Appropriate use of parametric and nonparametric methods in estimating regression models with various shapes of errors
本文提出了一种实用的回归模型估计方法，它采用半参数有效得分函数，适用于具有各种形状误差的数据。首先，我推导出半参数有效的分数向量的同方差回归模型没有任何假设的错误。接下来，可以根据误差分布的形状假设误差的特定参数分布或者通过非参数地估计误差分布来修改半参数有效得分函数。误差的非参数方法可用于估计感兴趣的参数或找到适当的参数误差分布。在这方面，所提出的估计方法适当地利用参数和非参数方法的误差。通过数值研究，所提出的估计方法的性能进行了论证。
2023-01-20 stat.ME
Estimating Semi-parametric Panel Multinomial Choice Models using Cyclic Monotonicity
本文提出了一种新的半参数识别和估计方法，在面板数据设置与个人固定效应的多项选择模型。我们的方法是基于循环单调性，这是一个定义功能的随机效用框架下的多项式选择模型。从循环单调性的性质，我们得到识别不等式，而不需要任何形状限制的随机效用冲击的分布。这些不等式指出在对协变量的直接假设下识别模型参数。基于这些不等式，我们提出了一个相合估计量.
2016-04-20 stat.ME
Semi-parametric generalized estimating equations for repeated measurements in cross-over designs
开发了在每个时期内重复测量的交叉设计模型。它是使用广义估计方程的扩展获得的，广义估计方程包括用于对处理效应进行建模的参数分量和用于对时间和残留效应进行建模的非参数分量;非参数分量的估计方法基于样条。进行了模拟研究，探索模型的属性。因此，当存在结转效应或功能性时间效应时，所提出的模型比标准模型呈现出更好的结果。其中的理论性质，解决方案被发现是类似于加权最小二乘。因此，可以进行模型诊断，以适应多元回归的结果。所提出的方法在交叉实验的数据集中实施，这些实验激发了这项工作的方法：兔子的收缩压和胰岛素。
2022-09-12 stat.ME
Maximum likelihood and pseudo score approaches for parametric time-to-event analysis with informative entry times
我们开发了一个极大似然估计方法的时间到事件的Weibull回归模型与结果依赖的抽样，其中采样的主题是依赖于剩余的时间的分数，以发展的兴趣事件。此外，我们提出了一种两阶段的方法，该方法通过迭代估计，通过一个伪分数，威布尔参数的兴趣（即，回归参数）的条件下的抽样权重的逆概率;然后重新估计这些权重（给定更新的威布尔参数估计值）通过剖析的全似然。这两种新的方法，估计的抽样机制参数和威布尔参数的一致性估计的条件参照分布的正确规范。回归参数的标准误直接通过反转全似然规范中的观测信息矩阵以及通过计算混合伪得分/轮廓似然方法的自举或稳健标准误来获得。被认为是与后一种方法的效率损失。鲁棒性所提出的方法的错误指定的转诊机制和时间到事件的分布也简要检查。此外，我们展示了如何将我们的方法扩展到由广义Γ分布表征的参数时间-事件分布族。这两种方法的动机来自于爱丁堡肝脏诊所的丙型肝炎病毒感染患者肝硬化的时间数据。我们在这里分析这些数据。
2014-07-31 stat.AP
Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks
Carnegie Mellon University（卡内基梅隆大学）
我们描述了一种新的方法来估计相对风险的时间到事件的预测问题与删失数据在一个完全参数的方式。我们的方法不需要作出强有力的假设，恒定的比例风险的基本生存分布，所需的考克斯比例风险模型。通过联合学习输入协变量的深度非线性表示，我们通过在具有不同删失水平的多个真实世界数据集上进行广泛实验，证明了我们的方法在用于估计生存风险时的优势。我们进一步展示了我们的模型在竞争风险场景中的优势。据我们所知，这是第一个工作涉及完全参数估计的生存时间与竞争风险的存在删失。
2021-06-09 cs.LG stat.AP stat.ML
A parametric framework for assessing and estimating sufficient follow-up time in cure models
Federal University of São Carlos（圣卡洛斯联邦大学）；Institute of Mathematics and Computer Sciences（数学与计算机科学学院）；University of São Paulo（圣保罗大学）；MRC Biostatistics Unit（医学研究委员会生物统计单元）；University of Cambridge（剑桥大学）
