Inference for two-stage sampling designs with application to a panel for urban policy
住户和健康调查通常采用两阶段抽样设计。为了产生具有各种置信区间的可靠估计量，需要Horvitz-Thompson估计量的一些基本统计性质，如一致性和渐近正态性，以及各种方差估计量的一致性。这些性质主要是研究单阶段抽样设计。在这项工作中，我们证明了一致性的Horvitz-Thompson估计和相关的方差估计的一般类的两阶段抽样设计，在温和的假设。我们还研究了第一阶段采用大熵抽样设计的两阶段抽样，并通过耦合论证证明了Horvitz-Thompson估计量是渐近正态分布的。当第一级抽样比可忽略时，本文提出了简化的方差估计，它不需要估计一级单元内的方差，并证明了它们是相容的。一个应用程序的城市政策，这是这项工作的最初动机小组，也提出。
2019-01-04 stat.ME
Predictive mean matching imputation in survey sampling
预测均值匹配插补是调查抽样中处理项目无应答的常用方法。本文研究了总体均值的预测均值匹配估计的渐近性质。对于方差估计，由于匹配估计的非光滑性，固定匹配的匹配估计量的传统自举推断已被证明是无效的。我们提出了渐近有效的复制方差估计。关键策略是直接基于线性项而不是变量的单个记录来构建估计量的重复。扩展到最近邻填补也进行了讨论。仿真研究证实，新的程序提供了有效的方差估计。
2018-01-12 stat.ME
On the estimation of the Lorenz curve under complex sampling designs
本文主要讨论了有限总体的浓度曲线的估计，当数据是根据一个复杂的抽样设计，具有不同的包含概率。提出了Lorenz曲线的一个（基于设计的）Hajek型估计，并研究了它的渐近性质.然后，构造了一个能逼近Lorenz曲线估计量渐近律的重构格式。应用程序给出的建设（一）一个置信带的洛伦兹曲线，（二）置信区间的基尼浓度比，和（三）一个测试洛伦兹优势。通过模拟研究，所提出的reservation程序的优点进行了评估。
2018-12-09 stat.ME
Nearest neighbor imputation for general parameter estimation in survey sampling
最近邻插补是调查抽样中处理项目无应答的常用方法。本文研究了一般总体参数，包括总体均值、比例和分位数的最近邻填补估计的渐近性质。对于方差估计，由于匹配估计的非光滑性，具有固定匹配数的匹配估计的传统自举推断已被证明是无效的。我们提出了渐近有效的复制方差估计。关键策略是直接基于线性项而不是变量的单个记录来构建估计量的重复。仿真研究证实，新的程序提供了有效的方差估计。
2017-06-30 stat.ME
Multivariate stratified sampling by stochastic multiobjective optimisation
本文将多变量分层随机抽样的分配问题视为整数非线性随机多目标数学规划问题。考虑到这一目标的样本方差的向量的渐近分布进行了研究。本文提出了两种解决多元分层随机抽样分配问题的方法。一个例子是通过应用不同的建议的技术。
2011-06-03 stat.ME
A unified principled framework for resampling based on pseudo-populations: asymptotic theory
本文介绍了复抽样设计下有限总体的一类再抽样技术。它所依据的基本思想是一个两步程序，包括：（i）在样本数据的基础上构建一个伪总体;（ii）根据适当的重新设计从预测的总体中抽取样本。从逻辑的角度来看，这种方法基本上是基于埃夫隆的插件原则，在“抽样设计水平”。基于大样本理论的理论依据。提出了基于各种形式的校准构造伪种群的新方法。最后，进行了仿真研究。
2017-07-20 stat.ME
Horvitz-Thompson estimators for functional data: asymptotic confidence bands and optimal allocation for stratified sampling
当处理非常大的函数数据集时，调查抽样方法是有用的，以便获得简单函数量的估计值，而不必存储所有数据。我们在这里提出一个霍维茨-汤普森估计的平均轨迹。在超总体框架的背景下，我们证明在温和的正则条件下，我们获得了均值函数及其方差函数的一致相合估计量。通过对抽样设计的额外假设，我们陈述了一个功能性的中心极限定理，并推导出渐近置信带。详细研究了分层抽样问题，得到了考虑均值方差准则的最优分配规则的函数形式。这些技术通过N=18902个电表的测试群体来说明，对于这些电表，我们在一周内每30分钟测量一次个人用电量。我们表明，分层可以大大提高估计的准确性和减少的宽度相比，简单随机抽样没有更换的全球置信带。
2010-09-29 stat.AP stat.ME
Nonparametric Regression under Cluster Sampling
本文在聚类依赖且聚类规模异质可增长的条件下，为非参数核回归建立了渐近理论，揭示了异质聚类规模引入的新方差项，并提出聚类稳健的带宽选择与推断方法，通过模拟和实证数据验证其有效性。
2024-12-28 econ.EM stat.ME
Optimal Sampling for Generalized Linear Models under Measurement Constraints
