Minimax optimal estimators for general additive functional estimation
在本文中,我们观察到一个稀疏的均值向量通过高斯噪声,我们的目的是估计一些加法函数的平均值在极小极大意义下。更确切地说,我们推广了(Collier et al.,2017年,2019年)到一个非常大的类泛函。最佳极小极大率取决于边缘功能的多项式逼近率,并建立实现这一速度的最佳估计。
2019-08-29 math.ST stat.TH
On estimation and prediction in a spatial semi-functional linear regression model
我们解决了估计和预测在非访问站点的空间半功能线性回归模型的衍生物,结合了一个功能的线性模型与非参数回归之一。参数部分由矩量法估计,另一部分由局部线性估计器估计。我们建立了所得到的估计量和预测量的收敛速度。一个模拟研究和应用在非访问站点的臭氧污染预测提出来说明我们的结果。
2022-11-19 math.ST stat.TH
Lepski's Method and Adaptive Estimation of Nonlinear Integral Functionals of Density
研究了密度的非线性积分泛函的自适应极小极大估计,并将线性和二次泛函的结果推广到一般泛函。“光滑”非线性泛函的典型率优非自适应Minimax估计是高阶U-统计量。由于Lepski的方法需要严格控制这样的估计的尾部,我们绕过这样的计算修改的Lepski的方法,这是适用于这种情况。作为必要的组成部分,我们还提供了一种方法来控制高阶矩的三次积分泛函的极小极大估计。遵循标准的约束风险不等式方法,我们还展示了我们的适应率的最优性。
2016-01-11 math.ST stat.TH
Nonparametric estimation of service time characteristics in infinite-server queues with nonstationary Poisson input
本文给出了一个数学框架,用于估计具有非齐次Poisson到达过程的无限服务台排队系统在部分信息情况下的服务时间分布和期望服务时间.该问题被简化为一个统计反卷积问题,通过使用拉普拉斯变换技术和正则化核来解决。估计量的均方误差的上界。一些具体的仿真实验来说明如何可以应用该方法,并提供一些见解的实际性能。
2018-05-25 math.ST stat.TH
Adaptive estimation of linear functionals in functional linear models
本文考虑函数线性回归中斜率参数的线性泛函的估计,其中标量响应依赖于随机函数建模。在Johannes和Schenk [2010]中,已经表明基于降维和附加阈值的插入式估计器可以达到最小最大最优收敛速率,直到常数。然而,该估计过程需要关于斜率函数和与函数回归量相关联的协方差算子的某些特性的调谐参数的最优选择。由于这些在实践中是未知的,我们基于模型选择和Lepski方法的组合研究了完全数据驱动的调谐参数选择,该方法受到Goldenshluger和Lepski [2011]最近工作的启发。调谐参数被选为一个随机惩罚的对比度函数模仿Lepski的方法之间的随机集合的容许值的最小值。我们表明,这种自适应程序达到下界的极大极小风险的对数因子在广泛的类的斜率函数和协方差算子。特别是,我们的理论涵盖了逐点估计以及估计的局部平均值的斜率参数。
2011-12-13 math.ST stat.TH
Parametric estimation for functional autoregressive processes on the sphere
本文的目的是定义一个非线性最小二乘估计的谱参数的一阶球面自回归过程的参数设置。此外,我们还研究了它的渐近性质,如弱相合性和渐近正态性。