本研究提出统一参数框架，结合随访充分性检验与两种容忍度准则，通过模拟验证性能并应用于癌症数据，实现治愈模型中随访充分性评估与所需时间估计的统一。
2026-08-12 stat.ME
Estimating treatment effects with a unified semi-parametric difference-in-differences approach
Vanderbilt University（范德堡大学）；University of Southern California（南加州大学）
本文提出一种统一的半参数双重差分方法，基于累积概率模型在单一平行趋势假设下同时估计平均、分位数、概率及Mann-Whitney处理效应，避免结果变换并应用于医疗补助扩展研究。
2026-10-20 stat.ME
On estimating extremal dependence structures by parametric spectral measures
在可用数据稀疏的情况下，通常需要估计极值copula。因此，参数方法可能是首选方法。定义参数族的一种可能的方法是简单的，同时，涵盖了各种各样的多元极值依赖结构是建立基于谱测量的模型。这里考虑这种方法。谱测度的参数族被定义为适当基元的凸包，参数通过在这些有限维空间上投影初始非参数估计来估计。得到了估计参数的渐近分布以及谱测度和极值copula的估计。有限样本的性质说明了模拟研究。
2013-01-27 math.ST stat.ME stat.TH
A simple sensitivity analysis method for unmeasured confounders via linear programming with estimating equation constraints
针对观察性研究中未测量混杂与倾向评分模型误设导致的偏倚，本文提出以估计方程为约束、用线性规划构造平均处理效应最坏情况界的简单敏感性分析方法。
2023-12-07 stat.ME
Non-Parametric Estimation Techniques of Factor Copula Model using Proxies
针对因子 copula 模型中连接 copula 难以准确估计的问题，本文提出基于核密度估计的非参数方法，证明其在温和条件下的一致性，并通过模拟验证有效性。
2025-10-21 stat.ME
Estimating Individual Treatment Effects using Non-Parametric Regression Models: a Review
University College London（伦敦大学学院）
在卫生、经济和社会科学等学科中，大量的观测数据越来越多，研究人员对因果问题而不是预测感兴趣。在本文中，我们研究的问题，估计异质性处理效应使用非参数回归为基础的方法，从一个实证研究，旨在调查参与学校供餐计划对健康指标的影响。首先，我们介绍了与观察或非完全随机化数据进行因果推断相关的设置和问题，以及如何在统计学习工具的帮助下解决这些问题。然后，我们回顾并开发了一个统一的分类现有的国家的最先进的框架，允许个人处理效应估计通过非参数回归模型。在简要概述了模型选择的问题后，我们说明了一些方法在三个不同的模拟研究中的性能。最后，我们通过对学校供餐计划数据的实证分析，展示了一些方法的使用。
2021-11-23 cs.LG stat.ME stat.ML
Estimating Causal Moderation Effects with Randomized Treatments and Non-Randomized Moderators
研究人员通常对分析条件性处理效应感兴趣。其中一个变体是“因果调节”，这意味着对第三个（调节剂）变量的干预将改变处理效应。本研究认为，在何种条件下，因果温和可以确定，并提出了一个广义的框架，估计因果温和的随机治疗和非随机主持人的影响。作为估计过程的一部分，它允许研究人员实施他们首选的协变量调整方法，包括参数和非参数方法，或他们选择的替代识别策略。此外，它提供了一个设置，从而设计的平均治疗效果的背景下，敏感性分析可以扩展到适度的背景下。为了说明的方法，研究提出了两个应用程序：一个处理的效果使用术语“福利”来描述在美国的公共援助，和一个处理的效果寻求庇护者的宗教对欧洲人的态度寻求庇护者。
2020-08-24 stat.ME
Heterogeneous interventional indirect effects with multiple mediators: non-parametric and semi-parametric approaches
本文针对因果顺序未知的两个离散中介变量，提出基于影响函数的半参数方法和完全非参数方法估计条件干预间接效应，并给出敏感性分析及COVID-19疫苗接种对抑郁影响的实证应用。
2023-04-18 stat.ME
