Double-estimation-friendly inference for high-dimensional misspecified models
所有的模型都可能是错误的，但这不一定是推理的问题。考虑随机设计线性模型中变量$X$显著性的标准$t$检验，用于预测缓解$Y$，同时控制$p$和其他协变量$Z$。这产生了正确的渐近I型误差控制的零假设，$X$是有条件的$Y$独立于$Z$给定$Z$下的\emph{arbitrary}回归模型的$Y$对$(X, Z)$，提供了一个线性回归模型的$X$对$Z$持有。一个类似的鲁棒性误设定，我们称之为“双估计友好”（DEF）的属性，也适用于广义线性模型的沃尔德测试，有一些小的修改。在这篇简要的论文中，我们探讨了这一现象，并提出了尊重DEF属性的高维回归设置的方法。我们主张指定（稀疏）广义线性回归模型的$Y$和利益的协变量$X$，我们的框架给出了有效的推理条件独立空，如果这些举行。在两个规格都是线性的特殊情况下，我们的建议相当于一个小的修改流行的debiased Lasso测试。我们还研究通过反转我们的测试构建$X$回归系数的置信区间;即使在$Z$对$Y$的贡献可以是任意的部分线性模型中，这些也具有覆盖保证。数值实验证明了该方法的有效性。
2022-05-19 math.ST stat.TH
High-dimensional inference in misspecified linear models
当假设的线性模型被错误指定时，我们考虑高维推理。我们描述了一些正确的解释和相应的充分假设，有效的渐近推断的模型参数，这仍然有一个有用的意义时，模型是错误的。我们主要集中在去稀疏化的Lasso过程，但我们也表明（多）样本分裂技术的一些影响。鉴于现有的方法和软件，我们的研究结果有助于鲁棒性考虑模型误设定。
2015-03-22 stat.ME
Maintaining the validity of inference from linear mixed models in stepped-wedge cluster randomized trials under misspecified random-effects structures
针对阶梯楔形整群随机试验中随机效应结构误设可能导致推断失效的问题，本文回顾五种稳健方差估计量并通过模拟研究发现，CR3估计量结合整群数减二的自由度校正表现最优，为实践中该类试验的线性混合模型分析提供参考。
2024-08-20 stat.AP stat.ME
Adaptive Off-Policy Inference for M-Estimators Under Model Misspecification
Carnegie Mellon University（卡内基梅隆大学）；Novartis Pharmaceuticals Corporation（诺华制药公司）
本文提出了一种自适应偏政策推断方法，用于在模型不规范情况下有效推断M估计量，通过稳定自适应数据收集的方差，构建有效的置信区间。
2026-02-08 math.ST stat.ME stat.ML
The Well-Tempered Likelihood: Honest Confidence Intervals for Misspecified Models
Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（史丹福直线加速器中心）；Massachusetts Institute of Technology（麻省理工学院）；Institut des Hautes Études Scientifiques（高等科学研究所）；CEA Paris-Saclay（巴黎萨克雷原子能委员会）
研究针对粒子物理等领域模型错误设定时标准置信区间失效的问题，提出适度似然性方法，通过除以拟合优度统计量，使置信区间自我限制，给出分箱和不分箱公式并经实例验证。
2026-07-24 hep-ex hep-ph physics.data-an
Minimizing Sensitivity to Model Misspecification
我们提出了一个框架，估计和推理时，模型可能被误指定。我们依赖于一个局部渐近的方法，其中的程度是由样本量的指标。我们构造的估计，其均方误差是极小极大的参考模型的邻域中，一步调整的基础上。此外，我们提供了包含真参数的置信区间。作为一种工具来解释的程度的错误规格，我们将其映射到当地的权力规格测试的参考模型。我们的方法允许系统的敏感性分析时，感兴趣的参数可能是部分或不规则的识别。作为例证，我们研究了三个应用程序：在墨西哥的有条件现金转移的影响的实证分析，其中误指定源于存在的耻辱效应的程序，一个横截面的二元选择模型的错误分布是误指定的，和一个动态的面板数据二元选择模型的时间段的数量是小的，个人的影响分布是误指定的。
2021-10-08 econ.EM stat.ME
Bayesian inference for misspecified generative models
本综述探讨了模型错误设定时的贝叶斯推断方法，重点介绍了受限似然、模块化推断和参考模型投影三大类方法，以在模型存在缺陷时仍赋予分析意义。
