Maximum Likelihood for Logistic Regression Model with Incomplete and Hybrid-Type Covariates
本文针对混合型协变量存在缺失时的逻辑回归参数估计问题,提出一种新的期望最大化算法,并通过模拟和实际应用验证其优于传统方法的准确性与可靠性。
2025-06-03 eess.SP stat.ME
Neural Networks Learning the Radon--Nikodym Derivative: Empirical Option Pricing in Incomplete Markets
Purdue University(普渡大学)
该研究针对不完全市场期权定价问题,提出学习拉东-尼科迪姆导数的神经网络XiNet,其在路径依赖权益定价上优于基准方法,可一致定价各类权益。
2026-09-03 stat.AP
Bayesian estimation of incompletely observed diffusions
我们提出了一个一般的框架贝叶斯估计不完全观测的多元扩散过程。观测被假定为时间离散的、有噪声的和不完整的。我们假设漂移和扩散系数取决于一个未知的参数。本文提出了一种利用后验分布进行数据扩充的算法,该算法基于在中间时刻有噪声的不完全观测条件下模拟扩散桥。导出了这种滤波桥的动力学,并展示了如何使用Schauer等人(2016)中介绍的指导建议的通用版本来模拟这些动力学。
2016-12-15 stat.ME
Variational Gibbs Inference for Statistical Model Estimation from Incomplete Data
University of Edinburgh(爱丁堡大学)
针对不完整数据导致标准变分推断需处理指数级条件分布的问题,本文提出通用的变分 Gibbs 推断(VGI),并在合成与真实任务上验证其可有效估计 VAE 和归一化流,性能媲美或超过专用方法。
2023-08-15 cs.LG stat.ME stat.ML
Likelihood Estimation with Incomplete Array Variate Observations
在处理以数组形式排列的高维数据时,缺失数据是一个重要的挑战。本文提出了由部分观测多向数据估计阵列变量正态概率模型参数的方法。本文提出的方法对多向数据的缺失数据填补、均值和协方差参数的估计是有用的。还定义了允许分离多向协方差效应的多向半参数混合效应模型,并推荐了一种有效的估计算法。我们提供模拟结果以及来自遗传学的真实数据来证明这些方法。
2015-01-05 math.ST stat.ME stat.ML
Unified Method for Markov Chain Transition Model Estimation Using Incomplete Survey Data
未来老年人模型和相关的微观模拟被建模为马尔可夫链。这些模拟依赖于纵向调查数据来估计它们的过渡模型。调查数据的使用带来了一些数据不完整的问题,包括粗略和不规则的访谈间隔,从子样本收集数据,以及随着时间的推移调查的结构变化。采用期望最大化算法,建立了一种不完全数据下马尔可夫链转移模型的极大似然估计方法。该方法被证明是一个简化版本的未来老年人模型。
2017-07-09 stat.CO stat.ME
On estimating the size of overcoverage with the latent class model. A critique of the paper "Population Size Estimation Using Multiple Incomplete Lists with Overcoverage" by di Cecco, di Zio, Filipponi and Rocchetti (2018, JOS 34 557-572)
我们感兴趣地阅读了di Cecco等人的文章。(2018),但对潜在类模型专门用于估计过度覆盖的有用性持保留态度。特别是,我们质疑的解释的参数的拟合潜在类模型。
2020-05-11 stat.ME
Maximum likelihood recursive state estimation in state-space models: A new approach based on statistical analysis of incomplete data
