Efficient GMM and Weighting Matrix under Misspecification
Lancaster University Management School（兰卡斯特大学管理学院）
本文研究了在矩条件不准确时高效GMM估计方法，提出基于增强矩条件和重新定位的新估计器，通过优化加权系统获得具有最小渐近方差的规格不准确高效估计器。
2026-10-16 econ.EM stat.ME
The purpose of an estimator is what it does: Misspecification, estimands, and over-identification
Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）
本文探讨了在模型规范性下估计器的功能，指出不同估计器对应不同的被估计量，并提出了J统计量在渐近上的意义，建议更广泛报告J统计量以提高实证研究的透明度和稳健性。
2026-02-20 econ.EM stat.ME
Adapting to Misspecification
针对实证研究中稳健性与效率的权衡，本文提出自适应估计量，通过求解加权凸极小化极大问题，在偏差上界未知时最小化最坏情形风险增幅，并验证了适应错误设定优于检验错误设定的优势。
2025-09-15 econ.EM stat.ME
Second-order unbiased naive estimator of mean squared error for EBLUP in small-area estimation
一个经验的最佳线性无偏预测（EBLUP）估计被用于小区域估计的有效推断。为了测量其不确定性，我们需要估计其均方误差（MSE），因为真实的MSE通常不能以封闭形式导出。“朴素MSE估计量”是可用于小区域推断的估计量之一，不太可能被选择，因为它没有达到所需的渐近性质，即二阶无偏性，尽管它保持了严格的正性和易处理性。因此，用户倾向于选择二阶无偏MSE估计。在本文中，我们寻求一个新的调整最大似然方法，以获得一个朴素的MSE估计，达到所需的渐近性质。为了得到这个结果，我们还揭示了模型方差参数的一般调整最大似然方法和二阶无偏、严格正、均方误差估计的一般函数形式之间的关系。我们还通过蒙特卡罗模拟研究比较了新方法与现有朴素估计的性能。结果表明，新方法弥补了与现有的朴素估计相关的低估。
2016-12-13 math.ST stat.ME stat.TH
On the Misspecification of Linear Assumptions in Synthetic Control
综合控制（SC）方法是一种流行的方法，用于从观察性面板数据估计处理效应。它依赖于一个关键的假设，即我们可以将处理过的单元写为未处理单元的线性组合。然而，这种线性假设在实践中不太可能成立，当违反时，所得的SC估计值是不正确的。在本文中，我们研究了两个问题：（1）多大的错定误差？(2)我们如何限制它？首先，我们提供了理论界来量化误设误差。界限令人欣慰：小的错误设定会导致小的错误。有了这些界限在手，我们然后开发新的SC估计，专门设计，以尽量减少误设误差。估计是基于额外的数据，每个单位，这是用来产生SC的权重。(For例如，如果单位是国家，则附加数据可以是关于每个国家的人口统计信息。我们研究我们的估计合成数据，我们发现他们产生更准确的因果估计比标准的合成控制。然后，我们重新分析了原始SC文件中的加利福尼亚州烟草计划数据，现在包括来自美国人口普查的有关每个州人口统计的额外数据。我们的估计表明，在治疗前的观察期内的误设误差的范围内，而治疗后的观察位于这些界限之外。这证明我们的SC方法发现了真实的效果。
2023-02-24 econ.EM stat.ME
Regularized calibrated estimation of propensity scores with model misspecification and high-dimensional data
倾向得分法广泛用于估计观察性研究的处理效应。一种流行的方法是基于逻辑斯谛回归通过极大似然然估计倾向得分，然后应用逆概率加权估计或扩展来估计处理效应。然而，一个具有挑战性的问题是，这种包括双重鲁棒方法的逆概率加权方法即使在逻辑模型如通过常规技术检查的那样看起来足够时也可能表现不佳。此外，在处理大量协变量时，适当估计倾向得分的难度越来越大。为了解决这些问题，我们研究校准估计作为替代极大似然估计拟合逻辑倾向得分模型。我们发现，与可能的模型误设定，最大限度地减少校准估计的预期校准损失涉及减少预期的似然损失和相对误差的测量，控制逆概率加权估计的均方误差。此外，我们提出了一个正则化的校准估计最小化的校准损失与Lasso惩罚。我们开发了一种新的Fisher评分下降算法计算建议的估计，并提供了一个高维分析所产生的逆概率加权估计的人口手段，利用控制校准估计的相对误差。我们提出了一个模拟研究和实证应用，以证明所提出的方法相比，极大似然和正则化的优势。
2017-10-23 stat.ME
