An improved fully nonparametric estimator of the marginal survival function based on case-control clustered data
病例对照家族研究是一项研究,其中患有感兴趣的疾病的个体(病例先证者)和没有疾病的个体(对照先证者)从明确定义的人群中随机抽样。对先证者及其亲属的发病年龄和疾病状态进行可能的右删失。一个家庭中的结果之间的相关性是由遗传易感性、共享环境和共同行为模式等因素引起的。对于这种设置,我们提出了一个非参数估计的边际生存函数,基于局部线性估计的条件生存函数。估计的渐近理论,并提出了模拟结果表明,该方法表现良好。该方法说明了从前列腺癌研究的数据。关键词:病例对照;家系研究;多变量生存;非参数估计;局部线性
2018-12-03 stat.ME
Doubly Robust Nonparametric Instrumental Variable Estimators for Survival Outcomes
工具变量(IV)方法使我们有机会解决因果推断中的不可测混杂。然而,大多数IV方法仅适用于离散或连续结局,很少有IV方法适用于删失生存结局。在这项工作中,我们提出了非参数估计的局部平均处理效应的生存概率下不可删失和可删失。我们提供了一个有效的基于影响函数的估计和一个简单的估计过程时,IV是二进制或连续的。所提出的估计具有双重鲁棒性,可以很容易地将非参数估计使用机器学习工具。在模拟研究中,我们证明了我们提出的估计在各种合理的情况下的灵活性和效率。我们将我们的方法应用于前列腺癌、肺癌、结直肠癌和卵巢癌筛查试验,以估计筛查对生存概率的因果影响,并研究在不同删失假设下两种干预措施之间的因果对比。
2020-09-28 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
On finite sample properties of nonparametric discrete asymmetric kernel estimators
离散核方法被开发用于估计计数数据分布,基于其渐近行为区分离散关联核。本文研究了离散非对称核函数类及其非相合估计量,但这种估计量的理论缺陷被中小样本中一些有趣的特征所抵消。突出了离散非对称内核的模态概率和方差的作用,以帮助更好地理解这些内核的性能,特别是二项式内核如何优于其他非对称内核。离散非对称核估计的概率质量函数的性能示出使用模拟,除了应用到真实的数据集。
2017-02-06 stat.ME
Nonparametric estimation of conditional value-at-risk and expected shortfall based on extreme value theory
我们提出了一个金融资产的一系列收益的条件分布的条件风险价值(CVaR)和条件预期亏损(CES)的非参数估计。收益率序列和条件协变量(可能包括滞后收益率和其他外生变量)被假设为强混合,并遵循非参数条件位置-规模模型。将位置和规模的第一阶段非参数估计与Pickands(1975)提出的分布尾部的广义Pareto近似相结合,给出CVaR和CES的最终估计。我们提供了适当的归一化下的估计的一致性和渐近正态性。我们还提出了一个蒙特卡罗研究,揭示了他们的有限样本性能的结果。实证可行性的模型和估计量进行了调查,通过回测练习,使用五种农产品的期货合同的回报。
2016-12-23 stat.ME
Nested Archimedean copulas: a new class of nonparametric tree structure estimators
任何嵌套阿基米德copula定义从一个有根的系统发生树,为这一类新的非参数估计。这个新类的估计器依赖于两步过程,首先构建二叉树,然后在必要时折叠以给出目标树结构的估计。从这个类的估计的几个例子,这些估计的性能,以及唯一已知的可比估计,评估通过模拟研究,涉及目标结构在不同的维度,显示新的估计,除了更快,通常提供更好的性能。此外,在给定的例子中的估计量从新的类,一个表现最好的是应用于三个数据集:482名学生和他们的结果,各种考试,26个欧洲国家在1979年和工人的百分比在不同的经济活动,和104个国家在2002年的各种健康相关的变量。由此产生的估计树为分析数据提供了有价值的见解。嵌套阿基米德copula一般的未来也进行了讨论。
2014-07-01 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
