很好的实用性，但并不一致。本文提出了一种估计混合分布的惩罚似然方法。我们证明了最大惩罚似然估计是强相合的，当组件的数量有一个已知的上界。我们还探讨了一个方便的EM算法计算的最大惩罚似然估计。大量的模拟进行了探索的有效性和实际限制的新方法和批准的最大似然估计。根据仿真结果给出了指导原则。
2008-05-26 math.ST stat.ME stat.TH
Family of mean-mixtures of multivariate normal distributions: properties, inference and assessment of multivariate skewness
本文构造了一个新的混合多元正态分布族，它是由多元正态分布和偏态分布混合而成的。导出了该族的特征函数、矩母函数和前四阶矩等性质。导出了模型的仿射变换分布和标准形。本文提出了一种EM型的模型参数极大似然估计算法。我们已经详细考虑了，家庭的一些特殊情况下，使用标准的伽玛和标准的指数混合分布，分别表示为MMNG和MMNE。对于建议的分布族，计算不同的偏度多变量措施。为了检验所提出的估计方法的性能，进行了一些模拟研究，以表明基于EM型算法的最大似然估计确实提供了良好的性能。对于MMNE分布参数的不同选择，计算和比较了几种多元偏度测度。由于偏度的一些措施是标量和一些是矢量，为了正确地评估它们，我们进行了模拟研究，以确定测试的力量，基于样本版本的偏度措施作为检验统计量来测试MMNE分布的拟合。最后，两个真实的数据集被用来说明所提出的家庭的分布和相关的推理方法的有用性。
2020-09-23 math.ST stat.ME stat.TH
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
Asymptotic properties of the maximum likelihood estimator for multivariate extreme value distributions
最大稳定分布和过程是极端事件和尾部风险评估的重要模型。参数最大稳定分布的完整多元似然性很复杂，只有最近的进展才能使用它。最大似然估计在多变量极值中的渐近性质大多是未知的。本文给出了保证估计量渐近正态性的最大稳定分布的指数函数和角测度的自然条件。我们证明了这一结果的有效性，将其应用到流行的参数模型在多元极值统计和最常用的家庭的空间最大稳定的过程。
2017-08-07 math.ST stat.TH
Asymptotic normality of wavelet covariances and of multivariate wavelet Whittle estimators
具有长程相关特性的多变量过程在许多应用领域中都会遇到。这种框架的两个基本特征是长期相关参数和各组成部分时间序列之间的相关性。我们考虑多变量长程相关线性过程，不一定是高斯过程。我们表明，在这种设置的小波系数之间的协方差是渐近高斯。我们还研究了基于小波的Whittle过程的长期相关参数和长期协方差估计的渐近分布。我们证明了估计量的渐近正态性，并给出了渐近协方差的显式表达式。这一结果的实证说明提出了一个真实的数据集上的大鼠大脑的连接。
2022-04-06 math.ST stat.TH
Asymptotic normality of generalized maximum spacing estimators for multivariate observations
本文讨论了多元观测值的最大间距法。最近邻球被用作单变量间距的多维模拟。利用一类信息型测度推广了最大间距估计的概念。证明了当所指定的模型类是正确的，即真密度是模型类的成员时，这些广义最大间距估计的渐近正态性。
2019-04-18 math.ST stat.TH
Adaptive Inference in Multivariate Nonparametric Regression Models Under Monotonicity
Brown University（布朗大学）
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
Asymptotic theory for maximum likelihood estimates in reduced-rank multivariate generalised linear models
降秩回归是一种应用广泛的降维方法。多元线性模型中参数矩阵降秩估计的渐近理论已得到广泛的研究。相比之下，降秩多元广义线性模型的理论结果很少。我们发展M-估计理论的凹准则函数，最大化的参数空间，既不是凸的，也不是封闭的。当响应向量和预测向量服从联合分布时，这些结果可用于推导降秩多元广义线性模型中极大似然估计的相合性和渐近分布.我们说明我们的结果在一个真正的数据分类问题与二元协变量。