Model misspecification and bias for inverse probability weighting and doubly robust estimators
在因果推理文献中，属于一类半参数估计量的估计量被称为鲁棒的，如果它在至少一个工作模型被正确指定的假设下具有期望的性质。本文提出了一种粗略的分析方法来研究当所有工作模型都被错误指定时，平均因果效应的半参数估计的大样本偏差。我们将我们的方法应用到三个原型估计，两个逆概率加权（IPW）估计，使用错误指定的倾向得分模型，和一个双重稳健（DR）估计，使用错误指定的模型的结果回归和倾向得分。要分析的问题时，使用两个错误指定的模型是优于一个，我们推导出充要条件的DR估计有一个小的偏差比一个简单的IPW估计，当它有一个小的偏差比IPW估计与归一化权重。如果结果模型的误指定是中度的IPW和DR估计的偏差的比较表明，DR估计有一个较小的偏差比IPW估计。然而，所有的偏见包括PS模型的错误，我们建议研究人员在建模PS时要小心，只要涉及这样的模型。
2018-06-25 math.ST stat.ME stat.TH
Differential Equation-Constrained Exponential-Type Local Polynomial Regression Under Model Misspecification
The University of British Columbia Okanagan（不列颠哥伦比亚大学奥肯那根分校）
研究模型误设问题，提出受微分方程约束的回归框架，利用局部多项式回归技术，聚焦局部指数增长模型，通过模拟研究比较不同估计量在两种误设场景下的表现，评估模型稳健性。
2026-07-29 stat.CO stat.ME
Parametric MMD Estimation with Missing Values: Robustness to Missingness and Data Model Misspecification
CNRS, LPSM, Sorbonne Université, Université Paris Cité（法国国家科学研究中心，统计与概率实验室，索邦大学，巴黎西岱大学）；Research Institute for Statistics and Information Science, University of Geneva（日内瓦大学统计与信息科学研究院）
针对缺失数据中极大似然估计对模型误设敏感的问题，提出基于最大均值差异的M估计程序，在MCAR、MNAR及Huber污染设定下均具有稳健性，并提供理论保证与高效算法。
2026-09-16 stat.ME
Rescuing double robustness: safe estimation under complete misspecification
Carnegie Mellon University（卡内基梅隆大学）；Sant’Anna School of Advanced Studies（圣安娜高等研究学院）；Penn State University（宾夕法尼亚州立大学）
针对双重稳健估计在完全错误设定下表现脆弱的问题，提出基于自适应修正裁剪（DR+ACC）的安全估计方法，确保误差受限于各干扰模型误差的凸组合，并保持半参数效率。
2026-05-26 math.ST stat.ME stat.ML
Empirical phi-divergence test statistics for testing simple null hypotheses based on exponentially tilted empirical likelihood estimators
在计量经济学中，在不假设潜在分布的情况下施加限制来模拟复杂的现实是一种有价值的方法论工具。然而，如果一个子集的限制是不正确的指定，通常的测试统计量正确指定的模型往往拒绝一个简单的原假设。在这种情况下，我们可以说模型存在误设定。我们研究了Balakrishnan et al.（2015）中引入的经验φ-发散检验统计量的行为，通过使用Schennach（2007）的指数倾斜经验似然估计量，作为小样本量的显著性水平的效率和错误指定下的鲁棒性之间的良好折衷。
2015-10-27 stat.ME
Honest data-adaptive inference for the average treatment effect under model misspecification using penalised bias-reduced double-robust estimation
高维变量混杂的存在使点治疗的平均效应的估计复杂化。一方面，它需要使用变量选择策略或更通用的数据自适应高维统计方法。另一方面，使用这样的技术往往会导致有偏估计与非标准的渐近行为。双稳健估计器对于提供分辨率是至关重要的，因为它们具有所谓的小偏差属性（Newey等人，2004年）。这意味着当相关平滑参数变为零时，它们的偏差比干扰参数估计器中的偏差更快地消失，使得它们的性能对平滑不太敏感（Escherichzhukov等人，2016）。当倾向得分和条件结果平均值的数据自适应估计量都以足够快的速度收敛到它们各自的真理时（例如，van der Laan，2014; Farrell，2015; Belloni等人，2016）。在这篇文章中，我们扩展这项工作，以保留有效的（统一）推理时，这些估计之一不收敛到真理，不管。这是通过推广Vermeulen和Vansteelandt（2015）的低维设置的先前工作来实现的，以纳入正则化。建议惩罚偏差减少双稳健估计策略表现出良好的性能，在广泛的模拟研究和数据分析，相对于竞争的建议。
