Some Theoretical Results Concerning Time-varying Nonparametric Regression with Local Stationary Regressors and Error
关于李和游在Journal of Applied Statistics and Management中提出的一个三步估计方法,对于具有时变回归函数、局部平稳回归变量和时变AR(p)(tvAR(p))误差过程的非参数回归模型,我们建立了每个估计的所有必要的渐近性质.给出了非参数回归函数初估计的收敛速度和渐近正态性,建立了误差项中时变系数函数的渐近分布,并给出了非参数回归函数加细估计的渐近性质.此外,对于变量选择的ULASSO方法和误差项结构的常系数检测,我们证明了ULASSO估计能够一致地识别真实的误差项结构.我们进行了两个模拟研究,以说明有限样本性能的估计和验证我们的理论讨论的性质的估计。
2020-10-24 math.ST stat.ME stat.TH
Large Deviation Results for the Nonparametric Regression Function Estimator on Functional Data
本文研究函数型数据下回归函数估计的大偏差行为。一个大偏差原则是为一个过程Zn,下面定义,允许导出一个逐点大偏差原则的Nadaraya-Watson型l-指数回归函数估计作为副产品。此外,一个统一的VC类切尔诺?类型大偏差的结果是针对L-指数回归估计量的偏差。
2011-11-25 math.ST stat.ME stat.TH
A New Bayesian Huberised Regularisation and Beyond
针对频率学派鲁棒回归无法完整量化概率不确定性的问题,提出新型Huber化非对称损失及对应分布,构建贝叶斯Huber化正则化鲁棒与分位数回归模型,证明后验性质并通过实验验证其鲁棒性和有效性。
2023-07-22 stat.ME
Debiased Nonparametric Regression for Statistical Inference and Distributionally Robustness
The University of Tokyo(东京大学)
本文提出一种无模型的非参数回归去偏方法,通过加入估计条件期望残差的校正项,使估计量在温和条件下具备风险收敛与渐近正态性,从而支持统计推断并提升协变量偏移下的鲁棒性。
2025-03-17 cs.LG econ.EM math.ST
Nonparametric principal subspace regression
在科学应用中,多变量观测通常与时间或空间协变量相结合,其潜在信号平滑地变化。标准的方法如主成分分析和因子分析忽略了数据的光滑性,而多元线性或非参数回归不能利用多变量响应变量之间的相关信息。我们提出了一种新的方法命名为非参数主子空间回归,以克服这些问题。通过解耦模型差异,引入了一个简单而通用的两步框架,这给模型拟合的选择留下了很大的灵活性。建立了具有理论属性的一般框架,并提供了既满足要求又享有理论保障的实施程序。我们证明了良好的有限样本的性能,所提出的方法,通过模拟和实际数据的应用,从脑电图研究。
2019-10-12 math.ST stat.ME stat.TH
Improved convergence rates of nonparametric penalized regression under misspecified total variation
针对平滑度未知时非参数估计收敛速度的问题,本文通过引入基于卷积和高阶核的近似函数,改进了Simon和Shojaie (2021)的理论收敛速度,获得了更紧的收敛速率。
2023-08-02 math.ST stat.ME stat.TH
Nonparametric Multiple-Output Center-Outward Quantile Regression
基于Chernozhukov等人(2017)和Hallin等人(2021)最近引入的多元中心向外分位数的新概念,我们正在考虑非参数多输出分位数回归问题。我们的方法定义了嵌套的条件中心向外分位数回归轮廓和区域与给定的条件概率的内容,无论潜在的分布,他们的图形构成嵌套的中心向外分位数回归管。这些概念的经验对应物被构建,产生可解释的经验区域和轮廓,这些区域和轮廓被证明能够一致地重建它们在庞培-豪斯多夫拓扑中的人口版本。我们的方法是完全非参数的,在包括异方差和非线性趋势的模拟中表现良好;它作为数据分析工具的能力在一些真实数据集上得到了说明。