Simulation study to evaluate when Plasmode simulation is superior to parametric simulation in estimating the mean squared error of the least squares estimator in linear regression
该研究以线性回归最小二乘估计量的均方误差估计为场景，对比参数模拟与Plasmode模拟的性能，探究假设偏差等因素对两类模拟的影响，明确了不同场景下的优选模拟方法及Plasmode模拟的适用重采样策略。
2025-06-17 stat.CO stat.ME
A semi-parametric approach for estimating consumer valuation distributions using second price auctions
University of Florida（佛罗里达大学）；LinkedIn Inc（领英公司）
本文提出一种无需调参的半参数方法，利用第二价格拍卖数据估计消费者估值分布，以帮助卖家优化定价策略。
2026-02-20 cs.GT stat.AP stat.ME
Non parametric estimation of joint, Renyi-Stallis entropies and mutual information and asymptotic limits
本文提出了一种估计一对离散随机变量的联合概率质量函数的新方法。利用该估计量构造了一对离散随机变量的联合Shannon Rényi-Tsallis熵和互信息估计.建立了几乎处处相合定理和中心极限定理。我们的理论结果是通过模拟验证。
2020-01-11 stat.ME
The empirical likelihood prior applied to bias reduction of general estimating equations
在现代统计文献中，在贝叶斯型过程的构造中采用经验似然（EL）分量代替参数似然函数的做法已经得到了很好的解决。我们严格推导出EL先验，杰弗里斯型先验，渐近最大化数据和参数之间的香农互信息。我们的方法的重点是基于EL的后验和先验密度函数之间的集成Kullback-Leibler距离。EL先验密度是对应的后验形式与EL的差异渐近可忽略的密度函数。我们表明，所提出的结果可以用来开发一种方法，用于减少一般估计方程和M-估计方案的解决方案的渐近偏差，通过删除一阶项。这种技术是以类似的方式开发的方法，用于减少渐近偏差的最大似然估计，通过惩罚其Jeffreys不变先验的基本参数似然。一个与心肌梗死研究相关的真实数据示例说明了所提出的技术在实际方面的吸引力。保留字：渐近偏差，有偏估计方程，经验似然，期望Kullback-Leibler距离，惩罚似然，参考先验。
2018-08-19 stat.ME
A Non-parametric Direct Learning Approach to Heterogeneous Treatment Effect Estimation under Unmeasured Confounding
针对无未测量混杂假设在实际研究中难以满足的问题，提出借助工具变量估计存在未测量混杂时条件平均处理效应的通用框架，构建了更高效稳健的估计量，并通过模拟与真实数据验证了有效性。
2024-10-08 stat.ME
Estimating the True Effect Size Distribution with SIMEX
Stanford（斯坦福大学）；Meta
针对大规模在线实验含噪声效应估计的问题，提出基于SIMEX的非参数方法，可从已知方差的估计平均处理效应中估计真实效应分布，性能接近参数经验贝叶斯方法，为表征效应量分布提供灵活途径。
2026-08-26 stat.ME
Estimating Longitudinal Causal Effects with Unobserved Noncompliance Using a Semi-Parametric G-computation Algorithm
受试者不依从，即受试者不遵循指定的治疗方案，通常掩盖了随机试验中治疗和处理效应之间的因果关系。在纵向设置中，G计算算法可以调整混杂以估计因果效应。通常，G计算假设1）观察到符合性; 2）可以正确指定混杂因素的密度。我们的目标是开发一个G-计算估计的设置，这两个假设都违反。对于1），我们用从与依从性相关的生物标志物建模中推导出的概率权重来代替未观察到的依从性。对于2），我们使用预测均值匹配拟合半参数模型。具体来说，我们参数化地指定混杂因素的条件平均值，然后使用预测平均值匹配来随机生成用于G计算的混杂数据。在模拟和应用中，我们比较了多个因果估计已经建立在文献中与那些来自我们的方法。对于模拟，我们生成了不同样本量和混杂水平的数据。对于应用，我们将我们的方法应用于试图评估低尼古丁香烟对香烟消费的影响的试验（香烟中尼古丁评估中心项目2 - CENIC-P2）。
2023-02-08 stat.AP stat.ME
Flexible parametric bootstrap for testing homogeneity against clustering and assessing the number of clusters