2017-08-12 stat.ME
Robust Prediction Variance Estimation for Gaussian Process Regression Under Covariance Smoothness Misspecification
University of Mayagüez（马亚圭斯大学）
针对协方差平滑性误指定导致预测方差低估的问题，提出一种新的均方预测误差估计方法，该方法在非等价工作模型与真实模型下表现更优。
2026-06-03 math.ST stat.ME stat.TH
Finite sample properties of parametric MMD estimation: robustness to misspecification and dependence
CNRS（法国国家科学研究中心）；ESSEC Business School（埃塞克商学院）
针对统计学通用估计问题，本文基于MMD最小距离估计器证明其对数据相关性和异常值的鲁棒性，完成SGD算法理论研究并通过数值模拟验证，同时修正已发表版本中命题4.4的证明错误。
2025-02-13 cs.LG math.ST stat.CO
Semi-supervised Regression Analysis with Model Misspecification and High-dimensional Data
针对半监督学习与协变量偏移迁移学习场景下的回归系数估计问题，提出允许模型误设的增强逆概率加权推理框架，在高维数据下仍具备良好统计性质，且可统一现有方法，经模拟与真实数据验证有效。
2024-06-20 stat.ME stat.ML
Robustness and efficiency of covariate adjusted linear instrumental variable estimators
两阶段最小二乘（TSLS）估计及其变体被广泛用于使用工具变量（IV）来推断暴露对结果的影响。它们属于更广泛的两阶段IV估计量，其基于拟合暴露的条件均值模型，然后使用拟合的暴露值和协变量作为结果的线性模型中的预测因子。我们发现，标准的TSLS估计享有更大的鲁棒性模型误设比更一般的两阶段估计。然而，通过潜在地使用错误的曝光模型，例如当曝光是二进制时，它们往往是低效的。鉴于此，我们研究双稳健G-估计。这些方法使用暴露、IV和结局的工作模型，但仅要求IV模型或结局模型的正确规范，以保证对暴露效应的一致估计。由于局部有效的G-估计的有限样本性能可能很差，我们进一步开发了G-估计程序，提高了效率和鲁棒性的一些或所有工作模型下的误指定。仿真研究和数据分析表明，即使在一个或多个工作模型被错误指定的情况下，也有显著的改进。
2015-10-06 stat.ME
Robust Estimation of Polychoric Correlation
Erasmus University Rotterdam（伊拉斯姆斯大学鹿特丹）；University of Zurich（苏黎世大学）；Harvard University（哈佛大学）
本文提出了一种鲁棒的多项相关性估计方法，以应对模型部分不规范性，通过最小化鲁棒损失函数，提高了在存在粗心被试者情况下的估计鲁棒性和实用性。
2025-12-01 math.ST stat.AP stat.ME
Assessing the Sensitivity of Synthetic Control Treatment Effect Estimates to Misspecification Error
我们提出了一个敏感性分析的合成控制（SC）处理效应估计询问的假设，SC方法是指定的，即选择权重，以尽量减少治疗前的预测误差产生准确的预测，反事实的治疗后的结果。我们的数据驱动的程序恢复的一组处理效应一致的假设，由SC方法所产生的误设定误差是最多的观察到的误设定误差时，使用SC估计预测的结果，一些控制单元。我们表明，在一个定义的误设误差，我们的程序提供了一个简单的，几何动机比较估计的处理效应的安慰剂残差的分布，以评估估计的可信度。当我们将我们的程序应用于几个报告SC估计的典型研究时，我们广泛地证实了源文件得出的结论。
2021-02-21 econ.EM stat.ME
Assessing the global and local uncertainty in scientific evidence in the presence of model misspecification
