A Weighted Likelihood Approach Based on Statistical Data Depths
本文提出基于统计数据深度的加权似然估计方法,通过比较观测相对于模型与样本的深度差异进行降权,在保持与MLE相同渐近效率的同时实现高稳健性,并适用于高维数据。
2025-07-22 math.ST stat.TH
Empirical Likelihood Ratio Test with Distribution Function Constraints
本文研究了具有分布函数约束的非参数假设检验问题。经验似然比检验在检验矩等式约束问题中得到了广泛的应用。然而,一些检测问题不能使用矩(in)等式来描述。我们提出了一个分布函数约束以及经验似然比检验。该检测器适用于各种各样的鲁棒参数/非参数检测问题。由于分布函数约束提供了对原假设的更精确描述,因此该检验优于具有矩约束的经验似然比检验以及许多流行的拟合优度检验,例如稳健的Kolmogorov-Smirnov检验和Cramér-von Mises检验。从通信系统与现实世界的噪声样本的例子来展示他们的性能。具体而言,当原假设嵌套在备择假设中时,所提出的检验显著优于稳健的Kolmogorov-Smirnov检验和Cramér-von Mises检验。当我们假设没有噪声不确定性时,重复相同的示例。通过这样做,我们能够声称,在我们的情况下,有必要包括噪声分布的不确定性。此外,所提出的测试的渐近最优性。
2016-04-30 math.ST stat.TH
Asymptotically Minimax Robust Likelihood Ratio Test
University Medical Center of the Johannes Gutenberg University Mainz(约翰内斯·古腾堡大学美因茨大学医学中心);Center for Thrombosis and Hemostasis, University Medical Center Johannes Gutenberg University Mainz(约翰内斯·古腾堡大学美因茨大学医学中心血栓与止血中心);German Center for Cardiovascular Research (DZHK), Partner Site Rhine Main, University Medical Center of the Johannes Gutenberg University Mainz(德国心血管研究联盟(DZHK)莱茵美因合作点,约翰内斯·古腾堡大学美因茨大学医学中心)
本文提出了一种统一框架,用于在分布不确定性下进行渐近最小最大稳健假设检验,通过非线性方程组计算,并验证了理论结果。
2026-02-09 cs.IT math.IT math.ST
Likelihood confidence intervals for misspecified Cox models
本文针对误设定 Cox 模型提出稳健似然置信区间,通过证明似然比检验统计量收敛于加权卡方分布并反转稳健似然比检验来构造,解决了小事件数下 Wald 置信区间表现不佳的问题。
2025-08-16 math.ST stat.ME stat.TH
Robust Likelihood Ratio Tests for Incomplete Economic Models
Boston University(波士顿大学);Jinan University(暨南大学)
针对含多重均衡等的不完全经济模型,用Huber--Strassen理论构建有限样本极小极大似然比检验,给出重复实验中最小不利对的结果,还为单侧备择假设提供条件,蒙特卡洛实验展示检验效果。
2026-07-07 econ.EM math.ST stat.TH
A hybrid GPU/CPU implementation of the average information restricted maximum likelihood algorithm for fitting multivariate linear mixed models
Wageningen University & Research(瓦赫宁根大学与研究)
本文提出平均信息约束最大似然算法的GPU/CPU混合实现,通过超节点Cholesky分解消除稀疏方程并借助CUDA GPU加速求解,在全稠密及混合稠密稀疏方程问题上展现显著计算优势,适用于植物育种数据分析。
2026-10-14 stat.CO
Concentration inequalities of MLE and robust MLE
最大似然估计(MLE)在统计学和机器学习中起着重要作用。在本文中,对于i.i.d.变量,我们得到常数指定的和尖锐的浓度不等式和预言不等式的MLE只在指数矩条件下。在稳健背景下,在二阶矩条件下,得到了对数截尾极大似然估计的次高斯型预言不等式。
2022-12-12 econ.EM math.ST stat.TH
