Not all distributional shifts are equal: Fine-grained robust conformal inference
本研究提出细粒度鲁棒共形推断框架,区分协变量与条件分布偏移,通过重加权训练样本结合分布鲁棒学习生成有效预测区间,在模拟和真实数据中表现优于现有基准,可用于个体治疗效应敏感性分析。
2025-05-18 stat.ME
Calibrated Percentile Double Bootstrap For Robust Linear Regression Inference
当协变量是随机的并且响应和协变量之间的关系可能是非线性的时,我们考虑对线性模型的参数的推断。传统的推理方法,如z-间隔在这些情况下表现不佳。我们提出了一种基于双引导的校准百分位数的方法,ESP-CAL,作为一种通用的CI方法,相对于替代方法在具有挑战性的情况下,如这些执行得很好。通过一个全面的、全因子设计的合成数据研究以及一个涉及刑事判决时间的真实数据示例,证明了该算法的优越性能。我们还提供了理论上的理由,在温和的条件下,的d-cal方法。该方法是在R包“Rankcal”中实现的,可通过CRAN获得,主要用C++编码,以使从业者更容易使用。
2017-01-16 stat.ME
Robust Universal Inference For Misspecified Models
本文提出基于 universal inference 与分样本相对拟合检验反演的稳健推断方法,在模型误设下为分布投影构造有限样本有效置信集,并分析收缩速率、模拟及因果发现表现。
2025-08-29 stat.ME
Robust Simulation Based Inference Through Robust Optimal Transport
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Sandia National Laboratories(桑迪亚国家实验室);Texas A&M University(德克萨斯农工大学)
本文研究了在模型不准确的情况下,如何利用基于模拟的推断(SBI)进行参数估计,提出了一种基于鲁棒最优传输的 divergence 方法,并设计了并行化的 SBI 算法以量化参数不确定性。
2026-06-05 stat.CO stat.ME
Robust Inference via Multiplier Bootstrap
本文研究了两个基本的统计推断问题的理论基础,置信集的建设和大规模的同时假设检验,在重尾数据的存在。对于重尾观测噪声,以样本均值为代表的基于最小二乘的方法的有限样本性质在理论上和经验上都是次优的。在本文中,我们证明了自适应Huber回归,结合乘数引导程序,提供了一个有用的鲁棒替代最小二乘法的最小二乘法。我们的理论和实证结果揭示了所提出的方法的有效性,并强调了具有强大的重尾推理方法的重要性。
2019-03-18 math.ST stat.ME stat.TH
A New Family of Divergences Originating from Model Adequacy Tests and Application to Robust Statistical Inference
最小散度方法是各种统计应用中的流行工具。我们认为管状模型充分性测试,并证明,在这个过程中产生的新的分歧是非常有用的强大的统计推断。特别是,我们表明,家庭的$S$ -分歧,可以选择开发使用管状模型充分性测试,进一步应用的范例产生一个更大的超家庭的分歧。我们描述了这个更大的类的属性及其在鲁棒推理中的潜在应用。一路上,失败的一阶影响函数分析,在捕捉这些程序的鲁棒性也成立。
2018-01-15 math.ST stat.ME stat.TH
Robust Parametric Inference for Finite Markov Chains
我们考虑的问题,在一个参数有限马尔可夫链模型的统计推断和开发一个强大的估计参数定义的转移概率通过最小化一个合适的(经验)版本的流行的密度功率发散。基于一阶平稳马尔可夫链的长观测序列,定义了参数的最小密度幂离估计(MDPDE),并在适当的条件下严格推导了其渐近性质和鲁棒性质. MDPDE的性能说明了理论以及经验有限马尔可夫链模型的一些常见的例子。并结合两个马尔可夫链序列的参数比较,讨论了它在统计假设稳健性检验中的应用。对于多重马尔可夫链、高阶马尔可夫链和具有时间依赖转移概率的非平稳马尔可夫链,也简要讨论了MDPDE的几个扩展方向和相关的推论.最后,我们的建议被应用于分析企业信用评级迁移数据的三个国际市场。
2021-03-21 math.PR stat.ME