本文回顾了Rauch等人(1965)的工作,并提出了一种新的递归极大似然粒子滤波方法。新方法是基于对系统不完全观测值的统计分析。引入了不完全观测/数据的评分函数和条件观测信息,并讨论了它们的分布性质。导出了不完全数据的得分函数和信息矩阵的一些恒等式。利用评分函数和观测信息矩阵给出了状态向量的极大似然估计。特别是,为了处理非线性状态空间,开发了一种序贯蒙特卡罗方法。它由EM-梯度-粒子滤波递归地给出,该EM-梯度-粒子滤波扩展了Lange(1995)的状态估计工作。为了推导状态估计误差的协方差阵,提出了观测信息矩阵的显式形式。它将Louis(1982)关于同一矩阵的一般公式推广到状态向量估计。在状态转移概率分布的Neumann边界条件下,该矩阵的逆与无偏状态估计器的估计误差的协方差阵的Cramer-Rao下界一致。在线性模型的情况下,该方法表明Kalman滤波器是一种完全有效的状态估计器,其估计误差的协方差阵满足Cramer-Rao下界。最后通过数值算例验证了主要结果。
2022-11-09 cs.IT cs.SY eess.SY
Closed form estimates for missing counts in multidimensional incomplete tables
分析不完整表的一种有用技术是使用对数线性模型对变量的缺失数据机制进行建模。在本文中,我们使用对数线性参数化,并提出了估计方法的任意三路和$n$维不完全表。考虑了一个或多个变量数据可能缺失的所有可能情况。我们为各种缺失数据模型提供了预期细胞计数和参数的简单封闭形式估计。在不可分解的无响应模型下,我们也得到了显式的边界估计。最后,一个现实生活中的数据集进行了分析,以说明我们的多维不完整表的建模和估计的结果。
2019-10-24 stat.ME
Bayesian and Maximum Likelihood Estimation for Gaussian Processes on an Incomplete Lattice
本文提出了一种新的方法来估计大格点上具有缺失值的平稳高斯过程的贝叶斯和极大似然参数估计。我们提出了一个MCMC方法的贝叶斯推断,和极大似然推理的蒙特卡罗期望最大化算法。我们的方法使用数据增广和循环嵌入的协方差阵,并提供精确的推断参数和缺失数据。使用模拟数据和应用卫星海洋表面温度在太平洋,我们表明,我们的方法提供了准确的推断尺寸高达512 × 512的格子,并优于两个流行的方法:复合似然和谱近似。
2014-02-18 stat.CO stat.ME
Bayesian Estimation of Hierarchical Linear Models from Incomplete Data: Cluster-Level Interaction Effects and Small Sample Sizes
针对小样本和部分观测数据下HLM的估计问题,提出一种直接从精确后验分布填补参数与缺失值的兼容Gibbs采样器,通过模拟证明其优于现有方法。
2025-01-31 stat.ME
Parallel integrative learning for large-scale multi-response regression with incomplete outcomes
在许多应用中,多任务学习越来越多地用于研究多个响应和一组预测变量之间的关联结构。在大数据时代,不完全结果、大量响应和预测因子的高维性并存,对估计、预测和计算提出了前所未有的挑战。在本文中,我们提出了一个可扩展的和计算效率高的程序,称为PEER,大规模的多响应回归与不完整的结果,其中响应和预测的数量可以是高维的。受稀疏因子回归的启发,我们将多响应回归转换为一组单变量响应回归,这可以有效地并行实现。在一些温和的正则条件下,我们证明了PEER具有很好的抽样性质,包括估计,预测和变量选择的一致性。大量的仿真研究表明,我们的建议相比,在估计精度,变量选择和计算效率的几个现有的方法。
2021-04-11 stat.AP stat.CO stat.ME
Minimax Rate-optimal Estimation of High-dimensional Covariance Matrices with Incomplete Data
缺失数据在广泛的应用中经常出现。本文考虑了在一般完全随机缺失模型下,缺失观测值存在时高维协方差阵的估计问题,在这个意义下,缺失度不依赖于数据的值.基于不完全数据,提出了可带稀疏协方差阵的估计,并研究了它们的理论和数值性质。在谱范数损失下证明了极小极大收敛速度,并在较弱的正则条件下证明了所提出的估计量是率优的。仿真研究表明,估计执行良好的数值。该方法还说明了通过应用程序的数据,从四个卵巢癌研究。本文中开发的关键技术工具是独立的兴趣和潜在的有用的一系列相关问题的高维统计推断与缺失数据。