2023-05-19 stat.ME
Assessing Estimation Uncertainty under Model Misspecification
针对广义线性模型可能误设导致经典推断失效的问题，提出局部残差 bootstrap，通过邻近观测残差重采样直接重建响应，以更准确评估不确定性，并验证了理论有效性与性能优势。
2023-12-18 stat.ME
Repairing Locally Misspecified GMM: An Empirical Bayes Approach
UC Berkeley（加州大学伯克利分校）
本文针对受阶为$n^{-1/2}$的可交换误设定误差污染的GMM，提出经验贝叶斯方法修复局部误设定，通过构造偏差校正估计量与经验贝叶斯估计量，在模拟与实证研究中验证了其优于标准两阶段最小二乘估计的性能。
2026-09-09 econ.EM stat.ME
On the role of parametrization in models with a misspecified nuisance component
本文研究模型冗余部分任意误设时，感兴趣参数最大似然估计保持一致所需的模型结构，并通过对称参数化统一和拓展配对比较与两分组问题的条件。
2024-08-04 math.ST stat.TH
Statistical inference with F-statistics when fitting simple models to high-dimensional data
我们研究线性子集回归的背景下，高维整体模型$y = \vartheta+θ' z + ε$与单变量响应$y$和$d$ -向量的随机回归$z$，独立于$ε$。这里，“高维”意味着可用解释变量的数量$d$远大于观测值的数量PDMATHAMR。我们考虑简单的线性子模型，其中$y$是在$x = M'z$给出的一组$p$回归量上回归的，对于一些满秩$p < n$的$d \times p$矩阵$M$。相应的简单模型，即，$y=α+β' x + e$，可以通过对整个模型中的未知参数$θ$施加适当的限制来证明;否则，这个简单的模型可能被严重错误地指定。在本文中，我们建立了渐近有效性的标准$F$ -测试的替代参数$β$，在适当的意义上，即使当简单的模型是错误的。
2019-02-12 math.ST stat.TH
Conformal Inference For Missing Data under Multiple Robust Learning
针对 MAR 缺失数据，本文提出结合分割保形校准与多重稳健 EL 重加权的 CM--MRL，实现可靠边际与条件覆盖及区间长度占优。
2025-10-20 stat.ME
On prediction-powered inference for quantile regression via convolution smoothing
Washington University in St. Louis（圣路易斯华盛顿大学）
针对金标准数据有限而替代数据广泛可得的场景，提出基于卷积平滑的分位数回归预测驱动推断方法，解决计算困难和置信区间过保守问题，并建立渐近分布理论。
2026-06-02 stat.ME
Fixed-Gaussian Spectral Algorithms: Minimax Optimal Rates for Misspecified Learning and Transfer
Department of Statistics, The Pennsylvania State University（统计学系，宾夕法尼亚州立大学）
研究在非参数回归中为固定带宽高斯核谱算法建立极小极大最优收敛速率，以及用于概念转移下的迁移学习。通过证明高斯核的无限光滑性使算法达最优速率，推导了学习框架的自适应收敛速率，揭示了相关因素对泛化误差的影响。
2026-07-09 cs.LG stat.ML
Safe hypotheses testing with application to order restricted inference
University of Haifa（海法大学）
本文提出安全检验方法，用于在顺序限制推断中避免第三类错误，通过有效性证书确保推断的可靠性。
2026-02-17 stat.ME
High-dimensional Statistical Inference and Variable Selection Using Sufficient Dimension Association
Florida International University（佛罗里达国际大学）；Oklahoma State University（俄克拉荷马州立大学）；Oregon Health & Science University（俄勒冈健康与科学大学）
本文提出一种无需特定回归模型或稀疏性假设的高维变量选择与推断方法，通过构建三种检验统计量并控制假发现率，验证了其有效性。
2025-09-17 stat.ME
Robust Simulation Based Inference
