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
A note on locally optimal designs for generalized linear models with restricted support
广义线性模型的最优设计需要回归参数的先验知识。在某些值的参数,我们提出了特定的假设,允许推导出一个局部最优设计的模型,从一个局部最优设计的相应的模型与截距,反之亦然。应用泊松和逻辑模型和扩展到非线性模型提供。
2019-06-24 math.ST stat.ME stat.TH
Testing against a linear regression model using ideas from shape-restricted estimation
提出了一种形式似然比假设检验的有效性参数回归函数,使用一个大的维,非参数双锥替代。例如,针对常数函数的检验使用递增或递减回归函数的替代方案,而针对线性函数的检验使用凸或凹替代方案。该检验方法准确、无偏,且临界值易于计算。在非常温和的假设下,检验的功效随着样本量的增加而增加到1--即使在错误指定替代方案的情况下。也就是说,对于任何偏离(以非退化方式)参数原假设的真回归函数,检验的功效收敛于1。我们还制定了测试的线性与部分线性模型,并考虑特殊情况下的添加剂模型。仿真结果表明,我们的程序表现良好,一致性与其他方法相比。虽然替代拟合是非参数的,但不涉及调谐参数。
2014-06-27 stat.ME
Restricted Likelihood Ratio Tests for Linearity in Scalar-on-Function Regression
We propose a procedure for testing the linearity of a scalar-on-function regression relationship. To do so, we use the functional generalized additive model (FGAM), a recently developed extension of the functional linear model . For a functional covariate X(t), the FGAM models the mean response as the integral with respect to t of F{X(t),t} where F is an unknown bivariate function. The FGAM can be viewed as the natural functional extension of generalized additive models . We show how the functional linear model can be represented as a simple mixed model nested within the FGAM. Using this repre…
2013-10-22 stat.ME
Adaptive confidence intervals for regression functions under shape constraints
在单调性和凸性的形状约束下,构造了回归函数的自适应置信区间。一个自然的基准建立在一个给定的函数的最小期望长度的置信区间的分析量,局部连续模。这个界限不仅取决于函数,而且还取决于假定的函数类。这些基准测试表明,构造的置信区间具有接近每个单独函数的最小预期长度,同时保持类内函数的给定覆盖概率。这样的自适应性比大参数空间集合上的自适应极小极大性强得多。
2013-05-24 math.ST stat.TH
Optimal estimators in misspecified linear regression model with an application to real-world data
本文在解释变量间存在多重共线性的情况下,对误定线性回归模型提出了样本信息最优估计(SIOE)和随机约束最优估计(SROE).此外,我们得到的优越性条件,建议的估计比其他一些现有的估计在均方误差矩阵(MSEM)标准的标准式,可以适用于所有的估计在这项研究中考虑。最后,一个现实世界的例子和蒙特卡洛模拟研究所提出的估计来说明理论结果。
2019-05-10 math.ST stat.ME stat.TH
Heterogeneous Overdispersed Count Data Regressions via Double Penalized Estimations
本文研究了非均匀过度分散计数数据的双正则化$\ell_1$的非渐近性质。在限制特征值条件下,利用经验过程的集中不等式,首次证明了两个偏回归系数的Lasso估计的预言不等式。此外,由预言不等式导出的估计量的相合性和收敛速度是进一步统计推断的理论保证。最后,仿真和实际数据分析表明,新方法是有效的。
2022-02-07 econ.EM math.ST stat.ME