Resampling-based Confidence Intervals for Model-free Robust Inference on Optimal Treatment Regimes
我们提出了一个新的程序,在无模型设置,不需要指定一个结果回归模型的最佳治疗方案的推理。现有的无模型估计的最佳治疗方案通常不适合推理的目的,因为他们要么有非标准的渐近分布或不一定保证一致的估计参数索引贝叶斯规则由于使用替代损失。我们首先研究一种平滑的鲁棒估计器,该估计器直接针对与最佳治疗方案估计的贝叶斯决策规则对应的参数。证明了该估计量服从渐近正态分布。此外,我们验证了一个restaurant程序提供了渐近准确的推断参数索引的最佳治疗方案和最佳值函数。一种新的算法被开发来计算所提出的估计器,大大提高了速度和稳定性。数值结果表明,令人满意的性能的新方法。
2020-07-03 stat.ME stat.ML
Statistical Inference for High-Dimensional Robust Linear Regression Models via Recursive Online-Score Estimation
本文提出将递归在线得分估计(ROSE)框架扩展至非凸惩罚M估计,用于稳健高维线性回归的估计与推断,并证明估计量的一致性与渐近正态性,模拟和实际应用验证了其优越性。
2025-04-12 math.ST stat.ME stat.TH
Robust inference methods of diagnostic test accuracy meta-analysis for influential outlying studies via density power divergence
The Graduate Institute for Advanced Studies, The Graduate University for Advanced Studies(高级研究研究生院,高级研究院);Human Biology Creation Hub, Deep Human Biology Learning, Eisai Co. Ltd.(人类生物学创造中心,深层人类生物学学习,卫材株式会社);Department of Interdisciplinary Statistical Mathematics, The Institute of Statistical Mathematics(交叉统计数学系,统计数学研究所);Institute of Medical Biometry and Statistics, Faculty of Medicine and Medical Center—University of Freiburg(医学生物统计学与统计研究所,医学院及医学中心——弗赖堡大学)
本文提出基于密度幂分歧的稳健推断方法,用于处理诊断测试准确性荟萃分析中的异常研究,通过调整估计函数减少偏差,提高统计效率。
2026-04-30 stat.AP stat.ME
Doubly Robust Adaptive Conformal Inference for Causal Effects Under Temporal Dependence
Department of Computer Science University College London(计算机科学系伦敦大学学院)
提出双稳健自适应共形推断(DR-ACI),在时间依赖下为双稳健伪结果构建预测区间,结合共形预测与自适应加权,提供有限样本覆盖保证。
2026-06-29 cs.LG stat.CO stat.ML
Variance Reduced Median-of-Means Estimator for Byzantine-Robust Distributed Inference
Shanghai Jiao Tong University(上海交通大学);New York University(纽约大学)
本文提出了一种高效的分布式推理算法,该算法对拜占庭节点的中等比例是鲁棒的,即分布式学习系统中的任意和可能的对抗机器。在稳健统计中,均值中值(median-of-means,简写为MEN)由于其易于实现和计算效率而成为对冲拜占庭故障的流行方法。然而,该估计量在统计效率方面存在不足。本文的第一个主要贡献是提出了一个方差缩减均值估计(VRSTO),它提高了统计效率比香草估计,是计算效率的计算。基于所提出的VRNTR估计,我们开发了一个通用的分布式推理算法,对拜占庭故障是强大的。从理论上讲,我们的分布式算法实现了一个快速的收敛速度,只有一个恒定的通信轮数。我们还提供了渐近正态性的结果,统计推断的目的。据我们所知,这是拜占庭鲁棒分布学习设置中的第一个正态结果。仿真结果也说明了我们的方法的有效性。