2021-07-19 math.ST stat.TH
Statistical Estimation of Composite Risk Functionals and Risk Optimization Problems
本文讨论了在概率测度中可能是非线性的复合泛函的统计估计。我们的研究的动机是需要估计一致的风险度量,这在金融,保险和其他与不确定性和风险下的优化相关的领域越来越受欢迎。建立了复合风险泛函的中心极限公式。进一步讨论了以复合风险泛函为目标的最优化问题的渐近性态,并建立了当风险泛函的估计量被使用时其最优值的中心极限公式.虽然数学结构容纳了常用的一致的风险度量,但它们具有更一般的特征,这可能是独立的兴趣。
2015-04-10 math.ST stat.TH
Estimation of quadratic density functionals under m-dependence
本文研究了平稳m相依序列样本下一类或两类密度的积分泛函的估计问题。我们考虑两种类型的U-统计量估计这些泛函的ε-关闭向量观测的样本中的数量的函数。我们证明了估计是一致的,并在弱分布假设下得到了它们的收敛速度。特别是,我们提出了基于不完全U-统计量的估计具有良好的一致性,即使当m-依赖是唯一的依赖条件,可以施加在平稳序列。所得结果可用于散度和熵的估计,因而在统计学和应用科学中有许多应用。
2013-09-19 math.ST stat.TH
Parametric Estimation for Processes Driven by Infinite Dimensional Mixed Fractional Brownian Motion
Mishura(2008)和Prakasa Rao(2010)等研究了分数布朗运动驱动的随机过程的参数和非参数推断。Prakasa Rao(2004,2013),Cialenco(2009)等人研究了无穷维分数布朗运动驱动过程的类似问题。讨论了无穷维混合分数布朗运动驱动过程的参数估计问题。
2021-03-09 math.PR math.ST stat.TH
Adaptive Estimation of Nonparametric Functionals
我们提供了一般的自适应上界估计非参数泛函的基础上产生的有限维近似的无限维模型的二阶U-统计。然后,我们提供的泛函的理论产生率最佳匹配的自适应上限和下界的例子。我们的结果是自动自适应的参数和非参数制度的估计和自动自适应和半参数有效的参数收敛速度的制度。
2021-06-04 math.ST stat.TH
Parametric estimation of pairwise Gibbs point processes with infinite range interaction
本文研究了无穷程相互作用Gibbs点过程的统计推断,特别是一类Ruelle超稳定和低正则两两相互作用模型的统计推断.我们扩展了经典的统计方法,如伪随机和逻辑斯谛回归方法,最初定义和研究有限范围模型。然后证明了相关的估计是强相合的,并且满足中心极限定理,只要两两交互作用函数足够快地趋于零。为此,我们引入了一个新的中心极限定理几乎条件中心的三角阵列的随机场。
2015-10-02 math.ST stat.TH
Linear functional estimation under multiplicative measurement errors
研究了基于独立同分布的$R_+$上的在未知密度函数f上的线性泛函的$θ(f )$值的非参数估计.具有乘法测量误差的样本。建议的估计过程相结合的梅林变换的密度$f$和梅林变换的逆谱截止的正则化的估计。为了约束的均方误差,我们区分几种情况下,其特征在于通过不同的衰减即将到来的梅林变换和平滑的线性泛函。事实上,我们确定的情况下,即将到来的调整参数的非平凡的选择是必要的,并提出了一个数据驱动的选择的基础上的Goldenshluger-Lepski方法。此外,我们还证明了该估计量在Mellin-索伯列夫空间上的极大极小最优性.