Experiment-selector cross-validated targeted maximum likelihood estimator for hybrid RCT-external data studies
Novo Nordisk(诺和诺德);Division of Endocrinology, Department of Medicine, University of North Carolina, Chapel Hill(北卡罗来纳大学教堂山分校医学院内分泌科);Department of Biostatistics, University of California, Berkeley(加州大学伯克利分校生物统计系);Biostatistics Research Branch, National Institute of Allergy and Infectious Diseases(国家过敏和传染病研究所生物统计研究分支)
ES-CVTMLE通过交叉验证目标最大似然估计器优化混合RCT-外部数据研究的偏倚-方差权衡,提升统计效力并提供稳健推断。
2026-01-11 stat.ME
Consistency, breakdown robustness, and algorithms for robust improper maximum likelihood clustering
鲁棒非正常极大似然估计(RIMLE)是一种寻找近似高斯聚类的鲁棒多元聚类新方法。它最大化的伪似然定义添加一个组件与不适当的恒定密度,以适应离群值的高斯混合。RIMLE的一个特例是多元有限高斯混合模型的MLE。在本文中,我们将全面对待存在性,一致性和故障理论的RIMLE。在非光滑协方差阵约束下证明了RIMLE的存在性。结果表明,这些可以通过计算上可行的期望条件最大化算法来实现。
2018-02-13 stat.ME
Robust Hypothesis Testing via Lq-Likelihood
本文介绍了一种稳健的假设检验方法:Lq似然比型检验(LqRT)。通过推导该检验统计量的渐近分布,从解析和数值两方面证明了其稳健性,并研究了其影响函数和崩溃点的性质。与传统的似然比检验(LRT)和其他鲁棒性检验相比,本文提出的选择调整参数q的方法提供了良好的效率/鲁棒性权衡。仿真和实际数据分析提供了进一步的证据,所提出的LqRT方法的优点。特别是,对于在存在粗差污染的情况下测试位置参数的特殊情况,LqRT在各种污染水平下主导Wilcoxon-Mann-Whitney检验和符号检验。
2016-09-25 stat.AP
Data Fusion Using Robust Empirical Likelihood Inference
作者提出了一种稳健的半参数经验似然方法,将来自多个样本的所有可用信息与一个共同的测量中心相结合。利用两组不同的估计方程改进了经典的关于测量中心的似然推断。该方法不需要相关总体概率密度函数的函数形式的知识。通过大量的仿真研究,将该方法的均方误差、覆盖概率和平均置信区间长度与经典似然法进行了比较,证明了该方法的优越性。仿真结果表明,我们的方法提供了更多的信息和有效的推理比传统的极大似然估计时,这些相关样本的参数之间存在一定的结构关系。
2012-10-02 stat.ME
Robust Label Shift Quantification
University of Bordeaux, CNRS, Bordeaux INP, IMB, UMR 5251(波尔多大学,法国国家科学研究中心,波尔多理工学院,数学研究所)
本文提出鲁棒的标签位移量化方法,通过理论分析证明其与最大似然估计一致,并展示其在异常值和污染下的鲁棒性。
2026-02-10 math.ST stat.ML stat.TH
Consistent and robust inference in hazard probability and odds models with discrete-time survival data
对于离散时间生存数据,Cox风险比模型中的条件似然推断在理论上是可取的,但精确计算是数值棘手的中大量的并列事件。对于大量的时间间隔,对回归系数和基线危险概率的无条件极大似然估计可能会有问题。我们开发了新的方法和理论,使用数值上简单的估计函数,以及基于模型和模型鲁棒方差估计,在风险概率和赔率模型。对于概率风险模型,我们推导出一个相合估计量的Breslow-Peto估计,以前被称为近似的条件似然估计的风险几率模型。对于赔率风险模型,我们提出了一个加权Mantel-Haenszel估计,它满足条件无偏性给定的事件数,除了风险集和协变量,类似于条件似然估计。我们的方法预计将在广泛的设置中令人满意地执行,对应于大量或少量的时间间隔的少量或大量的捆绑事件。这些方法在R包dSurvival中实现。
2020-12-07 math.ST stat.ME stat.TH
A robust Likelihood Ratio Test for high-dimensional MANOVA -- with excellent performance