2016-05-14 math.ST stat.ME stat.TH
Small area estimation using incomplete auxiliary information
Vilnius University(维尔纽斯大学);Institute of Data Science and Digital Technologies(数据科学与数字技术研究所)
本文提出了一种两步小区域估计方法,利用不完整辅助信息提升领域估计精度,通过模型校准和Fay-Herriot模型实现无偏预测。
2026-11-02 stat.ME
Scalable likelihood-based estimation and variable selection for the Cox model with incomplete covariates
针对含随机缺失协变量的Cox回归模型,本文开发了一种仅需一维积分的可扩展EM算法进行非参数极大似然估计,并扩展以容纳LASSO惩罚实现变量选择,在大规模模拟与癌症基因组研究中验证了其优势。
2024-10-15 stat.CO stat.ME
Compatible Imputation for Hierarchical Linear Models with Incomplete Data: Interaction Effects of Continuous and Categorical Covariates MAR
针对连续协变量C与分类协变量D存在交互效应的MAR不完全数据,提出兼容Gibbs采样器解决小样本下HLM贝叶斯估计问题,可直接从精确后验分布抽取参数与缺失值,提升估计性能。
2025-02-10 stat.ME
Efficient estimation with incomplete data via generalised ANOVA decompositions
针对含多组变量子集补充数据的非单调不完整数据场景,刻画线性泛函估计的渐近最小均方误差,提出基于迭代非参数回归和广义ANOVA分解的高效估计器,并扩展至采样偏差和非线性泛函场景。
2025-06-18 math.ST stat.ME stat.TH
Estimation for multistate models subject to reporting delays and incomplete event adjudication with application to disability insurance
本文提出一种参数化两步 M-estimation 方法,用于处理受报告延迟和不完全事件裁决影响的多状态模型估计,在弱假设下允许复杂依赖关系,并在残疾保险保单组合应用中证明其能有效提升负债评估准确性和风险管理。
2025-08-08 math.ST stat.ME stat.TH
Handling incomplete outcomes and covariates in cluster-randomized trials: doubly-robust estimation, efficiency considerations, and sensitivity analysis
University of Michigan(密歇根大学);Yale School of Public Health(耶鲁公共卫生学院);Harvard Pilgrim Health Care Institute(哈佛皮尔格里姆健康护理研究所);Harvard Medical School(哈佛医学院);Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院)
针对整群随机试验中各类缺失数据问题,提出一种双重稳健估计量以处理结局、协变量和整群规模缺失,并给出提升精度的策略与新的敏感性分析框架。
2025-11-05 stat.ME
Reduced-bias estimation of spatial econometric models with incompletely geocoded data