Model-free Study of Ordinary Least Squares Linear Regression
普通最小二乘(OLS)线性回归是数据分析中最基本的统计技术之一。在主流文献和统计教育中,对线性回归的研究通常局限于协变量固定、误差为均值零且方差与(固定)协变量无关的情况。尽管早在20世纪60年代,OLS就在错误规范下进行了研究,但其含义尚未赶上主流文献和应用科学。本文是一个统一的观点,使各种影响的错误规范站出来的尝试。
2018-09-27 math.ST stat.TH
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
SAGA and Restricted Strong Convexity
SAGA是一种求解有限和问题的快速增量梯度法,其有效性已在大量的应用中得到验证。本文分析了SAGA在一类非强凸和非凸统计问题上的应用,如Lasso、Group Lasso、逻辑斯谛回归与$\ell_1$正则化、线性回归与SCAD正则化和Correct Lasso。我们证明了SAGA享有的线性收敛速度的统计估计精度,在约束强凸性(RSC)的假设。该算法扩展了SAGA在凸优化和非凸优化中的应用范围。
2017-02-27 stat.ML
Revisiting local regression: shape regularity, uniform rates, and the limits of random splits
University of Rennes(雷恩大学);ENSAI(国立统计与经济分析学院);CNRS(法国国家科学研究中心);CREST-UMR 9194(经济研究与统计中心)
本文通过形状正则局部映射的概念,证明形状正则性是Lipschitz回归函数达到最优估计速率的充要条件,并揭示随机分裂树因几何畸变无法保证最优速率,提出约束分裂的树构造以恢复最优性。
2026-06-26 math.ST stat.TH
Efficient estimation of partially linear additive Cox models and variance estimation under shape restrictions
本文针对右删失数据提出带形状约束的可加部分线性Cox模型,证明其形状约束最大偏似然估计量的理论性质,提出数据拆分方差估计法,实验验证该方法在模型误设或风险非光滑时更具优势。
2024-07-09 math.ST stat.TH
Stochastic Restricted Biased Estimators in misspecified regression model with incomplete prior information
本文将误设分析推广到最近引入的随机约束有偏估计,当解释变量之间存在多重共线性时。随机限制岭估计(SRRE),随机限制几乎无偏岭估计(SRAURE),随机限制刘估计(SRLE),随机限制几乎无偏刘估计(SRAULE),随机限制主成分回归估计(SRPCR),随机约束r-k类估计(SRrk)和随机约束r-d类估计(SRrd)当回归系数的先验信息不完全时,由于缺失相关解释变量而在错误指定的回归模型中进行了检验。在均方误差矩阵(MSEM)意义下,得到了估计量与预测量之间的优性条件。最后,通过数值算例和蒙特卡罗模拟研究来说明理论结果。
2018-02-28 math.ST stat.ME stat.TH
On the Post Selection Inference constant under Restricted Isometry Properties
回归中模型选择后的一致有效置信区间可基于选择后推断(PoSI)常数构建。PoSI常数对于正交设计矩阵是最小的,并且对于通用设计矩阵,PoSI常数可以在所考虑的模型集的稀疏度的函数中上界。为了改善这些通用的稀疏上界,我们认为设计矩阵满足限制等距属性(RIP)的条件。我们提供了一个新的上界的PoSI常数在此设置。该上界是设计矩阵的RIP常数的显式函数,从而给出正交设置和通用稀疏设置之间的插值。通过构造一个匹配的下界,我们证明了这个上界在许多情况下是渐近最优的。
2018-11-22 math.ST stat.TH
Continuity and differentiability of regression M functionals
本文研究了一类线性和非线性回归的高崩溃M估计(包括S和MM估计)所对应的估计泛函的Fisher相合性、弱连续性和可微性。定义了一种限制型的可微性,称为弱可微性,它足以证明基于泛函的估计的渐近正态性。这种方法允许证明的一致性,渐近正态性和定性的稳健性的M估计在更一般的条件下,比标准的方法所需的。特别地,我们证明了回归MM-估计是渐近正态时的观察是$ϕ$ -混合。
2012-11-23 math.ST stat.TH
Statistical inference for partially shape-constrained function-on-scalar linear regression models