2021-03-04 cs.LG stat.ME stat.ML
Robust Inference for Convex Pairwise Difference Estimators
Princeton University(普林斯顿大学);UC Berkeley(加州大学伯克利分校);University of Warwick(华威大学)
针对凸成对差分估计量,本文发展了分布理论和基于自助法的推断方法,通过小带宽渐近理论、广义刀切去偏和调整带宽方差扭曲的自助法,实现了在更弱带宽条件下的有效推断。
2026-05-28 econ.EM math.ST stat.ME
Divergence-based robust inference under proportional hazards model for one-shot device life-test
在本文中,我们发展了稳健估计和测试的一杆设备测试下的比例风险假设的基础上的分歧措施。通过详细的蒙特卡罗模拟研究和数值例子,开发的推理程序被证明是更强大的比经典的程序,基于极大似然估计。
2020-04-28 stat.AP
Robust semiparametric inference for polytomous logistic regression with complex survey design
分析复杂调查方案(如分层或整群抽样)的多分类响应在一些社会经济学应用中非常重要。本文给出了多分类逻辑斯谛回归模型的一类最小拟加权密度幂离估计。这个家庭的半参数估计是一个强大的推广的最大拟加权似然估计,利用流行的密度功率发散措施的优势。相应地,还导出了设计效应的鲁棒估计。利用新的估计量对回归系数进行了一般线性假设的稳健检验。理论上研究了它们的渐近分布和鲁棒性,并通过数值算例和广泛的蒙特卡罗研究进行了经验验证。
2019-04-03 math.ST stat.AP stat.ME
Heteroskedasticity-robust inference in linear regression models with many covariates
我们考虑在线性回归模型,是强大的异方差和存在许多控制变量的推断。当控制变量的数目以与样本量相同的速率增加时,协方差阵的通常异方差稳健估计是不一致的。因此,基于这些估计量的测试即使在大样本中也会发生尺寸失真。提出了这种设置的另一种协方差矩阵估计量,补充了Cattaneo,Jansson和Newey(2018)最近的工作。我们提供了高层次的条件,我们的方法提供(渐近)大小正确的推理,以及更原始的条件,为三种特殊情况。仿真结果和经验说明推断工会保费。
2020-09-28 math.ST stat.TH
Cellwise and Casewise Robust Multivariate Regression with Inference
KU Leuven(荷语鲁汶大学)
本文提出cellMR估计器,同时处理案例和单元异常值、缺失数据和高维性,引入cellBoot推断方法,提供稳健的置信区间。
2026-10-20 math.ST stat.ME stat.TH
Two-Stage Robust and Sparse Distributed Statistical Inference for Large-Scale Data
Aalto University(阿尔托大学)
在本文中,我们解决的问题进行统计推断的设置,涉及大规模的数据,可能是高维和污染的离群值。数据的高容量和维度需要分布式处理和存储解决方案。我们提出了一个两阶段的分布式和强大的统计推断程序处理高维模型,促进稀疏。在第一阶段,称为模型选择,通过对不同的数据子集应用鲁棒Lasso估计来局部选择相关的预测因子。从每个计算节点的变量选择,然后融合的投票计划,找到完整的数据集的稀疏基。它以稳健的方式确定相关变量。在第二阶段,采用已开发的统计稳健且计算高效的自助方法。实际推断构造置信区间,找到参数估计值并量化标准差。与阶段1类似,本地推理的结果被传送到融合中心并在那里组合。通过使用分析方法,我们建立了良好的统计特性的强大的和计算效率的自助方法,包括一致性的固定数量的预测,和鲁棒性。建议的两阶段的强大和分布式推理程序表现出可靠的性能和稳健性,在变量选择,发现置信区间和自举近似的标准差,即使数据是高维和离群值污染。
2022-08-17 cs.LG eess.SP stat.ML
Cluster-Robust Bootstrap Inference in Quantile Regression Models