2021-11-29 math.ST stat.TH
On rate optimal local estimation in functional linear model
本文考虑函数线性回归中斜率参数的线性泛函的估计,其中标量响应依赖于随机函数建模。本文的理论特别包括逐点估计以及斜率参数的加权平均估计。我们提出了一个插件估计,这是基于降维技术和额外的阈值。在较弱的假设下证明了该估计量是相合的。我们推导出一个下界的最大均方误差的任何估计在一定的椭球的斜率参数和一定类的协方差算子与回归。结果表明,该估计达到这个下界的常数,因此它是最小最大最优的。我们的结果是适当的,以讨论广泛的可能的回归,斜率参数和泛函。通过考虑斜率参数或其导数及其在给定区间上的平均值的逐点估计来说明它们。
2011-12-16 math.ST stat.TH
Estimation of the mean of functional time series and a two sample problem
本文研究了基于函数型时间序列的均值函数的推断问题。函数型时间序列是指将连续时间记录分割成日曲线或年曲线而得到的曲线集合。我们开发了一个正常的近似功能样本均值,然后专注于估计的渐近方差核。利用这些结果,我们开发和渐近证明的两个功能样本的时间依赖性的平均值相等的测试程序。通过模拟研究和实际数据集的应用,这两个样本程序具有良好的规模和权力在有限的样本。我们提供了其数值实现的细节。
2011-04-29 math.ST stat.TH
Consistency of Binary Segmentation For Multiple Change-Points Estimation With Functional Data
对于连续观察到的功能数据表现出多个变化点的平均函数,我们建立一致性结果的估计数量和位置的变化点的基础上的规范的功能性CRACUUM过程和标准的二进制分割。除了将Venkattern(1992)和Fryzlewicz(2014)中标量数据的类似结果扩展到一般希尔伯特空间设置之外,我们的主要结果是在不假设数据的高斯性的情况下建立的,并且是在一般线性过程条件下对模型误差的。
2019-12-31 math.ST stat.TH
Minimax Optimal Rates of Estimation in Functional ANOVA Models with Derivatives
当数据来自一阶偏导数时,我们建立了函数方差分析模型中非参数估计的极小极大最优收敛速度。我们的研究结果表明,偏导数可以提高收敛速度的函数估计与确定性或随机设计。特别是,对于完全$d$ -相互作用模型,$p$协变量具有一阶偏导数的最佳速率与不具有偏导数的$(d-p)$ -相互作用模型的最佳速率相同。对于加性模型,使用所有一阶偏导数的速率是根- $n$,以实现“参数速率”。我们还研究了当导数数据可用时,一阶偏导数估计的极小极大最优速率。这些速率与估计一元函数的一阶导数的最佳速率一致。
2017-09-08 math.ST stat.TH
Independent Component Analysis and estimation of a quadratic functional
独立分量分析(ICA)与密度的非线性泛函的估计问题有关,其最优估计是众所周知的。在小波框架下,从函数空间的角度分析了独立分量分析的精度。特别是,它示出,在Besov平滑条件下,参数收敛速率是通过小波ICA对比度的U-统计估计实现的,而先前引入的插件估计$\hat C^2\_j$,具有中等的计算成本,具有$n^{-4s\over 4s+d}$的速率。
2006-09-10 math.ST stat.TH
Adaptive nonparametric estimation in the functional linear model with functional output
本文考虑一个函数线性回归模型,其中协变量和响应变量都是函数随机变量。本文讨论了该模型中条件期望算子的最优非参数估计问题。本文首先介绍有限维子空间上的投影估计。我们提供了一个非渐近偏差方差分解的情况下,这些子空间产生的(经验)PCA函数的基础上的均方预测误差。由于模型选择装置选择最佳投影维度,实现了自动权衡:惩罚对比度估计器满足预言型不等式,因此在自适应观点中是最佳的。这些上界允许我们推导出椭圆光滑空间上的收敛速度。利率被证明是最佳的最小最大意义上:他们匹配的最小最大风险的下界,这也被证明。最后,我们进行了数值研究,模拟数据和两个真实的数据集。
2022-03-01 math.ST stat.TH
On adaptive estimation of linear functionals
考虑了参数空间集合上线性泛函的自适应估计。一个类间模的连续性,一个几何量,被证明是有助于在两个参数空间的适应性程度的特征,以同样的方式,通常的模的连续性捕获的极小极大困难估计在一个单一的参数空间。给出了基于有序连续模的最优自适应估计的一般构造。结果补充了几个说明性的例子。
2006-02-14 math.ST stat.TH
Rate optimal estimation of quadratic functionals in inverse problems with partially unknown operator and application to testing problems