本文针对部分形状约束的函数型标量线性回归模型,提出基于核与样条方法的复合假设检验框架,通过度量约束与无约束拟合的 $L^2$ 距离进行推断,并从理论和数值上验证了检验的一致性与实用性。
2025-05-08 stat.ME
Coefficient Shape Alignment in Multiple Functional Linear Regression
本文针对多元函数型回归中协变量的同质性问题,提出基于“系数形状对齐”正则化的分组建模方法,并给出分组识别条件、渐近性质及模拟和糖质量评估实证验证。
2024-10-23 stat.ME stat.ML
CAM: Causal additive models, high-dimensional order search and penalized regression
ETH Zürich(苏黎世联邦理工学院)
我们开发潜在的高维加性结构方程模型的估计。我们的方法的一个关键组成部分是解耦顺序搜索的变量之间的特征或边缘选择的有向无环图编码的因果结构。我们表明,前者可以做非正则化(限制)极大似然估计,而后者可以有效地解决使用稀疏回归技术。因此,我们大大简化了一类重要的因果模型的结构搜索和估计问题。我们建立一致性的(限制)极大似然估计低,高维的情况下,我们也允许误指定的误差分布。此外,我们开发了一个有效的计算算法,可以处理许多变量,新方法的精度和性能的仿真和真实数据。
2014-12-01 cs.LG stat.ME stat.ML
Construction of Simultaneous Confidence Bands for Multiple Logistic Regression Models over Restricted Regions
本文提出了在多元逻辑斯谛回归模型下,当预测变量被限制在特定区域$\mathscr{X}$时,构造渐近双曲带的方法。如果预测变量可以被限制在某个区域,Scheffé的方法产生不必要的宽,因此保守,带。Piegorsch和Casella(1988)开发了一种程序,用于在特定区域上为多重逻辑斯谛回归模型建立渐近置信带。这些区域被证明是区域$\mathscr{X}$的特殊情况,该区域首先由Seppanen和Uusipaikka(1992)在多元线性回归背景下研究。本文还提供了当限制区域不是指定形式时构造保守置信带的方法。特别是,矩形的限制区域,这是在实践中经常遇到的,被认为是。给出了两个例子来说明所提出的方法,一个例子表明,所提出的程序优于由Piegorsch和Casella(1988)给出的方法。
2016-04-05 math.ST stat.ME stat.TH
Signal Regression Models for Location, Scale and Shape with an Application to Stock Returns
我们讨论标量函数回归模型,其中假设的响应分布的所有参数都可以根据协变量进行建模。因此,我们结合信号回归模型与广义可加模型的位置,规模和形状(GAMLSS)。我们比较了两种根本不同的方法进行估计,梯度提升和惩罚似然为基础的方法,并解决实际重要的点,如可识别性和模型选择。通过分量梯度提升算法的估计允许高维数据设置和变量选择。通过基于惩罚似然的方法进行的估计具有直接提供统计推断的优点。激励应用是一个时间序列的股票收益率,它是感兴趣的模型的期望和方差依赖于滞后响应值和功能流动性曲线。
2016-05-13 stat.CO
A projection approach for multiple monotone regression
形状约束推理在生物检测、医学、经济学、风险评估等领域有着广泛的应用。虽然在单调约束的单变量曲线估计方面已经有了大量的工作,但多变量形状约束问题更具挑战性,并且在这个方向上取得的进展较少。针对多预测变量的单调回归问题,提出了一种投影方法来估计多单调回归函数。一个初始的无约束估计-如局部多项式估计或样条估计-首先获得,然后将其投影到形状约束空间。通过沿每个单变量方向顺序投影(调整后的)初始估计量来获得形状约束估计(具有多个预测因子)。与初始无约束估计器相比,投影估计导致在$L^p$($p\geq 1$)距离和上确界距离方面的估计误差减小。我们还得到了投影估计的渐近分布。简单的计算算法可用于实现在一维和高维情况下的投影。我们的工作提供了一个简单的配方,从业人员在实际应用中使用,并说明了一个联合行动的例子,从环境毒理学。
2019-11-18 stat.ME
Extremal quantile regression
分位数回归是估计给定协变量向量X的响应Y的条件分位数的重要工具。它不仅可以用来衡量协变量在分布中心的影响,而且可以用来衡量协变量在上尾和下尾的影响。本文发展了尾部分位数回归理论。具体地说,研究了尾部限制在最小吸引域且在回归变量值的尾部等价下闭的线性分位数回归模型的极值(极值阶和中间阶)分位数回归估计的大样本性质.这种建模设置结合了极值理论的限制与领先的同方差和异方差线性规格的回归分析。在大样本下,极阶回归分位数弱收敛于依赖于回归变量的Poisson过程随机积分的\argmin泛函,而中间回归分位数及其泛函收敛于方差矩阵依赖于尾部参数和回归变量设计的法向量.
