On doubly robust estimation for logistic partially linear models
考虑Logistic部分线性模型,其中二元响应均值的logit与某些协变量的线性函数和其他协变量的非参数函数相关。本文给出了部分线性模型中线性分量协变量系数的简单的双稳健估计。如果为非参数分量正确指定了一个滋扰模型,或者在给定其他协变量和固定值响应的情况下,为相关协变量的均值正确指定了另一个滋扰模型,则此类估计量保持一致。在以前的作品中,条件密度模型需要后者的目的,除非一个标量,二进制协变量处理。我们还提出了两个具体的双稳健估计:一个是局部有效的,就像在我们的双稳健估计类,另一个是数值和统计上更简单,可以实现合理的效率,特别是当真正的系数接近0。
2019-01-26 stat.ME
Matrix Variate Logistic Regression Model with Application to EEG Data
逻辑斯谛回归在生物医学研究领域有着广泛的应用。在某些应用中,感兴趣的协变量在收集时具有自然结构,例如矩阵。协变量矩阵的行和列具有一定的物理意义,它们必须包含关于响应的有用信息。如果我们简单地将协变量矩阵堆叠为向量并拟合传统的逻辑斯谛回归模型,可能会丢失相关信息,从而出现效率低下的问题。基于这些原因,本文提出了矩阵变量逻辑回归模型(MV-logistic)。MV-逻辑斯谛回归模型的优点包括保持协变量的固有矩阵结构和所需参数的简约性。在脑电数据库数据集中,我们成功地提取了协变量矩阵的结构效应,并取得了较高的分类精度。
2011-12-01 stat.AP stat.ME
Locally Equivalent Weights for Multilevel Regression and Poststratification
UC Berkeley(加州大学伯克利分校);UT Austin(德克萨斯大学奥斯汀分校)
提出多层回归与事后分层(MrP)的局部等价权重(MrPlew),将MrP表示为与校准权重局部等价的加权估计量,从而支持方差估计、协变量平衡和子组贡献等诊断,并证明其渐近性质。
2026-06-02 stat.ME
Softplus Regressions and Convex Polytopes
为了构造灵活的非线性预测分布,本文介绍了一个家庭的softplus函数为基础的回归模型,卷积,堆叠,或结合这两种操作通过卷积可数无限堆叠Γ分布,其规模取决于协变量。广义逻辑斯谛回归使用单个超平面将协变量空间划分为两半,softplus回归使用多个超平面来构建一个有限空间,该有限空间与由多个半空间的交集或多个凸多面体的并集定义的单个凸多面体相关,以将一个类与另一个类分开。引入伽马过程以支持可数无限(堆叠)协变量依赖的Γ分布的卷积。对于贝叶斯推断,使用经由新颖的数据增强和边缘化技术导出的吉布斯抽样来对高度复杂的非线性预测分布进行去卷积和/或去混合。实例结果表明,softplus回归提供灵活的非线性决策边界,实现分类精度相媲美的内核支持向量机,同时需要显着减少计算的样本预测。
2016-08-23 stat.ME stat.ML
Multistage Estimators for Missing Covariates and Incomplete Outcomes
我们研究多个缺失的协变量和部分观察到的反应的问题。我们开发了一个新的框架来处理复杂的缺失协变量的情况下,通过逆概率加权,回归调整,和一个乘法稳健的程序。我们将我们的框架应用于三个经典问题:来自生存分析的Cox模型、缺失响应和来自因果推断的二元处理。我们还讨论了如何处理这些情况下缺失的协变量,并开发相关的识别理论和渐近理论。我们将我们的程序应用于模拟和阿尔茨海默病数据集,并获得有意义的结果。
2021-11-03 stat.ME
Transmuted logistic-exponential distribution - some new properties, estimation methods and application with infectious disease mortality data
University of Manchester(曼彻斯特大学);Federal University of Agriculture, Abeokuta(阿贝奥库塔联邦农业大学)
本文研究了转化后的逻辑-指数分布的新性质、估计方法,并通过传染病死亡数据验证其优越性,探讨了多种估计方法的性能。
2026-03-18 stat.ME
Logistic Regression with Missing Covariates -- Parameter Estimation, Model Selection and Prediction within a Joint-Modeling Framework