最新空间计量经济学模型的应用要求统计单位的空间坐标信息完全准确,而面积数据通常就是这种情况。然而,对于微观地理点级数据,这种信息不可避免地受到位置错误的影响,这些错误可能是数据生产者为了保护隐私而故意产生的,也可能是由于地理编码程序不准确造成的。这种不幸的情况可能会限制空间计量经济学建模框架用于分析微观数据。事实上,最近的一些贡献(参见例如Arbia,Espa和Giuliani 2016)表明,位置误差的存在可能对结果产生不可忽视的影响。特别是,错误的空间坐标可能导致模型参数估计的向下偏差和方差增加。本文的目的是为具有位置误差的空间计量经济学模型提供一种减少偏差和产生更可靠的推断的策略。所提出的方法的有效性进行了评估,通过蒙特卡罗模拟研究在不同的真实情况下。研究结果表明,该方法是有前途的,可以使微观地理数据的空间计量经济建模成为可能。
2019-09-05 stat.ME stat.OT
Bayesian Poisson Mortality Projections with Incomplete Data
缺失数据问题在统计应用中普遍存在。即使是简单的死亡率预测中的计数数据,也可能由于预算限制或难以追踪研究单位而无法获得某些年龄和年龄组的数据,从而导致后续估计和预测不准确。为了规避这种数据驱动的挑战,我们扩展了泊松对数正态李-卡特模型,以适应更灵活的时间结构,并开发了新的采样算法,提高了MCMC收敛时,处理不完整的死亡率数据。通过引入过分散项和Gibbs采样器,扩展模型可以被改写为动态线性模型,从而卡尔曼滤波器和序贯卡尔曼滤波器都可以被合并到采样方案中。此外,我们细致的先验设置可以避免每次MCMC迭代中的重新缩放步骤,并允许同时进行模型选择和估计和预测。将该方法应用于1995 - 2016年中国男性死亡率数据,得到2017 - 2039年的死亡率预测。结果与基于插补数据集的结果相当,表明我们的方法可以很好地处理不完整的数据。
2021-03-10 stat.ME
An information criterion for auxiliary variable selection in incomplete data analysis
当辅助变量与主要变量一起观察时,考虑对感兴趣的变量(称为主要变量)进行统计推断。我们考虑不完全数据分析的设置,其中一些主要变量未被观察到。利用主、辅变量联合分布的参数模型,当辅变量与主变量密切相关时,可以改进主变量的参数模型估计。然而,当辅助变量与主变量无关时,估计精度降低。为了选择有用的辅助变量,我们将问题表述为模型选择,并提出了一个利用辅助变量预测主变量的信息准则。在一定的条件下,所提出的信息准则是主变量完全数据下库尔贝克-莱布勒散度的渐近无偏估计量.我们还澄清了建议的信息准则和留一交叉验证的变体之间的渐近等价性。我们的方法的性能通过模拟研究和实际数据的例子证明。
2019-03-09 math.ST stat.ME stat.ML
Multiple Imputation with Neural Network Gaussian Process for High-dimensional Incomplete Data
University of Pennsylvania(宾夕法尼亚大学)
缺失数据在实际应用中普遍存在,如果处理不当,可能会导致下游分析中的信息丢失和偏差结果。特别是,具有中等样本大小的高维不完整数据,如多组学数据的分析,提出了艰巨的挑战。插补可以说是处理缺失数据最流行的方法,尽管现有的插补方法有许多局限性。单一插补方法(如矩阵补全方法)不能充分考虑插补不确定性,因此会产生不适当的统计推断。相比之下,多重插补(MI)方法允许适当的推断,但现有的方法在高维设置中表现不佳。我们的工作旨在解决这些重大的方法差距,利用神经网络高斯过程(NNGP)的最新进展,从贝叶斯的观点。我们提出了两种基于NNGP的MI方法,即MI-NNGP,可以对联合(后验预测)分布的缺失值进行多重插补。MI-NNGP方法显着优于现有的最先进的方法在合成和真实的数据集,在插补误差,统计推断,对缺失率的鲁棒性和计算成本,在三个缺失数据机制,MCAR,MAR和MNAR。
2022-12-21 cs.LG stat.ME
Sequential Bayesian parameter-state estimation in dynamical systems with noisy and incomplete observations via a variational framework
University of Michigan(密歇根大学)
提出一种在线变分推断框架,通过分解联合后验为参数边缘分布和条件状态分布,实现动态系统参数与状态的联合估计,并给出误差上界理论保证,数值实验验证了其在混沌和高维系统中的鲁棒性与可扩展性。