我们考虑高斯序列模型中的二次泛函的估计,假设特征值是未知的,只能通过噪声观测。施加平滑假设的信号和序列的特征值,我们开发了一个极大极小理论这个问题。我们提出了一个截断序列估计,并表明,它达到最佳的收敛速率,如果截断参数选择适当。测试问题的反问题的后果同样讨论:特别是,极大极小率测试信号检测和拟合优度测试。
2019-07-14 math.ST stat.TH
Estimation of cluster functionals for regularly varying time series: sliding blocks estimators
聚类指数描述了平稳时间序列的极值行为。我们考虑他们的滑动块估计。利用现代理论的多元,经常变化的时间序列,我们得到中心极限定理的条件下,可以很容易地验证了一个大类的模型。特别是,我们表明,在峰值超过阈值的框架,滑动和不相交的块估计有相同的极限方差。
2020-05-22 math.ST stat.TH
Efficient estimation of functionals in nonparametric boundary models
对于带单侧误差的非参数回归和Poisson点过程的边界曲线模型,我们考虑了线性泛函的有效估计问题。极小极大最优速率是通过无偏估计方法获得的,但该方法依赖于底层回归或边界函数的赫尔德条件或单调性假设。我们首先构造了一个简单的块估计,然后建立了指数噪声变量和点过程模型的非参数极大似然方法。在该方法中也获得非渐近效率(UMVU:一致最小方差之间的所有无偏估计)的证明主要依赖于计数过程和点过程几何的鞅停止参数。的估计是很容易计算和一个小的模拟研究证实了它们的适用性。
2015-09-24 math.ST stat.TH
Recursive estimation of nonparametric regression with functional covariate
主要目的是利用递归非参数核方法估计实随机变量与函数解释变量的回归函数。得到了回归函数的一类递推核估计的均方误差和几乎必然收敛。这些结果是建立与率和精确评估的常数项。同时,建立了这类估计量的中心极限定理。该方法进行了评估模拟和真实数据集的研究。
2013-08-06 math.ST stat.TH
Adaptive estimation over anisotropic functional classes via oracle approach
研究了高斯白噪声模型中各向异性Nikolskii类在$L_p$ --损失下的自适应极小极大估计问题,即$1\leq p\leq\infty,$.我们提出了一个新的数据驱动的选择方案的基础上的估计过程,从家庭的核估计具有不同的带宽。对于建议的估计,我们建立了所谓的Lp-范数预言不等式,并使用它来推导极大极小自适应结果。我们证明了率自适应估计的存在性和充分刻画行为的极大极小风险的正则性参数和规范指标之间的不同关系的定义的功能类和风险。特别地,我们发现了极大极小风险的一些新的渐近性质,包括存在一致相合估计的充要条件。我们还提供了详细的概述现有的方法和结果,并制定开放的问题,自适应极大极小估计。
2014-05-18 math.ST stat.TH
On estimation of nonsmooth functionals of sparse normal means
研究了N_gamma(θ)= sum(i=1)^d的估计问题|θ_i|基于观测y_i = θ_i + ε_i,i = 1,.,d,其中θ=(θ_1,...,θ_d)为未知参数,ε>0为已知参数,ε_i为独立同分布。标准正态随机变量。证明了s-稀疏向量类B_0(s)的非渐近极小极大风险,并给出了极小极大风险率的估计。
2019-10-05 math.ST stat.TH
Minimax estimation of linear functionals over nonconvex parameter spaces
将估计线性泛函的极小极大理论推广到凸参数空间的有限并的情形。极大极小风险的上界和下界仍然可以用连续模来描述。然而,与凸参数空间的理论相反,速率优化过程通常需要是非线性的。这种非线性过程的建设。本文的结果对适应理论有重要的应用。
2004-06-22 math.ST stat.TH
Optimal adaptive estimation of linear functionals under sparsity
考虑高斯序列模型中线性泛函的估计问题,其中R^d中的未知向量θ属于一类s-稀疏向量,且s未知.我们建议一个自适应估计实现非渐近收敛速率,不同于最大极小率的对数因子。我们还表明,这种最佳的自适应率不能提高时,s是未知的。此外,我们还讨论了同时适应s和噪声方差σ ^2的问题。我们提出了一个估计器,当s和σ ^2都未知时,它可以达到最优的自适应速率。
2017-10-06 math.ST stat.TH
Adaptive estimation of Sobolev-type energy functionals on the sphere