逻辑斯谛回归是监督学习中常用的分类方法。令人惊讶的是,很少有解决方案用于在协变量中缺失值的情况下执行逻辑斯谛回归。我们提出了一个完整的方法的基础上随机逼近版本的EM算法做统计推断缺失值,包括估计的参数和方差,置信区间的推导和模型选择程序。我们还解决了缺少协变量数据的新观测(在测试集上)的预测问题。该方法是计算效率高,其良好的覆盖率和变量选择性能的模拟研究中,我们对比其性能与其他方法证明。例如,通过链式方程进行多重插补的流行方法可能导致估计值显示出比所提出的方法更大的有意义的偏差。然后,我们说明了从巴黎医院严重创伤患者的数据集上的方法来预测出血性休克的发生,早期可预防的死亡在严重创伤病例的主要原因。其目的是巩固目前的红旗程序,一个二元警报识别患者的严重出血的高风险。该方法在R包misaem中实现。
2019-08-07 stat.ME
Multinomial Logistic Regression: Asymptotic Normality on Null Covariates in High-Dimensions
本文在高维情形下建立了多项逻辑回归MLE在零协变量上的渐近正态性与卡方结果,并据此提出特征显著性检验方法,通过模拟验证了其有效性。
2023-05-28 math.ST stat.ME stat.ML
Valid Bayesian Inference based on Variance Weighted Projection for High-Dimensional Logistic Regression with Binary Covariates
针对高维基线协变量下二元结果相关分类处理效应的推断挑战,提出基于方差加权投影的正交得分及新型贝叶斯框架,提供一致收敛结果并通过模拟与真实数据分析验证方法有效性。
2024-11-26 math.ST stat.ME stat.TH
A comparison of the discrimination performance of lasso and maximum likelihood estimation in logistic regression model
本研究通过模拟和实际应用比较了logistic回归中lasso与极大似然估计的判别性能,发现在协变量数量与样本量之比较高时lasso表现更优。
2024-04-26 stat.CO stat.ME
Fair Conformal Prediction for Incomplete Covariate Data
本研究针对协变量缺失场景,提出满足边际、掩码条件及渐近条件有效性的公平共形预测方法,并通过模拟与真实数据验证其优势。
2025-09-08 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
Inconsistent treatment estimates from mis-specified logistic regression analyses of randomized trials
当临床试验中治疗之间的差异通过平均值差异估计时,众所周知,随机化可确保无偏估计,即使不考虑重要的基线协变量。然而,当通过其他总结评估治疗效果时,例如,如果结局为二元,则通过比值比评估,如果忽略某些协变量,则可能会出现偏倚,无论治疗分配是否使用随机化或试验规模如何。当逻辑斯谛回归中忽略了重要的正态分布协变量时,我们给出了这种渐近偏差的精确闭合形式近似。我们比较这种近似与文献中的,并得出更方便的形式,这些现有的结果。这些表达式可以深入了解偏差的形式,模拟显示其可用于正态分布以外的分布。即使模型中存在额外的二元协变量,关键结果也适用。
2014-07-21 math.ST stat.ME stat.TH
Clustering and Prediction with Variable Dimension Covariates
不完全协变量向量在许多应用领域中是经常遇到的。众所周知,在对模型参数进行推断时,这可能是有问题的,但其对预测性能的影响却鲜为人知。我们开发了一种基于协变量依赖分区模型的方法,该方法无缝处理缺失的协变量,同时完全避免任何类型的插补。我们开发的方法允许样本内预测以及样本外预测,即使在训练数据中没有看到新受试者的不完整协变量向量中的缺失模式。允许任何数据类型,包括分类或连续协变量。在仿真研究中,所提出的方法相比有利。我们说明了两个应用程序的例子中的方法。
2020-07-12 stat.ME
Assumption-lean logistic regression with missing covariates
Georgia Institute of Technology(佐治亚理工学院);University of Southern California(南加州大学);University of Cambridge(剑桥大学)