2022-04-26 math.ST stat.ME stat.TH
Fuzzy sets in nonparametric Bayes regression
一个简单的贝叶斯方法非参数回归描述使用模糊集和隶属函数。隶属函数被解释为未知回归函数的似然函数,因此借助于参考先验,它们可以被转换为先验密度函数。未知的回归函数被分解成小波和分层贝叶斯方法是用于对所得到的小波系数进行推断。
2008-05-21 math.LO math.ST stat.ME
Simultaneous confidence bands for nonparametric regression with functional data
我们考虑非参数回归的背景下,功能的数据,也就是说,当一个随机样本的功能是观察到一个细网格。我们得到一个功能渐近正态性的结果,允许建立同时置信带(SCB)的各种估计和推理任务。两个应用SCB程序的回归函数和拟合优度测试曲线回归模型提出。第一种方法在其他可用方法上提高了精度,而第二种方法可以检测参数化形状的局部偏离,而不是通常的拟合优度测试,仅跟踪全局偏离。SCB程序的数值研究和说明与语音数据集提供。
2010-07-20 math.ST stat.ME stat.TH
On Variable Screening in Multiple Nonparametric Regression Model
本文研究了多元非参数回归模型中的变量筛选问题。所提出的方法是基于这样一个事实,即回归函数相对于无关变量的偏导数应该是可以忽略的。所提出的方法的统计特性进行了研究,在这两种情况下:(i)当误差项的方差是已知的,和(ii)当误差项的方差是未知的。此外,我们建立了我们所提出的方法的实用性,用于与经济学,金融学和其他科学等跨学科科学相关的各种模拟和真实数据。
2021-01-16 math.ST stat.ME stat.TH
A Sieve Stochastic Gradient Descent Estimator for Online Nonparametric Regression in Sobolev ellipsoids
回归的目标是恢复一个未知的潜在函数,该函数将一组预测因子与噪声观测的结果最好地联系起来。在非参数回归中,假设回归函数属于预先指定的无限维函数空间(假设空间)。在在线设置中,当观测值以流的形式出现时,计算上优选迭代地更新估计值,而不是重复地重新调整整个模型。受非参数筛法估计和随机逼近方法的启发,当假设空间为Sobolev椭球时,提出了一种筛法随机梯度下降估计(Sieve-SGD).我们证明了Sieve-SGD在一组简单而直接的条件下具有速率最优均方误差(MSE)。所提出的估计可以构建一个低的计算(时间和空间)费用:我们还正式表明,Sieve-SGD需要几乎最小的内存使用所有统计率最优估计。
2022-01-06 math.ST stat.ME stat.TH
A New Formula for Faster Computation of the K-Fold Cross-Validation and Good Regularisation Parameter Values in Ridge Regression
本文提出新定理和更新公式,无需重拟合即可精确计算K折交叉验证残差,并给出快速近似策略及PRESS统计量估计方法,有效提升岭回归和Tikhonov回归的正则化参数选择效率。
2024-02-08 stat.AP stat.CO stat.ME
Nonparametric covariate-adjusted regression
我们考虑回归曲线的非参数估计时,观察到的数据与乘法失真,这取决于观察到的混杂变量。我们提出了几个估计,从一个相对简单的依赖于限制性假设通常在文献中,一个复杂的分段方法,涉及重建一个平滑曲线,从一个常数倍的绝对值的估计,并可以应用在更一般的情况下。我们表明,虽然我们的非参数估计是从未观察到的未失真数据的预测,他们有相同的一阶渐近性质的标准估计,可以计算,如果未失真的数据。我们说明了我们的方法在模拟和真实数据集上的良好数值性能。
2016-01-12 math.ST stat.ME stat.TH
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