Sapienza University of Rome(罗马第一大学);Department of Basic and Applied Sciences for Engineering(工程基础与应用科学系)
本文提出了一种基于球面需要量框架的自适应估计方法,用于估计球面上Sobolev型能量泛函,实现了在未知光滑度下的最优minimax速率。
2026-02-04 math.ST stat.TH
Minimax Rates of Estimation for Optimal Transport Map between Infinite-Dimensional Spaces
Chiang Mai University(清迈大学);The University of Tokyo(东京大学);RIKEN AIP(理化学研究所人工智能研究中心)
本文研究了在无限维空间之间最优运输映射的估计,通过γ-光滑性概念证明了多项式率的最小最大最优率,并提出了一种估计方法用于函数数据分析。
2025-12-16 math.ST stat.ML stat.TH
Estimation error for occupation time functionals of stationary Markov processes
研究了平稳马尔可夫过程的积分泛函的Riemann和估计的逼近问题。平稳性和过程的无穷小生成元的谓词演算被用来更好地理解估计误差,并证明了一般的误差界。所提出的方法承认一般的被积函数,并给出了一个统一的解释不同的利率在文献中得到。几个例子演示了如何一般的界限可以与众所周知的函数空间。
2016-10-17 math.PR math.ST stat.TH
Nonparametric Estimation of Variance Function for Functional Data
本文研究均值函数未知时函数型数据方差函数的非参数估计。我们得到的核估计的平方残差的基础上的渐近结果。与有限维情形类似,我们的渐近结果表明未知均值函数的光滑性对收敛速度有影响。仿真结果表明,基于残差的估计量比基于响应的条件二阶矩的估计量有更好的性能。
2008-12-14 math.ST stat.ME stat.TH
Lectures on the mean values of functionals -- An elementary introduction to infinite-dimensional probability
这是对无穷维概率的初步介绍。在讲座中,我们通过将C[0,1]和L[0,1]上的一些泛函视为无限维随机变量来计算这些泛函的精确平均值。结果表明,由于这些均值的方差均为零,因此存在测度完全集中现象。
2017-05-10 math-ph math.FA math.MP
Functional nonparametric estimation of conditional extreme quantiles
当函数协变量信息可用时,以及当分位数的阶数随着样本量的增加而收敛到1时,我们讨论了重尾分布分位数的估计。这样的“极端”分位数可以位于数据的范围内,或者接近甚至超出样本的边界,这取决于它们的阶数收敛到1的收敛速度。引入了这些泛函极值分位数的非参数估计,建立了它们的渐近分布,并研究了它们的有限样本行为。
2011-04-01 math.ST stat.ME stat.TH
Exponential inequalities and functional estimations for weak dependent datas ; applications to dynamical systems
我们估计密度和回归函数弱相关数据。使用Dedecker和Prieur以及作者以前的一篇文章中获得的指数不等式,我们控制估计量和函数本身之间的偏差。这些结果适用于一大类动力系统,并导致不变密度和映射本身的估计。
2006-04-10 math.DS math.ST stat.TH
Optimal Estimation for the Functional Cox Model
功能协变量在许多医学、生物人口统计学和神经影像学研究中很常见。本文研究了具有右删失数据的函数型Cox模型在函数型和标量型协变量同时存在的情形。研究了极大偏似然估计的渐近性质,建立了有限维估计的渐近正态性和渐近有效性。在再生核Hilbert空间的框架下,证明了函数协变量系数函数的估计在加权$L_2$ -风险下具有极小极大最优收敛速度.该最优速率由删失方案、再生核和协方差核共同决定。详细讨论了估计方法的实现和平滑参数的选取。通过仿真实例和实际应用说明了有限样本性能。
2016-01-27 math.ST stat.ME stat.TH
Kernel-based estimation for partially functional linear model: Minimax rates and randomized sketches
本文研究了部分函数线性模型(PFLM),其中所有的预测特征由一个函数协变量和一个高维标量向量组成。在无限维再生核希尔伯特空间上,PFLM的估计是一个函数范数和$\ell_1$范数混合正则化的最小二乘估计.本文的主要任务是建立高维情形下PFLM的Minimax估计率,并利用经验过程理论中分析核类的各种技巧建立最优Minimax估计率。此外,我们提出了一个有效的数值算法的基础上随机草图的核矩阵。几个数值实验来支持我们的方法和优化策略。
