Propensity Score Analysis with Matching Weights
倾向得分分析是观察性研究中研究因果处理效应最广泛使用的方法之一。本文研究了用匹配权法估计处理效应。这种方法类似于倾向得分匹配,但提供了许多新的功能,包括有效的估计,严格的方差计算,简单的渐近性,平衡的统计检验,明确识别的目标群体具有最佳的抽样性质,并且不需要选择匹配算法和卡尺大小。此外,我们建议镜像直方图作为一个有用的工具,以图形方式显示平衡。该方法还具有逆概率加权方法的一些特征,但当倾向得分接近0或1时,计算保持稳定。匹配权重估计器的增强版本被开发为具有双重鲁棒性,即,如果结果模型或倾向得分模型是正确的,则估计器是一致的。在数值研究中,所提出的方法表现出更好的性能比许多广泛使用的倾向得分分析方法,如分层的五分之一,匹配的倾向得分,和逆概率加权。
2011-05-15 stat.ME
Stein's unbiased risk estimate and Hyvärinen's score matching
该研究发现Hyvärinen的隐式得分匹配与Stein无偏风险估计(SURE)等价,首次证明SURE在经验贝叶斯设定中实现近乎参数化收敛率,错误设定下性能优于NPMLE。
2026-10-14 math.ST stat.ME stat.ML
Likelihood-Free Inference via Structured Score Matching
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Maryland, College Park(马里兰大学帕克分校)
本文提出结合分数匹配与梯度优化的无似然推断框架,通过定制化分数匹配估计器和架构正则化方案,提升参数估计精度与可扩展性,并通过实验验证其有效性。
2026-03-30 stat.ME
On Stein's Identity and Near-Optimal Estimation in High-dimensional Index Models
本文研究了高维非高斯情形下半参数多指标模型的参数分量估计问题。这样的模型形成了一类丰富的非线性模型,其应用于信号处理、机器学习和统计。我们的估计利用得分函数的基础上的第一和第二阶斯坦的身份,并不需要协变量,以满足高斯或椭圆对称假设常见的文献。此外,为了处理重尾的得分函数和响应,我们的估计量是通过仔细地对它们的经验对应物进行阈值化来构造的。我们表明,我们的估计达到了近最佳的统计收敛速率在几个设置。我们通过证实理论的模拟实验补充了我们的理论结果。
2018-07-17 math.ST stat.ME stat.ML
Graphical Models for Non-Negative Data Using Generalized Score Matching
在估计概率密度函数的参数时,一个常见的挑战是归一化常数的棘手性。虽然在这种情况下,可以使用数值积分来实现极大似然估计,但是该方法在计算上变得密集。相比之下,Hyvärinen(2005)的得分匹配方法避免了直接计算归一化常数,并为$\mathbb{R}^m$上的连续分布的指数族提供了封闭形式的估计。Hyvärinen(2007)将该方法扩展到非负正负号$\mathbb{R}_+^m$上支持的分布。在本文中,我们给出了一个广义形式的得分匹配的非负数据,提高了估计效率。我们还将Lin等人的正则化得分匹配方法推广到非负高斯图模型(2016),并改进了理论保证。
2018-02-18 stat.ME
Adjusting for Unmeasured Spatial Confounding with Distance Adjusted Propensity Score Matching
倾向得分匹配是观察性研究中调整观察到的混杂因素的常用工具,但已知在存在未测量混杂因素时存在局限性。在许多情况下,研究人员面临的空间索引数据的观测单位的相对位置可以作为一个有用的代理未测量的混杂,根据空间模式的变化。我们开发了一种新的方法,称为距离调整的倾向得分匹配(DAPSm),将单位的空间接近的信息纳入一个倾向得分匹配过程。我们表明,DAPSm可以调整观察到的和一些形式的未观察到的混杂和评估其性能相对于其他几个合理的替代方案,将空间信息纳入倾向得分调整。该方法的动机是,并适用于一个比较有效的调查发电厂减排技术,旨在减少人口暴露于环境臭氧污染。最后,DAPSm提供了一个框架,用于增强一个“标准”的倾向得分分析与空间接近的信息,并提供了一个透明的和原则性的方式来评估优先观察到的混淆调整与空间接近调整的相对权衡。
2017-12-06 stat.ME
Examining the Efficacy of Coarsened Exact Matching as an Alternative to Propensity Score Matching
Washington University in St. Louis(圣路易斯华盛顿大学)
本文指出粗化精确匹配在处理大量协变量时不如倾向分数匹配稳健,因CEM存在残余混杂和模型依赖性问题,而PSM在减少不平衡和应对模型不规范方面表现更优。
2026-01-31 stat.ME