针对协变量缺失的逻辑回归,提出基于新颖单调算子的随机逼近方法,在协变量分布未知的假设精简设置下实现参数速率信号恢复,并优于完整案例估计器。
2026-10-07 cs.IT cs.LG math.IT
Adjusting for Incomplete Baseline Covariates in Randomized Controlled Trials: A Cross-World Imputation Framework
本文提出跨世界填补(CWI)框架,统一分析单一填补法与缺失指示法(MIM)在随机对照试验缺失协变量处理中的效率,证明MIM隐式搜索最优CWI值实现最优效率,并推导单一填补法达到同等效率的条件。
2024-08-27 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
Liu-type Shrinkage Estimators for Mixture of Logistic Regressions: An Osteoporosis Study
针对混合逻辑回归模型中多重共线性导致最大似然估计不可靠的问题,本研究开发了岭估计器和Liu型估计器等收缩方法,数值研究及50岁及以上女性骨质疏松应用均证实该方法能提供更可靠的系数估计。
2023-09-07 stat.CO stat.ME
Logistic lasso regression with nearest neighbors for gradient-based dimension reduction
University of Oslo(奥斯陆大学);CREST, ENSAI, University of Rennes(法国国家经济统计与分析中心,雷恩高等应用统计学院,雷恩大学);Univ Angers, CNRS, LAREMA, SFR MATHSTIC(昂热大学,法国国家科学研究中心,拉雷马实验室,数学科学联合研究服务)
提出一种结合最近邻和 L1 惩罚的局部逻辑斯蒂回归方法估计条件概率梯度,并利用梯度外积估计中心子空间,实现高维协变量的降维。
2026-05-29 math.ST stat.ME stat.TH
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
Generalised logistic regression with vine copulas
本文提出一种结合 vine copula 的广义逻辑回归模型,通过生成规范建模非线性主效应与复杂交互作用,并基于判别似然进行估计,在保持可解释性的同时提升了小样本高维数据下的分类性能。
2024-10-11 stat.ME
Prognostic Covariate Adjustment for Logistic Regression in Randomized Controlled Trials
本文针对二分类终点 RCT 中 Logistic 回归的非可折叠性问题,提出基于生成式 AI 预后评分的协变量调整方法,并结合 g-computation 提升条件与边际因果效应推断的功效和精度。
2024-02-29 stat.AP stat.ME stat.ML
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
High Dimensional Logistic Regression Under Network Dependence
本文提出一种带二次交互项的高维逻辑回归框架,用惩罚最大伪似然法同时估计网络同伴效应与高维协变量效应,在稀疏参数下达到经典高维一致性速率。
2024-09-24 math.ST stat.ME stat.TH
Penalized Likelihood Regression in Reproducing Kernel Hilbert Spaces with Randomized Covariate Data
经典的惩罚似然回归问题处理的情况下,独立的变量数据是确切已知的。然而,在实践中,观察具有不完整协变量信息的数据是常见的。我们关注的是一个非常重要的情况,其中一些观测值并不代表确切的协变量信息,而只是一个概率分布。在这种情况下,最大惩罚似然法仍然可以用来估计回归函数。我们首先证明了极大惩罚似然估计在一个温和的条件下存在。在计算中,我们提出了一个降维技术,以尽量减少惩罚的可能性,并推导出一个广义近似交叉验证(GACV)选择平滑参数。我们的方法被扩展到处理更复杂的不完全数据问题,如协变量测量误差和部分缺失的协变量。
2010-08-02 stat.AP stat.ME
Robust estimation for functional logistic regression models