科学家需要比较基于观察到的现象的模型的支持。证据范式的主要目标是量化参考模型相对于替代模型的数据中的证据强度。这是通过证据函数完成的，例如$ΔSIC$，生成机制和竞争模型之间的偏差的样本量缩放差异的估计量。为了使用证据，无论是决策还是作为知识积累的指南，都需要了解证据中的不确定性。这种不确定性是很好的特点，由标准统计理论的估计。不幸的是，如果模型被错误地指定，标准理论就会崩溃，就像科学研究中通常发生的那样。我们开发了非参数自助方法来估计模型误设下的证据估计量的抽样分布。这种抽样分布使我们能够确定我们在证据陈述中的安全程度。我们用两种不同类型的置信区间（我们称之为“全局”和“局部”）来表征这种证据强度的不确定性。我们讨论了如何证据的不确定性可以用来改善科学推理，并说明了这一点，在一个突出的景观生态学研究（格雷斯和基利，2006年）使用结构方程模型识别问题的重新分析。
2021-03-19 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
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
How useful is a wrong model? Information-sharing for inference under mean misspecification in linear models
Department of Biostatistics University of Michigan（密歇根大学生物统计学系）
研究线性模型均值误设下模型有用性问题，提出利用有用性指数通过均值模型在个体观测间共享信息的方法，定义新估计量并与詹姆斯 - 斯坦估计量联系，还给出有用性指数数据相关估计，通过个人追踪器数据分析展示方法实用价值。
2026-07-13 math.ST stat.ME stat.TH
Misspecification Analysis of High-Dimensional Random Effects Models for Estimation of Signal-to-Noise Ratios
University of California, Davis（加州大学戴维斯分校）
研究高维线性模型中估计信噪比和残差方差的高斯随机效应最大似然估计器在模型误设下的行为，通过建立一致性和渐近正态性等，给出渐近方差显式形式，经模拟和实际数据验证校准效果。
2026-07-13 math.ST stat.ME stat.TH
Optimal Instrument Selection using Bayesian Model Averaging for Model Implied Instrumental Variable Two Stage Least Squares Estimators
针对MIIV-2SLS估计器的工具变量误设检验缺乏特异性及弱工具问题，提出MIIV-2SBMA估计器，模拟显示其参数估计性能与原方法相当，且工具特异性过度识别检验检测功效更高，并通过实证示例验证了应用价值。
2024-04-16 stat.ME
Hawkes Identification with a Prescribed Causal Basis: Closed-Form Estimators and Asymptotics
the University of Melbourne（墨尔本大学）
本文提出了一种闭式最小二乘方法用于Hawkes过程的识别，提供了在正确和失配情况下的渐近理论分析。
2026-02-24 cs.SY eess.SY stat.ME
Multiply robust matching estimators of average and quantile treatment effects
倾向得分匹配是处理因果推断中混杂的长期传统，然而需要严格的模型假设。在这篇文章中，我们提出了双评分匹配（DSM）的一般因果被估量利用两个平衡得分，包括倾向得分和预后得分。为了保护可能的模型误指定，我们为每个得分选择多个候选模型。我们表明，去偏DSM估计实现了多重稳健性，因为它是一致的真正的因果估计，如果任何模型的倾向得分或预后分数是正确的。
2020-07-05 stat.ME
Total robustness in Bayesian Nonlinear Regression
University of Warwick（华威大学）；University College London（伦敦大学学院）
本文提出首个针对非线性回归中协变量测量误差、模型误设和误差分布误设的总稳健性贝叶斯非参数学习框架，通过联合狄利克雷过程先验和后验伪样本实现推断校准，建立泛化界并证明在非退化测量误差下的收敛性与一致性。
2026-03-24 stat.ME stat.ML
Undersmoothing Causal Estimators with Generative Trees
University of Essex（埃塞克斯大学）；Institute for Analytics and Data Science（分析与数据科学研究所）；Institute for Social and Economic Research（社会与经济研究所）