Nonparametric Regression, Confidence Regions and Regularization
本文对单位区间上的非参数回归问题给出了一个统一的处理方法。它是基于一个普遍的,诚实的和非渐近的置信区域,这是由一组线性不等式,涉及在设计点的功能值定义。兴趣通常集中在该区域中的某些最简单的函数上,其中简单性可以根据形状(局部极值的数量,凸性/曲率的间隔)或光滑性(导数的界限)或两者的组合来定义。一旦确定了某种形式的正则化,就可以使用置信区域来提供诚实的非渐近置信界限,其信息量较少,但在概念上简单得多。
2007-11-05 math.ST stat.ME stat.TH
Nonparametric Regression with Measurement Error in Banach Spaces
University of Mississippi Medical Center(密西西比大学医学中心);Millsaps College(米尔斯普斯学院)
本文提出一个不依赖内积结构的统一框架,用于Banach空间值预测变量的非参数回归,处理测量误差,建立大样本理论,并扩展至误差变量和部分污染模型。
2026-09-15 math.ST stat.ME stat.TH
Nonparametric Depth and Quantile Regression for Functional Data
当响应和协变量都是函数时,我们研究了基于空间深度和分位数的非参数回归方法。与有限维数据的经典分位数回归一样,本文开发的回归技术提供了对功能协变量对功能响应的条件分布的不同部分(如中心和尾部)的影响的深入了解。基于深度和分位数的非参数回归对于检测函数回归中的异方差性是有用的。我们推导出非参数深度和分位数回归估计的渐近行为,它依赖于协变量空间中的小球概率。我们的非参数回归程序被用来分析一个数据集的人均国内生产总值对储蓄率的影响,为125个国家,和另一个数据集的影响,人均净可支配收入对卷烟销售在美国的一些州。
2018-02-07 stat.ME
Nonparametric modal regression
模态回归估计给定$X=x$的$Y$分布的局部模态,而不是通常的回归意义上的平均值,因此可以揭示通常回归方法遗漏的重要结构。本文研究了一种简单的非参数模态回归方法,基于$Y$和$X$联合分布的核密度估计(KDE)。我们推导出这种方法的渐近误差界,并提出了构造置信集和预测集的技术。后者用于选择基础KDE的平滑带宽。模态回归背后的思想与许多其他方法有关,例如混合回归和密度岭估计,我们也讨论了这些联系。
2016-03-30 math.ST stat.ME stat.ML
Nonparametric estimation in a regression model with additive and multiplicative noise
本文考虑了一般非参数回归模型中未知函数的估计问题,在此背景下提出了两种新的小波估计.我们证明了它们在Besov空间上的平均积分平方误差下具有快速的收敛速度。所得到的速率具有建立在模型弱条件下的特殊性。一个数值研究的背景下可比随机前沿估计(与不同的边界不一定是一个生产函数)支持的理论。
2020-06-20 econ.EM math.ST stat.ME
Uniform limit laws of the logarithm for nonparametric estimators of the regression function in presence of censored data
本文建立了截尾加权非参数逆概率(I.P.C.W.)随机删失下多元回归函数的估计量。对于条件分布函数的估计量也得到了类似的结果。从我们的主要结果中还得到了条件密度和条件风险率函数估计的带宽一致相合性。此外,我们建立的对数律产生几乎必然同时渐近置信带的功能,我们认为。显示了从模拟数据中获得的置信带示例。
2007-09-13 math.PR math.ST stat.ME
Efficient estimation of the error distribution function in heteroskedastic nonparametric regression with missing data
本文提出了一种基于残差的经验分布函数来估计响应随机缺失的异方差非参数回归的误差分布函数,并证明了这种估计是渐近最精确的.