2026-06-12 stat.ME
A penalized likelihood approach for robust estimation of isoform expression
超高通量转录组测序(RNA-Seq)使得能够在个体亚型水平上准确估计基因表达。然而,在测序和作图过程中引入的系统性偏差以及转录本注释数据库的不完整性可能导致异构体丰度的估计不可靠,并且在某些情况下高度不准确。本文介绍了一种惩罚似然方法来检测和纠正这种偏见,在一个强大的方式。我们的模型扩展了以前提出的通过引入偏差参数读取。一个L1惩罚用于选择非零偏置参数。我们介绍了一个有效的算法模型拟合和分析所提出的模型的统计特性。我们在模拟和真实数据集上的实验研究表明,该模型有潜力提高异构体特异性基因表达估计和识别不完全注释的基因模型。
2013-10-01 stat.ME
Some results on maximum likelihood from incomplete data: finite sample properties and improved M-estimator for resampling
本文给出了不完全数据的极大似然估计的一些结果。建立了条件观测信息矩阵的有限样本性质。它们具有正定性和与期望信息矩阵相同的Loewner偏序。观测的费舍尔信息(OFI)的显式形式推导出的ML估计的标准误的计算。它简化了Louis(1982)的OFI矩阵的一般公式。为了避免由于OFI矩阵的稀疏性和规模过大而导致求逆矩阵的错误,给出了求逆矩阵的单调收敛递归方程,推广了Hero和Fessler(1994)求Cramér-Rao下界的算法.为了提高估计,特别是当应用重复采样不完整的数据,一个强大的M-估计。提出了一种协方差阵的封闭型三明治估计量,以提供M-估计量的标准误。由于有限样本不完全数据中的信息损失,三明治估计量产生的M估计量的标准误比ML估计量小。在完全信息或不存在重采样的情况下,M估计量与ML估计量一致。最后讨论了在状态转换条件马尔可夫跳过程的参数估计中的应用。仿真研究证实了M-估计的准确性和渐近性质。
2022-07-25 cs.IT math.IT q-fin.ST
Network-Based Pathway Enrichment Analysis with Incomplete Network Information
途径富集分析已成为生物医学研究人员深入了解差异表达基因、蛋白质和代谢产物的潜在生物学的关键工具。它降低了复杂性,并提供了响应治疗和/或疾病状态的细胞活性变化的系统级视图。使用现有途径网络信息的方法已被证明优于仅考虑途径成员的更简单的方法。然而,尽管在理解生物途径成员之间的关联方面取得了重大进展,并且包含关于生物分子相互作用的信息的数据库的扩展,但现有的网络信息可能不完整或不准确,并且不是细胞类型或疾病状况特异性的。我们提出了一个约束网络估计框架,结合网络估计的基础上细胞和条件特定的高维组学数据与现有数据库的交互信息。随后使用所得到的途径拓扑信息来提供用于同时测试途径成员的表达水平差异以及它们的相互作用的框架。我们研究了所提出的网络估计的渐近性质和路径富集的测试,并研究其在模拟和真实数据设置的小样本性能。
2016-06-23 stat.ME
Estimating complex causal effects from incomplete observational data
University of Jyväskylä(于韦斯屈莱大学)
尽管因果建模取得了重大进展,因果关系仍然是许多统计学家不熟悉的话题。在本文中,它是从开始到结束演示如何因果效应可以估计从观测数据假设的因果结构是已知的。为了使问题更具挑战性,因果效应是高度非线性的,数据是随机随机缺失的。估计中使用的工具包括设计因果模型、因果演算、多重插补和广义可加模型。主要的信息是,一个训练有素的统计学家可以通过明智地结合现有的工具来估计因果效应。
2014-07-02 cs.LG math.ST stat.ME
The Effect of Alcohol intake on Brain White Matter Microstructural Integrity: A New Causal Inference Framework for Incomplete Phenomic Data