在“测量约束”下，测量响应是昂贵的，并且最初在数据集中的大多数记录上不可用，但协变量可用于整个数据集。我们的目标是对数据集中相对较小的部分进行采样，在该部分中将测量昂贵的响应，并且由此产生的采样估计量在统计上是有效的。测量约束要求采样概率只能依赖于一个非常小的响应集。最多只在小规模试点样本上使用响应的抽样程序称为“无响应”。“我们提出了一个无响应采样过程\mbox{(OSUMC)}的广义线性模型（GLM）。使用A-最优性标准，即，渐近方差的迹，所得到的估计量在一类抽样估计量中是统计有效的。本文建立了一类无响应抽样估计量的无条件渐近分布。这一结果是新颖的，与现有的条件结果相比，通过调节两个协变量和响应。在我们的无条件框架下，子样本不再是独立的，新的鞅技术发展为我们的渐近理论。我们进一步推导出A-最优无响应抽样分布。由于这种分布依赖于人口水平的数量，我们提出了测量约束下的最优抽样（OSUMC）算法来近似理论上的最优抽样。最后，我们进行了深入的实证研究，以证明OSUMC算法的优势，现有的方法在统计和计算的角度。
2020-03-26 stat.CO stat.ME
In Search of the Most Balanced Sampling Design
University of Zurich（苏黎世大学）；University of Lausanne（洛桑大学）；University of Neuchâtel（纳沙泰尔大学）
针对固定入样概率下最均衡抽样设计的组合难题，提出基于遗传算法的启发式方法，可显著提升均衡性，适用于调查抽样与实验设计。
2026-07-30 stat.ME
Asymptotic Analysis of Sampling Estimators for Randomized Numerical Linear Algebra Algorithms
The University of Georgia（佐治亚大学）；University of California at San Diego（加利福尼亚大学圣地亚哥分校）；Harvard University（哈佛大学）；Central University of Finance and Economics（中央财经大学）；International Computer Science Institute（国际计算机科学研究所）；University of California at Berkeley（加利福尼亚大学伯克利分校）
随机数值线性代数（RandNLA）算法在过去几年中的统计分析主要集中在它们作为点估计的性能。然而，这不足以进行统计推断，例如，构造置信区间和假设检验，因为缺乏估计量的分布。在这篇文章中，我们开发了一个渐近分析，以获得分布的RandNLA抽样估计的最小二乘问题。特别地，我们得到了任意抽样概率下一般抽样估计量的渐近分布。分析是在两个互补的环境中进行的，即，当感兴趣的目标是近似全样本估计器或者是推断潜在的地面实况模型参数时。对于每一种设置，我们表明，抽样估计是渐近正态分布在温和的正则性条件下。此外，在这两种情况下，抽样估计量是渐近无偏的。基于我们的渐近分析，我们使用两个标准，渐近均方误差（AMSE）和预期渐近均方误差（EAMSE），以确定最佳的抽样概率。这些最佳抽样概率分布中的几个对于文献是新的，例如，根杠杆抽样估计器和预测器长度抽样估计器。我们的理论结果澄清了杠杆在抽样过程中的作用，我们的实证结果表明，现有的方法的改进。
2020-02-24 cs.LG math.ST stat.ML
Single-Index Model-Assisted Estimation In Survey Sampling
研究了有限总体估计的模型辅助半参数方法，通过引入多元辅助信息来提高调查估计量的精度。提出的超总体模型是一个单指标模型，已被证明是一个简单而有效的半参数工具，在多元回归。提出了一类基于多项式样条回归的估计量。这些估计是强大的对单指数模型的偏差。在标准设计条件下，所提出的估计量是渐近设计无偏的、相合的和渐近正态的。提供了迭代优化例程，其对于用户来说足够快以在数秒内分析大型且复杂的勘测数据。该方法已被应用于模拟数据集和MU281数据集，这提供了强有力的证据，证实了渐近理论。
2008-12-31 math.ST stat.ME stat.TH
A comparison of estimators of mean and its functions in finite populations
本文在标准抽样设计下比较了有限总体均值及其函数的多种估计量，基于渐近均方误差构造等价类，发现SRSWOR下PEML估计量及其插入式估计量表现最优，而高熵πPS设计下基于Hájek估计量的插入式估计量渐近MSE最低。
2023-05-24 math.ST stat.ME stat.TH
Asymptotic Distribution of Centralized $r$ When Sampling from Cauchy
假设$X$和$Y$是独立的随机变量，每个都具有带有已知中值的柯西分布。取每个$X$和$Y$的大小为$n$的随机独立样本，然后可以计算它们的集中经验相关系数$r$。分析研究这个$r$的抽样分布似乎只可能在大的$n$限制，这就是我们在这篇文章中所做的，得出几个新的和有趣的结果。
2018-12-27 math.PR math.ST stat.TH
Approximation by normal distribution for a sample sum in sampling without replacement from a finite population
研究了从独立随机变量群体中通过简单随机抽样设计得出的观测值之和。给出了求Edgeworth渐近展开通项的一种方法。得到了渐近正态性的Lindeberg条件、Berry-Esseen界、Edgeworth渐近展开和Cramer型大偏差结果.