本文提出基于仿真的稳健统计推断方法，通过投影参数和指数倾斜处理模型错误设定，并开发拟合优度检验及主动学习采样，确保推断有效性。
2025-08-04 stat.ME
Inject Machine Learning into Significance Test for Misspecified Linear Models
Shanghai University of Finance and Economics（上海财经大学）；Tsinghua University（清华大学）
由于线性回归具有很强的可解释性，在社会科学中得到了广泛的应用，在传统的统计推断中，显著性检验通过线性回归提供了模型或系数的显著性水平。然而，线性回归方法依赖于地面真值函数的线性假设，这在实践中不一定成立。因此，即使对于简单的非线性情况，线性回归也可能无法报告正确的显著性水平。在本文中，我们提出了一个简单而有效的线性和非线性情况下的线性逼近的无偏方法。首先，我们应用机器学习方法来拟合训练集上的地面真值函数并计算其线性近似。之后，我们通过添加基于验证集的调整来获得估计量。我们证明了我们的估计量的浓度不等式和渐近性质，从而导致相应的显著性检验。实验结果表明，我们的估计显着优于线性回归的非线性地面真值函数，表明我们的估计可能是一个更好的工具的显着性测试。
2020-06-04 cs.LG stat.ML
Causal inference with misspecified network interference structure
Tel Aviv University（特拉维夫大学）
本文提出了一种在多个网络同时利用的情况下，即使无法确定正确网络也保持无偏的因果推断估计器，以应对网络结构错误指定的问题。
2025-12-22 stat.ME
Universal inference for variance components
针对方差成分接近参数边界及近1变异比例两类难题，本文提出有限样本一致有效的置信区间构建方法，并利用模型结构设计快速算法，通过模拟和交叉随机效应数据验证其实用性。
2025-08-29 stat.ME
Universal inference with composite likelihoods
当数据来自于不允许易处理的联合规范的数据生成过程（DGP）时，最大复合似然估计是极大似然估计的一个有用的替代。我们表明，通用复合似然组成的边际和条件规范允许简单的建设复合似然比样的统计，有限样本的有效置信集和假设检验可以构建。这些统计量是通用的，因为它们可以从基础DGP的参数的任何估计量构造。我们证明了我们的方法，通过模拟研究，使用一对有条件指定的双变量模型。
2021-06-28 stat.ME
Post-selection inference for linear mixed model parameters using the conditional Akaike information criterion
我们研究了线性混合模型中固定参数和混合参数的后选择推断问题，使用条件赤池信息准则作为模型选择过程.在线性混合模型的框架内，我们发展了完整的理论来构建置信区间的回归和混合参数在三个框架：嵌套和一般模型集以及误指定的模型。我们的理论分析是伴随着一个模拟实验和后选择检查平均收入在加利西亚的县。我们的数值研究证实了我们的新程序的良好性能。此外，他们揭示了一个惊人的鲁棒性的模型错误指定的一个天真的方法来构建的置信区间的混合参数，这是在对比我们的研究结果的固定参数。
2021-09-22 stat.AP stat.CO stat.ME
Cutting Feedback in Misspecified Copula Models
针对 Copula 模型中边际分布与 Copula 函数的模块化错误设定问题，提出通过“切断反馈”限制错误模块影响的改进贝叶斯推断方法，并开发新的变分推断算法，理论证明与实证均显示其能提供准确的不确定性量化并显著提升预测精度。
2024-06-27 econ.EM math.ST stat.ME
Variational inference for cutting feedback in misspecified models
贝叶斯分析将联合贝叶斯模型中不同项所表示的信息组合在一起。当一个或多个项被错误指定时，限制使用来自可疑模型组件的信息来修改后验推理可能是有帮助的。这被称为“切割反馈”，并且这种“切割模型”的后验的规范和计算都是具有挑战性的。在本文中，我们定义了削减后验分布的解决方案，约束优化问题，并提出了基于优化的变分方法计算。这些方法比现有的马尔可夫链蒙特卡罗（MCMC）方法计算削减后验分布的数量级更快。它还表明，变分方法允许计算密集的冲突检查，可以用来决定是否反馈应削减的评价。我们的方法在一些模拟和真实的例子，包括应用程序中，结合变分推断和MCMC内的变分优化的最新方法的进步。
2022-06-24 stat.CO stat.ME
Discrete-Time Statistical Inference for Multiscale Diffusions