本文提出一种适用于高维MANOVA的稳健似然比检验,通过大量模拟和实际数据验证其在正态、非正态、重尾、偏斜及离散分布下均表现优异,且适用于极小样本。
2025-07-02 math.ST stat.ME stat.TH
Estimation of P(X > Y ) for Weibull distribution based on hybrid censored samples
混合截尾方案是I型和II型截尾方案的混合。本文在混合截尾样本下,讨论了当X和Y是两个独立的韦布尔分布,具有不同的尺度参数,但具有相同的形状参数时,R = P(X > Y)的影响。得到了R的极大似然估计和近似极大似然估计。得到了R的极大似然估计的渐近分布.基于渐近分布,可以导出R的置信区间。还提出了两个bootstrap置信区间。考虑了R的贝叶斯估计,并给出了R的相应的可信区间.蒙特卡罗模拟进行比较不同的方法。为了说明的目的,还介绍了对一组真实数据的分析。
2017-07-18 stat.OT
Statistical inference for dependent competing risks data under adaptive Type-II progressive hybrid censoring
本文针对自适应II型逐步混合删失下的相依竞争风险数据,基于Marshall-Olkin二元Weibull分布提出参数估计与区间推断方法,并通过模拟和实证验证其有效性。
2023-04-19 stat.ME
Trimmed Maximum Likelihood Estimation for Robust Learning in Generalized Linear Models
Google Research(谷歌研究院)
研究了对抗性腐败下广义线性模型的学习问题。我们分析了一个经典的启发式称为迭代修剪最大似然估计,这是已知的是有效的标签腐败在实践中。在标签损坏的情况下,我们证明了这个简单的估计在广泛的广义线性模型,包括高斯回归,泊松回归和二项式回归上实现了极大极小近似最优风险。最后,我们将估计量扩展到更具挑战性的标签和协变量腐败设置,并证明了其鲁棒性和最优性。
2022-10-23 cs.LG stat.ML
A robust and efficient algorithm to find profile likelihood confidence intervals
如果不满足极大似然估计量的渐近性质,则剖面似然置信区间是Wald方法的稳健替代方法。然而,定义轮廓似然置信区间的约束优化问题在这些情况下可能难以求解,因为似然函数可能表现出不利的性质。因此,现有的方法可能效率低下,并产生误导性的结果。在本文中,我们解决这个问题,通过计算配置文件的似然置信区间通过信任区域的方法,其中步骤计算的基础上,本地近似被限制到这些近似是足够精确的区域。由于我们的算法也考虑到了数值问题,如果似然函数是强非线性或参数不可估计,该方法适用于许多情况下,早期的方法被证明是不可靠的。为了证明其在应用中的潜力,我们将我们的算法应用于基准问题,并将其与现有的6种方法进行比较,以计算轮廓似然置信区间。我们的算法始终比任何竞争对手取得更高的成功率,同时也是最快的方法之一。由于我们的算法可以应用于计算参数和模型预测的置信区间,因此它在广泛的场景中是有用的。
2020-04-01 stat.CO
Statistics of Robust Optimization: A Generalized Empirical Likelihood Approach
我们研究了随机最优化问题的统计推断和分布鲁棒解方法,重点是最优值和渐近达到精确覆盖的解的置信区间。我们开发了一个广义经验似然框架-基于非参数$f$ -发散球-Hadamard可微泛函的分布不确定性集,特别是随机最优化问题。作为这一理论的后果,我们提供了一个原则性的方法来选择分布不确定性区域的大小,以提供单侧和双侧置信区间,实现准确的覆盖。我们还给出了我们的分布鲁棒制剂的渐近展开,显示如何鲁棒正则化问题的方差。最后,我们表明,我们研究的分布鲁棒配方的优化享受(基本上)相同的一致性性质,在经典的样本平均近似。我们的一般方法适用于快速混合平稳序列,包括几何遍历哈里斯经常性马尔可夫链。
2018-06-30 stat.ML
A Robust Adaptive Modified Maximum Likelihood Estimator for the Linear Regression Model
在线性回归中,如果误差服从正态分布,则最小二乘(LS)估计具有一定的最优性。这一假设在实践中经常被违反,部分原因是数据离群值。稳健估计可以很好地解决这一问题,因此在实际中得到了广泛的应用。回归稳健估计的一个例子是自适应修正极大似然(AMML)估计(Donmez,2010)。然而,它们对$x$离群值(所谓的杠杆点)不稳健。在这项研究中,我们提出了一个新的回归估计,通过采用适当的加权方案的AMML估计方法。由此产生的估计被称为鲁棒AMML(RAMML),因为它不仅对y离群值是鲁棒的,而且对x离群值是鲁棒的。通过仿真研究,比较了RAMML估计与MM、最小截尾平方(LTS)和S。结果表明,根据均方误差(MSE)准则,RAMML估计在大多数情况下是优选的。两个数据集从文献中也进行了分析,以显示RAMML估计方法的实施。