聚类分析中有两个众所周知的难题，即估计聚类数量和检查待聚类的总体是否实际上不同质。给定一个数据集，聚类方法和聚类验证指数，本文提出建立空模型，捕捉不能被解释为指示聚类的数据的结构特征。人工数据集从空模型中采样，参数从原始数据集估计。这可用于检验同质总体相对于聚类备选方案的原假设。它还可以用于校准验证指数，以估计聚类数，通过考虑任何给定数量的聚类的空模型下的指数的预期分布。该方法说明了三个例子，涉及各种不同的聚类技术（分割围绕medoids，分层方法，高斯混合模型），验证指标（平均轮廓宽度，预测强度和BIC），和问题，如混合类型的数据，时间和空间自相关。
2015-02-09 stat.ME
Estimating menarcheal age distribution from partially recalled data
在一项横断面研究中，青少年和年轻成年女性被要求回忆初潮的时间，如果经历过。一些受访者准确地回忆起了日期，一些人只记得事件发生的月份或年份，还有一些人无法回忆起任何事情。我们考虑估计月经初潮年龄分布从这个区间删失数据。事件发生时的年龄和日历时间之间复杂的相互作用，以及记忆随时间衰退的明显事实，使审查信息。我们提出了一个模型，其中各种类型的召回的概率将取决于自初潮的时间。对于参数估计，我们使用多项式回归函数对这些概率进行建模。建立参数极大似然估计的一致性和渐近正态性需要对标准渐近理论进行一些调整，因为数据格式因情况而异。我们还提供了一个非参数极大似然估计，提出了一个计算上更简单的近似，并建立在温和的条件下，这两个估计的一致性。我们通过蒙特卡罗模拟研究了参数和非参数估计的小样本性能。此外，我们提供了一个图形检查的多项模型的假设的召回概率，这似乎举行月经期的数据集。我们的分析表明，使用部分回忆的数据部分确实会导致生存函数的较小置信区间。
2019-03-03 stat.AP stat.ME
Finite Sample Hypothesis Tests for Stacked Estimating Equations
假设有两个未知参数，每个参数都是一个估计方程的解，其中一个参数的估计方程依赖于另一个参数。这些参数可以通过“叠加”它们的估计方程并同时求解两个参数来联合估计。渐近置信区间很容易用于堆叠估计方程。我们引入了一个基于Bootstrap的假设检验堆叠估计方程，不依赖于渐近近似。检验统计量的构造方法是将样本一分为二，估计部分样本的第一个参数，然后将结果代入第二个估计方程，使用剩余样本求解下一个参数。为了减少单一分割的模拟变异性，我们重复分割样本并取所有估计值的样本均值。对于参数模型，我们导出了样本分裂估计的极限分布，并证明了它们与叠层估计方程是等价的。
2019-08-11 stat.ME
Targeted Maximum Likelihood Estimation using Exponential Families
目标极大似然估计（TMLE）是半参数和非参数模型参数估计的一种常用方法。TMLE的每次迭代涉及拟合以感兴趣的参数为目标的参数子模型。我们研究使用指数族来定义参数子模型。TMLE的这种实现给出了一种估计非参数模型中任何光滑参数的一般方法。该方法的计算优点在于TMLE的每次迭代涉及指数族中的参数的估计，这是凸优化问题，对于该凸优化问题存在实现可靠且计算高效的方法的软件。我们说明了三个估计问题的方法，涉及的结果随机缺失的平均值，中位数回归模型的参数，和连续曝光的因果关系，分别。我们进行了一个模拟研究，比较不同的选择参数子模型，集中在这些问题的第一个。据我们所知，这是第一次研究调查的鲁棒性TMLE不同规格的参数子模型。我们发现，子模型的选择可以有一个重要的影响有限样本中的估计的行为。
2014-06-02 stat.ME
Some recent developments in statistics for spatial point patterns
本文回顾了在过去十年中获得的空间点过程统计的发展。这些发展包括新的类的空间点过程模型，如行列式点过程，模型结合了规律性和聚集，模型点随机分布在潜在的几何结构。关于参数推断的主要重点是各种类型的估计功能来自所谓的创新措施。这种估计函数的最优性进行了讨论，以及计算问题。还简要地讨论了定点过程的极大似然推断和贝叶斯推断。关于非参数推理，我们认为扩展功能汇总统计量的情况下，非齐次点过程以及新的方法，以模拟为基础的推理。
2016-09-04 stat.ME
Minimax wavelet estimation for multisample heteroscedastic non-parametric regression
研究了从多采样噪声曲线中估计基线信号的问题。本文考虑了功能性混合效应模型，假设功能性固定效应属于Besov类。这个框架允许我们对可能表现出强烈不规则性的曲线进行建模，例如峰值或跳跃。提供了$L_2$极小极大风险的下限，以及极小极大比率的上限，该上限是通过构建函数固定效应的小波估计量推导出来的。我们的工作构成了多样本非参数回归的第一个理论结果。我们的方法说明了现实的模拟数据集以及实验数据。