2017-10-12 math.ST stat.TH
Bootstrapping for multivariate linear regression models
多元线性回归模型是研究多个响应变量和多个预测变量之间关系的重要工具。主要的兴趣是关于未知的回归系数矩阵的推断。我们提出多元自助技术作为一种手段，使未知的回归系数矩阵的推断。这些自举技术是Freedman（1981）中开发的技术的扩展，其仅适用于单变量响应。对多元线性回归模型的扩展是在没有证明的情况下进行的。我们形式化的扩展，并证明其有效性。一个真实的数据例子和两个模拟数据的例子，提供了一些有限的样本验证我们的理论结果。
2017-09-12 math.ST stat.ME stat.TH
Adjusted likelihood inference in an elliptical multivariate errors-in-variables model
本文给出了变量有误差多元线性回归模型的似然比检验的一个修正形式。允许误差项服从椭圆分布类中的多元分布，其中多元正态分布作为特例。我们推导出一个修改后的似然比统计，卡方分布具有很高的准确度。我们的结果推广了Melo和Ferrari（Advances in统计分析，2010，94，75-87）中的结果，允许在多变量误差模型中对感兴趣的参数进行向量赋值。我们报告了一个模拟研究表明，所提出的测试显示优越的有限样本的行为相对于标准的似然比检验。
2011-08-04 math.ST stat.TH
Graphical Models and Efficient Inference Methods for Multivariate Phase Probability Distributions
本文提出一个基于成对指数族分布的概率建模框架，结合Chow-Liu算法和interaction screening等高效推断方法，解决了复杂系统中多元相位关系的统计假设检验与推断难题，为探索类波现象等系统的复杂时空动力学提供了新范式。
2025-05-30 cs.IT math.IT math.ST
Post Hoc Inference for Component Attribution in Multivariate Change-Point Detection
Université Paris-Saclay（巴黎萨克雷大学）；Inria Saclay（法国国家信息与自动化研究所萨克莱分中心）
研究多元时间序列变化点检测后分析，通过提出事后统计程序，利用双样本检验确定变化坐标块，有理论保证且经模拟和实际数据实验验证，展现强大性能。
2026-07-17 math.ST stat.ME stat.ML
A Formal Graphical Inference Framework for Combining Effect Size with Statistical Significance: Application to Multivariate and Functional Linear Models
Faculty of Agriculture and Technology, University of South Bohemia（南波希米亚大学农业与技术学院）；Natural Resources Institute Finland (Luke)（芬兰自然资源研究所（Luke））；University of Helsinki（赫尔辛基大学）
提出一种结合效应量与统计显著性的形式化图形推断框架，基于重采样和全局包络，实现强FWER控制，并应用于多元和函数线性模型。
2026-10-08 stat.CO stat.ME
The multivariate fractional Ornstein-Uhlenbeck process
本文基于多元分数阶 Brownian Motion 定义了多元分数阶 Ornstein-Uhlenbeck 过程，刻画了其相关矩阵与渐近性，并利用 Malliavin calculus 和 Stein's method 为所提出的两类参数估计量建立了渐近理论。
2025-09-14 math.PR stat.ME
Regularized estimation for highly multivariate log Gaussian Cox processes
由于具有大量参数的复杂模型，高度多变量点模式数据的统计推断具有挑战性。本文对一类多元对数高斯Cox过程提出了数值稳定和有效的参数估计和模型选择算法。该方法适用于一个高度多元的点模式数据集，从热带雨林生态。
2019-05-04 stat.CO stat.ME
Marginal expected shortfall inference under multivariate regular variation