2020-06-30 stat.ME
A robust approach for generalized linear models based on maximum Lq-likelihood procedure
本文提出基于最大Lq似然的广义线性模型稳健估计方法,并给出迭代加权最小二乘的推广算法、标准化残差及稳健模型选择准则,通过模拟和真实数据验证其有效性。
2024-08-08 stat.ME
Robust improper maximum likelihood: tuning, computation, and a comparison with other methods for robust Gaussian clustering
本文的两个主要议题是介绍“最佳调整不当极大似然估计”(OTRIMLE)的强大的聚类基于多元高斯模型的集群,和一个全面的模拟研究比较OTRIMLE的极大似然在高斯混合和无噪声成分,混合的t-分布,和TCLUST方法修剪聚类。OTRIMLE使用了一个不适当的常数密度来模拟异常值和噪声。这可以被最佳地选择,使得数据的非噪声部分看起来尽可能接近高斯混合。与高斯性的一些偏差可以用于降低估计的噪声比例。讨论了OTRIMLE的协方差阵约束和计算方法。在模拟研究中,所有的方法都面临着设置,在这些设置中,他们的模型假设并不完全满足,为了评估实验在一个标准化的方式通过误分类率,一个新的基于模型的定义“真正的集群”的介绍,偏离通常的识别混合物组分与集群。在这项研究中,每种方法在一个或多个设置中都是优越的,但OTRIMLE实现了最令人满意的整体性能。该方法也适用于两个真正的数据集,一个没有和一个已知的“真”集群。
2017-01-28 stat.CO stat.ME
Sliced-Wasserstein normalizing flows: beyond maximum likelihood training
University of Toulouse(图卢兹大学);Institut Universitaire de France(法国大学研究院);Univ. Lille(里尔大学);CNRS(法国国家科学研究中心);Centrale Lille(里尔中央理工学院)
尽管它们有优点,但标准化流通常具有几个缺点,包括它们倾向于生成不切实际的数据(例如,图像)以及它们未能检测到分发外的数据。这些缺陷的一个原因在于传统上仅利用极大似然原理的训练策略。本文提出了一种新的训练模式的基础上的混合目标函数相结合的极大似然原则(MLE)和切片-瓦瑟斯坦距离。合成玩具的例子和真实的图像数据集上获得的结果显示出更好的生成能力的可能性和视觉方面的生成样本。反过来,所提出的方法导致分布外数据的可能性较低,从而表明所产生的流的数据保真度更高。
2022-07-12 cs.AI cs.LG stat.ML
LqRT: Robust Hypothesis Testing of Location Parameters using Lq-Likelihood-Ratio-Type Test in Python
t检验被认为是推断总体平均值的标准程序,广泛用于科学发现。然而,作为似然比检验的一种特殊情况,t检验往往由于偏离其难以验证的分布假设而导致性能急剧下降。或者,在本文中,我们提出了一个新的双样本Lq似然比类型测试(LqRT)以及一个易于使用的Python包来实现。LqRT在分布式假设被违反时保持高功率,并且在假设有效时保持令人满意的性能。数值研究表明,LqRT在功效上优于许多其他稳健检验,如Wilcoxon检验和符号检验,同时保持有效的大小。在一定程度上,Wilcoxon检验的稳健性(Wilcoxon检验与t检验的最小渐近相对效率(ARE)为0.864)表明Wilcoxon检验应作为默认检验选择(而不是“如果有证据表明非正态性,则使用Wilcoxon”,默认位置应为“除非有充分理由相信正态性假设,否则使用Wilcoxon”),本文中的结果表明LqRT可能是从业者的新的默认测试。
2019-11-27 stat.ME
Asymptotic Properties of Likelihood Based Linear Modulation Classification Systems
考虑了基于似然的线性调制分类问题。在文献中最常用的分类器的渐近性质。这些分类器分别基于混合似然比检验(HLRT)和平均似然比检验(ALRT)。分析了单传感器设置和使用分布式决策融合方法的多传感器设置。对于调制分类系统,使用一个单一的传感器,它表明,HLRT实现渐近消失的错误概率(Pe),而同样的结果不能证明ALRT。在多传感器设置使用软决策融合,条件下,Pe渐近消失。此外,渐近分析的融合规则,假设独立的传感器的决定进行。