我们研究了小噪声扰动下多尺度动力系统的统计推断，假设我们只从慢过程中观察到一个单一的时间序列。我们构造估计平均和均匀化制度，基于一个适当的误指定的模型，由二阶随机泰勒展开的慢过程相对于时间尺度分离参数的函数。在观测值个数固定的情况下，我们建立了最小对比度估计（MCE）的一致性、渐近正态性和渐近统计有效性，其中极限方差已被明确地确定;我们还建立了简化的最小对比度估计（SMCE）的一致性和渐近正态性，但SMCE在一般情况下不是有效的。然后，这些结果被扩展到高频观测的情况下，限制的速度下，观察的数量可能会增长相对于分离的尺度。数值模拟验证了理论结果。
2018-09-12 math.PR math.ST stat.AP
A Risk Management Perspective on Statistical Estimation and Generalized Variational Inference
本文从风险管理视角提出一种带约束的广义变分推断新公式，将无限维估计问题转化为二维凸规划，自动确定学习率并给出最优密度解析表达式，同时证明经验近似的渐近一致性。
2023-10-26 math.OC math.PR math.ST
Reliable Bayesian Inference in Misspecified Models
我们提供了一个通用的解决方案，在贝叶斯推断，即穷人的不确定性量化，从频率的角度来看，贝叶斯方法在错误指定的模型中的一个基本的开放问题。虽然现有的解决方案是基于显式高斯近似的后验，或计算繁重的后处理程序，我们证明了正确的不确定性量化可以通过用直观的近似后验替换通常的后验来实现。重要的是，我们的解决方案是适用于基于似然性，和广义，后验以及情况下的可能性是棘手的，必须估计。我们正式证明了我们所提出的方法的可靠的不确定性量化，并表明有效的不确定性量化是不是一个渐近的结果，但即使在小样本。我们通过一系列的例子来说明这种方法，包括线性，广义，混合效应模型。
2023-02-13 math.ST stat.CO stat.ME
Double-Estimation-Friendly Inference for High-Dimensional Measurement Error Models with Non-Sparse Adaptability
针对含测量误差的高维线性回归单个假设检验，提出双重稳健得分检验，在 X-model 或 Y-model 之一误设时仍有效，并兼容稀疏与非稀疏情形。
2025-01-11 math.ST stat.ME stat.TH
Causal inference with misspecified exposure mappings: separating definitions and assumptions
曝光映射有利于调查复杂的因果关系时，单位在实验中相互作用。目前的方法要求实验者使用相同的曝光映射来定义感兴趣的效果并对干涉结构施加假设。然而，这两个角色在实践中很少重合，实验者被迫做出经常令人质疑的假设，即他们的暴露量是正确指定的。本文认为，这两个角色暴露映射目前服务可以，通常应该，是分开的，这样的曝光被用来定义的影响，而不必假设他们捕捉完整的因果结构的实验。该文件表明，这种方法是实际可行的，提供条件下，曝光效果可以精确估计时，曝光是错误的。一些重要的问题仍然悬而未决。
2023-03-13 econ.EM math.ST stat.ME
Inconsistency of Bayesian Inference for Misspecified Linear Models, and a Proposal for Repairing It
我们的经验表明，贝叶斯推断可以在简单的线性回归问题，无论是在模型平均/选择和贝叶斯岭回归设置下的误指定不一致。我们使用标准的线性模型，它假设同方差，而数据是异方差的，并观察到后验把它的质量越来越高维模型的样本量增加。为了解决这个问题，我们为贝叶斯定理中的似然性配备了一个称为学习率的指数，并且我们提出了安全贝叶斯方法来从数据中学习学习率。SafeBayes倾向于选择小的学习率，一旦标准后验不是“累积集中”，它对我们的数据的结果是相当令人鼓舞的。
2018-10-29 math.ST stat.ME stat.TH
Inference of Random Effects for Linear Mixed-Effects Models with a Fixed Number of Clusters
我们考虑一个线性混合效应模型的聚类结构，其中的参数估计使用最大似然（ML）的基础上可能不平衡的数据。使用该模型的推断通常基于渐近理论进行，假设聚类数随着样本量趋于无穷大。然而，当集群的数量是固定的，经典的渐近理论下开发的集群的数量是不同的不再有效，并可能导致错误的结论。本文建立了一般情形下随机效应参数ML估计的渐近性质，该估计可用于对固定数目的聚类进行有效的统计推断.我们的渐近定理允许固定效应和随机效应被错误指定，并且两种效应的维度随着样本量而趋于无穷大。
2021-03-28 math.ST stat.TH
Sensitivity Analysis using Approximate Moment Condition Models