2013-12-11 math.ST stat.TH
Stratified Random Sampling for Dependent Inputs
本文提出了一种从统计相依的随机变量中获得分层随机样本的新方法。所提出的方法可用于从计算机前向模型的输入空间中获取样本，以估计相应输出变量的函数期望。与现有方法相比，该方法的优点是保持了输入变量的联合分布的精确形式。导出了新估计量的渐近分布。渐近地，使用所提出的方法的估计量的方差小于使用简单随机抽样得到的方差，方差减少的程度取决于被整合的函数中的可加性的程度。这种技术被应用到一个实际的例子有关的性能的河流洪水淹没模型。
2019-04-01 math.ST stat.ME stat.TH
Adaptive Importance Sampling for Efficient Stochastic Root Finding and Quantile Estimation
在解决基于模拟的随机寻根或涉及罕见事件的优化问题时，例如在极端分位数估计中，运行粗糙的蒙特卡罗可能效率极低。为了解决这个问题，可以采用重要性抽样来将采样误差降低到期望的水平。然而，选择一个好的重要性采样器需要了解手头问题的解决方案，这是一个开始的目标，因此形成了一个循环的挑战。我们研究使用自适应重要性抽样解开这个循环。我们的程序顺序更新的重要性采样器，同时达到最佳采样器和最佳解决方案，并可以嵌入到样本平均近似和随机逼近型算法。我们的理论分析建立了强一致性和渐近正态性的估计。我们还证明，通过极大极小的角度来看，使用自适应控制渐近误差的关键作用。最后，我们通过数值实验说明了我们的方法的有效性。
2021-02-21 math.OC math.PR stat.ME
Non-asymptotic bounds for quasi-MLE, misspecified models, and dependence under group sequential sampling
Google Inc.（谷歌公司）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对分组序贯拟极大似然估计，在模型可能误设定且组内存在依赖性的情况下，推导了渐近多元正态极限和显式非渐近正态逼近界，并应用于癫痫临床试验数据。
2026-06-05 math.PR math.ST stat.TH
Axiomatic Approach to Variable Kernel Density Estimation
可变核密度估计允许通过以给定采样点$y_n\in\mathbb{R}^d,\ n=1,\dots,N$为中心的不同拉伸和旋转的核的平均值来近似概率密度。到目前为止，相应的带宽矩阵$h_n$的选择主要依赖于渐近参数，如最小化的渐近平均积分平方误差（AMISE），这工作以及大量的采样点。然而，在实践中，人们往往面临着小到中等大小的样本集远低于渐近制度，这极大地限制了这种方法的可用性。作为替代这种渐近推理，我们提出了一个公理化的方法，保证不变的密度估计下线性变换的原始密度（和采样点），以及根据分裂成几个“分离良好”的部分的密度。为了仍然确保估计的适当的渐近行为，我们PDMATHAMO典型的依赖$h_n\propto N^{-1/(d+4)}$。此外，我们推导出一个新的带宽选择规则，满足这些公理，并表现得比传统的人工复杂的二维例子，以及在现实生活中的例子。
2018-05-04 math.ST stat.ME stat.TH
M-estimation under Two-Phase Multiwave Sampling with Applications to Prediction-Powered Inference
Institute for Data, Systems, and Society, Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所）；Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气与计算机工程系）
本文研究了双阶段多波采样下的M估计问题，提出了一种结合预测代理和高质测量的多波预测-去偏估计器，建立了渐近线性性和正态性，并开发了近似贪心采样策略以提升效率。
2026-03-17 math.ST stat.ME stat.ML
Asymptotic properties of the sequential empirical ROC, PPV and NPV curves under case-control sampling
受试者工作特征（ROC）曲线、阳性预测值（PPV）曲线和阴性预测值（NPV）曲线是连续诊断生物标志物的三种性能度量。ROC、PPV和NPV曲线通常根据经验估计，以避免对生物标志物的分布形式的假设。最近，有一个推动将组序贯方法纳入诊断生物标志物研究的设计。对序贯经验ROC、PPV和NPV曲线的渐近性质的透彻理解将在设计组序贯诊断生物标志物研究时提供更大的灵活性。本文利用序贯经验过程理论，导出了病例对照抽样下序贯经验ROC、PPV和NPV曲线的渐近理论。我们表明，连续的经验ROC，PPV和NPV曲线收敛到独立的Kiefer过程的总和，并显示这些结果可以用来推导渐近结果的总结连续的经验ROC，PPV和NPV曲线。