2012-11-28 cs.IT math.IT stat.AP
Analysis of Type-II hybrid censored competing risks data
当失效竞争原因的寿命分布遵循指数分布时,Kundu和Gupta(2007,Metrika,65,159 - 170)提供了I型混合删失竞争风险数据的分析。本文考虑了II型混合删失竞争风险数据的分析。假设竞争失效原因的潜在寿命分布服从具有不同尺度参数的独立指数分布。发现未知参数的极大似然估计并不总是存在。本文提出了尺度参数的修正估计,当它们存在时,它们与相应的极大似然估计一致,且渐近等价。我们得到了所提出的估计量的精确分布。利用所提出的估计量的精确分布,得到了相关的置信区间。还提供了未知参数的渐近和bootstrap置信区间。进一步,考虑了在非常灵活的Beta-Gamma先验下未知参数函数的贝叶斯推断问题.利用蒙特卡罗方法得到了未知参数的Bayes估计及其可信区间。广泛的蒙特卡罗模拟进行,看看所提出的估计的有效性和一个真实的数据集进行了分析说明的目的。据观察,所提出的模型和方法工作得很好,这个数据集。
2017-07-15 stat.AP
An efficient and doubly robust empirical likelihood approach for estimating equations with missing data
本文考虑了当数据随机缺失时,由一般估计方程定义的参数的经验似然推断。现有的估计的效率关键取决于正确指定的条件期望的估计函数给定的随机观测值的观测分量。当条件期望没有被正确指定时,即使(缺失的)倾向函数被正确指定,估计的效率也会严重受损。我们提出了一个有效的估计,它具有双重鲁棒性,并且可以在估计方程的估计函数所生成的估计函数类内达到半参数有效界,如果正确指定倾向模型和回归模型(条件期望)。此外,如果正确地指定了倾向模型,但错误地指定了回归模型,所提出的估计仍然实现了半参数效率下界内更一般的估计函数类。仿真结果表明,所提出的估计是强大的对误设定的倾向模型或回归模型,并优于许多现有的竞争对手的意义上有较小的均方误差。此外,使用我们的方法进行统计推断,既不需要重采样,也不需要核平滑。一个真实数据的例子来说明所提出的方法。
2016-12-03 stat.ME
Robust Maximum Likelihood Estimation of Sparse Vector Error Correction Model
The Hong Kong University of Science and Technology(香港科技大学)
本文提出基于Cauchy分布的稳健估计方法,用于处理金融和计量经济学中厚尾数据和异常值问题,并通过稀疏协整关系实现特征选择和降维。
2017-10-16 cs.NA math.NA q-fin.ST
Evaluating the Robustness of Targeted Maximum Likelihood Estimators via Realistic Simulations in Nutrition Intervention Trials
最近开发的几种方法有可能利用机器学习来追求受因果推断启发的目标量,包括逆加权,双稳健估计方程和替代估计器,如目标极大似然估计。这些程序的最近的增强可以通过添加一层交叉验证(交叉验证的目标极大似然估计和双重机器学习,分别应用于替代和估计方程方法)来增加鲁棒性。虽然这些方法已经在模拟和实验数据集上进行了单独评估,但尚未对它们在“真实世界”模拟中的性能进行全面分析。在这项工作中,我们基准多个广泛使用的方法估计的平均处理效应使用10个不同的营养干预研究数据。一组现实的模拟,基于一种新的方法,高度自适应套索,用于估计的数据生成分布,保证一定程度的复杂性(欠平滑)是用来更好地模仿真实的数据生成分布的复杂性。我们应用这种新方法通过个体研究估计数据生成分布,随后使用这些拟合来模拟数据并估计处理效应参数及其标准误和由此产生的置信区间。根据分析结果,对替代估计量和估计方程估计量的交叉验证变量的使用提出了一般性建议。我们的结论是,交叉验证的附加层有助于避免无意的过拟合的滋扰参数泛函,并导致更强大的推理。
2021-09-28 stat.ME
Robust minimum divergence estimation in a spatial Poisson point process
针对物种分布建模中似然分析因模型错误设定而不稳健的问题,提出一种基于泊松点过程新散度的稳健估计方法,通过对对数似然方程加权减轻异质观测影响,提升了预测性能。
2023-06-30 stat.ME
Estimating undocumented Covid-19 infections in Cuba by means of a hybrid mechanistic-statistical approach