2016-10-27 stat.ME
A note on wavelet shrinkage in nonparametric regression models with ARFIMA errors
本文针对带ARFIMA误差的非参数回归模型,提出一种收缩小波估计方法,并通过蒙特卡洛实验证明其优于通用阈值规则。
2025-05-10 stat.ME
Robust nonparametric regression: review and practical considerations
本文综述了非参数回归模型的离群点稳健估计方法,探讨了稳健带宽选择策略,并介绍了适用于多变量场景的高扩展性稳健回归方法。
2023-04-05 stat.ME
Improved inference for nonparametric regression and regression-discontinuity designs
University of Bologna(博洛尼亚大学);Exeter Business School(埃克塞特商学院);McGill University(麦吉尔大学);CIREQ(魁北克经济学研究中心);Aarhus Center for Econometrics(奥胡斯计量经济学中心);Aarhus University(奥胡斯大学)
本文提出了一种基于自助预翻转的改进非参数推断方法,显著缩短置信区间长度而不影响覆盖率。
2026-03-06 econ.EM stat.ME
Locally Adaptive Nonparametric Binary Regression
本文提出了一种非参数局部自适应贝叶斯估计器来估计二元回归。通过将二元回归建模为概率单位回归的混合物来获得灵活性,其中每个概率单位回归的参数具有薄板样条,其具有自己的平滑参数,并且混合物权重取决于协变量。估计相比,一个单一的样条估计和最近提出的局部自适应估计。通过将其应用到模拟和真实的例子说明了该方法。
2007-09-21 stat.ME
Sequential Nonparametric Regression
Carnegie Mellon University(卡内基梅隆大学);University of Chicago(芝加哥大学)
我们提出的算法非参数回归的设置中的数据是连续获得的。虽然传统的估计器选择的带宽取决于样本量,对于连续数据的有效样本量是动态变化的。我们提出了一个线性时间算法,调整每个新的数据点的带宽,并显示估计达到最佳的极小极大收敛速度。我们还提出了使用在线专家混合算法来适应未知的光滑的回归函数。我们提供的模拟证实了理论结果,并证明了方法的有效性。
2012-06-27 astro-ph.IM cs.LG stat.ME
Iterative Estimation of Solutions to Noisy Nonlinear Operator Equations in Nonparametric Instrumental Regression
University of Göttingen(哥廷根大学);UCL(天主教鲁汶大学);University Mannheim(曼海姆大学);Universite de Toulouse(图卢兹大学)
本文提出一种正则化牛顿型迭代方法,用于解决噪声积分核下的非线性积分方程,特别强调在工具回归模型中使用更强的独立性假设,以正确估计非参数回归函数。
2013-07-25 cs.NA math.NA math.ST
Parametric versus Semi and Nonparametric Regression Models
三种类型的回归模型研究人员需要熟悉和了解每一个的要求:参数,半参数和非参数回归模型。所使用的建模类型基于关于响应变量和解释变量之间的关系的形式以及随机误差分布的可用信息量。本文介绍了模型之间的差异、常用的估计方法、抗差估计稳健估计及其应用。本文中所有图表和分析的R代码可在附录中找到。
2019-06-24 stat.ME
Nonparametric multivariate regression estimation for circular responses
本文研究了具有圆响应的回归函数的非参数估计和R_d值预测量。局部多项式型估计的建议和研究。导出了它们的渐近偏差和方差的表达式,并给出了选择渐近局部最优带宽矩阵的准则。有限样本的行为,建议的估计评估通过模拟和他们的表现也说明了一个真实的数据集。
2020-04-13 stat.ME
Nonparametric multimodal regression for circular data
本文针对包含循环响应变量和/或协变量的回归模型,提出基于条件密度最大化的非参数多模态回归估计方法,利用均值偏移和循环均值偏移算法的条件版本进行估计,并研究了其渐近性质与带宽选择问题。
2020-12-17 stat.ME
Nonparametric Conditional Inference for Regression Coefficients with Application to Configural Polysampling