2005-05-30 econ.EM math.ST stat.TH
Improved estimators in beta prime regression models
本文研究了最近由\cite{bour18}提出的β素数回归模型,该模型适用于响应连续且仅限于正实数且具有偏尾和长尾的情形,且回归结构包含回归变量和未知参数.我们考虑两种不同的策略的偏差校正的最大似然估计的参数,指数模型。特别是,我们讨论了模型的均值和离散参数的偏差校正估计。此外,作为替代的两个分析偏差校正估计讨论,我们考虑的偏差校正机制的基础上的参数自助。数值结果表明,偏差校正方案产生接近无偏估计。给出了一个实际数据的例子并进行了讨论。
2020-08-26 stat.ME
From Isotonic to Lipschitz Regression: A New Interpolative Perspective on Shape-restricted Estimation
Carnegie Mellon University(卡内基梅隆大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出了一种新的插值视角,将非参数光滑性和形状限制估计连接起来,通过将利普希茨函数分解为单调函数和线性函数,提出了一种新的估计方法,具有良好的方法论、理论和计算性质,并在异方差和厚尾误差下提供了收敛保证。
2026-05-20 math.ST stat.ME stat.TH
Coefficient Shape Transfer Learning for Functional Linear Regression
Department of Biostatistics, City University of Hong Kong(香港城市大学生物统计系);Department of Biostatistics, Columbia University(哥伦比亚大学生物统计系)
本文提出一种基于系数形状的迁移学习方法,用于函数型线性回归,通过从源域迁移形状知识增强目标域估计的鲁棒性与泛化能力,并理论分析收敛速率及极小极大最优性,模拟和实际数据验证其有效性。
2025-10-15 stat.ME stat.ML
Improved estimators for a general class of beta regression models
在本文中,我们考虑了由Ferrari和Cribari-Neto(2004)提出的beta回归模型的扩展。我们以两种不同的方式扩展了他们的模型,首先,我们让回归结构是非线性的,其次,我们允许精度参数的回归结构,而且,这个回归结构也可以是非线性的。一般来说,Beta回归适用于响应限于标准单位区间且回归结构涉及回归变量和未知参数的情况。我们推导出极大似然估计的二阶偏差的一般公式,并利用它们来定义偏差校正估计。我们的公式推广了Ospina等人(2006)的结果,并易于通过补充加权线性回归实现。我们还比较了这些偏差校正估计与三种不同的估计,这也是无偏的二阶,一个分析和其他两个基于自助方法。这些估计量进行了比较,通过模拟。我们提出了一个经验的应用。
2008-09-10 stat.CO stat.ME
Restricted Regression in Networks
本文提出受限网络回归模型,通过对协变量正交化随机效应以缓解网络回归中的共线性与网络混杂问题,并改进回归系数估计。
2023-11-29 stat.ME
Latent function-on-scalar regression models for observed sequences of binary data: a restricted likelihood approach
在本文中,我们研究了一个功能回归设置的随机响应曲线是不可观察的,只有它的二分版本的相关二进制数据序列中观察到的。我们提出了一个实用的计算框架,通过参数扩展技术的极大似然分析。与现有的方法相比,我们的建议依赖于使用一个完整的数据可能性,具有能够有效地处理非等间距和缺失的观测的优势。所提出的方法用于标量函数回归设置中,潜在响应变量是在可分离的希尔伯特空间中取值的高斯随机元。通过引入一种自适应MCEM算法,避免了平滑参数的选择,提供了函数回归系数和主成分的平滑估计。最后,我们的新方法的性能证明了各种模拟研究和真实的案例研究。所提出的方法在R包dfrr中实现。
2020-12-04 math.ST stat.ME stat.TH
Restricted Spatial Regression Methods: Implications for Inference
回归分析中空间随机效应和固定效应之间的空间混杂问题已被确定为统计学文献中的一个问题。多位作者提供了观点和潜在的解决方案。在本文中,对于区域空间数据设置,我们表明,许多旨在减轻空间混淆的方法可以被看作是一般类模型的特殊情况。我们将此类称为受限空间回归(RSR)模型,扩展了当前使用的术语。我们提供了一个基于数学的探索,RSR方法的影响,线性模型的回归系数的推断。然后,我们探讨这些结果是否持有的广义线性模型设置计数数据使用模拟。我们表明,使用这些方法有违反直觉的后果,违背了文献中的普遍期望。特别是,我们的研究结果和伴随的模拟表明,RSR方法通常比非空间方法表现更差。这些结果对空间回归建模中的降维策略具有重要意义。具体来说,我们证明了RSR模型的问题不能用选择“更好”的空间基向量或降维技术来解决。
2020-08-18 math.ST stat.ME stat.TH
Linear Regression under Special Relativity
本文研究了在狭义相对论的特定背景下,用普通最小二乘法(OLS)估计简单线性回归的参数所带来的问题,其中自变量被限制在一个开区间(-c,c)内。研究发现,斜率系数的OLS估计在洛仑兹速度变换下不是不变的。在此基础上,提出了狭义相对论下线性回归参数的另一种估计。该估计量可以被认为是狭义相对论下OLS估计量的推广;当c趋于无穷大时,该估计量及其方差分别收敛于OLS估计量及其方差。该估计量的方差大于OLS估计量的方差,这意味着在狭义相对论下,使用OLS估计量及其方差进行假设检验可能导致宽松的检验.