我们采用参考文献[1]的混合机械统计方法来估计古巴无记录的Covid-19感染总数。该方案是基于最大似然估计的SIR类模型参数的感染人口,假设检测过程匹配伯努利试验。我们的估计表明,(a)60%的感染没有记录,(b)数据背后的真正流行病在报告提出的10天前达到峰值,(c)繁殖数量在80天后迅速消失。
2020-08-07 math.DS q-bio.PE stat.AP
Exact Likelihood Inference and Robust Filtering for Gauss-Cauchy Convolution Models
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Xiamen University(厦门大学)
本文推导了Voigt分布(高斯与柯西卷积)的解析表达式,用于重尾测量噪声建模,并基于此提出GCC滤波器,在状态空间模型中实现鲁棒滤波,实证中优于高斯、t分布等滤波器。
2026-05-28 econ.EM stat.ME
A Profile Likelihood Approach to Semiparametric Estimation with Nonignorable Nonresponse
无应答的统计推断是相当具有挑战性的,特别是当应答机制不可解释时。现有的方法往往需要正确的模型规格的结果和响应模型。然而,由于无响应,这两个模型不能直接从数据中验证,模型错误指定可能导致严重偏倚的推断。为了克服这一局限性,我们开发了一个强大的和有效的半参数方法的基础上的轮廓似然。该方法采用稳健半参数响应模型,其中假设研究变量的函数完全未知。提出了一种基于分数插补的有效计算算法。一个准似然的方法来测试可扩展性也被开发。证明了该方法的相合性和渐近正态性。有限样本的性能进行了检查,在广泛的模拟研究和韩国劳动和收入面板研究数据集的应用。
2018-09-11 stat.ME
On Generalized Progressive Hybrid Censoring in presence of competing risks
由Kundu和Joarder(\textit{Computational Statistics and Data Analysis},2509-2528,2006)引入的渐进式II型混合删失方案在过去几年中受到了一些关注。这种删失方案的一个主要缺点是在实验结束时可能观察到很少的观察结果(甚至根本没有观察结果)。为了克服这个问题,Cho,Sun和Lee(\textit{Statistical Methodology},23,18-34,2015)最近引入了广义渐进删失,其确保获得预先指定的故障数量。本文分析了存在竞争风险的广义逐步截尾数据。为了简洁起见,我们只考虑了两个竞争失效原因,并假设竞争失效原因的寿命服从具有不同尺度参数的单参数指数分布。我们得到了未知参数的极大似然估计,并给出了它们的精确分布。基于极大似然估计量的精确分布,可以得到精确的置信区间。还提供了渐近和bootstrap置信区间,用于比较。我们进一步考虑贝叶斯分析的未知参数下一个非常灵活的Beta-Gamma先验。基于上述先验知识,我们给出了未知参数的贝叶斯估计及其相关的可信区间。我们提出了广泛的模拟结果,看看所提出的方法的有效性,最后一个真实的数据集进行了分析说明。
2017-03-03 stat.AP
Reliability analysis of K-out-of-N system for Weibull components based on generalized progressive hybrid censored data
本文研究了元件服从韦布尔分布的N中取K系统在广义渐进混合截尾数据下的可靠性问题。得到了未知参数的最大似然估计和系统的可靠度函数。利用极大似然估计的渐近正态性,构造了相应的渐近置信区间。在此基础上,利用马尔可夫链蒙特卡罗(MCMC)技术,在具有信息先验的平方误差损失函数下得到了贝叶斯估计.最高后验密度(HPD)的可信区间。一个蒙特卡罗模拟研究进行比较性能的估计。最后,一个真实的数据集被认为是说明性的目的。
2022-07-31 stat.ME
Robust Bayesianism and Likelihoodism
我们捍卫一种新的统计证据理论,我们称之为鲁棒贝叶斯主义(RB)。我们证明,在广泛接受的假设下,RB包含似然律[Royall,1997],似然原理[Berger和Wolpert,1988]以及各种其他广泛接受的“统计原理”,例如,充分性原则[Birnbaum,1962,1972]和停止规则原则[Berger和Wolpert,1988]。本文的主要技术贡献是将其中的一些结果扩展到一个定性框架,在这个框架中,实验者只有在做出比较的、非数值的判断时才是合理的,这种判断的形式是“A给定B比C给定D更有可能”。"
2022-10-15 math.ST stat.TH
Hybrid Bayesian Estimation in the additive hazards model