Strong uniform consistency of nonparametric estimation for quantile-based entropy function under length-biased sampling
Cochin University of Science and Technology(科钦科技大学)
本文研究长度偏差抽样下基于分位数的 Shannon 熵的非参数估计,证明两种估计量的强一致相合性,并通过模拟和真实数据验证其有效性。
2025-09-19 stat.ME
Beyond Pairwise: Nonparametric Kernel Estimators for a Generalized Weitzman Coefficient Across k Distributions
Yarmouk University(雅尔穆克大学)
本文提出了一种非参数核估计方法,用于估计k个独立分布间的广义Weitzman系数,通过蒙特卡洛模拟验证了其有效性与实用性。
2026-03-19 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
A More Efficient, Doubly Robust, Nonparametric Estimator of Treatment Effects in Multilevel Studies
当在多水平研究中研究处理效应时,研究者通常使用(半)参数估计,其对结果、处理和/或聚类中研究单元之间的相关性结构进行强参数假设。我们提出了一种新的估计处理效应,不做这样的假设。具体而言,新的估计是双重强大的,渐近正态,往往比现有的估计更有效,所有的结果,治疗和相关结构,而无需作出任何参数建模假设。我们通过估计两个非标准的滋扰功能在因果推断,条件倾向得分和结果协方差模型,使用现有的机器学习方法设计的独立和同分布(i.i.d)的数据。新的估计也表明,在模拟和真实的数据中,新的估计是比现有的估计更有效,特别是在研究集群特定的处理效应。
2022-05-10 stat.ME
All models are wrong, but which are useful? Comparing parametric and nonparametric estimation of causal effects in finite samples
在统计学、流行病学和计量经济学领域存在一个长期的争论,即使用数据自适应方法的非参数估计,如模型拟合中的机器学习算法,是否比现实世界中的有限样本因果效应估计中的更简单的参数方法具有任何有意义的优势。我们解决这个问题:当试图估计治疗对结果的影响时,在合理数据分布的范围内,选择非参数与~参数估计重要吗?而不是回答这个问题的模拟,反映了几个选定的数据场景,我们提出了一种新的方法来评估性能在成千上万的数据生成机制,从非参数模型与半信息先验。我们称这种方法为通用蒙特卡罗模拟。我们比较了两种参数估计量(使用参数结果模型和治疗加权估计量逆概率的g计算估计量)和两种非参数估计量(贝叶斯加性回归树和在模型拟合中使用机器学习算法集成的基于目标最小损失的估计量)估计平均处理效应的性能。我们总结了估计性能的偏差,置信区间覆盖,和均方误差。我们发现,非参数估计几乎总是优于参数估计,除了在最小样本量N=100下,在偏倚方面具有相似的性能,在覆盖方面具有相似到略差的性能。
2022-12-19 stat.ME
Nonparametric regression for a circular response with error-in-covariate
本文针对协变量含测量误差的圆形响应回归问题,基于无误差假设下的现有估计量,利用反卷积算符提出三种非参数估计量,并开发了更高效的带宽选择方法,通过渐近分析和有限样本实证验证了其有效性。
2025-08-21 stat.ME
Nonparametric Stein-type Shrinkage Covariance Matrix Estimators in High-Dimensional Settings
估计协方差阵在变量数大于观测数的应用中是一项重要任务。估计高维协方差矩阵的收缩方法经常被用来规避样本协方差阵的限制。提出了一类新的非参数Stein型收缩协方差估计,其成员表示为样本协方差阵和预定可逆目标矩阵的凸线性组合.在Frobenius范数准则下,定义最佳凸线性组合的最佳收缩强度取决于不可观测的协方差阵,并且必须从数据中估计。一个简单而有效的估计过程,产生非参数和相合估计量的最佳收缩强度为三个流行的目标矩阵。在模拟中,建议斯坦型收缩协方差阵估计的基础上缩放的单位矩阵似乎是高达80%的效率比现有的极端高维设置。结肠癌数据集进行了分析,以证明所提出的估计的效用。一个经验法则的特设选择三个常用的目标矩阵的建议。