针对观测数据中协变量偏移导致的模型误设问题，提出一种基于生成树的新方法，直接解决模型误设以提升下游估计量的鲁棒性，在个体化处理效应估计上显著优于重新加权方法。
2022-03-16 cs.LG stat.ME
Robustness of ANCOVA in randomised trials with unequal randomisation
具有连续结局的随机试验通常使用ANCOVA进行分析，并对预后基线协变量进行调整。在最近发表的一篇文章中，Wang \etal证明，在这种情况下，如果每种治疗的随机化概率为1/2，则基于模型的治疗效应标准误估计量在结局模型错误指定下是一致的。在这篇文章中，我们扩展了他们的结果，允许不平等的随机化。这些表明，当随机化概率不等于1/2时，基于模型的标准误通常不一致。相比之下，当随机化概率不相等时，三明治标准误可以在错误指定下提供渐近有效的推断，因此建议在随机化不相等时使用。
2019-05-21 stat.ME
Improved inference for doubly robust estimators of heterogeneous treatment effects
我们提出了一种双重稳健的方法来表征观察性研究中的处理效应异质性。我们开发了一个频率主义的推理程序，利用后验分布的倾向得分和结果回归模型提供有效的推理条件平均处理效应，即使当使用高维或非参数模型。我们表明，我们的方法会导致保守的推断在有限样本或模型误指定，并提供了一个一致的方差估计时，这两个模型都被正确指定。在模拟中，我们说明了这些结果在困难的设置，如高维协变量空间或高度灵活的模型的倾向得分和结果回归的效用。最后，我们分析了NHANES的环境暴露数据，以确定这些暴露的影响如何因受试者级别的特征而异。
2022-07-19 math.ST stat.AP stat.ME
Data integration of non-probability and probability samples with deterministic predictive mean matching
Adam Mickiewicz University in Poznań（波兹南亚当·密茨凯维奇大学）；Statistical Office in Poznań（波兹南市统计局）；Stockholm University（斯德哥尔摩大学）；Analytic Partners（分析伙伴）；Poznań University of Economics and Business（波兹南经济商业大学）
研究如何用确定性预测均值匹配插补估计量整合概率和非概率样本数据，考虑PMM~A和PMM~B两种方法，证明均值估计量一致性等，通过模拟和实证研究比较其与现有方法的性质及效果。
2026-07-16 math.ST stat.ME stat.TH
Asymptotic normality of the time-domain generalized least squares estimator for linear regression models
在线性模型中，当误差相关的结构已知时，广义最小二乘（GLS）估计是适用的。当它是未知的，这种结构必须近似和估计的方式，可能会导致错误的规格。不正确指定的GLS（IGLS）估计量的大样本分析需要仔细的渐近操作。当在频域中进行估计时，在所谓的Grenander假设下，IGLS估计量的渐近正态性已被证明适用于广泛的一类误差相关模型。在相同的假设下，时域IGLS估计量的渐近正态性结果仅适用于有限类误差结构。我们证明了对于一般的相依模型，时域IGLS估计是渐近正态的。
2019-02-09 math.ST stat.ME stat.TH
Contrasting Identifying Assumptions of Average Causal Effects: Robustness and Semiparametric Efficiency
本文比较后门、前门及两门三种因果识别假设，推导其有效影响函数与半参数效率界，并分析估计量达到界的条件及对冗余模型误设的稳健性，揭示效率与稳健性之间的权衡。
2023-02-17 stat.ME
Doubly Robust Estimators with Weak Overlap
University of Rochester（罗切斯特大学）；Emory University（埃默里大学）；Vanderbilt University（范德堡大学）；University of California, Davis（加州大学戴维斯分校）
本文提出一种在修剪倾向分数后仍保持双重稳健性的估计方法，通过偏倚校正提升估计精度，在四个应用中展示了更精确的结果。
2026-04-15 econ.EM stat.ME
Doubly Robust Estimators of Quantile Treatment Effects With Semiparametric Cumulative Probability Models
Vanderbilt University Medical Center（范德比尔特大学医学中心）；Keck School of Medicine of the University of Southern California（南加州大学凯克医学院）