在本文中,我开发了一个野生自助程序的集群鲁棒推理的线性分位数回归模型。我的引导导致渐近有效的推断在整个分位数回归过程中的设置有大量的小,异质集群,并提供相合估计的渐近协方差函数的过程。建议的引导过程是很容易实现的,即使当集群的数量是小于的样本量表现良好。提供了Project STAR数据的应用。
2015-07-14 math.ST stat.TH
Robust Inference Using Inverse Probability Weighting
逆概率加权(IPW)被广泛应用于经济学和其他学科的实证工作中。由于高斯近似在“小修正器”的存在下表现不佳,因此修剪通常被用作正则化策略。然而,特别修剪的意见,使通常的推理程序无效的目标估计,即使在大样本。在本文中,我们首先表明,IPW估计可以有不同的(高斯或非高斯)渐近分布,这取决于如何“接近零”的概率权重和修剪阈值有多大。作为一种补救措施,我们提出了一个推理过程,不仅是强大的小概率权重进入IPW估计,但也有广泛的修剪阈值的选择,通过适应这些不同的渐近分布。这种鲁棒性是通过采用复位技术和通过校正不可忽略的微调偏置来实现的。我们还提出了一种易于实现的方法,通过最小化渐进均方误差的经验模拟来选择修剪阈值。此外,我们表明,我们的推理过程仍然有效的数据驱动的修剪阈值的使用。我们通过重新访问国家支持工作计划的数据集来说明我们的方法。
2019-05-24 econ.EM math.ST stat.ME
Density Power Downweighting and Robust Inference: Some New Strategies
目前,保持程序的稳健性几乎已成为统计数据分析的默认要求。由于效率的模型和鲁棒性下的模型的误指定往往是在冲突中,重要的是要选择这样的推理程序,提供这两个概念之间的最佳折衷。一些最小Bregman散度估计和相关的假设检验似乎能够在这方面做得很好,基于密度幂散度的程序提供了现有的标准。在本文中,我们提出了一个新的家庭的Bregman分歧,这是一个超家庭,包括密度幂发散。本文描述了从这个新的分歧家庭的推理程序,并提出了一个强有力的情况下,这个分歧家庭的效用在统计推断。
2019-10-27 math.ST stat.AP stat.TH
Divergence-Minimization for Latent-Structure Models: Monotone Operators, Contraction Guarantees, and Robust Inference
George Mason University(乔治梅森大学)
本文提出发散最小化框架,通过残差调整发散量实现稳健推断,结合惩罚准则和样本分割确定混合组件数量,展示其在混合和图像分割任务中的稳定性与准确性。
2025-11-22 cs.IT math.IT math.OC
Exact and Robust Conformal Inference Methods for Predictive Machine Learning With Dependent Data
我们将共形推理扩展到允许时间序列数据的一般设置。我们的建议是作为一个随机化的方法,并考虑到潜在的串行依赖,包括块结构的置换方案。因此,所提出的方法保留了准确的,无模型的有效性时,数据是独立同分布。或更一般地可交换的,类似于通常的共形推理方法。当交换失败,是常见的时间序列数据的情况下,所提出的方法是近似有效的一致性分数弱假设下。
2018-07-12 cs.LG stat.ML
Spatially Robust Inference with Predicted and Missing at Random Labels
本文提出了一种双稳健估计器,用于处理具有预测和缺失在随机标签的空间依赖性问题,通过交叉拟合和jackknife方法校正空间异方差性和自相关,提高置信区间的有效性。
2026-03-11 cs.LG econ.EM stat.AP
Source Condition Double Robust Inference on Functionals of Inverse Problems
Cornell University(康奈尔大学);Tsinghua University(清华大学);MIT(麻省理工学院);Stanford University(斯坦福大学)
本文研究线性反问题解的线性泛函参数估计,提出首个源条件双重稳健推断方法,在原或对偶反问题之一充分适定时确保渐近正态性,核心贡献在于为迭代 Tikhonov 正则化对抗估计器提供了新颖的理论保证。
2023-07-25 cs.LG econ.EM math.ST
Robust Sampling for Active Statistical Inference