2015-11-14 stat.ME
Semi-parametric inference based on adaptively collected data
UC Berkeley（加州大学伯克利分校）；Rutgers University（罗格斯大学）；MIT（麻省理工学院）；Data Science Center（数据科学中心）
针对自适应收集数据下标准估计量无法渐近正态的难题，本文在半参数广义线性回归背景下构建加权估计方程，给出渐近正态性条件与可探索性要求，并通过模拟验证理论。
2025-03-02 cs.LG math.ST stat.ME
A Graph-based Approach to Estimating the Number of Clusters in High-dimensional Settings
本研究针对高维场景下的聚类数估计问题，提出了一种基于相似性图的非参数方法，构建的稳健统计量适用于任意维度、计算高效且可搭配各类聚类技术，理论上具备选择一致性，实验表现优于现有方法，并在多类数据集上验证了实用性。
2025-06-12 stat.ME
Bayesian Sequential Experimental Design for a Partially Linear Model with a Gaussian Process Prior
研究了在高斯过程先验下估计部分线性模型参数分量的序贯试验设计问题。我们考虑一个主动学习设置，实验者自适应地决定收集哪些数据，以有效地实现他们的目标。实验者的目标可能会有所不同，例如降低分类错误概率或提高估计数据生成过程的参数的准确性。本研究旨在提高部分线性模型参数分量估计的精度。在某些假设下，部分线性模型的参数分量可被视为因果参数，即平均处理效应（ATE）或平均因果效应（ACE）。我们提出了一个贝叶斯序贯试验设计算法的部分线性模型与高斯过程先验，这也被认为是一个序贯试验设计定制的ATE或ACE的估计。我们通过数值实验的基础上合成和半合成数据所提出的方法的有效性。
2022-11-04 stat.ME
Estimating Stochastic Production Frontiers: A One-stage Multivariate Semi-Nonparametric Bayesian Concave Regression Method
本文描述了一种方法来估计生产前沿，满足公理的单调性和单调性在非参数贝叶斯设置。一个低效率的长期，允许显着偏离先前的分布假设，在一个单一的阶段与参数先验假设联合估计。我们通过局部超平面收缩超参数将异方差引入到无效项中，并使用有界约束的局部非线性回归来施加单调性。我们的最小超平面估计量施加了。我们的蒙特卡罗模拟实验表明，前沿和效率估计是有竞争力的，经济合理的，并允许分析更大的数据集比现有的非参数方法。我们使用2007-2010年日本混凝土行业的数据验证了所提出的方法。结果表明，在这段时间内，效率水平保持相对较高。
2015-10-06 stat.AP stat.ME
Clustering Data with Nonignorable Missingness using Semi-Parametric Mixture Models
我们关注的是聚类连续数据集受到不可分割的缺失。我们进行聚类与特定的半参数混合，在给定的组件的条件独立的假设下。混合模型用于聚类，而不是用于估计全部变量（观察到的和未观察到的）的密度，因此我们不需要对成分分布进行其他假设，也不需要指定缺失机制。估计是通过最大限度地扩大平滑的可能性，允许遗漏。这种优化是通过一个优化-最小化算法。我们通过数值实验说明了我们的方法的相关性。在温和的假设下，我们证明了模型的可识别性，定义了观测数据的分布和算法的单调性。我们还提出了一个扩展的混合类型的数据，我们说明了一个真正的数据集的情况下，这种新方法。
2021-07-16 stat.ME
Non-parametric generalised newsvendor model
在经典的报童模型中，分段线性短缺和超额成本被平衡以确定最优订购量。然而，对于关键的易腐商品，成本的严重性可能远远超过线性。在本文中，我们讨论了一个推广的报童模型与分段多项式成本函数，以适应其严重性。此外，随机需求已被假定为遵循一个完全未知的概率分布。随后，非参数估计的最优订货量已被开发从一个随机多项式型估计方程使用随机样本的需求。证明了当真实最优订货量唯一时，估计量的强相合性。该结果已被推广到的情况下，多个解决方案的最优订货量是可用的。通过大量的仿真实验，研究了估计的最优订货量的存在概率。仿真结果表明，非参数方法提供了鲁棒而有效的估计的最优订货量的均方误差。
2021-06-30 stat.ME
Estimating Copula and Test of Independence based on a generalized framework of all rank-based Statistics in Bivariate Sample