针对现有分位数处理效应（QTE）估计方法对模型误设敏感的问题，提出基于半参数累积概率模型（CPM）的双重稳健QTE估计框架，开发两种估计策略并通过模拟和HIV数据验证其有效性。
2026-08-12 stat.ME
Efficient estimation of weighted cumulative treatment effects by double/debiased machine learning
针对时间-事件结局观察性研究中模型误设与重叠性差的问题，提出一类单步交叉拟合的双重/去偏机器学习加权累积因果效应估计量，证明其理论性质，验证其性能并应用于抗糖药对癌症结局影响的真实数据研究。
2023-05-03 stat.ME stat.ML
Dynamic treatment effects: high-dimensional inference under model misspecification
Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）；School of Statistics and Management, Shanghai University of Finance and Economics（上海财经大学统计与管理学院）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对动态处理效应估计中模型误设与高维协变量挑战，提出序贯模型双重稳健估计量，通过新颖矩目标估计与损失函数实现根号N推断。
2025-01-30 cs.LG econ.EM math.ST
Unifying small area estimators based on area-level and unit-level models through calibration
Complutense University of Madrid（马德里康普顿斯大学）；Institute of Interdisciplinary Mathematics (IMI)（跨学科数学研究所）；Carlos III University of Madrid（马德里卡洛斯三世大学）
本文提出了一种基于校正的统一小面积估计器，结合面积级和单元级模型，通过一致的误差方差估计提升估计效率和均方误差的准确性。
2026-03-04 stat.ME
Randomization tests for model specification in causal inference under network interference
Indian School of Business（印度商学院）
针对网络干扰下因果推断中暴露映射模型设定偏差问题，提出基于设计的模型设定框架及随机化检验程序，经理论验证与模拟、实地实验证实其有效性与良好功效。
2026-08-26 econ.EM stat.ME
On Doubly Robust Estimation with Nonignorable Missing Data Using Instrumental Variables
针对非不可忽略缺失数据的结局均值估计问题，提出基于工具变量的半参数双重稳健估计方法，在部分模型误设下仍具一致性与渐近正态性，经模拟验证并应用于HIV血清阳性率评估的缺失数据校正。
2024-08-17 stat.ME
Sandwich regression for accurate and robust estimation in generalized linear multilevel and longitudinal models
针对半参数多水平广义线性模型中现有估计量因协方差误设导致效率低的问题，提出三明治回归方法，从参数估计类中选取方差最小的估计量，实验验证其效果优于经典方法。
2024-12-09 stat.ME
Debiased Ill-Posed Regression
针对条件矩限制下的函数估计问题，提出基于影响函数的去偏估计策略，具有二阶偏差和稳健性，并给出超参数选择方法，实现根号n一致性。
2025-05-27 econ.EM stat.ME stat.ML
Treatment Effect Estimation in Causal Survival Analysis: Practical Recommendations
本文提出在因果生存分析中使用RMST差异估计治疗效应，并通过模拟研究比较不同估计方法的性能，提供实用选择建议和开源代码。
2026-02-26 stat.ME
Balancing Weights for Causal Mediation Analysis
The University of Tokyo（东京大学）
本文提出了一种通过直接惩罚权重分散并强制协变量和中介变量平衡的方法，以提高因果中介分析中估计器的稳定性和准确性。
2025-12-10 econ.EM stat.ME