University of Maryland School of Medicine(马里兰大学医学院);University of Michigan(密歇根大学);University of Maryland, College Park(马里兰大学帕克分校);Institute for Genome Sciences, University of Maryland School of Medicine(马里兰大学生命科学研究所)
本研究提出了一种新的因果推断框架,用于分析酒精摄入对大脑白质微结构完整性的影响,通过整合不完整表型数据提高估计效率,并发现每日饮酒与白质各向异性降低及血压升高相关。
2025-07-25 stat.ME
Network Autoregression for Incomplete Matrix-Valued Time Series
我们研究了具有观测网络结构的矩阵值时间序列的动态特性,提出了一个具有行网络和列网络的矩阵网络自回归模型。我们将协变量信息和低秩截距矩阵。我们允许矩阵中的不完全观测,并且缺失机制可以是协变量依赖的。为了估计模型,提出了两步估计过程。第一步旨在估计网络自回归系数,第二步旨在估计回归参数,这些参数本身就是矩阵。在理论上,我们首先分别建立了自回归系数的渐近性质和回归参数的误差界。随后,提出了一种减小渐近偏差的方法,并研究了去偏估计的理论性质。最后,我们通过一些数值研究和Yelp数据集的分析说明了所提出的方法的实用性。
2023-02-06 stat.ME
Variance estimation in pseudo-expected estimating equations for missing data
缺失数据是生物医学研究中常见的挑战。这一事实,以及现代不断增长的数据集容量,使得具有缺失数据的计算效率分析问题具有至关重要的实际意义。用于处理缺失数据的一般计算有效的估计框架是伪期望估计方程(PEEE)方法。该方法适用于任何参数模型,其估计涉及一组估计方程(如似然评分方程)的求解。PEEE方法的一个关键限制是,目前没有封闭形式的方差估计,方差估计需要计算繁重的bootstrap方法。在这项工作中,我们解决的差距,并提供了一个封闭形式的方差估计,其计算可以显着快于自助方法。即使在辅助变量和不完整变量的错误指定模型下,我们的方差估计量也是一致的。仿真研究表明,我们的方差估计表现良好,其计算速度可以超过50倍的自助。我们提出的方差估计器的计算效率增益对于大型数据集或主要分析方法是计算密集型时至关重要。最后,PEEE方法与我们的方差估计一起被用来分析创伤性脑损伤患者不完整的电子健康记录数据。
2022-04-21 stat.ME
Synthetic Data Generation With Incomplete Survey Data Under Informative Sampling
The City University of New York(纽约市立大学);Kyungpook National University(庆北国立大学);University of Cincinnati(辛辛那提大学);Yarmouk University(亚尔穆克大学);Seoul National University(首尔大学)
提出一种贝叶斯框架,通过自适应加权方案处理信息抽样下的数据合成与插补,解决方差低估问题并提供一致估计和准确的不确定性量化。
2026-05-29 stat.ME
Embedded Multilevel Regression and Poststratification: Model-based Inference with Incomplete Auxiliary Information
针对MRP依赖辅助变量联合分布的限制,提出嵌入式MRP(EMRP)方法,在贝叶斯框架下生成合成总体并传播不确定性,模拟和实证表明其优于经典MRP及替代方法。
2023-06-23 stat.ME
Depth-based reconstruction method for incomplete functional data
从函数样本中估计缺失的曲线片段的问题在文献中被广泛考虑。然而,大多数重建方法依赖于估计协方差阵或其特征分解的分量,这是一项可能很困难的任务。特别是,估计的准确性可能会受到协方差函数的复杂性和完整功能数据的可用性差的影响。我们引入了一种基于部分观察到的函数数据的新深度概念的非参数替代方案。我们的模拟指出,当协方差函数是平稳的,并且有很大比例的完整数据时,现有的方法是无与伦比的。然而,当考虑非平稳协方差函数或当完整函数的比例是稀缺的,我们的方法是优越的。此外,即使在最严重的情况下,所有的功能不完整,我们的方法表现良好,而竞争对手是无法。该方法说明了两个真实的数据集:西班牙的每日温度在不同的气象站和年龄的死亡率,在日本的县。