针对右删失数据下的半参数加性风险模型,提出一种结合Lin-Ying估计方程的混合贝叶斯估计方法,获得闭式后验估计量,并通过模拟和Nickels矿工数据集验证。
2025-05-27 math.ST stat.ME stat.TH
High finite-sample efficiency and robustness based on distance-constrained maximum likelihood
好的鲁棒估计量可以被调整为在中心模型处结合高崩溃点和指定的渐近效率。这发生在MM和tau估计量的回归中。然而,这些估计的有限样本效率可能远低于渐近效率。为了克服这一缺点,提出了一种基于参数间距离的参数化模型方法。给定一个鲁棒估计器,该估计器是在距离小于给定阈值的约束下,通过最大化似然估计得到的。对于正态误差的线性模型,利用MM估计和Kullback-Leibler散度引起的距离,仿真结果表明,该估计的有限样本效率接近1,而在逐点离群污染下,其最大均方误差小于MM估计.同样的方法也显示了良好的结果,在多变量的位置和分散的估计。
2013-11-20 math.ST stat.TH
Parameter Estimation of Type-II Hybrid Censored Weighted Exponential Distribution
混合截尾方案是I型和II型截尾方案的混合。研究了混合定数截尾下加权指数分布的参数估计问题。应用EM算法,极大似然估计的评价。还使用Fisher信息矩阵的渐近置信区间提供。应用马尔可夫链蒙特卡罗技术,得到了参数的Bayes估计量和相应的最大后验密度置信区间。蒙特卡洛模拟比较不同的方法的性能进行了分析,一个数据集进行了说明。
2012-03-01 math.ST stat.TH
Quasi-Likelihood and/or Robust Estimation in High Dimensions
本文研究了高维广义线性模型的Lasso理论。在简要回顾了文献中的理论结果后,我们将预言结果推广到了拟似然损失的情形。我们证明的预测误差和$\ell_1$ -错误的界限。结果是在四阶矩条件下的误差分布。文中还给出了鲁棒损失的情形。此外,我们表明,在一个不可表示的条件下,$\ell_1$惩罚准似然估计没有误报。
2013-01-04 math.ST stat.ME stat.TH
Robust Generalised Bayesian Inference for Intractable Likelihoods
广义贝叶斯推断使用损失函数而不是似然更新先验信念,因此可以用于赋予针对可能的似然错误指定的鲁棒性。在这里,我们认为广义贝叶斯推断与斯坦差异作为一个损失函数,动机的应用程序中的可能性包含一个棘手的归一化常数。在这种情况下,斯坦差异规避评价的归一化常数,并产生广义后验,要么是封闭的形式或使用标准的马尔可夫链蒙特卡罗访问。在理论层面上,我们表现出一致性,渐近正态性和偏置鲁棒性的广义后验,突出这些属性是如何影响的选择斯坦差异。然后,我们提供了一系列的棘手的分布,包括应用基于核的指数族模型和非高斯图形模型的数值实验。
2022-01-11 math.ST stat.CO stat.ME
A coherent likelihood parametrization for doubly robust estimation of a causal effect with missing confounders
缺失数据和混杂是研究者在进行比较有效性的观察性研究中面临的两个问题。Williamson等人(2012)最近提出了一种统一的方法,在假设混杂因素随机随机缺失的情况下,使用多重稳健(MR)方法同时处理这两个问题。他们的方法考虑了一个模型的联合,其中任何子模型都有一个参数组件,而其余的模型是不受限制的。我们表明,虽然他们的估计功能是MR理论上,多重鲁棒推理的可能性是复杂的事实,即参数模型的不同组成部分的联盟模型是不是变化独立的,因此MR属性是不太可能在实践中举行。为了解决这个问题,我们提出了一种替代的透明参数化的似然函数,这使得明确的模型之间的依赖关系,需要评估的MR有效的分数的各种滋扰功能。所提出的方法是真正的双重鲁棒性(DR),因为它是一致的和渐近正态的,如果两组建模假设之一。通过仿真研究,我们评估了DR方法的性能和双重鲁棒性。
2020-07-20 math.ST stat.ME stat.TH
Composite Robust Estimators for Linear Mixed Models