2012-03-14 math.ST stat.TH
On the Ergodicity, Bias and Asymptotic Normality of Randomized Midpoint Sampling Method
University of California, Davis（加利福尼亚大学戴维斯分校）；University of Toronto（多伦多大学）；Vector Institute（矢量研究所）
随机中点方法，提出了[SL 19]，已成为一个最佳的离散化过程模拟连续时间朗之万扩散。针对强凸光滑势的情形，本文分析了过阻尼和欠阻尼Langevin扩散的随机中点离散方法的若干概率性质.我们首先描述了固定分布的离散链得到恒定步长离散化，并表明它是偏离目标分布。值得注意的是，步长需要趋于零以获得渐近无偏性。接下来，我们建立了使用随机中点方法的数值积分的渐近正态性，并强调了相对于其他离散化的优点和缺点。我们的研究结果共同提供了一些见解的随机中点离散化方法的行为，包括获得数值积分的置信区间。
2021-09-10 cs.LG math.ST stat.CO
Sample-split REGression SREG: A robust estimator for high-dimensional survey data
本文提出SREG估计量，通过K折交叉拟合消除高维辅助变量下的偏差，证明其渐近正态性和一致性，验证了简单随机、分层和拒绝性采样下的条件波动假设。
2026-04-08 stat.ME
Large sample properties of the Midzuno sampling scheme with probabilities proportional to size
Midzuno采样能够无偏地估计比率。在Midzuno抽样下，证明了总数和比率估计的渐近正态性.我们还提出了一致的方差估计。
2019-10-16 math.ST stat.TH
Low-Order Inclusion Probabilities Do Not Determine Asymptotic Normality
The University of British Columbia（不列颠哥伦比亚大学）
本研究证明，与SRSWOR具有相同一阶和二阶包含概率的抽样设计仍可能导致样本总和收敛于非正态分布，表明低阶包含概率不足以决定渐近正态性。
2026-10-08 math.ST stat.TH
Chernoff Sampling for Active Testing and Extension to Active Regression
UW-Madison（威斯康星大学麦迪逊分校）；Missouri S&T（密苏里科技大学）
主动学习可以减少执行假设检验和估计模型参数所需的样本数量。在本文中，我们重新审视的工作，描述了一个渐进的最优算法进行假设检验的Zeroff。我们获得了一个新的样本复杂性界的Zeroff的算法，与一个非渐近项，其特征在于在一个固定的置信水平的性能。我们还开发了一个扩展的Dupff采样，可用于估计各种各样的模型的参数，我们得到的估计误差的非渐近界。我们应用我们的扩展的Brackoff采样主动学习神经网络模型，并估计参数的真实数据的线性和非线性回归的问题，我们的方法表现良好的国家的最先进的方法。
2022-03-11 cs.LG stat.ML
Weighted likelihood estimation under two-phase sampling
本文在两阶段分层不放回抽样下建立了加权似然估计的渐近理论。我们还考虑了几个变种的WLE涉及估计的权重和校准。在双重抽样和第二阶段不放回不放回抽样下，建立了一套经验过程工具，包括Glivenko-Cantelli定理、M-估计的收敛速度定理和逆概率加权经验过程的Donsker定理.利用这些一般结果，我们得到的渐近分布的有限维参数的WLE一般半参数模型中的一个冗余参数的估计是可估计的定期或非定期率。我们在具有右删失和区间删失的Cox模型中说明了这些结果和方法。我们比较的方法，通过他们的渐近方差下的不放回抽样和更常见的（和更容易分析）的伯努利采样的假设在第二阶段。
2013-04-08 math.ST stat.TH
Berry-Esseen theorems for the asymptotic normality of incomplete U-statistics with Bernoulli sampling
University of Melbourne（墨尔本大学）
本文研究了带有伯努利抽样的不完整U统计量在不同样本与计算预算规模下的渐近正态性，并建立了伯恩-艾森界以评估其正态近似精度。