针对函数型逻辑回归中传统似然方法易受异常误分类点影响的问题,提出稳健估计方法,证明相合性与预测收敛速度,并通过模拟和真实数据验证其抗污染稳定性。
2023-08-15 math.ST stat.ME stat.TH
Variational empirical Bayes variable selection in high-dimensional logistic regression
针对高维 Logistic 回归变量选择中 Bayes 计算昂贵的问题,本文基于经验 Bayes 方法直接对模型空间边际分布构建高效变分近似,并证明其继承后验的选择一致性。
2025-02-14 stat.CO stat.ME stat.ML
A Random-Effects Approach to Generalized Linear Mixed Model Analysis of Incomplete Longitudinal Data
Oregon Health and Science University(俄勒冈健康与科学大学);University of California, Davis(加州大学戴维斯分校)
本文提出了一种随机效应方法,用于处理广义线性混合模型分析中不完整纵向数据的缺失值问题,并通过实证研究验证了其有效性。
2025-02-10 stat.ME
A Compound Logistic Regression Model for Binary Responses
University of Rochester(罗切斯特大学);University of New Hampshire(新罕布什尔大学)
本文提出复合逻辑回归模型,用于处理二元响应中的相关性与协变量,扩展了传统逻辑回归的应用范围。
2026-02-05 stat.ME
Proportional-limit asymptotics for Diaconis-Ylvisaker-penalised logistic regression with fitted intercept
本文为带拟合截距的Diaconis-Ylvisaker惩罚逻辑回归建立比例极限下的估计量渐近理论,给出斜率极限律、检验统计量分布及可行推断方法。
2026-09-10 math.ST stat.ME stat.TH
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
Statistical inference for a stochastic generalized logistic differential equation
本文针对随机广义Logistic微分方程,利用最大似然法和二次变差过程估计三个未知参数,并证明估计量的强相合性,同时在完整与不完整数据情形下通过期望最大化算法进行验证。
2024-05-06 math.PR math.ST stat.ME
Fused Multinomial Logistic Regression Utilizing Summary-Level External Machine-learning Information
National Cheng Kung University(国立成功大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出一种融合外部机器学习信息的多元逻辑回归框架,通过矩约束整合外部预测,解决数据质量问题并提升统计推断效率。
2026-04-05 cs.LG stat.ME stat.ML
Testing equivalence to binary generalized linear models with application to logistic regression
ERGO Group AG(ERGO集团)
研究如何测试观测数据与二元广义线性模型的等价性,核心方法是用最小距离法构建检验统计量,用于协变量均为分类变量的情况,通过渐近近似或自助法算临界值,在真实数据集上应用并经模拟研究有限样本性能。
2026-07-17 stat.ME
Bayesian Group Selection in Logistic Regression with Application to MRI Data Analysis
本文研究协变量为组结构的贝叶斯逻辑斯谛回归模型。在高维环境中,通常假设只有一小部分组是重要的,因此一致的组选择是非常重要的。虽然一致频率论的组选择方法已经被提出,但逻辑斯谛回归模型的贝叶斯组选择方法的理论性质还没有被研究。本文研究了高维环境下逻辑斯谛回归模型的分层组spike和slab先验。在温和的条件下,我们建立了诱导后验的强组选择一致性,这是贝叶斯文献中的第一个理论结果。通过仿真研究,我们证明了所提出的方法的性能优于现有的国家的最先进的方法在各种设置。我们进一步将我们的方法应用于预测帕金森病的MRI数据集,并显示其优于其他竞争者的优势。