经典Tukey-Huber污染模型(CCM)是描述稳健统计中离群点产生机理的常用框架。在具有$n$观测值和$p$变量的数据集中,在CCM下,离群值是一个单位,即使只有一个或几个值损坏。经典的强大的程序,旨在应付这种情况下,观察的影响是有限的,只要有必要。最近,一种不同的机制,即独立污染模型(ICM)的离群值的产生。在这种新的设置中,数据矩阵的每个单元可能被破坏或不被破坏,其概率与其他单元的状态无关。ICM对稳健的统计提出了新的挑战,因为污染行的百分比随着$p$而显著增加,通常会超过$50\%$。当这种情况出现时,经典的仿射等变鲁棒方法不起作用,因为它们的故障点是$50\%$。对于这种污染模型,我们提出了一种新的类型的强大的方法,即复合强大的程序,其灵感来自复合似然的想法,其中低维的可能性,往往是对的可能性,聚集在一起,以获得一个近似的全可能性,这是更容易处理。我们的复合稳健程序是建立在对的观察,以获得独立的污染模型的鲁棒性。我们提出了线性混合模型的复合S和$τ$ -估计。证明了复合$τ$ -估计量在CCM和ICM中都有很高的崩溃点。Monte Carlo研究表明,我们的估计比较有利的经典S-估计CCM下,并优于他们下的ICM。一个基于真实数据集的例子说明了新的鲁棒过程。
2014-07-14 math.ST stat.TH
Hybrid estimation for ergodic diffusion processes based on noisy discrete observations
本文研究了带噪声样本的遍历扩散过程的参数估计问题,即基于混合方法的多步估计问题。为了选择合适的初始值来优化含噪遍历扩散过程的拟似然函数,我们构造了基于噪声观测值局部均值的初始Bayes型估计.给出了初始Bayes型估计量和具有初始Bayes型估计量的混合多步估计量的渐近性质,并给出了具体例子和模拟结果.
2018-11-27 math.ST stat.ME stat.TH
On Robust Empirical Likelihood for Nonparametric Regression with Application to Regression Discontinuity Designs
University of Sydney Business School(悉尼大学商学院);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 Mathematics, Renmin University of China(中国人民大学数学学院);Faculty of Business and Economics, The University of Hong Kong(香港大学工商管理学院)
本文提出稳健经验似然方法,解决非参数回归与断点回归设计中偏差校正经验似然推广的难题,该方法无需额外估计步骤,模拟与真实数据应用均验证其性能优于现有方法。
2026-07-30 econ.EM math.ST stat.ME
MMD-Bayes: Robust Bayesian Estimation via Maximum Mean Discrepancy
CREST(Crest研究中心);ENSAE(法国国立统计与经济管理学院);Institut Polytechnique de Paris(巴黎理工学院);RIKEN Center for AI Project(理化学研究所人工智能项目中心)
在某些错误指定的设置中,贝叶斯统计中的后验分布可能导致不一致的估计。为了解决这个问题,已经建议用伪似然代替似然,伪似然是享受适当鲁棒性特性的损失函数的指数。在本文中,我们建立了一个伪似然最大均值离散的基础上,定义通过嵌入的概率分布到再生核希尔伯特空间。我们表明,这种MMD-Bayes后验是一致的和强大的模型误设定。由于以这种方式获得的后验可能是棘手的,我们还证明了合理的变分近似后享有相同的属性。我们提供的随机梯度算法来计算这些变分近似的细节。数值模拟确实表明,我们的估计是更强大的误指定比的基础上的可能性。
2019-12-11 cs.LG math.ST stat.ML
Robust Clustering with Normal Mixture Models: A Pseudo $β$-Likelihood Approach
针对正态混合模型似然估计鲁棒性差的问题,提出基于β似然的伪β似然鲁棒聚类方法,通过迭代重加权最小二乘同步实现聚类与异常检测,在模拟和真实数据上表现优于现有主流方法。
2023-12-19 math.ST stat.AP stat.ME
Robust Predictive Uncertainty and Double Descent in Contaminated Bayesian Random Features
The University of Manchester, UK(英国曼彻斯特大学);University of Pisa, Italy(意大利比萨大学);Nanyang Technological University, Singapore(新加坡南洋理工大学);Max Planck Institute for Mathematics in the Sciences, Germany(德国马克斯·普朗克数学研究所)
提出一种鲁棒贝叶斯随机特征回归方法,通过Huber污染集处理先验和似然误设,推导出后验预测密度的上下界,并引入不精确最高密度区域进行鲁棒不确定性量化,证明预测不确定性保持计算可行性并继承经典双重下降相位结构。
2026-06-01 cs.LG math.PR math.ST