2021-10-18 math.ST stat.ML stat.TH
Prediction and estimation of random variables with infinite mean or variance
在本文中,我们提出了一个随机变量的最优预测,具有无穷的均值或无穷的方差。该方法包括变换随机变量,使得变换后的变量具有有限均值和有限方差。所提出的预测量是一个广义的算术平均,它类似于效用理论中的确定性价格的概念。通常,变换由双射的参数族组成,在这种情况下,可以选择参数以最小化变换坐标中的预测误差。研究了该预测量估计量的统计性质,给出了估计量的置信区间。使用模拟和真实数据的程序的性能进行说明。
2023-03-26 math.ST stat.ME stat.TH
Adaptive Functional Thresholding for Sparse Covariance Function Estimation in High Dimensions
Covariance function estimation is a fundamental task in multivariate functional data analysis and arises in many applications. In this paper, we consider estimating sparse covariance functions for high-dimensional functional data, where the number of random functions p is comparable to, or even larger than the sample size n. Aided by the Hilbert--Schmidt norm of functions, we introduce a new class of functional thresholding operators that combine functional versions of thresholding and shrinkage, and propose the adaptive functional thresholding estimator by incorporating the variance effects o…
2022-07-14 math.ST stat.ME stat.TH
Kernel entropy estimation for long memory linear processes with infinite variance
设$X=\{X_n: n\in\mathbb{N}\}$是在$α$ -稳定律$(0<α<2)$吸引区域中具有新息的长记忆线性过程.假设线性过程$X$具有有界概率密度函数$f(x)$。然后,在一定条件下,利用核估计器\[ T_n(h_n)=\frac{2}{n(n-1)h_n}\sum_{1\leq j<i\leq n}K\left(\frac{X_i-X_j}{h_n}\right). \],研究了二次泛函$\int_{\mathbb{R}} f^2(x) \,dx$的估计问题.并对具有对称$α$ -稳定新息的长记忆线性过程进行了模拟研究.
2022-10-07 math.PR math.ST stat.TH
Optimal estimation in private distributed functional data analysis
University of Warwick(华威大学);National University of Singapore(新加坡国立大学)
本文首次系统研究了在多重隐私约束下函数数据分析的最优估计问题,引入分布式学习框架并结合极小极大理论,揭示了隐私保护与函数数据分析之间的复杂关系。
2026-02-10 math.ST stat.ME stat.TH
Estimation of functionals of sparse covariance matrices
高维统计检验通常忽略相关性以获得简单性和稳定性,从而导致依赖于相关阵的泛函(例如其Frobenius范数和其他$\ell_r$范数)的零分布。受这类检验临界值计算的启发,我们研究了稀疏相关阵泛函估计的困难。具体而言,我们表明,简单的插件程序的基础上阈值估计的相关阵是稀疏自适应和极大极小最优的一类相关阵。类似于以前的结果功能估计,极大极小利率表现出肘现象。我们的研究结果进一步说明了模拟数据以及金融计量经济学中产生的数据的实证研究。
2015-11-17 math.ST stat.ME stat.TH
Sharp Debiasing for Smooth Functional Estimation in Banach Spaces
Carnegie Mellon University(卡内基梅隆大学)
本文提出基于单次样本分割的交叉拟合估计器,研究Banach空间中均值参数θ的光滑函数f(θ)的估计问题,建立有限矩假设下的非渐近矩界和Berry-Esséen界,应用于高维回归中的精度矩阵估计与投影参数推断。