2014-11-03 stat.ME
Tilted Nonparametric Regression Function Estimation
本文给出了倾斜型线性平滑器收敛速度的理论。研究了倾斜线性平滑器,一种非参数回归函数估计,它是通过极小化到无穷阶平顶梯形核估计的距离而得到的。我们证明,建议的估计达到了很高的精度。此外,它保持了无穷阶平顶核估计的吸引力性质。我们还提出了一个广泛的数值研究,用于分析两个成员的倾斜线性平滑类命名为倾斜Nadaraya-Watson和倾斜局部线性在有限样本的性能。仿真研究表明,倾斜Nadaraya-Watson算法和倾斜局部线性算法在一定条件下的平均积分平方误差(MISE)性能优于经典算法。最后,通过对12个国家的COVID-19数据和剂量反应数据集的曲线拟合,说明了这些估计量和传统估计量的性能。
2021-02-04 stat.ME
Nonparametric estimation of multivariate extreme-value copulas
极值copula出现在独立随机样本的分量最大值的渐近理论中。极值Copula由其Pickands依赖函数确定,该函数是单位单纯形上的函数,受到某些形状约束,这些形状约束来自称为谱测度的基础测度的积分变换。多元扩展提供了某些基于秩的非参数估计的Pickands依赖函数。的形状约束,估计本身应该是一个Pickands的依赖函数是强制执行的初始估计由其最佳最小二乘近似的Pickands的依赖函数的集合中具有离散的频谱测量支持在一个足够细的网格。证明了标准化估计的弱收敛性,并通过模拟实验研究了估计的有限样本性能。
2011-11-29 stat.ME
Uniform-in-bandwidth consistency for nonparametric estimation of divergence measures
我们提出了连续分布之间的发散测度的非参数估计。我们的方法是基于一个插件的核型估计的密度函数。我们给出了建议估计的带宽一致性的一致性。因此,还提供了其渐近100%置信区间。
2014-06-23 stat.ME
A generic approach to nonparametric function estimation with mixed data
在实践中,数据通常包含离散变量。但大多数流行的非参数估计方法都是在一个纯粹连续的框架中发展起来的。从业者之间的一个常见技巧是通过添加少量噪声来使离散变量连续。我们表明,这种方法是合理的,如果噪声分布属于某一类。在这种情况下,在纯连续框架中开发的任何估计量都可以自然地扩展到混合数据设置。以这种方式定义的估计量称为连续卷积估计量。它们非常容易实现,并且它们的渐近性质直接从连续数据设置转移到混合数据设置。
2018-01-04 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
Geometric Sensitivity Measures for Bayesian Nonparametric Density Estimation Models
本文提出了一个几何框架来评估密度估计的贝叶斯非参数模型的全局灵敏度。研究了基于Dirichlet型先验的密度估计的非参数贝叶斯模型对精度参数或基概率测度扰动的敏感性。为了量化这些模型中参数和超参数的扰动对后验的不同影响,我们定义了三个几何激励的全局敏感性度量,这些度量基于在密度空间上的非参数Fisher-Rao黎曼度量下计算的测地线路径和距离,应用于密度的后验样本:(1)后验样本的密度平均值之间的Fisher-Rao距离,(2)后验样本的Karcher方差的对数比,(3)由后验样本得到的经验协方差算子的标度累积特征值之差的范数。我们验证我们的方法,使用多个模拟研究,并考虑贝叶斯密度估计模型的敏感性分析问题的背景下,以前已经研究过的三个真实的数据集。
2018-10-08 stat.ME
Nonparametric Estimation of Functional Dynamic Factor Model
对于许多现象,数据可以被假设为定义在无限维空间上的连续函数。然而,无限维的数据可能由少量的潜在变量驱动。因此,因子模型与函数数据相关。本文研究了时变函数型数据的函数因子模型。我们提出了平稳和非平稳过程下的非参数估计。我们得到的估计,考虑时间依赖性。具体来说,我们使用不同滞后的协方差中包含的信息。我们证明了所提出的估计是一致的。通过蒙特卡罗模拟,我们发现我们的方法优于基于函数主成分的估计器。我们还将我们的方法应用于月度收益率曲线。一般来说,适当的时间相关信息的整合,提高了潜在因素的估计。