2019-12-04 stat.ME
Improved Conditional Logistic Regression using Information in Concordant Pairs with Software
Queens College, CUNY(纽约市立大学皇后学院)
该研究通过利用一致配对信息改进条件逻辑回归,提升小样本和非线性模型的统计功效,提供了一个优化的R包bclogit。
2026-03-02 stat.ME
Incomplete Matrix Regression
HEC Montréal(蒙特利尔高等商学院);University of Quebec in Montreal(魁北克大学蒙特利尔分校)
提出不完全矩阵回归(IMR)框架,通过集成行/列协变量和相似性结构,结合Lasso惩罚与低秩成分,实现矩阵补全,并给出可扩展算法与非渐近误差界。
2026-06-26 stat.ME
The Asymptotic Distribution of the MLE in High-dimensional Logistic Models: Arbitrary Covariance
我们研究了高维logistic模型中最大似然估计(MLE)的分布,将Sur(2019)的最新结果扩展到高斯协变量可能具有任意协方差结构的情况。我们证明,在限制的大问题之间的协变量的数量$p$和样本大小$n$常数的比率,每一个有限列表的MLE坐标遵循多元正态分布。具体而言,MLE的$j$ th坐标$\hat β_j$与平均值$α_\star β_j$和标准差$σ_\star/τ_j$呈渐近正态分布;这里,$β_j$是真实回归系数的值,而$τ_j$是以所有其他参数为条件的$j$ th预测值的标准差。数值参数$α_\star > 1$和$σ_\star$仅取决于问题维度$p/n$和总信号强度,并且可以被精确地估计。我们的研究结果意味着,MLE的幅度偏高,MLE的标准差大于经典理论预测的。我们对模拟数据和真实数据进行了一系列实验,结果与理论非常一致。
2023-01-04 math.ST stat.ME stat.TH
Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information
Brown University(布朗大学);Academic Model Providing Access to Healthcare (AMPATH)(学术模型提供医疗保健项目(AMPATH));Moi University(莫伊大学)
针对HIV护理留存预测与排班优化中存在的混杂因素、竞争/删失事件及协变量缺失问题,提出基于潜在返回时间的贝叶斯反事实一体化模型,并在肯尼亚AMPATH的EHR数据上验证应用价值。
2024-10-29 cs.LG stat.ME
Bayesian Covariate-Dependent Circadian Modeling of Rest-Activity Rhythms
本文提出一种贝叶斯协变量依赖昼夜节律模型,通过l_1球投影先验实现稀疏建模,用于分析可穿戴设备活动数据并揭示影响静息-活动节律的复杂因素。
2025-02-05 stat.AP 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
The phase transition for the existence of the maximum likelihood estimate in high-dimensional logistic regression
本文严格地证明了高斯协变量的高维逻辑斯谛回归模型的最大似然估计(MLE)的存在性经历了一个急剧的“相变”.我们引入一个显式边界曲线$h_{\text{MLE}}$,它由两个标量参数化,测量回归系数的未知序列的整体大小,具有以下性质:在限制大样本量$n$和特征数$p$以这样一种方式成比例,即$p/n \rightarrow κ$,我们表明,如果问题是足够高的维度在这个意义上,$κ> h_{\text{MLE}}$,则MLE不存在的概率为1。相反,如果是$κ< h_{\text{MLE}}$,则MLE以概率1渐进存在。
2018-04-25 stat.ME stat.ML
Semiparametric logistic regression for inference on relative vaccine efficacy in case-only studies with informative missingness