Copula是完全捕捉随机变量之间的依赖结构的数学对象，因此，在构建多变量随机模型时提供了很大的灵活性。在统计学中，Copula是一种用公式表示多元分布的通用方法，可以表示各种一般类型的依赖关系。在二元样本的情况下，估计Copula的概念与检验二元样本的独立性密切相关，因为当二元样本的分量独立时，Copula就变成了两个均匀分布的简单乘积。因此，除了Copula的非参数估计，我们还认为引入一些非参数检验以更好地理解Copula在解释成分之间的关联时的本质是相关的。事实上，我们将开发一个通用的多变量统计，从而产生一个更大的类的非参数秩为基础的统计。这类统计量可用于估计和检验双变量样本中存在的关联。我们选择了一些有代表性的统计数据，并比较了他们的权力，在测试独立性，使用模拟作为尝试，选择最好的候选人在该类中。
2013-09-28 math.ST stat.ME stat.TH
Exploratory data analysis for moderate extreme values using non-parametric kernel methods
在许多情况下，准确地模拟随机过程的极端尾部行为至关重要。非参数密度估计方法通常作为探索性数据分析技术来实现，因为它们具有良好的可视化特性，并且可以自然地避免使用参数估计所隐含的模型规格偏差。特别是，基于核的估计器对数据进行了最小假设，并在散点图和直方图上提供了改进的可视化。然而，已知核密度估计器在估计极端尾部行为时表现不佳，这在感兴趣的过程行为高于某个大阈值时很重要，并且它们可能过度强调重尾数据的密度中的颠簸。在这篇文章中，我们开发了一个变换核密度估计，并证明其平均积分平方误差（MISE）的效率是等同于标准的，非尾聚焦核密度估计。数值研究中说明了估计性能，并在一个众所周知的全球气候模式的能力，重现在澳大利亚悉尼观测到的极端温度的扩展分析。
2017-12-06 stat.ME
Handling missing data when estimating causal effects with Targeted Maximum Likelihood Estimation
本文通过模拟研究评估了TMLE因果推断中八种缺失数据处理方法，发现包含交互项和非线性项的参数多重填补方法在多数情景下偏倚和方差表现最佳。
2024-05-03 stat.AP stat.ME
Estimating Bayesian Optimal Treatment Regimes for Dichotomous Outcomes using Observational Data
最佳治疗方案（OTR）是个体化治疗分配策略，在给定个体所有可用背景信息的情况下，将医学治疗确定为最佳。我们讨论贝叶斯最优治疗方案估计使用的损失函数定义的二元分布的二分潜在的结果。所提出的方法允许考虑OTR的比预期结果的最大化更一般的目标（例如，生存概率），例如考虑不必要的治疗负担。作为一个激励性的例子，我们考虑口咽癌治疗的情况下，由于化疗不必要的负担是要避免，同时最大限度地提高生存机会。假设可验证的治疗分配，我们描述了关于OTR的贝叶斯推断，包括对潜在结局未观察到的部分相关性的敏感性分析。我们评估的方法，应用贝叶斯参数和更灵活的非参数结果模型的模拟。拟议的口咽癌OTR将更繁重的化疗分配频率降低了约75%，而不会降低平均生存概率。因此，该方案大大提高了患者的预期生活质量。
2018-09-28 stat.ME stat.ML
A Pseudo-likelihood Approach to Under-5 Mortality Estimation
针对中低收入国家现有儿童死亡模式估计方法表现不佳的问题，提出参数与非参数伪似然法，从复杂调查数据估计5岁以下儿童死亡率，验证了参数法在数据稀疏场景的优势及在中低收入国家的适用性。
2024-08-15 stat.AP stat.ME
Bridging Parametric and Nonparametric Methods in Cognitive Diagnosis
针对认知诊断中参数化与非参数化估计方法割裂的问题，提出统一估计框架、迭代联合算法及一致性证明，并通过仿真比较给出使用建议。
2022-06-09 stat.AP stat.ME
Estimating Mixture Entropy with Pairwise Distances
混合分布出现在许多参数和非参数设置中-例如，在高斯混合模型和非参数估计中。通常需要计算混合物的熵，但在大多数情况下，这个量没有封闭形式的表达式，因此需要某种形式的近似。我们提出了一个家庭的估计的基础上的成对距离函数的混合成分，并表明，这种估计类有许多有吸引力的性质。对于许多感兴趣的分布，所提出的估计是有效的计算，可微的混合参数，并成为准确的混合成分时，聚类。我们证明了这个家庭包括下限和上限的混合熵。当被选择为距离函数时，Brackoff $α$ -发散给出了一个下限，其中Bhattacharyya距离为对称的组件和位置族的成员提供了最紧的下限。当用作距离函数时，Kullback-Leibler散度给出了上限。我们提供了封闭形式的表达这些界限的混合高斯，并讨论其应用程序的互信息的估计。然后，我们证明，我们的界限显着更紧比众所周知的现有的界限，使用数值模拟。这个估计器类在涉及熵和互信息的最大化/最小化的优化问题中非常有用，例如MaxEnt和率失真问题。