2022-05-17 stat.ME
The nonparametric location-scale mixture cure model
我们提出了完全非参数的方法来研究两组分混合治愈模型的位置-尺度建模,其中感兴趣的响应仅是间接观察到的,由于存在删失和存在所谓的长期幸存者,总是删失。我们使用协变量局部化的非参数估计,这取决于一个带宽序列,提出了一个估计的误差分布函数,以前没有被认为是在文献中。当该带宽属于欠平滑带宽的一定范围时,所提出的误差分布函数的估计量的渐近分布不依赖于该带宽,并且该估计量是根-n相容的.这表明,计算成本高的带宽选择过程是不必要的,以获得一个有效的估计的误差分布,并且可以使用一个更简单的经验法则的方法来代替。模拟研究调查我们的方法的有限样本属性,并说明使用所获得的数据来研究淋巴结阴性乳腺癌患者的远处转移的行为的方法。
2018-03-09 stat.ME
Nonparametric density estimation by histogram trend filtering
我们提出了一种新的密度估计方法,称为直方图趋势滤波。我们的估计量来自于观察数据支持分区中的观测计数的代理泊松模型。我们首先展示了这个密度估计问题的变分估计的一致性。然后,我们研究了一个离散的估计,可以有效地发现通过凸优化。我们表明,估计享有很强的统计保证,但更实用和计算效率比其他估计享有类似的保证。最后,在我们的模拟研究中,所提出的方法表现出较小的平均均方误差比竞争的方法。这种有利的属性组合使得直方图趋势过滤成为用于需要快速、高效、准确的密度估计的常规数据分析应用的理想候选者。
2016-02-06 stat.ME
Nonparametric directional variogram estimation in the presence of outlier blocks
本文提出基于最小协方差行列式估计量的稳健方向变差函数估计方法,联合估计多个滞后,在离群块存在时优于现有方法,并通过卫星数据应用验证。
2025-03-28 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
Nonparametric Operator-Regularized Covariance Function Estimation for Functional Data
在函数型数据分析中,协方差函数不仅是理解函数型数据基本特征的关键量,而且是许多先进的函数型数据分析方法中不可缺少的组成部分。本文利用再生核Hilbert空间中算子的谱正则化方法,构造了一类新的非参数协方差函数估计.尽管它们具有非参数性质,但协方差估计量是自动半正定的,无需任何额外的修改步骤。建立了一个非传统的表示定理,为这类协方差估计量提供了一个有限维表示,从而得到了相应的$L^2$特征分解的封闭形式表达式。迹范数正则化是特别研究,以进一步实现低秩表示,另一个理想的属性,导致降维,往往需要在先进的FDA方法。在加速邻近梯度法的基础上提出了一种有效的算法。结果表明,在固定设计和随机设计下,该估计量都具有很好的收敛速度。通过仿真研究和对交通数据集的分析,证明了迹范数正则化协方差估计器的出色的实际性能。
2017-01-23 stat.ME
Nonparametric estimators of interventional (transported) direct and indirect effects that accommodate multiple mediators and multiple intermediate confounders
中介分析因其能够提高对因果效应的机械驱动因素的理解而具有吸引力,但现实世界的数据复杂性对其成功实施提出了挑战,包括:1)存在也影响中介和结果的暴露后变量(因此,混淆了中介-结果关系),也可能是2)多变量,以及3)存在多变量中介。干预性直接和间接效应(IDE/IIE)包含混淆中介-结局关系的暴露后变量,但目前,不存在IDE/IIE的估计器,该估计器允许多变量中介和多变量暴露后中间混淆因素。这再次代表了现实世界分析的重大限制。我们通过扩展两个最近开发的非参数估计来解决这一差距-一个估计IDE/IIE,另一个估计IDE/IIE传输到一个新的目标人群-同时允许多变量介质和多变量中间混杂因素。我们使用模拟来检查有限样本的性能,并将这些估计量应用于移动到机会试验的纵向数据。在应用程序中,我们走过一个策略,将间接效应分离成中介或中介组特定的间接效应,同时适当地考虑其他可能共同发生的中间变量。
2022-12-15 stat.ME