Department of Statistics(统计学系);Stanford Data Science(斯坦福数据科学);Department of Mathematics(数学系);Stanford University(斯坦福大学)
针对主动统计推断中不确定性估计不准确导致结果噪声大的问题,提出稳健抽样策略,确保估计器不逊于均匀抽样,在不确定性估计可靠时优于标准主动推断,并在真实数据集上验证了其有效性。
2025-11-12 cs.LG stat.ML
Debiased Nonparametric Regression for Statistical Inference and Distributionally Robustness
The University of Tokyo(东京大学)
本文提出一种无模型的非参数回归去偏方法,通过加入估计条件期望残差的校正项,使估计量在温和条件下具备风险收敛与渐近正态性,从而支持统计推断并提升协变量偏移下的鲁棒性。
2025-03-17 cs.LG econ.EM math.ST
Inference robust to outliers with l1-norm penalization
本文考虑了具有异常值的线性回归模型中的推断问题,其中异常值的数量可以随着样本量的增加而增加,但它们的比例趋于0。我们应用平方根套索估计惩罚l1范数的随机向量,这是非零的离群值。我们得到的收敛速度和渐近正态性。我们的估计量具有与标准线性模型中的OLS估计量相同的渐近方差。这使得能够以通常和简单的方式构建测试和置信度集。所提出的程序也是计算上的优势,因为它相当于解决一个凸优化计划。总的来说,建议的方法构成了一个实用的强大的替代普通最小二乘估计。
2019-06-04 math.ST stat.TH
Robust inference using density-powered Stein operators
The Institute of Statistical Mathematics(统计数学研究所)
提出基于γ-散度的γ-Stein算子,通过密度加权实现未归一化概率模型的稳健推断,并应用于稳健拟合优度检验和贝叶斯后验近似。
2026-08-10 cs.LG stat.ML
Robust Flow-based Conformal Inference (FCI) with Statistical Guarantee
Virginia Tech(弗吉尼亚理工大学)
共形预测的目的是利用过去的经验确定新对象预测的精确置信度。然而,通常使用的训练数据和测试数据之间的可交换的假设限制了它在处理污染测试集的使用。在本文中,我们开发了一种新的基于流的共形推理(FCI)方法来构建预测集和推断复杂和高维数据的离群值。我们利用对抗流的思想将输入数据传输到具有已知分布的随机向量。我们的往返变换可以将输入数据映射到低维空间,同时保留输入数据的条件分布,这使得我们能够构建不一致性分数用于不确定性量化。当测试数据被污染时,我们的方法是适用的和鲁棒的。我们评估我们的方法,强大的基于流的共形推理,基准数据集。我们发现,它产生有效的预测集和准确的离群值检测,是更强大的相对于竞争的方法。
2022-10-15 cs.LG stat.ML
Robust nonparametric inference for the median
我们考虑的问题,构建强大的非参数置信区间和中位数的假设检验时,数据分布是未知的,数据可能包含一小部分的污染。我们提出了一个修改的符号检验(及其相关的置信区间),达到名义上的显着性水平(概率覆盖)的任何分布在污染附近的连续分布。我们还定义了一些措施的鲁棒性和污染下的置信区间和测试的效率。这些措施是为拟议的程序计算的。
2005-03-29 math.ST stat.TH
Robustified Gaussian quasi-likelihood inference for volatility
Osaka Institute of Technology(大阪工业大学);University of Tokyo(东京大学)
针对高频数据受有限活动跳跃和尖峰噪声污染的情况,提出基于密度幂加权和Hölder不等式归一化的鲁棒化高斯拟似然估计量,证明其渐近混合正态性,并对协变量和响应过程同时具有鲁棒性。
2026-08-05 math.ST stat.TH
New Approaches to Robust Inference on Market (Non-)Efficiency, Volatility Clustering and Nonlinear Dependence
本文针对金融收益的非线性依赖、异质性和重尾性问题,提出基于绝对收益小次幂的度量及分组t统计量检验的新方法,实现对市场(非)有效性与波动率聚集的稳健推断。