我们认为推理模型定义的近似矩条件。我们表明，近最佳的置信区间（CI）可以形成通过采取广义矩估计（GMM）估计，并添加和减去标准误差倍的临界值，考虑到潜在的偏差误设定的时刻条件。为了在潜在的误指定下优化性能，该GMM估计器的加权矩阵考虑了这种潜在的偏差，因此与正确指定下的最佳加权矩阵不同。为了正式显示这些CI的近最优性，我们在局部错误指定的GMM设置中开发了推理的渐近效率界。这些界限可能是独立的利益，由于其影响的可能性，使用时刻选择程序进行推断时，时刻条件模型。我们应用我们的方法在汽车需求的实证应用，并表明，调整权重矩阵可以缩小CI的3倍或更多。
2020-07-29 econ.EM stat.ME
MD-split+: Practical Local Conformal Inference in High Dimensions
Carnegie Mellon University（卡内基梅隆大学）
量化模型预测中的不确定性是寻求不仅仅是点预测的从业者的共同目标。一种需要最少假设的不确定性量化工具是共形推理，它可以帮助为黑盒模型创建概率有效的预测区域。经典的共形预测只提供边缘有效性，而在许多情况下，局部有效的预测区域是可取的。在应用局部共形预测时，决定如何最好地划分特征空间X仍然是一个悬而未决的问题。我们提出了MD分裂+，一个实用的局部共形方法，创建X分区的基础上本地化的模型性能的条件密度估计模型。我们的方法处理复杂的现实世界的数据设置，这些模型可能会被错误指定，并扩展到高维输入。我们讨论了我们的局部分区如何从一个无法实现的条件共形推理方法与预期的行为一致。我们还经验比较我们的方法对其他地方的共形方法。
2021-07-07 cs.LG stat.ML
Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework
Munich Center for Machine Learning（慕尼黑机器学习中心）；Cornell University（康奈尔大学）
本文提出了一种部分识别框架，用于在暴露映射误设定情况下评估网络中治疗效应的稳健性，通过推导直接和溢出效应的界限并开发正交估计器，提高了因果推断的可靠性。
2026-02-03 cs.LG stat.ME
Misspecified regressions with mixed regressors: robust inference and causal interpretation
University of Southern California（南加州大学）；UC Berkeley（加州大学伯克利分校）
研究在含随机与固定成分的混合回归变量且模型可能误设情况下的回归问题，通过建立估计方程一般结果分析误设线性回归，专注回归系数与标准误差因果解释，还从独立数据扩展到聚类数据。
2026-07-13 econ.EM math.ST stat.ME
Valid post-selection inference in Robust Q-learning
本文将通用选择后推断（UPoSI）程序适应于半参数Robust Q-learning方法，解决了在多阶段决策方法中使用UPoSI的独特挑战，并通过理论和模拟验证了所提出置信区域的有效性。
2025-10-11 math.ST stat.ME stat.TH
Statistical inference for Gaussian Whittle-Matérn fields on metric graphs
本文研究了度量图上高斯Whittle-Matérn场的统计推断，推导了参数估计的渐近性质，并利用特定指数下的马尔可夫性质实现了大数据集上的精确高效推断。
2023-10-25 math.ST stat.ME stat.TH
An exploration into how susceptibility distribution misspecifications impact epidemic forecasting
Department of Mathematics and Statistics, University of Strathclyde（斯特拉斯克莱德大学数学与统计系）；Department of Mathematical Sciences, Abubakar Tafawa Balewa University（阿卜巴卡尔·塔法瓦·巴勒瓦大学数学科学系）；Public Health Scotland（苏格兰公共卫生局）；Centre for Mathematics and Applications (NOVA MATH), NOVA School of Science and Technology（新里斯本理工大学科学与技术学院数学与应用研究中心）
研究比较了SEIR框架下伽马和对数正态易感性分布的错误设定，发现中等异质性时流行轨迹差异显著，但错误设定对预测的影响较小，建议采用异质性模型。
2026-06-07 stat.AP stat.CO
Optimal Universal Quantum Encoding for Statistical Inference
The University of Melbourne（墨尔本大学）
该研究针对量子统计推断的经典数据编码问题，证明最大量子泄漏量是编码质量的通用衡量指标，得出纯态可实现最优通用编码、比特充足时基矢编码最优的结论，并提出了数值求解的迭代方法。