Multiply-robust Estimator of Cumulative Incidence Function Difference for Right-Censored Competing Risks Data
School of Statistics and Data Science, LPMC and KLMDASR, Nankai University（南开大学统计与数据科学学院）
本文提出一种多重鲁棒估计器，用于估计右删失竞争风险数据中因果特异性累计发病率函数差，通过伪值方法和多重鲁棒框架结合，提高估计鲁棒性。
2026-03-26 stat.ME
Doubly Robust Direct Learning for Estimating Conditional Average Treatment Effect
非均匀处理效应的推断是科学和商业应用中的基本问题。在本文中，我们专注于估计条件平均处理效应（CATE），即在给定协变量的条件平均结果之间的差异。传统上，基于Q学习的方法依赖于给定治疗和协变量的条件平均结果的估计。然而，它们受到主效应模型的错误指定的影响。最近，已经提出了简单而灵活的一步方法来直接学习（D-Learning）CATE而无需模型规范。然而，这些方法对倾向得分模型的错误设定不稳健。我们提出了一个新的框架CATE估计，强大的直接学习（RD学习），导致双重强大的估计的处理效应。如果正确指定了主效应模型或倾向得分模型，则可以保证我们的CATE估计量的一致性。该框架可用于二进制和多臂设置，并且足够通用，以允许不同的函数空间并包含不同的通用学习算法。作为一个副产品，我们开发了一个有竞争力的统计推断工具的处理效应，假设倾向得分是已知的。我们提供的理论见解，所提出的方法使用风险界限下的线性和非线性设置。我们所提出的方法的有效性证明了仿真研究和艾滋病临床试验研究的真实数据的例子。
2021-03-21 stat.ME
Enhancing Treatment Effect Estimation: A Model Robust Approach Integrating Randomized Experiments and External Controls using the Double Penalty Integration Estimator
本文针对随机实验与外部对照不可比的问题，提出双重惩罚集成估计器DPIE，通过引入偏倚函数并分别惩罚ANCOVA模型与偏倚函数，在模型误设下仍保证一致性、oracle性质和渐近正态性，且比仅用随机实验的估计更高效。
2023-07-10 stat.ME
Mind the Income Gap: Bias Correction of Inequality Estimators in Small-Sized Samples
University of Bologna（博洛尼亚大学）
本文提出了一种针对小样本中不平等估计量的偏差校正方法，通过复杂调查设计提升估计精度，减少偏差并提高小面积估计的可靠性。
2023-05-10 econ.EM stat.ME
Discussion of "Single and Two-Stage Cross-Sectional and Time Series Benchmarking Procedures for SAE"
我们祝贺作者的一个刺激和有价值的手稿，提供了一个仔细审查的国家的最先进的横截面和时间序列基准程序的小面积估计。他们为分层时间序列模型开发了一种新的两阶段基准方法，通过使用美国人口普查局的数据估计每月总失业率来评估他们的程序。我们讨论三个主题：线性和模型误设，计算复杂性和模型比较，以及实际中小区域估计的一些方面。更具体地说，我们向作者提出了以下问题，他们可能希望回答：他们的模型对错误说明的鲁棒性如何？现在是不是应该抛弃Battese et al. 1988; Fay and Herriot 1979所考虑的那种线性模型了？渐近计算复杂度是多少？与其他模型有什么比较？基准约束应该是固有固定的还是随机的？
2014-05-25 stat.ME stat.OT
A New Model Variance Estimator for an Area Level Small Area Model to Solve Multiple Problems Simultaneously
两水平正态分层模型（NHM）在小区域估计（SAE）理论中发挥了关键作用，SAE是统计学中不断发展的领域之一，在不同学科中有许多应用。在本文中，我们解决了主要的众所周知的缺点与经验最佳线性无偏预测（EBLUP）的小面积平均值和均方误差（MSE）估计考虑一个适当的模型方差估计，满足多个属性。该模型方差估计同时（i）改进了相关收缩因子的估计，（ii）避免了EBLUP中常见的过收缩问题，（iii）避免了泰勒级数或单参数Bootstrap方法生成严格正二阶无偏均方误差（MSE）估计时的复杂偏差校正.通过适当设计的模型方差估计器在EBLUP方法中实现多个期望属性的想法是第一次，并且在经典线性混合模型预测框架下为小区域均值提供良好的推断方面有希望。所提出的方法进行评估，使用蒙特卡罗模拟研究和实际数据分析。
2017-01-16 math.ST stat.ME stat.TH