本文提出半参数逻辑回归方法,在仅病例研究中处理病毒株类型信息性缺失,利用目标最大似然估计和机器学习推断亚组特异性相对疫苗效力,并应用于ENSEMBLE COVID-19试验。
2025-03-11 stat.ME
Multivariate Bayesian Logistic Regression for Analysis of Clinical Study Safety Issues
本文描述了一种基于模型的临床安全性数据分析方法,称为多变量贝叶斯逻辑斯谛回归(MBLR)。并行逻辑斯谛回归模型适合于一组医学相关问题或响应变量,MBLR允许来自不同问题的信息相互“借势”。该方法特别适用于稀疏响应数据,当从研究中的受试者收集细粒度不良事件时经常发生这种情况,这些研究的有效性大于安全性研究。可以对来自多个研究的数据进行组合分析,并且该方法能够基于回归模型中的协变量搜索易受影响的亚组。一个例子涉及10个医学相关的问题,从一个池的8项研究,以及模拟显示的分布特性的方法。
2012-10-01 stat.ME
Missing binary outcomes under covariate dependent missingness in cluster randomised trials
结果缺失是整群随机试验中经常出现的问题,如果忽略或处理不当,可能导致偏倚和低效的推断。分析这类试验的两种方法是聚类水平分析和个体水平分析。在这项研究中,我们评估了未调整的聚类水平分析,基线协变量调整的聚类水平分析,随机效应逻辑斯谛回归(RELR)和广义估计方程(GEE)的性能时,在基线协变量依赖的缺失机制下的二元结果缺失。使用完整记录分析(CRA)和多水平多重插补(MMI)处理缺失结局。我们分析表明,使用完整记录估计风险比(RR)的聚类水平分析是有效的,如果真实的数据生成模型具有日志链接和干预组具有相同的缺失机制和相同的协变量效应的结果模型。我们进行了一项模拟研究,考虑了四种不同的情况,这取决于干预组之间的缺失机制是相同还是不同,以及干预组与结局模型中的基线协变量之间是否存在相互作用。基于仿真研究和分析结果,我们给出了指导的条件下,每种方法是有效的。
2016-08-18 stat.ME
An Empirical Likelihood Approach to Nonparametric Covariate Adjustment in Randomized Clinical Trials
协变量调整是随机临床试验和观察性研究分析的重要工具。它可以用来提高效率,从而提高功率,并减少可能的偏差。虽然随机临床试验中的大多数统计检验本质上是非参数的,但协变量调整方法通常依赖于特定的回归模型,例如连续结局的线性模型、二分结局的逻辑斯谛回归模型和生存时间的Cox模型。最近的几项工作集中在无模型协变量调整。本文利用经验似然方法,提出了一种协变量调整的非参数方法。新方法的一个主要优点是,它可以自动利用协变量信息的最佳方式,而无需拟合非参数回归。通常的渐近性质,包括Wilks型的结果收敛到一个χ 2分布的经验似然比为基础的测试,和相应的最大经验似然估计的渐近正态性,建立。它还表明,由此产生的测试是渐近最强大的,估计的处理效应达到半参数效率界。新方法应用于全球使用策略打开闭塞的冠状动脉(GUSTO)-I试验。进行了大量的模拟,验证了理论研究结果。
2011-08-02 stat.ME
[DeepGOF] Where Does a Logistic Risk Model Fail? An Audited Neural Goodness-of-Fit Test for Model Development and External Validation
Alexandria University(亚历山大大学)
针对逻辑回归拟合优度检验在小样本下水平漂移的问题,提出基于预训练卷积网络的检验方法,利用自助法校准保证水平精确性,并提供可计算的一致性证书,在基准上表现稳定且功效优越。
2026-10-05 stat.CO stat.ME stat.ML
Finite-Rank Logistic Gaussian Processes with Exact Likelihood for Conditional Density Estimation
Duke University(杜克大学);Eli Lilly and Company(礼来公司);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Virginia Commonwealth University(弗吉尼亚联邦大学)
本文提出ExFR-LGP方法,通过有限秩高斯过程先验实现条件密度估计的精确似然,获得闭式解,并证明其最优收缩速率,在合成数据和ADNI数据上验证了有效性。
2026-10-08 math.ST stat.AP stat.ME