我们认为推断程序,条件上观察到的从属统计量,为回归系数下的线性回归设置未知的误差分布指定非参数。在正则条件下,建立了回归系数估计的条件渐近正态性,并证明了条件推断过程中核型密度估计的插入方法.仿真结果表明,该方法在构造置信区间时,可以得到精确的条件覆盖概率。插件的方法可以应用于与神经多元采样,以获得强大的条件估计自适应对抗的对比方案。我们证明了这一点,通过调查的条件均方误差的位置估计在各种对抗的模拟研究,成功地扩展到一个非参数的背景下,几何多抽样。
2007-10-30 stat.ME
Nonparametric Regression and Error Covariance Function Estimation -- Beyond Short-Range Dependence
针对非参数回归中误差相关性衰减缓慢的问题,提出特殊核函数与带宽选择步骤及误差协方差函数非参数估计,在理论和模拟中均获显著改进并验证了实际应用价值。
2025-04-27 stat.ME
Bayesian Nonparametric Modeling for Multivariate Ordinal Regression
通常假设单变量或多变量有序响应来自潜在连续参数分布,协变量效应线性进入。本文介绍了一种单变量和多变量有序回归的贝叶斯非参数建模方法,该方法基于潜响应和协变量的联合分布的混合建模。建模框架可以高度灵活地推断有序回归关系,避免协变量效应中的线性或加性假设。在标准参数有序回归模型中,计算挑战来自于可识别性约束和需要非标准推理技术的参数估计。非参数模型的一个关键特征是它实现了推理的灵活性,同时避免了这些困难。特别是,我们建立了充分支持的非参数混合模型下的固定截止点,通过离散化的潜在连续响应与顺序响应。通过应用到两个数据集的计量经济学,一个例子,涉及臭氧浓度的回归关系,和多评价协议问题的建模方法的实际效用说明。
2016-09-20 stat.ME
Wavelet Shrinkage in Nonparametric Regression Models with Positive Noise
小波收缩估计器通过降低经验系数的大小来对小波域的数据进行去噪,在许多科学领域中得到了广泛的应用。在非参数回归问题中,大多数的收缩规则都是由带有加性高斯噪声的未知函数组成的模型推导出来的。虽然高斯噪声假设在一些实际数据分析中是合理的,主要是在大样本量的情况下,但它并不普遍。在实际应用中,正噪声污染数据是经常出现的,正噪声污染的非参数回归模型给小波收缩带来了挑战。本文在指数和对数正态分布下,利用加性和严格正噪声的非参数回归框架,提出了一种估计小波系数的贝叶斯收缩规则。计算方面进行了讨论和模拟研究,以分析所提出的收缩规则的性能,并与标准技术进行比较。最后给出了在波士顿马拉松比赛数据集上的应用.
2021-09-13 stat.ME
Linear programming approach to nonparametric inference under shape restrictions: with an application to regression kink designs
我们开发了一种在形状约束下构建非参数回归函数置信带的新方法。该方法可以通过线性规划实现,因此在计算上具有吸引力。我们说明了我们所提出的方法与应用程序的回归折点设计(RKD)的用法。基于RKD的计量经济学分析由于非参数导数估计的收敛速度慢,经常会遇到置信区间较宽的问题。我们证明,经济模型和结构激励形状的限制,这反过来又有助于缩小置信区间的失业保险金对失业持续时间的因果关系的分析。
2021-02-12 econ.EM stat.ME
Bayesian surface regression versus spatial spectral nonparametric curve regression
分析了2020年2月至10月期间部分西班牙社区省份的COVID-19发病率。两个无限维回归方法进行了测试。第一个是在Ruiz-Medina,Miranda和Espejo(2019)中介绍的回归框架中实现的。具体地说,一个baidom框架中采用的时间自相关算子的纯点谱的估计,表征表面序列的二阶结构。第二种方法是在空间曲线回归的背景下制定的。基于空间周期图算子,计算谱密度算子的非参数估计量来逼近曲线之间的空间相关性。降维是通过投影到长期空间协方差算子的经验特征向量上来实现的。交叉验证程序来测试两个功能回归方法的性能。
2021-10-30 stat.AP stat.ME
Simultaneous confidence bands for nonparametric regression with partially missing covariates
本文考虑了协变量随机缺失的非参数回归的基于逆选择概率的加权局部线性估计。导出了估计量与真实回归函数之间的最大偏差的渐近分布,并构造了渐近精确的同时置信带。回归函数的估计被证明是oracally有效的意义上说,它是一致的不可区分的,当选择概率是已知的。有限样本性能通过模拟研究,支持我们的渐近理论。通过对加拿大2010/2011年青年学生调查数据集的分析,证明了所提出的方法。
2020-02-28 stat.ME