2026-04-01 math.ST stat.ME stat.TH
On asymptotically efficient maximum likelihood estimation of linear functionals in Laplace measurement error models
本文研究反褶积反问题中线性泛函的极大似然估计。给定来自由(潜在无限维)参数$F_0$索引的分布$P_0\equiv P_{F_0}$的随机样本的观测值,该参数是标准加性拉普拉斯测量误差模型中潜变量的分布,人们希望估计$F_0$的线性泛函。研究了Laplace核密度卷积模型中混合分布$F_0$的整线性泛函的渐近有效极大似然估计.的情况下,其中感兴趣的功能可以一致估计在$n^{-1/2}$率的插件MLE,这是渐近正常和有效的,在这个意义上实现的方差下限,从那些没有积分线性泛函可以估计在参数率,这排除了任何可能性渐近效率。的$\sqrt{n}$ -收敛的MLE,有效的情况下,退化混合分布在一个单一的位置点,失败的一般情况下,渐近正态性。证明了混合分布的积分线性泛函不存在正则估计序列,当关于被估计重定中心和$\sqrt{n}$ -重标度时,它是渐近有效的,\emph{viz} .,具有最小方差的高斯极限分布。因此,人们只能期望以某种较慢的速率进行估计,并且通常具有非高斯极限分布。
2019-02-02 math.ST stat.ME stat.TH
Estimation of cluster functionals for regularly varying time series: runs estimators
聚类指数描述了平稳时间序列的极值行为。我们认为运行估计的集群指数。利用现代理论的多元,经常变化的时间序列,我们得到中心极限定理的条件下,可以很容易地验证了一个大类的模型。特别是,我们表明,块和运行估计有相同的极限方差。
2021-09-05 math.PR math.ST stat.TH
On the estimation of locally stationary functional time series
本研究发展了局部平稳函数时间序列时变特征的渐近理论,提出基于核的方法估计时变协方差算子与均值函数,推导收敛速度并建立中心极限定理,应用于检验两个函数样本的时变均值函数相等性。
2023-05-22 math.ST stat.ME stat.TH
Online Estimation for Functional Data
函数数据分析已经引起了人们的极大兴趣,并面临着新的挑战,其中之一是越来越多的数据以流的方式提供。在这篇文章中,我们开发了一个在线的非参数方法来动态更新函数数据的均值和协方差函数的估计。根据数据驱动的带宽,核类型估计可以分解为两个充分统计量。我们建议通过一系列动态变化的候选者来近似未来的最佳带宽,并将块之间的相应统计数据结合起来,以形成更新的估计。所提出的在线方法基于存储的充分统计量和当前数据块易于计算。我们推导出了均值和协方差函数的在线估计的渐近正态性,更重要的是,得到了相对效率的下界。这提供了对由候选带宽序列的长度驱动的估计精度和计算成本之间的关系的洞察。模拟和真实数据的例子来支持这样的发现。
2021-11-04 math.ST stat.ME stat.TH
Efficient functional estimation and the super-oracle phenomenon
我们考虑估计的两个样本的积分泛函,自然发生的类型,例如,当感兴趣的对象是未知的概率密度之间的分歧。我们的第一个主要结果是,在广泛的一般性,加权最近邻估计是有效的,在这个意义上实现局部渐近极大极小下界。此外,我们还证明了一个相应的中心极限定理,这有利于建设渐近有效的置信区间的功能,具有渐近最小的宽度。我们的结果的一个有趣的后果是发现,对于某些泛函,我们的估计的最坏情况下的性能可能会改善自然的“神谕”估计,这是获得的值的未知密度的观察。
2023-01-30 math.ST stat.ME stat.ML
Estimation in Functional Regression for General Exponential Families
研究了一类指数族模型,其标准参数被指定为未知的无穷维斜率函数的线性泛函。建立了斜率函数估计的最优极小极大收敛速度。通过参数的约束极大似然估计构造了达到最优速率的估计量,参数的维数随着样本量的增加而增加。受Le Cam的渐近等价理论的启发,我们使用了一个度量变化的参数来消除指数族模型的非线性所引起的偏差。
2011-08-17 math.FA math.PR math.ST
Shape-constrained Estimation in Functional Regression with Bernstein Polynomials