2026-01-13 math.PR math.ST stat.TH
On the asymptotic normality and the construction of confidence intervals for estimators after sampling with probabilistic and deterministic stopping rules
序贯研究的一个关键特征是实际样本量是一个随机变量，通常取决于收集的结果。虽然序贯设计的假设检验理论已经很好地建立，但参数和精度估计还不太清楚。尽管早期的工作已经建立了一些特设估计，以克服所谓的偏见，在普通样本平均值，最近的工作表明，样本平均值是一致的。在这些结果的基础上，通过为全变差距离提供一个收敛速率，可以确定样本平均值的渐近分布在几乎所有情况下都是正态的，除了在一个非常具体的情况下，即停止规则是确定性的，并且真实的总体平均值与停止和继续之间的截止值相一致。对于这种病理情况，发现与正常的Kolmogorov距离等于0.125。虽然在渐近分布中值得注意，但模拟表明，幸运的是，基于正态分布的置信区间的覆盖范围没有任何后果。
2017-12-20 math.ST stat.TH
Bootstrap of means under stratified sampling
在两阶段整群抽样程序中，$n$随机总体是从独立总体中独立抽取的，并在每个总体中抽取观察结果的子样本。观测变量的一般平均值的估计是渐近高斯和渐近分布的几个bootstrap版本的归一化和学生化的统计量进行了研究。加权总体估计提供了一个很好的近似值，其精度取决于总体样本量的收敛速度。
2007-09-20 math.ST stat.TH
Trapezoidal rule and sampling designs for the nonparametric estimation of the regression function in models with correlated errors
考虑了观测值相关的固定设计模型中回归函数的估计问题。这样的观测是从几个实验单元中获得的，每个单元形成一个时间序列。基于梯形法则，我们提出了一种简单的核估计，并推导出了它的积分均方误差IMSE的渐近表达式及其渐近正态性。研究了渐近IMSE的最优带宽和最优设计问题。最后，在有限样本集上对新估计的性能进行了仿真研究，并与经典的Gasser和Müller估计进行了比较.此外，我们还研究了最优设计对自协方差函数误设定的鲁棒性。
2019-06-12 math.ST stat.TH
Nonparametric regression for locally stationary random fields under stochastic sampling design
在这项研究中，我们开发了一个渐近理论的局部平稳随机场（LSRF）$\{{\bf X}_{{\bf s}, A_{n}}: {\bf s} \in R_{n} \}$在$\mathbb{R}^{p}$观察到的不规则间隔的位置在$R_{n} =[0,A_{n}]^{d} \subset \mathbb{R}^{d}$的非参数回归。首先给出了一般核估计的一致收敛性速度，然后给出了模型均值函数估计的渐近正态性。此外，我们考虑加性模型，以避免维数灾难所产生的估计的收敛速度的协变量的数量的依赖。随后，我们得到了可加函数估计的一致收敛性速度和联合渐近正态性。我们还介绍了近似$m_{n}$依赖的RF提供的LSRF的例子。我们发现，这些RF包括一个广泛的类Lévy驱动的移动平均RF。
2022-07-06 math.ST stat.TH
Stable Thompson Sampling: Valid Inference via Variance Inflation
本文提出稳定汤普森采样方法，通过方差膨胀实现有效参数推断，尽管数据非独立同分布，仍能获得渐近正态估计，同时仅小幅增加后悔值。
2026-03-15 cs.LG stat.ML
Estimation of Lévy-driven CARMA models under renewal sampling
Institute of Mathematical Finance, Ulm University（乌尔姆大学数学金融研究所）；Department of Mathematics, University of Trento（特伦托大学数学系）
本文研究了在再生采样下Lévy驱动CARMA模型参数的Whittle估计，证明了该估计量的一致性和渐近正态性。
2026-03-06 math.ST stat.TH
Asymptotic Behaviour of Discretised Functionals of Long-Range Dependent Functional Data