2024-04-12 cs.LG eess.SP math.ST
A Bayesian view of doubly robust causal inference
在因果推断中，混杂可以通过结果模型中的回归调整或通过倾向得分调整或治疗加权的逆概率或两者来控制。后者的方法，这是基于建模的治疗分配机制和他们的双重强大的扩展已经很难激励使用正式的贝叶斯参数，在原则上，基于似然性的推断，治疗分配模型可以发挥任何作用的推断有关的预期结果，如果模型被假定为正确指定。另一方面，通过允许错误指定结果和治疗分配模型来强制结果和治疗分配模型之间的依赖性，导致倾向得分的平衡属性的损失和任何双重稳健性的损失。在本文中，我们解释的框架中的错误指定的模型，为什么双重强大的推理不能产生纯粹的基于似然的参数，并通过模拟证明这一点。作为一种替代贝叶斯倾向得分分析，我们提出了一个贝叶斯后验预测方法构建双重稳健估计程序。我们的方法通过将贝叶斯因果推断中的逆治疗分配概率作为蒙特卡罗积分中的重要性抽样权重，适当地简化了结果和治疗分配模型。
2017-01-15 stat.ME
Universal Inference with Composite Likelihoods
Wasserman等人（2020，PNAS，第117卷，第117页）16880-16890）使用基于分裂数据似然比的统计量构建了估计器不可知和有限样本有效置信集和假设检验。我们证明，同样的方法扩展到使用分裂数据复合似然比，以及，从而建立通用的方法进行多变量推理时，数据生成过程中只知道边缘和条件之间的关系的坐标。还考虑了始终有效的顺序推理。
2020-09-23 math.ST stat.TH
Universal Inference
我们提出了一个一般的方法来构造假设检验和置信集，有有限的样本保证没有规律性条件。我们称这种程序为“普遍程序。该方法非常简单，基于通常的似然比统计量的修改版本，我们称之为“分裂似然比检验“（分裂LRT）。该方法对不规则统计模型特别有吸引力。典型的例子包括混合模型和形状约束推理中出现的模型。为这样的模型构建测试和置信集是非常困难的。典型的推理方法，如似然比检验，在这些情况下是没有用的，因为它们具有难以处理的极限分布。相比之下，我们建议的方法适用于任何参数模型，也适用于某些非参数模型。分裂LRT也可以与轮廓似然一起使用以处理冗余参数，并且它也可以顺序地运行以产生任何时间有效的$p$值和置信度序列。
2022-10-19 math.ST stat.ME stat.ML
Synthetic likelihood in misspecified models
Monash University（莫纳什大学）；National University of Singapore（新加坡国立大学）；Queensland University of Technology（昆士兰科技大学）
研究分析了在模型不恰当情况下合成似然后验行为，揭示其可能呈现非标准特性如多模态和非高斯性，并指出传统鲁棒方法在合成似然中的不足。
2026-04-16 math.ST stat.ME stat.TH
Statistical Inference for Online Decision-Making: In a Contextual Bandit Setting
North Carolina State University（北卡罗来纳州立大学）
在线决策问题要求我们根据增量信息做出一系列决策。常见的解决方案通常需要学习给定上下文信息的不同行为的奖励模型，然后最大化长期奖励。了解所提出的模型是否合理，以及模型在渐近意义下的表现如何，是很有意义的。我们在线性报酬模型的情境强盗框架下研究了这个问题。采用$\varepsilon$ -贪婪策略来解决经典的探索和利用困境。利用鞅中心极限定理，证明了模型参数的在线普通最小二乘估计是渐近正态的。当线性模型被误定时，我们提出了利用逆倾向得分加权的在线加权最小二乘估计，并建立了其渐近正态性。基于参数估计的性质，我们进一步证明了样本内逆倾向加权值估计是渐近正态的。我们说明我们的结果使用模拟和应用程序的新闻文章推荐数据集从雅虎！
2020-10-14 cs.LG stat.ML
Universal Inference for Incomplete Discrete Choice Models
本文针对具有集值预测的实证模型，提出一种具有有限样本有效性的易处理推断方法，基于稳健的普适推断框架构建置信区间，适用于模型不完全性等复杂场景。
2025-01-29 econ.EM math.ST stat.TH
Exact maximum likelihood inference for drifted multi-sub-fractional Brownian motion at discrete observation
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·费萨尔大学）
本文针对离散观测的漂移多子分数布朗运动，证明了完整有限样本似然理论的存在，给出显式极大似然估计量、精确水平的区间与检验，并验证了强相合性、渐近正态性及模拟效果。