本文针对系统性风险度量中的边际期望短缺，提出基于多元正则变化理论的极端值推断方法，构造估计量及其偏差校正版本并证明渐近正态性，显著提升了现有方法的估计精度。
2023-04-15 math.ST stat.ME stat.TH
Asymptotics of multivariate contingency tables with fixed marginals
我们考虑一个细胞的渐近分布在一个2 x…x2列联表，因为固定边际总数趋于无穷大。导出了单元方差的渐近阶，并给出了一个有用的诊断，用于确定单元是否具有泊松极限或高斯极限。Poisson收敛有三种形式。精确的形式被证明是由两个最小的边际总量的增长率决定的。将结果推广到任意大小的列联表，并用具体例子进一步补充。
2018-04-16 math.ST stat.TH
Multivariate subjective fiducial inference
本文的目的是牢固地建立主观的信念推断的竞争对手更传统的学校的统计推断，并表明，费舍尔的直觉的重要性，信念的论点是正确的。在这方面，方法概述在较早的文件进行修改，增强和扩展，以处理一般的推理问题，其中各种参数是未知的。作为本文的一个关键部分，本文提出了一种基于参数的全条件信念分布的联合置信分布的确定方法，该方法采用解析法或Gibbs抽样法，后者不要求这些条件分布相容。虽然由此产生的理论被归类为“主观”，这基本上是由于所有关于固定但未知参数的概率陈述必须是固有主观的论点。特别是，它是系统地认为，在一般情况下，没有必要把一个非常强调之间的差异信念概率推导出使用这种理论的推理和客观概率。一些重要的例子，这一理论的应用。
2021-04-07 math.ST stat.ME stat.TH
Asymptotic properties of the multivariate Szász-Mirakyan estimator for cumulative distribution functions on the nonnegative orthant
Dalhousie University（达尔豪斯大学）；Université du Québec à Trois-Rivières（魁北克大学特鲁瓦里维埃分校）
本文研究了多变量Szász-Mirakyan估计器在非负正交量上累积分布函数的渐近性质，推导了在紧致子集内的显式偏倚和方差展开，提供了精确的均方误差刻画和最优平滑速率。分析表明，所提出的泊松平滑相对于经验分布函数具有显著的方差减少，从而带来可量化通过局部和全局缺陷度量的渐近效率提升。此外，还分别研究了估计器在支持区域边界附近的性质。在保持非退化泊松平滑的边界层缩放下，得到的偏倚和方差展开与内部区域有根本性差异。特别是，方差减少机制在最高阶消失，意味着在边界区域不存在渐近最优的平滑参数。还建立了中心极限定理和几乎处处一致性的结果。这些结果为多变量Szász-Mirakyan分布函数估计提供了统一的渐近理论，并阐明了平滑在内部和边界区域中的不同作用。
2026-05-19 math.ST stat.ME stat.TH
Statistical Inference using the Morse-Smale Complex
函数$f$的Morse-Smale复形将样本空间分解为$f$增加或减少的单元。当应用于非参数密度估计和回归时，它提供了一种表示、可视化和比较多变量函数的方法。本文给出了Morse-Smale复形估计的一些统计结果。这使我们能够获得新的结果，现有的两种方法：模式聚类和Morse-Smale回归。我们还开发了两种新的方法的基础上Morse-Smale复杂：多变量函数的可视化技术和双样本，多变量假设检验。
2017-04-04 math.ST stat.ME stat.ML
Estimation and Inference for Multivariate Continuous-time Autoregressive Processes
本文针对多元Lévy驱动连续时间自回归过程的漂移参数，推导了连续观测下的一致渐近正态极大似然估计，还提出适配非等间隔观测的离散化估计方法，拓展了带图结构的GrCAR模型，并通过模拟验证了有限样本性质。
2023-07-24 math.ST stat.ME stat.TH
Asymptotic properties of multivariate tapering for estimation and prediction
空间或时空相关随机过程的参数估计和预测在许多领域都有应用，并且通常需要基于观测值的协方差阵求解大型线性系。近年来，应用这些方法的数据集大小稳步增加，使得简单的统计工具在计算上过于昂贵而无法使用。在单变量上下文中，逐渐变细，即，创建稀疏近似线性系已经被证明是估计和预测设置中的有效工具。渐近性质的填充渐近设置下。在本文中，我们使用一个域增加框架的估计和预测，使用多变量锥形。在这种渐近制度下，我们证明了锥形（锥形形式）保持一致的非锥形最大似然估计，并表明锥形具有渐近相同的均方预测误差使用相应的非锥形预测。理论结果与模拟说明。