本文研究长相依数据加权泛函在增加观测窗上的渐近性态。这些泛函可以给出各种重要的统计量，包括样本均值、高阶矩、占位测度等。它表明，在离散采样情况下，添加剂泛函具有相同的渐近分布作为相应的积分泛函的连续功能数据的情况下。应用这些结果得到了随机场加权可加泛函的非中心极限定理。由于大多数已知的结果涉及离散采样的情况下，开发的方法有助于将这些结果转化为功能数据，而无需再次推导它们。数值研究表明，理论研究结果是有效的更广泛的类的长期依赖的数据。
2019-05-24 math.PR math.ST stat.TH
Asymptotically efficient estimation for diffusion processes with nonsynchronous observations
研究了系数为非随机且观测值为非同步时扩散过程的极大似然型估计。当我们考虑分析金融市场中的高频数据时，非同步观测的问题是重要的。构造一个拟似然函数来定义估计器，自适应地估计扩散部分和漂移部分的参数。当终点$T_n$和观测频率趋于无穷大时，我们考虑了渐近理论，并证明了估计量的相合性和渐近正态性。此外，我们还证明了统计模型的局部渐近正态性，以及估计量的渐近有效性。为了证明极大似然型估计的渐近性质，我们需要控制抽样方案中某些泛函的渐近行为。虽然一般情况下很难直接控制这些条件，但我们研究了由混合过程生成的采样方案的易处理的充分条件。
2022-07-01 math.ST stat.TH
Optimum allocation in multivariate stratified random sampling: Stochastic matrix optimisation
将多元分层随机抽样的分配问题视为随机阵整数数学规划问题。在此基础上，建立了各层样本协方差阵的渐近正态性。并提出了一些解决方案。通过应用所提出的技术解决了一个例子。
2011-05-16 math.ST stat.TH
Sampling with replacement vs Poisson sampling: a comparative study in optimal subsampling
面对海量数据，子采样是提高计算效率的常用技术，而采用非均匀子采样概率是提高估计效率的有效途径。为了计算效率，通常使用替换或通过泊松子采样来实现子采样。然而，没有严格的调查已经进行了研究之间的差异，这两个二次抽样程序，如他们的估计效率和计算方便。本文对这两种不同的抽样方法进行了比较研究。在最大化一般目标函数的背景下，我们首先推导出从两个抽样程序获得的估计量的渐近分布。结果表明，泊松子采样可能具有更高的估计效率。基于替换子采样和泊松子采样的渐近分布，我们得到最优子采样概率，最小化子采样估计量的方差函数。这些子采样概率进一步揭示了替换子采样和泊松子采样之间的异同。通过对两种二次抽样方法的理论描述和比较，为在实际应用中选择更合适的二次抽样方法提供了指导。在此基础上，提出了基于优化结果的实用算法，并通过理论和实证分析对算法进行了评价。
2022-05-17 cs.IT math.IT math.ST
Local asymptotic normality for spectral-tail likelihoods under fixed-domain sampling
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Lund University（隆德大学）
该研究在固定域采样下建立了平稳高斯随机场尺度和粗糙度联合推断的局部渐近正态性，给出了估计误差阶和渐近分布，并验证了Matérn与广义Wendland协方差族及误设定情形下的适用性。
2026-10-08 math.ST stat.TH
Bootstrapping Two-phase Sampling
本文提出了一种无替换的非参数二阶段分层抽样方法。在这种设计中，已知加权似然估计量的渐近方差比在实践中经常做出的方便的独立性假设下的渐近方差小。然而，方差估计尚未得到很好的研究，半参数模型的方差可能没有一个封闭的形式。受半参数推断的启发，我们建立了具有几种校正变量的自助反概率加权经验过程的条件弱收敛性。现有的Bootstrap经验过程理论应用的两个主要障碍是由于抽样设计导致的样本依赖和有偏，以及布朗桥过程的线性组合的复杂极限过程。为了解决这些问题，所提出的引导权重采取与来自每个阶段和层的随机性相对应的两个权重的乘积的形式。我们应用我们的自助加权似然估计，并建立两个Z-定理的一般半参数模型，其中冗余参数可以估计在一个定期或非定期率。我们发现不同的自助校准方法提出的调查抽样文献产生不同的自助渐近分布。
2014-09-24 math.ST stat.TH
Inference for two-stage sampling in spatial surveys
本文为连续空间域上的两阶段抽样建立了基于设计的渐近理论，推导了Horvitz-Thompson估计量的方差阶数，证明了估计量的一致性及渐近正态性，并通过森林清查模拟验证了有限样本性能。
2026-09-18 math.ST stat.TH