Efficient nonparametric causal inference with missing exposure information
暴露信息缺失是许多观察性研究的一个非常常见的特征。在这里,我们研究的可识别性和有效的估计向量结果的因果关系的影响,在这种情况下,治疗是无混淆的,但部分失踪。我们考虑一个随机缺失的设置,其中治疗中的缺失不仅取决于复杂的协变量,而且还取决于治疗后的结果。我们给出了一个新的识别表达式平均处理效应在这种情况下,随着有效的影响函数,这个参数在非参数模型中,这产生了一个非参数的效率界。我们使用后一个结果来构造对维数灾难不像通常那样敏感的非参数估计,例如,通过具有更快的收敛速度比复杂的滋扰估计,他们依赖。进一步,我们表明,这些估计可以根-n一致的和渐近正常的弱非参数条件下,即使使用灵活的机器学习。最后,我们将这些结果应用到部分缺失工具变量的因果推断问题。
2020-02-02 stat.ME
A nonparametric super-efficient estimator of the average treatment effect
因果效应的双稳健估计是估计因果效应的常用方法。这样的估计量将给定治疗和混杂因素的结果的条件平均值的估计(所谓的结果回归)与给定混杂因素的治疗的条件概率的估计(倾向得分)相结合,以产生感兴趣的效应的估计。除了享受双重鲁棒性,这些估计有额外的好处。首先,灵活的回归工具,如在机器学习领域开发的回归工具,可用于估计相关的回归,而处理效应的估计值保留所需的统计特性。此外,这些估计往往是统计有效的,实现了正常的,渐近线性估计的方差的下限。然而,尽管他们的渐近最优性,在因果被估量是弱可识别的问题,这些估计可能会表现不稳定。我们提出了两个新的估计技术,用于在这些具有挑战性的设置。我们的估计建立在两个现有的框架,有效的估计:有针对性的最小损失估计和一步估计。然而,在构建估计量时,我们没有使用倾向得分的估计值,而是选择了另一种回归量:给定条件平均结果的治疗条件概率。我们讨论的理论意义,并证明了估计的性能在模拟和真实数据。
2019-01-15 stat.ME
Nonparametric Additive Model-assisted Estimation for Survey Data
研究了在辅助信息的辅助下,估计海量调查数据有限总体总数的可加模型辅助非参数方法。结合样条和局部多项式光滑方法,提出了一类估计量,以提高Horvitz-Thompson估计量的精度。这些估计是校准的,渐近设计无偏的,一致的,正常的和强大的意义上渐近达到Godambe-Joshi下界的预期方差。一个一致的模型选择程序进一步发展,以选择显着的辅助变量。所提出的方法是足够快,在几秒钟内分析大规模的高维调查数据。所提出的方法的性能评估经验,通过模拟研究。
2011-01-04 stat.ME
Nonparametric estimation of simplified vine copula models: comparison of methods
在过去的十年中,简化的葡萄藤copula模型一直是一个活跃的研究领域。他们从边际密度和二元copula密度的乘积中构建了一个高维概率密度。除了参数模型外,人们还提出了几种对葡萄系Copula函数进行非参数估计的方法。在这篇文章中,我们扩展了这些方法,并在广泛的模拟研究和实际数据应用中进行比较。我们确定了几个因素驱动的相对性能的估计。最重要的是依赖的强度。没有一种方法被认为是一致优于所有其他方法。总体而言,核估计表现最好,但做差于惩罚B样条估计时,有弱的依赖性和没有尾部依赖。
2017-04-05 stat.ME
Nonparametric efficient estimation of the longitudinal front-door functional
University of Copenhagen(哥本哈根大学)
本文提出纵向前门函数的非参数高效估计方法,适用于高维中介变量和数据自适应方法,通过模拟研究和婴儿花生过敏试验验证其理论性质。
2026-03-16 stat.ME
Nonparametric estimator of the tail dependence coefficient: balancing bias and variance
该研究推导了尾相关系数非参数估计量的均方误差理论表达式,提出结合理论均方误差与尾部copula参数估计的阈值最优选择半参数方法,经模拟验证其与包括平台搜索算法在内的现有方法相比具有相应效能。
2023-07-24 q-fin.ST stat.ME
