Sequential Design with Derived Win Statistics
针对现有Win Ratio分析多局限于固定设计、缺乏早期决策灵活性的问题,提出基于Win Ratio和Net Benefit统计量的序贯设计框架,证明其联合分布并开发样本量算法,模拟和实例验证其控错保效且样本量更小。
2024-10-08 stat.ME
Multivariate group sequential tests for global summary statistics
本文提出基于全局汇总统计量的多终点成组序贯检验,采用误差消耗法处理不等组规模与终点相关性,并比较三种实现方法。
2024-05-08 stat.ME
Interim Analysis in Sequential Multiple Assignment Randomized Trials for Survival Outcomes
针对生存结局的序贯多重分配随机试验,提出加权log-rank卡方统计量处理重叠治疗路径,结合多种边界建立期中监测方法,实现早期终止并验证了有效性。
2025-04-04 stat.ME
Group Sequential Methods for the Win Ratio
BridgeBio Pharma, Inc.(BridgeBio制药公司);Medtronic, Plc(美敦力)
本文提出利用组序列方法用于胜率,证明在特定条件下可以直接应用传统α-支出,从而简化随机试验的设计和分析。
2026-01-30 stat.ME
Sequential estimation for GEE with adaptive variables and subject selection
由于现代数据监测设施和方法,对相关或高度分层的多响应数据进行建模成为常见的数据分析任务。广义估计方程(GEE)是分析这类数据的常用统计方法之一。在本文中,我们提出了一个序贯估计程序获得基于GEE的估计。除了传统的随机抽样,该方法的特点是自适应的主题招募和变量选择。此外,我们配备了我们的方法与自适应收缩属性,使它可以决定有效的变量在估计过程中,并建立一个置信集与相应的参数预先指定的精度。除了所提出的程序的统计特性,我们评估我们的方法使用模拟数据和真实数据集。
2019-03-02 stat.ME
Sequential testing for structural stability in approximate factor models
我们开发了一个监测程序来检测一个大的近似因子模型的变化。假设$r$是公因子的数量,我们的统计基于这样一个事实,即样本协方差阵的第$\left( r+1\right) $个特征值在无变化的零值下有界,而在变化时它会变得尖峰。鉴于样本特征值不能在零值下一致估计,我们随机化检验统计量,获得一个序列的\textit{i.i.d}统计量,这是用于监测计划。数值证据表明,错误检测的概率非常小,变化点的检测时间很紧。
2020-03-05 q-fin.ST stat.ME
Weibull analysis with sequential order statistics under a power trend model for hazard rates
在工程系统中,通常假设元件的寿命是独立同分布的。但是,组件的故障会导致剩余组件的负载更高,从而导致幸存组件的分布发生变化。对于这类系统的建模,可以采用序贯顺序统计量(SOS)理论。假设元件寿命服从韦布尔分布,条件比例风险率模型是SOS理论的一种特殊情况,得到了不同情况下未知参数的最大似然估计.提出了一种新的模型PTCPHM,作为iid情形的推广,然后发展了PTCPHM下的统计推断方法,包括点估计、区间估计以及假设检验。最后,对Mann和Fertig(1973)提出的飞机部件失效时间的实际数据进行了分析,以说明本文所提出的模型和推理方法。
2019-12-17 math.ST stat.ME stat.TH
Open-end nonparametric sequential change-point detection based on the retrospective CUSUM statistic
在线监测的目的是,一旦收集到的观察结果中有重要证据表明基本数据生成机制发生了变化,就发出警报。这项工作是开放式的,非参数的程序,可以解释为统计检验。所提出的监测方案包括在每个新观测到达后计算所谓的回顾性统计量(或其微小变化)。提出合适的门限函数为所选的检测器后,渐近有效性的程序进行了调查的特殊情况下,监测的平均值的变化,无论是在平稳性和相关的替代品的原假设。为了在实际中进行序贯检验,采用了一种基于渐近回归模型的方法来估计相关极限分布的高分位数。Monte Carlo实验表明,良好的有限样本行为的建议的监测计划,并建议他们优于现有的竞争对手,只要变化不发生在一开始的监测。扩展到统计表现出的渐近平均行为进行了简要讨论。最后,推导出的顺序变点检测测试的应用程序简洁地说明了温度异常数据。
2020-07-20 math.ST stat.ME stat.TH
Automated Selection of r for the r Largest Order Statistics Approach with Adjustment for Sequential Testing
r最大顺序统计量方法被广泛用于极值分析,因为它可以使用更多的信息,从数据中不仅仅是块的最大值。在实践中,r的选择至关重要。如果r太大,可能会出现偏差;如果太小,估计量的方差可能会很高。r个最大顺序统计量的极限分布(用GEVr表示)扩展了块最大值的极限分布。提出了两种规格检验来顺序选择r。第一个是GEVr分布的分数检验。由于GEVr分布的特殊性,经典的卡方渐近不能使用。最简单的方法是使用参数引导,这是简单的实现,但计算昂贵。另一种快速加权引导或乘法器程序的计算效率。第二个检验使用GEVr和GEV(r-1)模型之间估计熵的差异,分别应用于r最大顺序统计量和r-1最大顺序统计量。导出了差分统计量的渐近分布。在一个大规模的模拟研究中,这两个测试都保持了它们的规模,并有很大的力量来检测各种错误的方案。一种新的方法来解决这个问题的多个,连续的假设检验是适应这种设置,以控制错误发现率或familywise错误率。极端海平面和降水数据的程序的效用证明。