2023-11-30 econ.EM math.ST stat.TH
Multiply robust dose-response estimation for multivalued causal inference problems
针对多值处理的因果推断问题,提出了一种多重稳健(MR)剂量反应估计方法。我们结合了一个家庭的广义倾向得分(GPS)模型和家庭的结果回归(OR)模型,以实现平均潜在的结果估计是一致的,如果在每个家庭中只有一个GPS或OR模型是正确指定的。我们提供的证据和模拟,证明多个鲁棒性的背景下,多值因果推断问题。
2017-05-17 stat.ME
Robust Uniform Inference for Quantile Treatment Effects in Regression Discontinuity Designs
在回归不连续性和扭结设计中,对因果效应的大带宽具有鲁棒性的推断的实际重要性得到了广泛的认可。现有的强大的方法涵盖了许多情况下,但不处理统一的模糊设计的CDF和分位数过程的推理,尽管它在最近的文献中使用的实证微观经济学。在这方面,本文扩展了文献,通过开发一个统一的框架,推理与鲁棒性对大带宽,适用于统一推理的分位数处理效应在模糊设计,以及所有其他情况下的尖锐/模糊均值/分位数回归不连续性/扭结设计。我们提出了蒙特卡罗模拟研究和经验应用俄克拉荷马州前K计划的评价。
2019-02-23 stat.ME
Robust functional regression model for marginal mean and subject-specific inferences
我们引入灵活的强大的功能回归模型,使用各种重尾过程,包括学生$t$过程。我们提出了有效的算法,在估计参数的边际平均值推断和预测条件的手段,以及内插和外推的主题特定的推断。我们开发的自助预测区间的条件均值曲线。数值研究表明,该模型提供了强大的分析,对数据污染或分布误指定,和建议的预测区间保持名义置信水平。一个真实的数据应用程序作为一个说明性的例子。
2017-05-16 stat.ME
Robust Bayesian inference in complex models with possibility theory
我们提出了一个通用的解决方案,强大的贝叶斯推断在复杂的设置,可能存在异常值的问题。在实践中,鲁棒贝叶斯分析的自动化在涉及大型和复杂数据集的许多应用中是重要的。所提出的解决方案依赖于重新制定的贝叶斯推断的基础上的可能性理论,并利用观察,在这种情况下,边际似然数据评估先验和似然之间的一致性,而不是模型的适应性。我们的方法不需要额外的参数,在其最简单的形式,并有一个有限的影响,计算复杂性相比,非鲁棒性的解决方案。我们的解决方案的一般性是通过模拟和真实数据,包括矩阵估计和变点检测的应用程序。
2022-04-14 stat.ME
Robust Inference for Partially Observed Functional Response Data
在不同范围内观察到密集采样曲线的不规则函数数据对建模和推理构成了挑战,并且对离群曲线的敏感性是应用中的一个问题。受定量超声信号分析应用的启发,本文研究了一类部分观测功能数据的稳健M-估计,包括功能位置和分位数估计。在一般条件下,证明了部分观测过程估计量的相合性。在M-估计类的光滑性条件下,建立了渐近高斯过程逼近,并用于大样本推断。大样本近似证明了一个强大的功能反应过程的推断自举近似。在模拟和定量超声分析的不规则功能数据的分析中证明了性能。
2021-05-13 stat.ME
On robust Bayesian causal inference
Athens University of Economics and Business(雅典大学经济与商业学院)
针对纵向观测数据因果推断中现有方法因结构假设误设易产生估计偏差的问题,本文提出基于广义贝叶斯推断的稳健因果推断框架,通过恰当评分规则调优学习率,经仿真与真实数据验证可提升因果效应估计的校准度、锐度与稳健性。
2025-11-19 stat.ME
A Bayesian view of doubly robust causal inference
在因果推断中,混杂可以通过结果模型中的回归调整或通过倾向得分调整或治疗加权的逆概率或两者来控制。后者的方法,这是基于建模的治疗分配机制和他们的双重强大的扩展已经很难激励使用正式的贝叶斯参数,在原则上,基于似然性的推断,治疗分配模型可以发挥任何作用的推断有关的预期结果,如果模型被假定为正确指定。另一方面,通过允许错误指定结果和治疗分配模型来强制结果和治疗分配模型之间的依赖性,导致倾向得分的平衡属性的损失和任何双重稳健性的损失。在本文中,我们解释的框架中的错误指定的模型,为什么双重强大的推理不能产生纯粹的基于似然的参数,并通过模拟证明这一点。作为一种替代贝叶斯倾向得分分析,我们提出了一个贝叶斯后验预测方法构建双重稳健估计程序。我们的方法通过将贝叶斯因果推断中的逆治疗分配概率作为蒙特卡罗积分中的重要性抽样权重,适当地简化了结果和治疗分配模型。