Score-Matching Representative Approach for Big Data Analysis with Generalized Linear Models
我们提出了一种快速有效的策略,称为代表性的方法,大数据分析与广义线性模型,特别是对分布式数据的本地化要求或有限的网络带宽。该方法对给定的海量数据块进行划分,为每个数据块构造一个代表数据点,并利用代表数据点拟合目标模型。就时间复杂度而言,它与文献中的子采样方法一样快。至于效率,它的精度估计参数给定一个均匀的分区是可比的分治方法。通过全面的模拟研究和理论论证,我们得出结论,平均代表(MR)工作良好的线性模型或广义线性模型具有平坦的逆链接函数和适度的连续预测系数。对于一般情况下,我们建议的分数匹配代表(SMR),这可能会提高估计的准确性显着匹配的得分函数值。作为一个说明性的应用程序的航空公司的时间性能数据,我们表明,MR和SMR估计是一样好的完整的数据估计时可用。
2021-12-14 stat.ME
Propensity Score Matching underestimates Real Treatment Effect, in a simulated theoretical multivariate model
倾向得分匹配(PSM)是一种有效的方法,可以减少观察性研究中治疗选择偏倚对因果效应估计的影响。在匹配之后,PSM显著减少了被调查的样本,这可能导致其他可能的偏差。从这个意义上说,我们想分析的行为,这种PSM与其他广泛使用的方法来处理不可比较的群体相比,是多元回归模型(MRM)。蒙特卡罗模拟,以构建具有不同效果的群体,以比较PSM和MRM估计这种效果的行为。还计算了PSM的治疗选择偏倚减少。使用PSM可降低治疗选择偏倚,降低相对真实处理效应估计误差,但尽管降低了偏倚和估计误差,与PSM相比,MRM显著降低了该估计误差。此外,PSM导致样品的不显著减少。这种从匹配过程中获得的信息的丢失可能导致另一个未知的偏差,因此,与MRM相比,效果估计不准确。
2019-01-30 stat.ME
Isotonic propensity score matching
本文提出一种基于等距回归估计倾向得分的一对多匹配估计量,用于估计平均处理效应,解决现有匹配方法的效率、参数选择、稳健性及自举有效性问题。
2025-01-23 econ.EM stat.ME
A deterministic balancing score algorithm to avoid common pitfalls of propensity score matching
倾向得分匹配(PSM)是观察性研究中估计因果效应的事实标准。我们表明,PSM及其实现容易受到几个主要的缺点,并说明这些研究结果与$17,427$患者的案例研究。我们推导出最佳统计匹配算法应满足的四个形式属性,并提出了满足上述属性的精确匹配的确定性平衡分数精确匹配(DBSeM)。此外,我们调查的主要问题之一的PSM,即公共PSM的结果在一个有效的匹配对集或自举PSM在选择可能的有效匹配对集。对于精确匹配,我们提供了数学证明,DBSeM因此提供了所研究数据集的所有有效匹配对集的期望值。
2019-05-17 stat.AP stat.CO stat.ME
Score Matching for Truncated Density Estimation on a Manifold
针对截断数据的密度估计问题,本文将截断得分匹配方法扩展到带边界的黎曼流形,在球面分布模拟实验和美国极端风暴实际场景中均取得优于朴素最大似然估计的效果。
2024-04-12 stat.ME stat.ML
Generalized Score Matching for General Domains
当数据被自然地限制到真实空间的一个适当子集时,在一般域上支持的密度函数的估计出现。这个问题是复杂的典型棘手的归一化常数。分数匹配提供了一个强大的工具,估计密度与这种棘手的归一化常数,但最初提出的是有限的$\mathbb{R}^m$和$\mathbb{R}_+^m$的密度。在本文中,我们提供了一个自然的概括得分匹配,可容纳密度支持一个非常一般的域。我们将该框架应用于截断图形和成对交互作用模型,并为所得到的估计量提供理论保证。我们还推广了最近提出的方法从有界到无界域,并实证证明了我们的方法的优点。
2020-09-24 stat.ME stat.ML
Generalized Score Matching for Regression
许多概率模型有一个棘手的归一化常数可以扩展到包含协变量。由于这些模型的精确似然评估是困难的,甚至是不可能的,分数匹配,提出了避免显式计算的归一化常数。在文献中,分数匹配到目前为止只发展为模型中的观察是独立和同分布(IID)。然而,IID假设在回归型模型的传统固定设计设置中不成立。为了处理这些协变量依赖模型的估计,本文提出了一种新的得分匹配方法,独立的,但不一定同分布的数据下的一般框架下的连续和离散的响应,其中包括一个新的广义得分匹配方法计数响应回归。我们证明了我们提出的分数匹配估计是一致的,渐近正常的温和的正则性条件下。仿真研究和实际数据的例子支持的理论结果。此外,我们的模拟结果表明,相比于近似极大似然估计,广义分数匹配产生的估计值在应用于博士论文数据时具有显著较小的偏差。