2018-08-22 cs.IT math.IT stat.ME
Estimating heterogeneous treatment effects with right-censored data via causal survival forests
Zhejiang University（浙江大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Stanford University（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基于森林的方法最近在非参数处理效应估计中得到普及。在这一工作的基础上，我们引入了因果生存森林，它可用于估计异质性处理效应的生存和观察设置的结果可能是右删失。我们的方法依赖于正交估计方程，以鲁棒地调整下unconfoundness的删失和选择效果。在我们的实验中，我们发现我们的方法相对于一些基线表现良好。
2023-02-28 cs.LG stat.ME stat.ML
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下，匹配和加权方法被广泛用于估计因果量，包括对治疗者的平均处理效应（ATT）。不幸的是，这些方法不一定能实现其目标，即使对照组的协变量的多变量分布与治疗组的协变量分布相同，使两组之间的协变量的一些（潜在的多变量）函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时，对观察到的协变量的调节失败，ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求，特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中，这意味着一组基函数，其中该回归曲面是线性的。然后在对照单位上选择权重，使得处理组和对照组在这些基函数上具有相等的平均值。因此，在加权后，治疗组和对照组的非治疗潜在结局的预期也必须相等，允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外，所产生的权重是（1）精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重，以及（2）等同于一种形式的稳定化反向倾向得分加权，尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST stat.AP stat.ME
An R package for parametric estimation of causal effects
该研究推出R包CausalModels，整合了Hernan与Robins提出的传统统计因果推断方法，提供无需深厚统计知识即可处理观测数据偏差的工具，搭建了多方法统一建模的易用框架。
2023-07-18 cs.LG cs.MS stat.AP
Estimating the Random Effect in Big Data Mixed Models
我们考虑了高维高斯线性混合模型中的三个问题。在不对固定效应设计作任何假设的情况下，我们构造了一个渐近$F$ -统计量来检验随机效应的集合是否为零，推导了单个随机效应在参数率$\sqrt{n}$下的渐近置信区间，并提出了ANOVA型模型中部分均值向量的经验贝叶斯估计，它的渐近性能与oracle贝叶斯估计一样好.我们支持我们的结果与数值模拟，并提供与Oracle估计比较。开发的程序适用于国际数学和科学研究（TIMSS）的数据趋势。
2019-07-27 math.ST stat.ME stat.TH
Flexible domain prediction using mixed effects random forests
针对小区域样本量不足下的空间指标估计问题，提出基于混合效应随机森林的小区域均值估计框架及非参数bootstrap不确定性估计方法，经数据验证和仿真对比，效果优于传统回归方法。
2022-06-03 stat.AP stat.ME
Correlation structure and variable selection in generalized estimating equations via composite likelihood information criteria
广义估计方程（GEE）方法是生物统计学文献中分析纵向二进制和计数数据的常用方法。它假设结果变量为广义线性模型（GLM），重复测量之间存在工作相关性。在本文中，我们介绍了一个可行的竞争对手：加权评分法的GLM利润。我们使用一个离散化的多元正态模型，这是一个适当的多元模型的单变量得分方程的权重。由于加权评分法是一种基于似然的参数化方法，我们提出了复合似然信息准则作为模型选择的中间步骤。相关性结构和变量选择可以使用相同的标准。仿真研究和应用实例表明，该方法优于现有的GEE模型选择方法。从实例中可以看出，我们的方法允许正确的分析，并可能改变推理结果。