2021-08-25 stat.ME
Generalizing treatment effects with incomplete covariates: identifying assumptions and multiple imputation algorithms
我们关注的问题是将随机对照试验(RCT)中估计的因果效应推广到由观察数据中的一组协变量描述的目标人群。可用的方法,如反向倾向抽样加权不是设计来处理缺失值,但这是常见的两个数据源。除了耦合因果效应可识别性和缺失值机制的假设以及定义适当的估计策略外,一个困难是考虑具有两个来源的数据的特定结构以及仅在RCT中可用的治疗和结局。我们提出了三种多重插补策略来处理缺失值时,推广处理效应,每一个处理不同的多源结构的问题(单独填补,联合填补固定效果,联合填补忽略源信息)。作为替代多重插补,我们还提出了一种直接估计方法,将不完全协变量作为半离散变量。多重插补策略和后一种替代方法依赖于关于缺失值对可识别性影响的不同假设集。我们讨论这些假设,并通过广泛的模拟研究评估的方法。这项工作的动机是分析了超过20,000例重大创伤患者的大型注册表和一项研究氨甲环酸给药对入住ICU的重大创伤患者死亡率影响的RCT。该分析说明了缺失值处理如何影响从RCT推广至目标人群的效应结论。
2023-02-24 stat.AP stat.ME
Filling the gaps: Gaussian mixture models from noisy, truncated or incomplete samples
天文学数据经常受到噪声和不完整性的影响。我们扩展了常见的混合高斯密度估计方法,考虑到一个已知的样本不完全的情况下,从当前模型的同时插补。该方法,称为GMMis,推广现有的截断数据的期望最大化技术,任意截断几何和概率拒绝过程,只要它们可以指定,并不依赖于密度本身。该方法占独立的多元正态测量误差为每个观察到的样品,并恢复的无误差分布的估计,从观察到的和未观察到的样品。它可以从一个特定的背景分布,其幅度可能是未知的高斯混合信号的分离。我们比较GMMis的标准高斯混合模型的简单测试用例与不同类型的不完整性,并将其应用于从美国宇航局钱德拉X射线望远镜的观测数据。python代码在www.example.com上作为开源包发布
2020-09-15 astro-ph.HE astro-ph.IM physics.data-an
Inference via Wild Bootstrap and Multiple Imputation under Fine-Gray Models with Incomplete Data
本文针对不完全数据下的Fine-Gray竞争风险模型,提出利用多重插补将删失完全情形下的wild bootstrap推断方法推广到一般右删失数据,并通过模拟研究和医院感染数据应用验证了方法的有效性。
2023-10-27 math.ST stat.ME stat.TH
Optimal quasi-Bayesian reduced rank regression with incomplete response
降秩回归的目的是将多个响应变量与多个预测变量联系起来。该模型非常受欢迎,特别是在生物统计学中,可以重复使用对个体的多个测量来预测多个输出。不幸的是,在这样的数据集中经常存在缺失数据,使得难以使用标准估计工具。本文研究了响应矩阵不完备的降秩回归问题。我们提出了一个准贝叶斯方法来解决这个问题,在这个意义上的可能性被取代的准可能性。我们给出了一个紧的预言不等式,证明了我们的方法是自适应的系数矩阵的秩。我们描述了一个朗之万蒙特卡罗算法的后验均值的计算。对合成数据和真实数据的数值比较表明,我们的方法是有竞争力的国家的最先进的,其中的排名是通过交叉验证,有时会导致改进。
2022-06-17 math.ST stat.CO stat.ME
Combining Incomplete Observational and Randomized Data for Heterogeneous Treatment Effects
Ant Group(蚂蚁集团)
针对现有融合观测与随机数据的HTE估计方法需完整观测数据的局限,提出CIO方法,利用伪实验组与伪对照组推导混杂偏倚函数作为校正残差,可在观测数据不完整时仍高效估计HTE,且经多数据集实验验证。
2024-10-28 cs.LG stat.ME