2015-06-05 math.ST stat.TH
On the joint asymptotic distribution of the restricted estimators in multivariate regression model
Jain等人的主要定理[Jain，K.，辛格，S.，和Sharma，S.（2011），Restricted estimation in multivariate measurement error regression model; JMVA，102，2，264-280]的方法建立在其完全的一般性上。也就是说，我们得到了回归系数矩阵的无约束估计和约束估计的联合渐近正态性。推导出的结果保持在假设的限制以及替代的限制序列。此外，我们建立了估计量的渐近分布风险，并比较了它们的相对性能。它是建立在附近的限制，限制估计（RE）比UE表现更好。但是当远离约束时，RE的性能比无约束估计差。
2017-06-20 math.ST stat.TH
Generative discriminative models for multivariate inference and statistical mapping in medical imaging
本文提出了一个通用的框架，获得可解释的多元判别模型，允许有效的统计推断神经图像分析。该框架，称为生成判别机（GDM），增加了判别模型与生成正则化项。我们证明，所提出的配方可以优化在封闭的形式和在对偶空间，允许高效的计算高维神经影像数据集。此外，我们提供了一个分析估计的零分布的模型参数，这使得有效的统计推断和p值计算，而不需要排列检验。我们在两个大型结构磁共振成像（sMRI）数据集阿尔茨海默氏病（AD）（n=415）和精神分裂症（n=853）的纯生成和判别学习方法的方法进行了比较。使用AD数据集，我们证明了GDM鲁棒地处理混杂变化的能力。使用Schizophila数据集，我们证明了GDM处理多站点研究的能力。两者合计，结果强调了神经影像学分析的建议的方法的潜力。
2018-07-02 stat.AP
On the smallest eigenvalues of covariance matrices of multivariate spatial processes
为多变量空间过程提供模型已引起越来越多的关注。这些模型中的大多数指定参数矩阵协方差函数。基于观察，通过最大似然或其变体来估计参数。虽然单变量空间过程的极大似然估计的渐近性质已经得到了详细的分析，但多变量空间过程的极大似然估计还没有得到应有的重视。在这篇文章中，我们考虑经典的增域渐近设置限制的位置之间的最小距离。然后，从理论的角度研究的主要组成部分之一是基本的协方差阵的渐近正定性。基于对矩阵协方差函数非常弱的假设，我们证明了协方差阵的最小特征值是渐近有界的。几个实际的影响进行了讨论。
2016-02-09 math.ST stat.TH
Neuronal Network Inference and Membrane Potential Model using Multivariate Hawkes Processes
在这项工作中，我们建议捕捉其尖峰之间的运动神经元的膜电位的动态的复杂性，考虑到周围的其他神经元的尖峰。我们的方法依赖于两种类型的数据：细胞外记录的多个尖峰列车和细胞内记录的膜电位的中央神经元。我们的主要贡献是提供一个统一的框架和完整的管道来分析神经元活动从数据提取到统计推断。该过程的第一步是选择影响中央神经元的神经元的子网络：我们使用多变量Hawkes过程来模拟所有神经元的尖峰序列，并比较两个稀疏推理过程来识别连通性图。然后，我们推断跳跃扩散动力学，其中跳跃是由霍克斯过程驱动的，其发生对应于与中央神经元相互作用的上述神经元子集的尖峰序列。我们验证了霍克斯模型的拟合优度检验，我们表明，考虑到从连接图的信息，提高了跳跃-扩散过程的推断。整个代码已经开发完成，并在GitHub上免费提供。
2021-08-02 math.ST q-bio.NC stat.TH
Lattice-Based Characterizations and Inference for Multivariate Dependence
University of South Alabama（南阿拉巴马大学）
本文提出无需概率密度的$\text{cmMTP}_2$测度论框架，推导Copula族等的刻画，引入经验格对比量实现渐近水平控制的同时检验，为多元正相关性推断提供通用基础。
2026-10-14 math.ST stat.TH
Portmanteau test for a class of multivariate asymmetric power GARCH model