2017-01-15 stat.ME
Robust inference of conditional average treatment effects using dimension reduction
从观察数据中对条件平均处理效应进行稳健推断很重要,但当混杂因素为多变量或高维时,这变得具有挑战性。本文提出了一种双重降降维方法,在保持非参数优点的同时,尽可能地降低维数灾难。我们使用降维来确定条件平均处理效应的中心平均子空间。一个非参数回归与先前的降维也被用来插补反事实的结果。这一步有助于提高插补的稳定性,并导致比现有方法更好的估计。然后,我们提出了一个有效的自举过程,而无需自举估计的中心均值子空间进行有效的推断。
2020-08-30 stat.ME
Robust Inference under the Beta Regression Model with Application to Health Care Studies
关于比率、百分比或比例的数据经常出现在许多不同的应用学科中,如医学生物学、卫生保健、心理学和其他几个学科。在本文中,我们开发了一个稳健的推断过程的β回归模型,这是用来描述这样的响应变量采取值在$(0, 1)$通过一些相关的解释变量。关于贝塔回归模型,鲁棒性的问题在文献中一直被忽视。现有的基于极大似然的推理对数据中的离群值严重缺乏鲁棒性,并且在存在数据污染的情况下产生截然不同的(错误的)推理。在这里,我们开发了稳健的最小密度幂散度估计和一类稳健的Wald型测试的beta回归模型以及几个应用。通过影响函数分析,我们得到了它们的渐近性质,并从理论上描述了它们的鲁棒性。有限样本性能的估计和测试,通过适当的模拟研究和实际数据的应用,在医疗保健和心理学的背景下进行检查。虽然我们主要集中在一个固定的分散参数的β回归模型,一些迹象也提供了扩展到可变的分散β回归模型的应用。
2018-01-15 stat.ME
Robust approximate Bayesian inference
我们讨论了一种方法来获得强大的后验分布的$M$估计功能,使用近似贝叶斯计算(ABC)的方法。特别是,我们使用$M$ -估计函数来构建合适的汇总统计量在ABC算法。讨论了稳健后验分布的理论性质。特别注意的是线性混合模型的方法的应用。仿真结果和临床研究的应用证明了该方法的实用性。在robustBLME包中还提供了一个R实现。
2019-06-12 stat.ME
Conformal causal inference for cluster randomized trials: model-robust inference without asymptotic approximations
本文提出一种适用于整群随机试验的共形因果推断框架,在有限样本中无需渐近近似即可为群组和个体层面的处理效应构建预测区间,且对工作模型误设具有稳健性。
2024-10-01 stat.ME
Robust Bayesian inference via coarsening
贝叶斯推断的标准方法是基于数据分布属于所选模型类的假设。然而,即使是对这一假设的一个小的违反也会对贝叶斯过程的结果产生很大的影响。我们引入一个简单的,连贯的方法来贝叶斯推断,提高鲁棒性的扰动模型:而不是条件的数据完全,一个条件的经验分布的邻域。当使用基于相对熵估计的邻域时,所得到的“粗化”后验可以通过简单地调整可能性来近似-也就是说,通过将其提高到分数幂-因此,推断通常很容易用标准方法实现,并且当使用共轭先验时,甚至可以获得解析解。一些理论性质的推导,我们说明的方法与真实和模拟数据,使用混合模型,自回归模型的未知顺序,变量选择线性回归。
2015-06-19 stat.ME
Doubly Robust Quadratic Inference Functions for Causal Inference in Cluster Randomized Trials
University of Michigan(密歇根大学)
提出双重稳健二次推断函数(DR-QIF)估计量,结合倾向得分和结果回归模型,在整群随机试验中处理协变量不平衡,当任一模型正确指定时一致估计平均处理效应,且在错误指定工作相关结构时比双重稳健GEE更有效。
2026-06-26 stat.ME