Projective Resampling Imputation Mean Estimation Method for Missing Covariates Problem
缺失数据是临床数据收集中常见的问题,给临床数据的统计分析带来困难。为了克服不完全数据所带来的问题,提出了一种新的估算方法-投影恢复估算均值估计(PRIME),该方法能够以较少的信息损失解决估算中的“维数灾难”问题。我们使用不同的样本量,缺失数据率,协变量相关性,和噪声水平的模拟研究,所有的结果表明,PRIME优于其他方法,如迭代最小二乘估计(ILSE),极大似然(ML),和完整的情况下分析(CC)。此外,我们进行了心脏手术相关的急性肾损伤(CSA-AKI)的影响因素的研究,这表明我们的方法比其他模型表现得更好。最后,我们证明了PRIME在某些正则条件下具有相容性。
2021-06-16 stat.ME
Covariate Adjustment in Randomized Clinical Trials with Missing Covariate and Outcome Data
本文针对随机临床试验中的缺失数据问题,回顾并提出了结合逆概率加权与重叠加权的协变量调整方法,强调交互项的重要性,通过模拟和实际试验证明其能提高处理效应估计精度。
2023-05-17 stat.ME
Relational event models with global covariates
Università della Svizzera italiana(瑞士意大利大学);Vytautas Magnus University(维陶塔斯·马格努斯大学);University of Trento(特伦托大学)
本文提出了一种新的关系事件模型,通过引入时间移位非事件采样方法,有效估计了自行车共享中全局和非全局协变量的影响。
2024-12-14 stat.ME
Demystifying Double Robustness: A Comparison of Alternative Strategies for Estimating a Population Mean from Incomplete Data
当由于研究者无法控制的原因导致结局缺失时,有两种不同的方法来调整可能与结局和缺失相关的协变量的参数估计值。一种方法是对协变量和结果之间的关系建模,并使用这些关系来预测缺失值。另一种方法是在给定协变量的情况下对缺失概率进行建模,并将其纳入加权或分层估计。双稳健(DR)程序同时应用两种类型的模型,如果两种模型中的任何一种被正确指定,则产生参数的相合估计。在这篇文章中,我们展示了DR估计可以通过多种方式构建。我们比较了各种DR和非DR估计的人口平均值在一个模拟的例子中,这两个模型是不正确的,但也不是严重错误指定的性能。使用逆概率作为权重的方法,无论它们是否是DR,当一些估计的倾向很小时,对倾向模型的错误指定很敏感。许多DR方法的性能优于简单的逆概率加权。然而,我们尝试的DR方法都没有改进基于简单回归的缺失值预测的性能。这项研究并不代表实践中会出现的每一个缺失数据问题。但它确实表明,至少在某些情况下,两个错误的模型并不比一个好。
2008-04-18 stat.ME
A New Regression Model for Analyzing Non-Stationary Extremes in Response and Covariate Variables with an Application in Meteorology
本文提出一种新回归模型,专为响应变量和协变量均为非平稳极值(块极大值)的情况设计,基于极值Copula构建回归流形并应用Logistic-normal先验,数值研究和气象数据分析证明了其有效性。
2025-06-25 math.ST stat.ME stat.TH
Penalized robust estimators in logistic regression with applications to sparse models
稀疏协变量在分类和回归问题中很常见,在这些情况下,变量选择的任务通常是令人感兴趣的。众所周知,稀疏统计模型对应于只有少量非零参数的情况,因此,它们比密集模型更容易解释。本文主要研究了逻辑斯谛回归模型,目的是研究回归参数的稳健惩罚估计。我们介绍了一个家庭的惩罚加权$M-$型估计的逻辑斯谛回归参数,对非典型数据是稳定的。我们探索了不同的惩罚函数,我们介绍了所谓的符号惩罚。这种新的惩罚的优点是,它只依赖于一个惩罚参数,避免任意的调谐常数。我们讨论的变量选择能力的建议,以及他们的渐近行为。通过数值研究,我们比较了有限样本性能的建议对应于不同的惩罚估计无论是鲁棒的或经典的,在不同的情况下。一个强大的交叉验证准则。两个真实数据集的分析,使调查的稳定性的惩罚估计的存在离群值。
2020-02-12 stat.ME