2015-11-27 stat.AP stat.ME
Estimating Extreme Wave Surges in the Presence of Missing Data
针对分块最大值框架下数据缺失导致GEV参数估计有偏的问题，提出多种参数建模方法，并通过模拟与加拿大沿海实例验证其性能。
2025-06-19 stat.AP stat.ME
Non-parametric Quantile Regression via the K-NN Fused Lasso
分位数回归是用于估计响应变量的条件分位数的统计方法。此外，对于均值估计，众所周知，分位数回归比基于$l_2$的方法对离群值更稳健。通过在$K$ -最近邻图上使用融合套索惩罚，我们提出了一种非参数设置下的自适应分位数估计。我们表明，估计达到最佳的$n^{-1/d}$率的对数因子，温和的假设下的数据生成机制的$d$维数据。我们开发算法来计算估计量和讨论方法的模型选择。模拟和真实数据的数值实验表明，所提出的估计的最先进的方法的国家的明显优势。
2021-08-17 math.ST stat.ME stat.TH
Non parametric estimation of causal populations in a counterfactual scenario
Dauphine-PSL University（巴黎第九大学-巴黎文理大学）
在因果关系中，估计治疗的效果而不混淆推断仍然是一个主要问题，因为需要评估治疗和不治疗两种情况下的结果。由于不能同时观察这两种情况，估计潜在结果仍然是一项具有挑战性的任务。我们提出了一种创新的方法，将问题重新表述为缺失的数据模型。目的是估计\emph{causal populations}的隐藏分布，定义为治疗和结局的函数。因果自动编码器（CAE），增强了依赖于治疗和结果信息的先验，同化潜在空间的目标人群的概率分布。特征在被减少到潜在空间并受到网络中间层中引入的包含治疗和结果信息的掩模的约束后被重建。
2021-12-08 cs.LG stat.ME
Estimating Transfer Entropy via Copula Entropy
Hitachi (China) Research & Development Corporation（日立（中国）研究开发有限公司）
因果发现是统计学中的一个基本问题，在各个领域有着广泛的应用。传递熵是度量因果关系的一个重要概念，其本质是条件互信息。Copula Entropy（CE）是一种度量统计独立性的理论，与MI是等价的.在本文中，我们证明了TE可以表示只有CE，然后提出了一个非参数的方法估计TE通过CE。将该方法应用于北京PM2.5数据的实验分析。实验结果表明，该方法可以有效地从数据中推断因果关系，从而有助于更好地理解数据。
2021-03-06 cs.IT cs.LG math.IT
Non-Parametric Goodness-of-Fit Tests Using Tsallis Entropy Measures
本研究基于Tsallis熵提出非参数拟合优度检验新方法，搭配形状参数迭代估计算法，提升重尾与非高斯场景下的检验精度，为多领域提供稳健的分布检验工具。
2025-06-17 math.ST stat.ME stat.TH
Quasi-parametric rates for Sparse Multivariate Functional Principal Components Analysis
本文给出了多元随机过程第一主成分估计的非渐近结果。我们首先定义多元情形下的协方差函数和协方差算子。然后我们定义一个投影算子。该运算符可以被视为在功能数据分析上下文中从原始数据的重建步骤。接下来，我们表明，本征元素可以表示为一个优化问题的解决方案，我们介绍了LASSO变量的优化问题和相关的插件估计。最后，我们评估估计的准确性。我们建立了一个极小极大下界的均方重构误差的特征元素，这证明了该程序有一个最佳的方差在极小极大意义下。
2022-12-19 math.ST stat.ME stat.ML
Explaining predictive models using Shapley values and non-parametric vine copulas
用于预测解释的Shapley值的最初发展依赖于所描述的特征是独立的假设。如果现实中的特征是依赖的，这可能导致不正确的解释。因此，最近已经尝试适当地建模/估计特征之间的依赖性。虽然所提出的方法明显优于传统的方法假设独立，他们有自己的弱点。在本文中，我们提出了两种新的方法来模拟功能之间的依赖关系。这两种方法都是基于藤copulas，这是灵活的工具，建模多元非高斯分布，能够覆盖范围广泛的复杂的依赖关系。所提出的方法的性能进行评估模拟数据集和真实数据集。实验结果表明，藤蔓copula方法比它的竞争对手更准确地逼近真实的Shapley值。
2021-02-12 cs.LG stat.ME stat.ML