Understanding the Sources of Error in MBAR through Asymptotic Analysis
本研究推导了MBAR估计的全新中心极限定理，提出可分解为各马尔可夫链贡献的误差估计量，经两类分子动力学计算验证，揭示态内去相关时间对总误差的显著影响，为优化采样提升MBAR精度提供了思路。
2022-03-02 cond-mat.stat-mech stat.CO
Bayesian Estimation Under Informative Sampling with Unattenuated Dependence
信息性抽样设计导致与感兴趣的响应变量相关的单元包含概率。然而，多级抽样设计也可能会导致高阶相关性，这通常被忽略在文献中建立一致性的估计调查数据的条件下，需要渐近独立的单位包含概率。我们完善和放松这个条件的渐近独立或渐近分解，并证明了一致性仍然是在存在的残差采样依赖。基于调查样本对总体进行推断的流行方法是使用伪后验，其使用基于一阶包含概率的采样权重来对可能性取指数。我们证明了伪后验不仅对具有渐近因子分解的调查设计是一致的，而且对具有剩余或未衰减依赖的设计也是一致的。使用复杂的抽样设计的全国药物使用和健康调查，我们探讨了多级设计和顺序抽样的影响。调查加权伪后验的使用与我们对调查设计的宽松要求一起建立了广泛的分析模型，可以应用于各种各样的调查数据集。
2018-07-12 stat.ME
Sampling spatial structures in geostatistical framework
极值地质统计学使依赖于空间或时间参数的随机现象的渐近行为建模成为可能。在本文中，我们提出了一个新的模型的极值系数在一个空间平稳领域的基础上的多元copula。在空间框架下构造了极值图和交叉极值图的扩展模型。此外，这两种地质统计学工具都是使用极值变差函数来建模的，该变差函数表征了现象的渐近随机行为。
2022-07-01 stat.ME
Bayesian Pairwise Estimation Under Dependent Informative Sampling
信息性抽样设计导致选择包含概率与感兴趣的响应变量相关的单位。对所得观察样本进行的模型推断将对群体生成模型产生偏倚。产生渐近无偏推断的一种方法采用边际包含概率来形成采样权重，该采样权重用于对伪似然的每个似然贡献取指数，该伪似然用于形成伪后验分布。后验一致性条件将适用的抽样设计限制为两两包含依赖性渐近限制为0的设计。有许多抽样设计不受此限制;例如，对家庭内的个人进行抽样的多阶段设计。把每个家庭看作一个人口，个人之间的依赖性并没有减弱。在本文中，我们提出了一个更有针对性的方法推理集中在对个人或抽样单位，例如，物质使用的一个配偶在一个共同的家庭，条件是物质使用的另一个配偶。我们制定的伪似然权重的基础上成对或二阶概率和证明的一致性，删除渐近独立的要求，并取代它与高阶选择概率的限制。我们的方法提供了一个几乎自动化的估计过程，适用于数据分析师指定的任何模型。我们展示了我们的方法在全国药物使用和健康调查。
2017-10-27 stat.ME
Variance estimation for Sequential Monte Carlo Algorithms: a backward sampling approach
针对粒子滤波和平滑的在线渐近方差估计问题，提出基于后向权重的新估计器及受PaRIS算法启发的高效估计器，提升了稳定性并降低了方差。
2023-01-02 stat.ME
Efficient Gibbs Sampling in Cox Regression Models Using Composite Partial Likelihood and Pólya-Gamma Augmentation
National Institute of Infectious Diseases（国立感染症研究所）
针对Cox回归贝叶斯方法基线风险建模复杂、计算低效的问题，提出GS4Cox全吉布斯采样器，结合广义贝叶斯框架、复合部分似然、Pólya-Gamma增强及仿射校准，实现高效采样并提升估计性能。
2025-11-18 stat.ME
Policy Choice and Best Arm Identification: Asymptotic Analysis of Exploration Sampling
AI Lab, CyberAgent, Inc.（CyberAgent公司AI实验室）；School of Electrical Engineering and Computer Science, KTH（KTH皇家理工学院电气工程与计算机科学学院）；Stern School of Business, New York University（纽约大学斯特恩商学院）；Fox School of Business, Temple University（天普大学福克斯商学院）；Columbia Business School, Columbia University（哥伦比亚大学商学院）