本文针对多元非对称幂GARCH模型，推导了残差平方自相关渐近性质及Portmanteau检验，并通过蒙特卡洛实验和二元金融数据验证了其有效性。
2024-04-19 math.ST stat.TH
A multivariate normal approximation for the Dirichlet density and some applications
本文证明了具有相同均值和协方差阵的Dirichlet密度与多元正态密度之比的一个渐近展开。然后使用展开式导出相应概率测度之间的全变差的上界，并重新导出由Aitchison & Lauder（1985）引入并在Ouimet（2020）中进行理论研究的Dirichlet核估计量的渐近方差。另一个潜在的应用相关的高斯方差回归问题和高斯白噪声问题之间的渐近等价性简要地提到，但留给未来的研究。
2022-02-28 math.PR math.ST stat.TH
Simultaneous inference for misaligned multivariate functional data
我们考虑对代表相同基础曲线的未对齐的多元函数数据的推断，但是其中函数样本在形状上具有系统差异。在本文中，我们介绍了一类新的普遍适用的模型，翘曲效应建模通过非线性变换的潜在高斯变量和系统的形状差异高斯过程建模。为了对样本坐标之间的互协方差进行建模，我们引入了一类适用于建模多元函数数据的低维互协方差结构。我们提出了一种在模型中进行极大似然估计的方法，并将该方法应用于三个数据集。第一数据集来自运动跟踪系统，其中随时间以三维方式跟踪大量身体标记的空间位置。第二组数据包括丹麦男孩的身高和体重测量。第三个数据集由三维空间的手路径从控制避障实验。我们使用开发的方法来估计的互协方差结构，并使用分类设置，以证明该方法优于国家的最先进的方法处理未对齐的曲线数据。
2017-12-08 stat.AP
Multivariate two-sample test statistics based on data depth
针对现有基于数据深度的多元两样本同质性检验存在功效不足、渐近分布未知或收敛慢的问题，提出三种具有简单渐近半正态分布的新检验统计量，支持多样本推广，模拟和真实数据验证了其优越性能。
2023-06-07 math.ST stat.TH
Estimating the multivariate extremal index function
多元极值指标函数将多元平稳序列的逐点最大值向量的渐近分布与来自同一平稳分布的独立序列的渐近分布联系起来。它还测量多变量过程中极端值的聚集程度。在本文中，我们构造了这个函数的非参数估计，并证明了它们在长相依和矩条件下的渐近正态性。通过仿真研究的结果进行了说明。
2008-11-14 stat.AP
Weighted M-estimators for multivariate clustered data: theory and simulation results
研究了$\mathbb{R}^d$值聚类数据的加权M-估计，给出了其相合性的充分条件。通过对渐近协方差阵的估计，建立了它们的渐近正态性。我们解决这些估计的鲁棒性方面的崩溃点。与未加权的情况下进行了比较，一些数值研究。他们强调，最佳权重最大化的相对效率有坏的影响的崩溃点。
2016-01-13 math.ST stat.TH
Multivariate Order Statistics: The Intermediate Case
一元iid随机变量的中间顺序统计量的渐近正态性是众所周知的。我们将这个结果推广到任意维的随机向量，其中顺序统计量是按分量取的。
2016-07-20 math.ST stat.TH
Asymptotic normality of element-wise weighted total least squares estimator in a multivariate errors-in-variables model
考虑了多变量测量误差模型$AX \approx B$。这里，$A$和$B$是测量的输入和输出矩阵，而$X$是要估计的固定大小的矩形矩阵。$[A,B]$中的错误是逐行独立的，但在每行内，错误可能相关。某些列被观察到没有误差，并且误差协方差阵可能因行而异。误差的总协方差结构已知为标量因子。研究了$X$的完全加权总体最小二乘估计。我们给出的估计量的渐近正态性的条件，在$A$的行数是增加。我们提供了有限高斯随机矩阵的协方差结构是非奇异的。
2017-03-15 math.ST stat.TH
Distribution-Free Bayesian multivariate predictive inference
本文提出基于有限Polya树混合的分层贝叶斯框架进行无分布多元预测推断，并设计共形预测集算法为未来观测提供有限样本概率保证。