An Online Projection Estimator for Nonparametric Regression in Reproducing Kernel Hilbert Spaces
非参数回归的目标是在假设回归函数属于预先指定的无穷维函数空间的情况下,从噪声观测值中恢复潜在的回归函数。在在线设置中,当观测值以流的形式出现时,重复地重新拟合整个模型在计算上通常是不可行的。到目前为止,还没有既计算效率又统计速率最优的方法。本文提出了在线非参数回归的一种估计。值得注意的是,我们的估计是一个经验风险最小化(ERM)在一个确定性的线性空间,这是很大的不同,从现有的方法使用随机功能和功能随机梯度。理论分析表明,当已知回归函数存在于再生核Hilbert空间中时,该估计器具有速率最优的推广误差。我们还表明,理论和经验,我们的估计的计算费用远低于其他速率最优估计提出了这种在线设置。
2021-04-01 stat.ME
Structure Discovery in Nonparametric Regression through Compositional Kernel Search
U. Cambridge(剑桥大学);MIT(麻省理工学院)
尽管它的重要性,在非参数回归的内核的结构形式的选择仍然是一个黑色的艺术。我们定义了一个空间的内核结构,这是由添加和乘以少量的基本内核组成。我们提出了一种方法来搜索这个空间的结构,反映了科学发现的过程。学习的结构通常可以将函数分解为可解释的组件,并在时间序列数据集上进行长距离外推。我们的结构搜索方法在各种预测任务上优于许多广泛使用的内核和内核组合方法。
2013-05-13 cs.LG stat.ME stat.ML
A Bayesian Nonparametric Causal Model for Regression Discontinuity Designs
对于非随机化研究,在相对温和的条件下,回归不连续设计(RDD)可用于识别和估计“局部随机化”受试者亚组的因果效应。然而,当前模型通过线性回归将因果推断集中在治疗(与非治疗)变量对因变量均值的影响上。对于RDD,我们提出了一个灵活的贝叶斯非参数回归模型,可以提供准确的估计因果关系的影响,在预测均值,方差,分位数,概率密度,分布函数,或任何其他选择的功能的结果变量。我们通过两个真实的教育数据集的分析来说明该模型,涉及(分别)一个清晰的RDD和一个模糊的RDD。
2015-02-11 stat.ME
Distributed nonparametric regression imputation for missing response problems with large-scale data
针对大规模数据缺失响应问题,本文提出基于核平滑和筛方法的两种分布式非参数回归插补方法,并证明所得响应均值估计量渐近正态且达到半参数效率界。
2023-01-08 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
Scalable Bayesian nonparametric regression via a Plackett-Luce model for conditional ranks
我们提出了一种新的贝叶斯非参数回归模型的协变量X和连续的,真正的响应变量Y。该模型根据Y和X的边缘分布以及调整条件分布F(y)的随机排序的回归函数进行参数化|x)。通过采用近似的复合似然方法,我们表明,由此产生的后验推理可以解耦的模型的单独组件。该过程可以扩展到非常大的数据集,并允许使用来自贝叶斯非参数密度估计和Plackett-Luce排名估计的标准现有软件。作为一个例子,我们展示了我们的方法在美国人口普查数据集上的应用,该数据集有超过130万个数据点和100多个协变量。
2015-06-24 stat.ME
Optimal-$k$ difference sequence in nonparametric regression
基于差分的方法在非参数回归中得到了越来越多的关注,特别是在估计残差方差时,需要在{ \em最优差分序列}和{ \em普通差分序列}之间选择合适的差分序列。差分序列的选择是非参数回归中的一个基本问题,三十多年来一直是一个有争议的问题。在本文中,我们建议从一个非常独特的角度来解决这个具有挑战性的问题,即通过引入一个新的差分序列称为{ \em的最佳- $k$差分序列}。新的差分序列不仅提供了一个更好的平衡之间的偏差方差的权衡,但也显着扩大了现有的家庭的差分序列,其中包括最佳和普通差分序列作为两个重要的特殊情况。我们进一步证明,通过理论和数值研究,最佳的$k$差分序列已经推动了我们的知识的边界,在基于差分的方法在非参数回归,它总是在实际情况下表现最好。
2022-11-28 stat.ME
Conformal Prediction for Nonparametric Instrumental Regression
本文提出一种非参数工具变量回归中无分布预测区间构造方法,提供有限样本覆盖保证。基于符合推断的条件保证框架,将条件覆盖转化为IV位移类$\mathcal{F}$上的边际覆盖。方法可与任意NPIV估计器结合,如sieve 2SLS及其他机器学习方法。理论分析建立无分布、有限样本覆盖。