2020-05-28 stat.OT
Variable Selection in Restricted Linear Regression Models
在线性回归中使用先验信息是公知的,以提供回归系数的更有效的估计。当先验信息可用时,Theil和Goldberger(1961)提出的非随机约束回归估计方法是首选方法。本文利用Tibshirani(1996)提出的最小绝对收缩和选择算子(LASSO)方法,研究非随机约束线性回归模型的参数估计和变量选择问题。通过一个小规模的仿真研究和实际数据的例子来说明所提出的方法处理约束线性回归模型中变量选择和参数估计的性能。
2017-10-11 stat.AP stat.ME
Restricted nonlinear shrinkage of high-dimensional residual covariance matrices in multivariate regressions
Persian Gulf University(波斯湾大学);Ferdowsi University of Mashhad(马什哈德 Ferdowsi 大学)
研究非正态模型的非线性收缩协方差估计,提出无边际非线性收缩估计器MENS,给出其经验谱分布收敛性及渐近最优性,建立相变,通过模拟和回测证实理论,展示其在高维配置和决策中的实用价值。
2026-07-29 math.ST stat.ME stat.TH
Inequality Restricted Estimator for Gamma Regression: Bayesian approach as a solution to the Multicollinearity
本文研究了Gamma回归模型中参数受线性约束时的多重共线性问题。线性约束可以从先验信息中获得,以确保科学理论的有效性或基于物理现象的结构一致性。为了对模型进行相关的统计推断,应考虑关于模型参数的任何可用知识和先验信息。因此,本文提出了一种算法,以获得贝叶斯估计的伽玛回归模型的参数受到一些线性不等式的限制。通过蒙特卡罗模拟和实际数据集的应用,我们证明了所提出的估计量在相关性和准确性方面优于极大似然然估计量和岭估计量等普通估计量。
2023-03-09 stat.ME
Restricted mean survival time regression model with time-dependent covariates
在临床或流行病学随访研究中,已经在一定程度上发展了基于时间尺度指标的方法,如限制平均生存时间(RMST)。与传统的风险率指标体系方法相比,该方法不需要比例风险假设,且易于解释。迄今为止,基于RMST的回归模型是RMST和基线协变量的间接或直接模型。然而,时间依赖性协变量在随访研究中越来越常见。基于截尾加权逆概率(IPCW)方法,建立了RMST与时间相关协变量的回归模型。通过蒙特卡罗模拟,验证了模型回归参数的估计性能。与时间依赖Cox模型和固定(基线)协变量RMST模型相比,时间依赖RMST模型具有更好的预测能力。最后,通过一个心脏移植的实例验证了上述结论。
2022-05-25 stat.AP stat.ME
Spatially-adaptive sensing in nonparametric regression
虽然自适应感测在稀疏回归和分类中提供了改进的收敛速率,但非参数回归中的结果到目前为止仅限于非常特定的函数类。在本文中,我们描述了一个自适应传感算法,适用于一般的非参数回归问题。该算法是空间自适应的,并实现了空间非齐次函数的收敛速度提高。在标准函数类上,它同样保留了均匀设计的空间自适应特性。
2013-03-13 math.ST stat.ME stat.TH
Network Meta-Analysis of Time-to-Event Endpoints with Individual Participant Data using Restricted Mean Survival Time Regression
本文提出了一种基于个体参与者数据的限制平均生存时间(RMST)网络荟萃分析(NMA)模型,用于研究治疗效果调节作用及亚组效应,并通过模拟研究与心房颤动真实数据验证了其有效性。
2023-10-19 stat.ME
Restricted mean survival time estimate using covariate adjusted pseudovalue regression to improve precision
针对事件时间分析中协变量调整的难题,提出基于协变量调整伪值回归的RMST组间差异估计方法,可提升估计精度、控制I类错误,还能在不损失统计功效的前提下缩小随机研究样本量。
2023-07-19 stat.AP stat.ME