2024-11-26 stat.ME
Modelling, simulation and inference for multivariate time series of counts
本文提出了一种新的连续时间建模框架的多元时间序列的计数，具有无限可分的边缘分布。该模型基于由Lévy噪声驱动的混合移动平均过程-称为拖网过程-其中序列相关性和横截面依赖性彼此独立地建模。这样的过程可以表现出短或长的记忆。我们推导出一个随机模拟算法和一个统计推断方法，这样的过程。新的方法，然后应用到高频的金融数据，在那里我们调查的数量之间的关系的限制订单提交和删除的限制订单书。
2016-08-10 stat.ME
Bayesian inference for general Gaussian graphical models with application to multivariate lattice data
我们介绍了有效的马尔可夫链蒙特卡罗方法的推断和模型确定的多元和矩阵变量高斯图形模型。我们的框架是基于G-Wishart先验的精度矩阵与图，可以是可分解或不可分解的。我们扩展我们的抽样算法，一类新的条件自回归模型的稀疏估计在多元格数据，特别强调空间数据的分析。这些模型在估计跨结果的相关性结构和空间相关性结构方面具有很大的灵活性，从而允许自适应平滑和空间自相关参数。我们的方法使用模拟和现实世界的例子，包括癌症死亡率监测的应用程序进行说明。
2010-05-21 stat.ME
Conditional Inference for Multivariate Generalised Linear Mixed Models
我们提出了一种广义线性混合模型（GLS-Model）的推理方法，并对这些模型进行了一些扩展。首先，我们扩展的GLMM允许的随机分量的分布是非高斯的，也就是说，假设一个绝对连续分布相对于勒贝格措施是对称的零，单峰和有限的时刻高达四阶。其次，我们允许条件分布遵循一个分散模型，而不是指数分散模型。最后，我们将这些模型扩展到一个多变量框架，其中通过对所有边际模型中代表共同观测聚类的随机分量施加多变量绝对连续分布来组合多个响应。在这些模型中的极大似然推断涉及评估通常不能以封闭形式计算的积分。我们提出了一种推断方法，预测值的随机成分，不涉及条件似然量的整合。我们所研究的多元广义似然图可以由不同统计性质的边际似然图构造而成，同时又能表示复杂的依赖结构，为应用提供了一种相当灵活的工具。
2021-07-25 stat.ME
Rate accelerated inference for integrals of multivariate random functions
针对函数型数据分析中随机函数积分计算的基础任务，借鉴蒙特卡洛积分进展提出无偏估计与推断方法，在有无噪声场景下均实现更快收敛与更优区间覆盖率。
2025-01-15 stat.ME
Bayesian inference on group differences in multivariate categorical data
多元分类数据在许多领域都很常见。我们的动机是选举民意调查研究，评估2016年美国总统初选或党团会议中选民意见变化与候选人偏好的证据。类似的目标经常出现在几个应用程序中，但目前的文献缺乏一个通用的方法，结合灵活性，效率和易处理性在不同的多变量分类数据在不同的-潜在的复杂-规模的组差异测试。我们通过利用贝叶斯表示来解决这个目标，贝叶斯表示将组变量和多变量分类数据的联合概率质量函数分解为组的边际概率的乘积，以及给定组成员资格的多变量分类数据的条件概率质量函数。为了提高灵活性，我们定义的条件概率质量函数的多元分类数据通过一组依赖的混合张量因子分解，从而促进降维和借用的信息，同时提供易于处理的程序计算，并准确的测试评估全球和本地组的差异。我们将我们的方法与流行的竞争对手进行比较，并讨论在模拟和美国选举民意调查研究中的改进性能。
2017-08-09 stat.ME
Second order semi-parametric inference for multivariate log Gaussian Cox processes
本文介绍了一种新的方法来推断具有复强度函数的多元对数高斯Cox过程（LGCP）的二阶性质。我们假设一个半参数模型的多变量强度函数包含一个未指定的复杂因素共同的所有类型的点。鉴于此模型，我们利用几种类型的点的可用性来构建一个二阶条件复合似然来推断LGCP的对相关和交叉对相关函数。重要的是，这种可能性不依赖于强度函数的未指定部分。我们还介绍了一个交叉验证方法的模型选择和正则化推理，可用于获得交叉对相关函数的稀疏模型的算法。该方法适用于模拟数据以及从显微镜和犯罪学的数据例子。这显示了新方法如何优于现有的替代方案，其中强度函数是非参数估计的。
2022-01-03 stat.ME