Nonparametric Correlation Estimator via Solving Cubic Equations and its Application to Brain Functional Connectivity Analysis
Lijiang Culture and Tourism College(丽江文化旅游学院);York Neuroimaging Centre, University of York(约克大学神经影像中心);School of Mathematics, Statistics and Actuarial Science, University of Kent(肯特大学数学、统计与精算科学学院)
本文提出一种基于三次方程求解的非参数相关性估计器,结合局部线性平滑修正边界效应,具备一致性和渐近正态性,并成功应用于六个频带下脑网络动态功能连接分析。
2026-09-15 stat.AP stat.ME
Nonparametric estimation of variable productivity Hawkes processes
考虑了生产率为变量的Hawkes模型的推广。特别地,考虑的情况下,每个点可能有自己的生产力和一个简单的解析公式推导出这些生产力的极大似然估计。这个估计量与经验估计量进行了比较,并探讨了通过降低截断,平滑和重新调整估计量来稳定这两个估计量的方法。估计的属性进行了探讨,在模拟中,和地震和流行病数据集的方法,以显示和量化生产力的实质性变化。
2020-03-19 stat.AP stat.ME
Monotonicity-Constrained Nonparametric Estimation and Inference for First-Price Auctions
本文提出一种对逆投标策略施加单调性约束的首价拍卖非参数估计量,其渐近方差更小,并提供了构建潜在估值密度函数均匀置信带的自助法。
2019-09-27 econ.EM stat.ME
Nonparametric Estimation for Stochastic Differential Equations Driven by Fractional Brownian Motion
研究了Hurst参数H > 1/2的分数阶布朗运动驱动的遍历随机过程漂移函数的非参数Nadaraya-Watson估计。估计是基于离散观测的随机过程。利用各态历经性质和随机积分,我们得到了所提出估计量的一致性。
2022-04-30 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
Computationally Efficient Nonparametric Importance Sampling
由重要性抽样建立的方差减少强烈地依赖于重要性抽样分布的选择。一个好的选择往往很难实现,特别是对于高维集成问题。最优重要性抽样分布的非参数估计(称为非参数重要性抽样)是参数估计的一种合理的替代方法,本文提出并研究了自归一化和非归一化重要性抽样估计的非参数变体。对非参数重要性抽样的一个常见批评是与参数方法相比增加了计算负担。我们解决了这个问题,在很大程度上利用线性混合频率多边形估计,而不是核估计。均方误差收敛特性的影响,导致非参数重要性抽样的有效应用的建议。特别地,我们证明了非参数重要性抽样渐近地达到最佳的重要性抽样方差。非参数重要性抽样算法的效率在很大程度上依赖于所采用的非参数估计量的计算效率。线性混合频率多边形优于核估计在某些标准,如有效的采样和评估。此外,它是兼容的反演方法的样本生成。这使得我们的算法与其他方差减少技术,如分层抽样。通过三个基准集成问题的建议算法的实用性的经验证据。作为一个应用,我们估计了基于实际数据的垃圾邮件过滤器排队系统的队列长度分布。
2008-10-20 stat.CO stat.ME
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
Optimal designs for series estimation in nonparametric regression with correlated data
本文研究了观测值相关的非参数回归模型中序列估计的试验设计问题。在连续时间模型中,我们利用基于投影的估计,得到了所有马氏型误差过程的最佳线性预言估计的显式解。然后,这些解决方案用于构建估计量,可以从可用数据及其相应的最优设计点计算估计量。我们的结果说明了通过模拟研究,这表明新的系列估计有一个更好的性能比常用的技术的基础上的最优线性无偏估计。此外,我们表明,本文提出的估计器的性能可以进一步提高通过选择适当的设计点。
2018-12-13 math.ST stat.ME stat.TH