Optimal Confidence Bands for Shape-restricted Regression in Multidimensions
针对多维形状约束回归,本文利用局部核平均与多元多尺度带宽选择构造置信带,实现有限样本覆盖保证、对光滑性和内蕴维度的自适应,并达到最优及近参数化宽度。
2024-01-23 math.ST stat.ME stat.TH
On Reasonable Uses of the Restricted Spatial Regression Model: Selection Criteria, Robust Adjustments, and Computational Advances
University of Missouri(密苏里大学)
本文澄清了受限空间回归模型的统计合理性,探讨了其在处理空间混杂因素时的优越性,并通过模拟和新冠数据展示了其计算优势和新应用。
2026-11-04 stat.ME
Mediation Analysis using Semi-parametric Shape-Restricted Regression with Applications
本文提出一种基于半参数形状约束回归的中介分析方法,应用于胎儿内分泌数据,发现农药施用对出生体重的直接效应为正而间接效应为负。
2023-10-13 stat.AP stat.ME
Efficient Bayesian shape-restricted function estimation with constrained Gaussian process priors
本文重新审视贝叶斯形状限制推理的问题,在最近开发的近似高斯过程,承认一个等价的制定的形状约束的基础系数。我们提出了一种策略,以有效地从所产生的约束后采样吸收的可能性和使用循环嵌入技术的约束的平滑松弛,从无约束的修改前。我们还特别注意减轻由更新高斯过程的协方差核内的超参数引起的计算复杂性。所开发的算法被证明是准确和高效的模拟和真实数据的例子。
2019-02-13 stat.ME
Generalized Bayesian Additive Regression Trees for Restricted Mean Survival Time Inference
本文提出面向个体RMST预测的广义贝叶斯加性树框架,利用IPCW损失处理信息删失,并通过模拟和乳腺癌多站点队列验证其性能。
2024-02-27 stat.ME
Order-Restricted Bayesian Ordinal Regression for the Modeling of Neuron Degeneration in Caenorhabditis elegans
Duke University(杜克大学)
提出一种计算高效的参数约束贝叶斯有序回归模型,用于分析秀丽隐杆线虫神经元损伤序数数据,揭示毒性暴露与渐进性神经元损伤的单调关联,并发现母体毒性会增强后代对鱼藤酮的敏感性。
2026-06-23 stat.AP stat.CO stat.ME
Totally Concave Regression
University of California, Berkeley(加州大学伯克利分校)
本文提出基于总凹性的多变量形状约束回归方法,以解决高维数据中的过拟合问题,同时保留协变量交互作用并提高收敛效率。
2025-11-28 math.ST stat.ME stat.TH
Scalar-on-Shape Regression Models for Functional Data Analysis
本文提出标量对形状(ScoSh)回归模型,在回归过程中利用Fisher-Rao内积和非线性指标函数进行配准,舍弃预测函数相位而仅纳入形状,并通过模拟与COVID真实数据验证其有效性。
2024-11-22 stat.ME
Bayesian size-and-shape regression modelling
ETH Zurich(苏黎世联邦理工学院);Università della Svizzera italiana(瑞士意大利语大学);Polytechnic of Turin(都灵理工大学);Sapienza University(罗马第一大学)
本研究基于已有成果,提出带高斯地标点的尺寸与形状响应变量回归模型的贝叶斯估计方法,该方法属于贝叶斯潜变量模型框架,具备高度灵活的建模能力。
2024-06-10 stat.ME
Bootstrapping Confidence Levels for Hypotheses about Quadratic (U-Shaped) Regression Models