我们考虑了“政策选择”问题-在强盗文献中也称为最佳手臂识别-由Kasy和Sautmann（2021）提出的自适应实验设计。Kasy和Sautmann（2021）的定理1提供了三个渐近结果，为这种设置开发的勘探采样提供了理论保证。我们首先指出定理1（1）的证明存在技术问题，定理1（2）的证明和陈述是不正确的。然后，我们通过一个反例证明定理1（3）是假的。对于前两种情况，我们对这些说法进行了修正，并给出了严格的证明。对于定理1（3），我们提出了一个可供选择的目标函数，我们称之为后验加权策略后悔，并导出了探索抽样的渐近最优性。
2021-11-24 cs.LG econ.EM stat.ME
Top-Two Thompson Sampling for Contextual Top-mc Selection Problems
本文将top-two Thompson sampling扩展至情境top-mc选择问题，提出高效抽样策略并证明其渐近最优性，数值实验验证了其良好的有限样本性能。
2023-06-30 math.ST stat.ME stat.TH
Importance sampling for metastable and multiscale dynamical systems
在这篇文章中，我们解决的问题，出现在与随机动力系统的罕见事件的重要性抽样方案的设计。我们重点关注亚稳态问题和多尺度的影响。我们讨论了为什么看似合理的计划，遵循大偏差的最优路径可能在实践中表现不佳，即使他们是渐近最优的。前渐近最优性是很重要的，当一个处理亚稳态动力学，我们讨论了可能的方法，如何解决这个问题。此外，我们还讨论了多尺度（无论是在周期性或随机环境中）对重要性抽样的有效设计的影响。我们讨论了出现的数学和实际问题，如何克服一些问题，并讨论未来的挑战。
2017-07-27 math.OC math.PR stat.ME
Semiparametric adaptive estimation under informative sampling
针对信息性抽样中的选择偏倚与 Horvitz-Thompson 估计量效率不足问题，本文将调查权重视为随机变量推导半参数效率界，并提出在工作模型下一致、渐近正态且最优有效的估计量，通过模拟和加拿大调查数据验证其性能。
2024-04-04 math.ST stat.ME stat.TH
Sampling-based Estimation of In-degree Distribution with Applications to Directed Complex Networks
本文的重点是从抽样网络节点或边估计有向网络的入度分布。一些抽样方案被认为是，包括随机抽样和不更换，和几种方法的基础上随机游动可能的跳跃。当对节点进行采样时，假设只有该节点的外边缘是可见的，也就是说，没有观察到该节点的入度。建议估计的入度分布是基于两种方法。反演方法利用原始和样本入度分布之间的关系，并且可以估计入度分布的大部分，但不能估计分布的尾部。入度分布的尾部通过渐近方法估计，该方法本身有两个版本：一个假设幂律尾部，另一个假设一般形式的尾部。这两种估计方法在合成网络和真实网络上进行了检验，具有良好的性能结果，特别是渐近方法。
2018-10-02 cs.SI physics.soc-ph stat.ME
On the Asymptotic Efficiency of Approximate Bayesian Computation Estimators
许多统计应用涉及的模型，很难评估的可能性，但它是相对容易的样本。近似贝叶斯计算是在这种情况下实现贝叶斯推断的无似然方法。我们目前的结果估计的渐近方差使用近似贝叶斯计算在大数据限制。我们的关键假设是，数据是由一个固定维的汇总统计，服从中心极限定理。我们证明了近似贝叶斯计算后验均值的渐近正态性。这个结果还表明，在渐近方差方面，我们应该使用与参数向量p维数相同的汇总统计量;并且任何更高维数的汇总统计量都可以通过线性变换以仅能减少后验均值的渐近方差的方式减少到维数p。我们看看如何蒙特卡罗误差的重要性抽样算法的样本从近似贝叶斯计算后影响估计的准确性。我们给出了重要性抽样建议分布的条件，使得估计量的方差与基于汇总统计量的极大似然估计量的方差为同一阶。这表明了一个迭代的重要性抽样算法，我们经验评估的随机波动率模型。
2017-11-28 math.ST stat.ME stat.TH
Adaptive Importance Sampling via Stochastic Convex Programming
我们证明了从指数族重要抽样的蒙特卡罗估计的方差是分布的自然参数的凸函数。有了这个见解，我们提出了一个自适应重要性抽样算法，同时提高了抽样分布的选择，同时积累了蒙特卡罗估计。利用凸性，我们证明了该方法的无偏估计量的方差是渐近最优的指数家庭。
2015-01-09 math.OC stat.CO stat.ME