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
Nonparametric inverse probability weighted estimators based on the highly adaptive lasso
逆概率加权估计量是估计因果效应的最古老且可能最常用的一类程序。通过加权机制调整选择偏差,这些程序通过构建一个伪群体来估计感兴趣的影响,其中选择偏差被消除。尽管它们易于使用,这些估计需要正确的规范的加权机制的模型,是已知的效率低下,并遭受灾难的维度。我们提出了一类非参数逆概率加权估计,其中的加权机制估计通过欠平滑的高度自适应套索,一个非参数回归函数证明收敛在$n^{-1/3}$率的真正的加权机制。我们证明了我们的估计是渐近线性的,方差收敛到非参数有效界。与双稳健估计不同,我们的方法既不需要推导有效的影响函数,也不需要指定条件结果模型。我们的理论发展具有广泛的影响,在大型统计模型和各种问题设置的有效的逆概率加权估计的建设。我们评估我们的估计在模拟研究中的实际表现,并证明使用我们提出的方法与数据从一个大规模的流行病学研究。
2021-07-03 math.ST stat.ME stat.ML
A nonparametric projection-based estimator for the probability of causation, with application to water sanitation in Kenya
目前的因果关系概率(PC)的估计方法进行强参数假设或效率低下。我们推导出一个非参数的影响函数为基础的估计PC的投影,它允许简单的解释和有效的推理,通过弱结构假设。我们将我们的估计器应用于肯尼亚实验的真实数据,该实验发现,通过估计平均处理效应,保护水泉可以减少儿童疾病。然而,在扩大这种干预之前,重要的是要确定是否是暴露,而不是其他东西,导致了结果。事实上,我们发现,一些儿童,谁是暴露于高浓度的细菌在饮用水中,并有牙周病,可能会感染疾病的暴露,因为估计PC为平均儿童在这项研究中是0.12,95%的置信区间(0.11,0.13)。我们的非参数方法为研究人员提供了一种估计PC的方法,如果人们希望不仅确定平均处理效应,而且确定暴露是否可能导致观察到的结果,这是必不可少的。
2019-10-30 stat.AP stat.ME
Nonparametric Density Estimation from Markov Chains
SISSA(国际高等研究学院);INFN Sezione di Trieste(意大利国家核物理研究所的里雅斯特分部);University of Camerino(卡梅里诺大学)
我们引入了一个新的非参数密度估计的启发马尔可夫链,并推广了著名的核密度估计(KDE)。我们的估计器相对于通常的估计器有几个优点,并且可以直接用作所有基于密度的算法的基础。我们证明了我们的估计的一致性,我们发现它通常优于KDE的情况下,大样本量和高维。我们还使用我们的密度估计建立一个本地离群检测器,显示出非常有前途的结果时,应用到一些现实的数据集。
2020-09-08 cs.LG physics.data-an stat.ME
Nonparametric methods for volatility density estimation
金融过程的随机波动率模型已经变得越来越流行。所提出的模型通常包含一个平稳的波动过程。我们将激励和审查几个非参数方法估计的波动率过程的密度。这两个模型的基础上离散采样连续时间过程和离散时间模型将进行讨论。分析的关键见解是将波动率密度估计问题转换为标准方法存在的反卷积模型。综述了三种非参数密度估计:傅立叶型反卷积核密度估计、小波反卷积密度估计和惩罚投影估计。这些估计的性能进行比较。关键词:随机波动模型,反褶积,密度估计,核估计,小波,最小对比估计,混合
2009-10-27 math.ST q-fin.ST stat.ME
An axiomatic nonparametric production function estimator: Modeling production in Japan's cardboard industry
我们开发了一种新的方法来估计生产函数的基础上的经济公理的规则超Passum法律和凸非位似输入等量线。我们的估计量的发展的核心是说明公理的形状约束和使用形状约束的非参数回归方法。我们使用1997-2007年日本瓦楞纸板行业的数据实施了这一方法。使用这种新的方法,我们发现大多数生产规模是资本与劳动力比率的函数,最大的企业经营接近最大的最高生产规模与高资本与劳动力比率。我们衡量整个面板期间的生产率增长的基础上,从我们的公理模型的残差。我们还将生产率分解为规模,投入组合和无法解释的影响,以澄清生产率差异的来源,并为管理者提供指导,使企业更有效率。