Bootstrapping可以为二次回归模型的假设产生置信水平-例如U形是否倒置,以及最优值的位置。与传统方法相比,该方法有几个优点:它提供了更多、更清晰的信息,而且很灵活--它可以很容易地应用于各种不同类型的模型。该方法的效用可以通过制定具有可解释系数的模型来提高,例如最佳位置和值。关键词:Bootstrap回归;置信水平;二次模型;回归; U形
2012-07-06 stat.CO stat.ME
Bayesian Analysis of the Beta Regression Model Subject to Linear Inequality Restrictions with Application
针对受线性不等式约束的广义线性模型研究不足的问题,提出Beta回归模型的贝叶斯约束估计量,经模拟和真实数据验证,其估计精度更优且无需正则化即可实现参数稀疏性。
2024-01-24 stat.CO 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
Bayesian Restricted Likelihood Methods: Conditioning on Insufficient Statistics in Bayesian Regression
贝叶斯方法已被证明在广泛的科学问题上是成功的,并且与竞争方法相比具有许多有据可查的优势。然而,这些方法遇到困难的两个主要和普遍的问题:处理数据集与离群值和处理模型误指定。我们概述了这些问题的以前的解决方案的缺点,并提出了一种新的方法作为替代。当使用新方法时,数据通过一组不充分的统计量进行汇总,目标是感兴趣的推断量,并且先验分布使用汇总统计量而不是完整的数据进行更新。通过仔细选择条件统计量,我们保留了贝叶斯方法的主要优点,同时降低了分析对条件统计量未捕获的数据特征的敏感性。为了降低对离群值的敏感性,经典的鲁棒估计(例如,M-估计)是条件统计的自然选择。这项工作的一个主要贡献是发展的数据增强马尔可夫链蒙特卡罗(MCMC)算法的线性模型和一大类的汇总统计。我们证明了模拟和真实的数据集包含离群值和模型误指定的方法。与竞争方法相比,成功表现在对感兴趣的数据点具有更好的预测性能。
2018-12-19 stat.ME
Logistic Box-Cox Regression to Assess the Shape and Median Effect under Uncertainty about Model Specification
连续暴露变量和二元疾病变量之间关系的形状通常是流行病学调查的核心。本文探讨了一些问题的推理和形状的关系。假设这种关系可以用回归系数和形状参数来表示,我们研究了在可能代表流行病学调查和风险评估的环境中可以推断出形状的程度。我们还考虑了一个合适的定义的中位数效应的曝光,并调查如何准确地推断这一点。这在使用承认关于形状参数的不确定性的模型的情况下以及在忽略该不确定性并使用两步方法的情况下完成,其中在步骤一中,我们变换预测器,并且在步骤二中,我们用变换的预测器拟合简单的线性模型。所有这些调查都需要一个家庭的确定性疾病的关系索引的形状参数。为此,我们采用基于Box-Cox变换的族。
2019-01-31 stat.ME
Orthogonal and Linear Regressions and Pencils of Confocal Quadrics
本文构造共焦二次曲面束以几何统一刻画正交与线性回归,推广 Pearson 结果,并提出正则化、受限 PCA 及 EIV 模型应用。
2024-06-17 math.AG math.DS math.ST
Inference on function-valued parameters using a restricted score test
通常感兴趣的是对作为数据生成机制的局部参数的未知函数(例如密度或回归函数)进行推断。在非参数和半参数模型中,此类被估量通常只能以慢于参数的速率进行估计,并且执行校准推断可能具有挑战性。在许多情况下,这些被估量可以表示为人口风险泛函的最小值。在这里,我们提出了一个通用的框架,利用这种表示,并提供了一个非参数扩展的分数测试的推理上的无限维风险最小化。我们证明,我们的框架是适用于各种各样的问题。作为分析和计算的例子,我们描述了如何使用我们的一般方法推断下的平均回归函数(i)非参数和(ii)部分加性模型,并通过模拟评估所产生的程序的操作特性。
2021-05-14 stat.ME
Heteroscedastic Growth Curve Modeling with Shape-Restricted Splines
本文针对生长曲线分析中方差随均值呈形状约束变化但被常规模型低估不确定性的问题,提出用形状约束样条建模异方差,并给出迭代再加权拟合与参数自助推断方法,模拟和实际数据验证了其有效性。
2025-03-01 stat.AP stat.ME