2026-03-26 cs.LG econ.EM stat.AP
Nonparametric quantile regression for twice censored data
研究了两次删失数据的非参数分位数回归问题。利用单调重排的概念对条件分布函数的估计进行构造,给出了两个新的估计。所提出的方法避免了交叉分位数曲线的问题。建立了这两种估计的弱一致相合性和弱收敛性,并通过模拟研究了它们的有限样本性质。作为一个副产品,我们得到了一个新的结果,关于弱收敛的右删失数据的Beran估计的最大可能区域上,这是自己的兴趣。
2012-06-12 stat.ME
A Nonparametric Bayesian Technique for High-Dimensional Regression
本文提出了一个非参数贝叶斯框架称为VariScan的同时聚类,变量选择和预测在高通量回归设置。Poisson-Dirichlet过程用于检测协变量的低维潜在聚类。为响应构造了自适应非线性预测模型,实现了模型简约性和灵活性之间的平衡。与传统的信念相反,集群检测显示为后验一致的一般类的模型的协变量和主题的数量的增长。仿真研究和数据分析表明,VariScan往往优于几个著名的统计方法。
2016-04-12 stat.ME
A model specification test for the variance function in nonparametric regression
在完全非参数回归模型中考虑了条件方差参数形式的检验问题。提出了一种基于原假设和备择假设下残差经验特征函数之间加权$L_2$ -距离的检验统计量,并进行了理论研究。得到了检验统计量的零渐近分布,并用来逼近临界值。在几个蒙特卡罗实验中数值研究了所提出的测试的有限样本特性。开发的结果假设独立的数据。它们的扩展相关的意见进行了讨论。
2018-07-23 stat.ME
A Unified Bayesian Nonparametric Framework for Ordinal, Survival, and Density Regression Using the Complementary Log-Log Link
本文提出统一贝叶斯非参数框架,利用互补对数-对数链接解决有序回归、生存分析和密度回归问题,结合贝叶斯加性回归树实现便捷计算并验证理论性质。
2025-02-02 stat.ME
Nonparametric M-estimation for right censored regression model with stationary ergodic data
研究了平稳遍历右删失回归模型的非参数M-估计。定义为隐函数,当协变量取值于R^d(d >= 1)且数据来自平稳遍历过程时,考虑了稳健回归族的核型估计.在较弱的假设下,证明了估计量的强相合性(含率)和渐近分布。此外,提供了一个可用的置信区间,它不依赖于任何未知量。我们的结果在没有任何混合条件下成立,并且不需要存在边缘密度。还提供了基于模拟数据的比较研究。
2016-04-29 stat.ME
On Nonparametric Inference in the Regression Discontinuity Design
本文研究了非参数检验在回归不连续设计中的有效性问题。感兴趣的原假设是,在所谓的锐设计中,阈值处的平均处理效应等于预定值。我们首先表明,在大多数文献中使用的假设下,对于\emph{any}测试的权力对任何替代品是有界的大小。这一结果意味着,在这些假设下,任何具有非平凡功效的检验都会表现出尺寸失真。接下来,我们提供了一个充分加强的标准假设下,我们表明,在文献中的一个新的测试可以控制限制大小。
2016-11-15 stat.ME
Iterative Estimation of Nonparametric Regressions with Continuous Endogenous Variables and Discrete Instruments
针对仅有离散工具变量且含连续内生变量的非参数回归模型,提出一种求解非线性积分方程的简单迭代估计方法,并通过模拟实验和教育回报实证验证了其渐近性质与有效性。
2024-10-17 econ.EM stat.ME
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
Extrapolation Estimation for Nonparametric Regression with Measurement Error
针对协变量含有正态测量误差的非参数回归模型,提出了一种估计非参数回归函数的外推算法。通过将条件期望直接应用于局部线性近似与观测响应之间的偏差的核加权最小二乘,该算法成功地绕过了经典模拟外推法所需的模拟步骤,从而显著减少了计算时间.注意,所提出的方法还提供了外推函数的精确形式,但是如果带宽小于测量误差的标准差,则通常不能通过简单地将拟合的外推函数中的外推变量设置为负一来获得外推估计。大样本特性的估计过程进行了讨论,以及模拟研究和一个真实的数据例子进行说明其应用。
2021-07-27 stat.ME