Robust semiparametric inference with missing data
具有缺失结果数据的经典半参数推断对观测数据的污染不具有鲁棒性,并且单个观测可以对感兴趣的参数的估计具有任意大的影响。当使用逆概率加权方法时,这种敏感性会加剧,这可能会使污染的观测值超重。我们引入逆概率加权,双稳健和结果回归估计的位置和尺度参数,这是强大的污染的意义上说,他们的影响函数是有界的。我们给出了渐近性质,并研究了有限样本行为。我们的模拟实验表明,污染可以更严重的威胁,推理的质量比模型误指定。我们的研究结果的一个有趣的方面是,辅助结果模型,用于调整的估计的可重复的缺失,也是有用的,以防止污染。我们还通过案例研究说明了如何通过加权方案实现对可识别缺失的调整和对污染的保护,这些方案可以进行对比以获得进一步的见解。
2018-10-05 stat.ME
Bayesian Model Robustness via Disparities
本文提出了一种方法,通过使用的差距强大的贝叶斯推断。Hellinger距离和负指数视差等参数在频率论推断的稳健估计中有着悠久的历史。我们证明了一个等价的鲁棒性可以在贝叶斯推断通过取代一个适当的缩放的差距的对数可能性,其中标准的蒙特卡罗马尔可夫链方法可以应用。最小差异方法的一个特别吸引人的特性是,虽然它们在1/2的崩溃点下产生鲁棒性,但当假设的概率模型正确时,所得参数估计也是有效的。我们证明了一个类似的属性持有基于概率的贝叶斯推断。我们进一步表明,在贝叶斯设置,它也可以扩展这些方法,以robustify回归模型,随机效应分布和其他层次模型。这些方法在真实世界的数据上得到了证明。
2012-11-26 stat.ME
Model-robust Inference for Seamless II/III Trials with Covariate Adaptive Randomization
HKUST(香港科技大学)
本文提出了一种基于广义线性模型的模型鲁棒框架,用于无缝II/III试验,通过调整Wald检验和多重比较程序,实现对不同结果类型和随机化方案的有效推断。
2025-12-16 stat.ME
Robust Bayesian high-dimensional variable selection and inference with the horseshoe family of priors
针对重尾误差下高维稳健回归的推断难题,本文构建采用 horseshoe 先验族和高效 Gibbs 抽样的贝叶斯层次模型,证明其在选择、估计与可信区间推断上优于替代方法。
2025-07-22 stat.ME
Robust Bayesian Inference for Censored Survival Models
本文针对删失生存数据提出稳健贝叶斯加速失效时间模型,通过广义伽马分布尺度混合引入超厚尾混合密度,理论证明完全后验稳健性,开发高效MCMC算法,经数值实验和真实数据验证性能。
2025-04-15 stat.ME
A statistician's guide to weak-instrument-robust inference in instrumental variables regression with illustrations in Python
本文概述工具变量回归中弱工具变量稳健推断的相关结果,介绍其在Python的ivmodels软件包中的实现并提供实例展示。
2025-08-17 econ.EM stat.ME
Why Is the Double-Robust Estimator for Causal Inference Not Doubly Robust for Variance Estimation?
Vanderbilt University Medical Center(范德堡大学医学中心);UCSD Herbert Wertheim School of Public Health and Human Longevity Science(加州大学圣地亚哥分校赫伯特·韦特海姆公共卫生与人类长寿科学学院);University of Florida(佛罗里达大学)
本文探讨了因果推断中双重稳健估计器在方差估计中的局限性,并提出混合框架方法以实现有效推断。
2025-11-22 stat.ME
Doubly robust estimation and inference for a log-concave counterfactual density
针对含二元/离散处理的观测数据因果推断问题,提出带对数凹形状约束的反事实密度双重鲁棒估计量,证明其一致性并构建逐点置信区间与置信带,为分布差异分析提供工具。
2024-12-12 stat.ME