2026-09-22 math.PR math.ST stat.AP
Bayesian Modular Inference for Copula Models with Potentially Misspecified Marginals
National University of Singapore（新加坡国立大学）；Monash University（蒙纳士大学）；University of Melbourne（墨尔本大学）
本文提出一种新的Copula SMI方法，通过贝叶斯优化选择影响参数，实现对边缘分布和Copula函数误指定的鲁棒推断，应用于对称性依赖的权益波动与债券收益率的Copula模型。
2026-09-23 econ.EM math.ST stat.ME
Improve Efficiency of Doubly Robust Estimator when Propensity Score is Misspecified
本文提出倾向评分增广双重稳健（PAD）估计量，通过在PS模型中引入校准协变量并求解受限加权最小二乘问题，在PS模型错误而OR模型正确时显著降低ATT估计方差，同时保持双重稳健性。
2023-04-15 stat.ME
Robust Approximate Bayesian Inference with Synthetic Likelihood
贝叶斯合成似然（BSL）是一种用于在模型中进行近似贝叶斯推断的成熟方法，其中，由于似然函数的棘手性，精确贝叶斯方法要么是不可行的，要么是计算量太大。BSL应用中隐含的假设是，数据生成过程（DGP）可以生成模拟汇总统计量，以捕获观察到的汇总统计量的行为。我们证明，如果实际和假设的DGP之间的兼容性不满足，即，如果模型被错误指定，BSL会产生不可靠的参数推断。为了规避这个问题，我们提出了一个新的BSL方法，可以检测模型的误指定的存在，并同时提供有用的推论，即使在显着的模型误指定。两个模拟和两个真实数据的例子证明了这种新的方法BSL的性能，并证明其优越的精度比标准BSL时，假设的模型是错误的。
2020-06-11 stat.AP stat.CO stat.ME
Modularized Bayesian analyses and cutting feedback in likelihood-free inference
最近，人们对修改错误指定模型的贝叶斯推断产生了很大的兴趣，以便它对特定目的有用。一种流行的改进的贝叶斯推断方法是“切割反馈”，当模型由多个耦合模块组成时，可以使用该方法，其中只有一些模块被错误指定。切割反馈方法用条件分量和序贯分量表示完整的后验分布，然后基于模块结构修改这种表示中的某些项，以指定或计算修改后的后验分布。这样做的主要目标是避免错误指定的模块对感兴趣的参数的推断的污染。计算削减后验分布是具有挑战性的，在这里，我们考虑切割反馈的似然性的基础上的混合高斯近似的参数和数据汇总统计的联合分布的推断。我们利用高斯混合的边缘和条件分布是高斯混合的事实，给出明确的近似边缘或条件后验分布，使我们可以很容易地近似削减后验分析。混合方法允许基于单一混合拟合对不同数据重复近似后验分布，这对于有助于决定是否“切割”的模型检查很重要。一个半模块化的方法，反馈是部分削减似然自由推理。两个具有挑战性的例子，集体细胞扩散模型和连续时间模型的资产收益跳跃的方法的好处。
2022-03-18 stat.AP stat.CO 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
Doubly Robust Estimation under Possibly Misspecified Marginal Structural Cox Model
本文针对边际结构Cox模型提出双重稳健的增广逆概率加权估计器，解决非比例风险与信息性删失，可整合机器学习，并应用于中年饮酒对晚年死亡率的因果效应估计。
2023-11-13 stat.ME
Compensator-based inference for signal detection under unknown background: the binned data case
School of Statistics, University of Minnesota（明尼苏达大学统计学院）
研究未知背景下信号检测问题，核心方法是基于补偿器的推断，贡献是拓宽该方法范围并将其扩展到数据为大量分箱上泊松计数的情况。
2026-07-09 astro-ph.HE astro-ph.IM physics.data-an
Preconditioned Robust Neural Posterior Estimation for Misspecified Simulators
Monash University（莫纳什大学）；Queensland University of Technology（昆士兰科技大学）
本文提出预条件鲁棒神经后验估计方法，通过数据依赖权重和森林邻近预条件化提升模型在规格不明确下的稳定性与准确性。
2026-02-20 stat.CO stat.ME stat.ML