Shape restrictions on functional regression coefficients such as non-negativity, monotonicity, convexity or concavity are often available in the form of a prior knowledge or required to maintain a structural consistency in functional regression models. A new estimation method is developed in shape-constrained functional regression models using Bernstein polynomials. Specifically, estimation approaches from nonparametric regression are extended to functional data, properly accounting for shape-constraints in a large class of functional regression models such as scalar-on-function regression (SO…
2022-09-09 math.ST stat.AP stat.ME
Estimation in functional regression for general exponential families
研究了一类指数族模型,其标准参数被指定为未知的无穷维斜率函数的线性泛函。建立了斜率函数估计的最优极小极大收敛速度。通过参数的约束极大似然估计构造了达到最优速率的估计量,参数的维数随着样本量的增加而增加。受Le Cam的渐近等价理论的启发,我们采用了测度变化的方法来消除指数族模型的非线性所引起的偏差。
2013-02-13 math.PR math.ST stat.ME
Optimal Algorithms for Nonlinear Estimation with Convex Models
Texas A&M University(德克萨斯农工大学)
本文提出了一种基于凸优化的非线性估计算法,用于在最坏情况下最优估计凸模型的最大值及第ℓ个最大值。
2025-12-23 math.FA math.OC math.ST
Simple Adaptive Estimation of Quadratic Functionals in Nonparametric IV Models
本文研究了非参数辅助变量(NPIV)模型中二次泛函的自适应Minimax估计,这是带有未知算子的不适定逆回归的非线性泛函的最优估计中的一个重要问题.我们首先证明了二次泛函的留一筛选NPIV估计量可以达到与Chen和Christensen [2018]中先前推导的下界一致的收敛速度。最小最大速率是通过筛选尺寸(关键调整参数)的最佳选择来实现的,这取决于NPIV函数的平滑度和不适定性的程度,两者在实践中都是未知的。接下来,我们提出了一个Lepski型的数据驱动的选择的关键筛尺寸适应未知的NPIV模型功能。二次函数的自适应估计,以达到极大极小最优率在严重不适定的情况下,并在定期轻度不适定的情况下,但乘法$\sqrt{\log n}$因子在不规则轻度不适定的情况下。
2022-02-09 econ.EM math.ST stat.ME
Sparse Wavelet Estimation in Quantile Regression with Multiple Functional Predictors
本文研究了部分函数线性模型中的分位数回归问题,其中响应是标量,预测变量既包括标量又包括多个函数。采用小波基更好地逼近函数斜率,同时有效地检测局部特征。稀疏组套索惩罚施加到选择重要的功能预测,同时捕获共享的信息之间。估计问题可以转化为一个标准的二阶锥规划,然后用内点方法求解。我们还提出了一种新的算法,利用交替方向法的乘数(ADMM),这是最近许多研究人员在解决惩罚分位数回归问题。建立了算法的收敛速度和预测误差界等渐近性质。仿真和一个实际的数据从ADHD-200 fMRI数据进行调查,以显示我们提出的方法的优越性。
2017-12-02 math.ST stat.AP stat.CO
Beyond the Best: Estimating Distribution Functionals in Infinite-Armed Bandits
Stanford University(斯坦福大学);Massachusetts Institute of Technology(麻省理工学院);University of California, Berkeley(加州大学伯克利分校)
在无限臂强盗问题中,每个臂的平均奖励从未知分布中采样,并且每个臂可以进一步采样以获得该臂的平均奖励的噪声估计。估计平均奖励分布的最大值。我们认为一般类的分布泛函超出了最大值,并提出了统一的Meta算法离线和在线设置,实现最佳的样本复杂性。我们表明,在线估计,学习者可以顺序选择是否采样一个新的或现有的手臂,提供了没有优势的离线设置估计的平均功能,但显着降低了其他功能,如中位数,最大值和修剪的平均样本的复杂性。匹配下界利用几个不同的Wasserstein距离。对于中值估计的特殊情况下,我们确定了一个奇怪的阈值的现象,高斯卷积之间的不变性相对于噪声水平,这可能是独立的利益。
2022-11-01 cs.IT cs.LG math.IT