2019-06-19 stat.AP 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
Optimal One-pass Nonparametric Estimation Under Memory Constraint
对于流式设置中的非参数回归,其中数据不断流入并需要实时分析,主要挑战是由于有限的计算机内存和存储,数据一旦处理就从计算机系统中清除。我们提出了一种新的单通估计的基础上惩罚正交基扩展和开发一个通用的框架来研究统计效率和内存消耗的估计之间的相互作用,以应对挑战。我们证明了,所提出的估计器是统计最优的内存约束下,并具有渐近最小的内存足迹之间的所有单通估计的相同的估计质量。数值研究表明,所提出的一次通过估计是几乎一样有效的,其非流对应的访问所有的历史数据。
2022-08-18 math.ST stat.ME stat.TH
CovEsts: Nonparametric Autocovariance Estimation and Analysis
本文介绍R包CovEsts,提供非参数自协方差估计方法,含理论、函数、诊断工具及模拟和真实数据应用。
2026-09-30 math.PR stat.CO stat.ME
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
Nonparametric Bootstrap Inference for the Targeted Highly Adaptive LASSO Estimator
高度自适应LASSO目标最小损失估计(HAL-TMLE)是统计模型中的路径可微参数的有效插入式估计器,其最小(并且可能仅)假设真实滋扰功能参数(即,数据分布的相关部分)是有限的。它依赖于滋扰功能参数的初始估计(HAL-MLE),通过最小化经验风险的参数空间的约束下,候选函数的截面变化范数由一个常数,其中这个常数可以选择与交叉验证。在这篇文章中,我们建立了HAL-TMLE的非参数自举,固定在一个大于或等于交叉验证选择器的值的截面变异范数的值,提供了一个一致的方法来估计HAL-TMLE的正态极限分布。为了优化有限样本覆盖率的非参数引导置信区间,我们提出了一种选择方法,该方法是基于运行的非参数引导的所有值的截面变异范数大于交叉验证选择的一个,随后确定一个值,在该值处得到的置信区间的宽度达到一个平台。我们展示了我们的方法:1)平均治疗效果的非参数估计,基于对每个单位的协变量向量,二元治疗和结果的观察,以及2)数据分布的多变量密度平方积分的非参数估计。此外,我们还提出了模拟结果,这两个例子证明了优秀的有限样本覆盖率的基于引导的置信区间。
2020-02-07 math.ST stat.ME stat.TH
Nonparametric estimation of copulas and copula densities by orthogonal projections
本文研究了Copula函数和Copula密度函数的非参数估计。我们首先集中我们的研究基于联合密度的多项式正交投影的密度copula估计。一个新的copula估计,然后推出。它的渐近性质进行了研究:我们提供了一个大的功能类,这种建设是最佳的极大极小和极大意义上,我们提出了一种方法选择的平滑参数。一个密集的模拟研究表明,Copula和Copula密度估计,我们比较了一个大的面板的竞争对手非常好的性能。精算学中的一个真实数据集说明了这种方法。
2021-12-19 math.ST stat.AP stat.ME
Nonparametric Inference via Bootstrapping the Debiased Estimator
在本文中,我们提出了通过自举的去偏核密度估计(密度估计)和去偏局部多项式回归估计(回归分析)构造置信带。Calonico等人(2018 b)最近采用了使用去偏估计量的想法,通过显式估计随机变化来构建给定点处密度函数(和回归函数)的置信区间。我们扩展了他们的想法,使用去偏估计,并进一步提出了一个自举方法,同时构建置信带。这种改进方法的优点是,我们可以很容易地从传统的带宽选择器选择平滑带宽和置信带将是渐近有效的。我们证明了自举置信带的有效性,并将其推广到密度水平集和逆回归问题。仿真研究证实了建议的置信带/集的有效性。我们将我们的方法应用于天文数据集,以显示其适用性
2019-06-04 math.ST stat.ME stat.TH