2016-04-07 math.ST stat.ME stat.TH
Two ways towards combining Sequential Neural Network and Statistical Methods to Improve the Prediction of Time Series
Stony Brook University(石溪大学)
统计建模和数据驱动学习是当前研究的热点。统计模型旨在捕捉和解释变量之间的关系,而基于数据的学习试图直接从数据中提取信息,而无需通过复杂的模型进行预处理。考虑到这两个领域的广泛研究,一个微妙的问题是如何将基于数据的方法与现有的知识或模型正确整合。本文以时间序列数据为基础,提出了两种不同的融合方向,一种是基于分解的方法,另一种是利用数据特征的统计提取方法。第一种方法将数据分解为线性稳定、非线性稳定和不稳定部分,其中线性稳定和非线性稳定部分使用合适的统计模型,而不稳定部分使用合适的机器学习工具。第二个应用统计模型来提取数据的统计特征,并将其作为额外的输入馈送到机器学习平台进行训练。如何从数学或统计模型中确定和提取有价值的信息来提高机器学习算法的性能是最关键和最具挑战性的。我们使用具有不同程度的稳定性的时间序列数据来评估该提案。性能测试结果表明,这两种方法都优于现有的单独使用模型和学习的方案,提高了60%以上。我们提出的两种方法都有希望弥合基于模型和数据驱动的计划之间的差距,并将两者结合起来,以提供更高的整体学习性能。
2021-12-21 cs.LG stat.ME
Sequential Tests of Multiple Hypotheses Controlling False Discovery and Nondiscovery Rates
我们提出了一个通用的和灵活的程序来测试多个假设的顺序(或流)的数据,同时控制的错误发现率(FDR)和错误的非发现率(FNR)的最小假设下的数据流,可能会有所不同的分布,尺寸,并依赖。所有需要的是用于控制传统的I型和II型错误概率的每个数据流的检验统计量,并且不需要关于统计量或数据流的联合分布的信息或假设。该程序可与顺序、成组顺序、截断或其他采样方案一起使用。该程序是Benjamini和Hochberg(1995)广泛使用的固定样本量程序到顺序数据领域的自然扩展,具有序贯抽样提供的同时FDR和FNR控制的额外好处。我们证明了程序的错误控制,并给出了一些提示,在常见的测试情况下实施。
2019-01-11 math.ST stat.ME stat.TH
Sequential Outlier Detection in Non-Stationary Time Series
提出一种基于极值理论控制错误概率的非平稳时间序列序贯异常值检测方法,并验证其渐近与有限样本性能。
2025-02-25 math.ST stat.ME stat.TH
Distributed sequential method for analyzing massive data
为了分析包含冗长变量的超大数据集,我们采用了序贯估计的思想,提出了一种并行分治方法。我们分别进行几个传统的序贯估计程序,并适当地整合他们的结果,同时保持所需的统计特性。此外,使用统计实验设计的标准,我们采用了自适应样本选择,以及自适应收缩估计方法,同时加快估计过程,并确定有效的变量。我们确认我们的方法的说服力,通过理论的理由和来自合成数据集的数值结果。然后,我们将所提出的方法应用于三个真实的数据集,包括那些有关家电能源使用和颗粒物浓度。
2018-12-22 stat.AP stat.CO stat.ME
Multiple Hypothesis Tests Controlling Generalized Error Rates for Sequential Data
$γ$ -FDP和$k$ -FWER多重检验误差度量(它们是相应误差统计的尾部概率)作为FDR和FWER的较不严格的替代方案近来已经变得流行。我们提出了通用和灵活的步升和步降程序,用于测试多个假设的顺序(或流)数据,同时控制I型和II型版本的$γ$ -FDP,或$k$ -FWER。无论数据流之间的依赖性如何,错误控制都是有效的,数据流可以是任意大小和形状的。所有需要的是用于控制传统的I型和II型错误概率的每个数据流的检验统计量,并且不需要关于统计量或数据流的联合分布的信息或假设。这些程序可与顺序、成组顺序、截断或其他采样方案一起使用。我们给出了程序实现的建议,包括在一些常见的测试情况下所需的临界值的封闭形式的表达式。建议的顺序程序进行了比较,彼此和可比的固定样本量程序的背景下,强正相关的高斯数据流。对于该设置,我们得出结论,在预期样本量方面,步进和步进顺序程序均比固定样本程序节省了大量时间,对于$γ$ -FDP对照,步进程序的性能略好于步进程序,但始终优于步进程序,对于$k$ -FWER对照,关系相反。
2016-12-19 math.ST stat.ME stat.TH
Sequentially Updated Residuals and Detection of Stationary Errors in Polynomial Regression Models
时间序列是表现为随机游动还是平稳过程的问题是一个重要而微妙的问题,特别是在金融统计、计量经济学和工程学中。研究了多项式回归模型中误差项不再表现为随机游动而是表现为平稳过程的序贯检测问题。我们提供了由控制图给出的监控过程的渐近分布理论,即,停时,其与根据顺序更新的残差计算的公知单位根检验统计量相关。本文给出了相应随机过程的泛函中心极限定理,它蕴涵了控制图的中心极限定理。有限样本的性质进行了研究模拟研究。
2010-01-12 math.PR math.ST stat.ME
Asymptotically Optimal Sequential Multiple Testing Procedures for Correlated Normal
本研究针对现有多重检验未覆盖相关数据流序贯框架的空白,在等相关高斯序贯均值检验场景下提出序贯检验程序,证明其在错误概率趋近于0时渐近达到最优期望样本量,且调整临界值后对多种多重检验错误度量均具渐近最优性。
2025-03-20 math.ST stat.ME stat.TH