2022-03-18 math.ST stat.ME stat.TH
Weak Information Geometry: Riemannian Structures from Distributional Inference Functions and Stein Discrepancies
Aarhus University(奥胡斯大学)
研究在缓增广义函数空间中可视为黎曼流形的参数统计模型,通过具有满秩灵敏度和正定变异性的工具诱导戈达姆贝信息及黎曼度量,给出多个超出费希尔 - 拉奥类别的例子,探讨戈达姆贝度量相关作用及弱推断分离的几何表现。
2026-08-06 math.ST stat.ME stat.TH
ScoreMatchingRiesz: Score Matching for Debiased Machine Learning and Policy Path Estimation
ScoreMatchingRiesz通过分数匹配方法实现去偏机器学习和政策路径估计,提升政策效应的可解释性。
2026-01-29 cs.LG econ.EM math.ST
Approximate Stein Classes for Truncated Density Estimation
School of Mathematics, University of Bristol(布里斯托大学数学学院)
针对截断密度估计中边界加权函数求解难的问题,提出近似Stein类与截断核化Stein差异(TKSD),通过最小化其拉格朗日对偶估计模型,无需显式边界形式仍提升了精度。
2024-04-12 cs.LG stat.ME stat.ML
Generalized Score Matching
本文提出广义分数匹配的统一渐近理论,适用于连续与离散响应数据,解决归一化常数难处理时的估计问题,并通过真实数据与模拟验证其强实际性能。
2024-04-21 math.ST stat.AP stat.CO
Exact matching as an alternative to propensity score matching
本文将治疗组匹配建模为约束优化问题,提出无需预设权重函数形式的精确匹配方法,并支持多治疗组个体数据及个体与汇总混合数据。
2025-03-04 stat.AP stat.ME
Semi-Implicit Variational Inference via Score Matching
Peking University(北京大学)
针对半隐式变分推断中变分分布密度难求解、现有方法依赖替代ELBO或高成本MCMC的问题,提出基于去噪得分匹配极小极大目标的SIVI-SM方法,在多种贝叶斯推断任务中准确率接近MCMC且优于现有基于ELBO的SIVI方法。
2023-08-19 cs.LG stat.ME stat.ML
Diffusion-based Denoising Beats Vanilla Score Matching in Parameter Estimation: A Theoretical Explanation
University of Hamburg(汉堡大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文通过理论分析证明,对于具有分离模态的多峰分布,基于扩散的去噪得分匹配估计器(DDSME)相比普通得分匹配估计器(SME)具有更优的误差界,并解释了扩散方法优越性的原因。
2026-08-21 cs.LG math.ST stat.ME
Score matching for compositional distributions
由于样本空间上的非负性和和对一的约束,具有已知总数的成分数据和多元计数数据的分析具有挑战性。通常情况下,许多组成成分是高度右偏的,有大量的零。目前可用的估计成分模型的一个主要限制是,他们要么不能处理数据中的许多零,或者是不计算在中等到高的维度是可行的。我们得到了一组新的新的得分匹配估计适用于分布的黎曼流形上的边界,其中标准的单纯形是一个特殊情况。分数匹配方法被应用到一个新的灵活的截断模型的组成数据的参数估计,我们证明了估计是可扩展的,并在封闭的形式。通过大量的模拟研究,评分方法被证明是很好的工作,在新的截断模型的参数估计,也为狄利克雷分布。我们将新模型和估计器应用于真实的微生物组组成数据,并表明该模型与数据拟合良好。
2020-12-23 stat.CO stat.ME
Generalized Score Matching for Non-Negative Data
University of Washington(华盛顿大学);University of Copenhagen(哥本哈根大学)
在估计概率密度函数的参数时,一个常见的挑战是归一化常数的棘手性。虽然在这种情况下,可以使用数值积分来实现极大似然估计,但是该方法在计算上变得密集。Hyvärinen [2005]的得分匹配方法避免了直接计算归一化常数,并得到了$\mathbb{R}^m$上连续分布的指数族的封闭形式估计。Hyvärinen [2007]将该方法扩展到非负正负号$\mathbb{R}_+^m$上支持的分布。在本文中,我们给出了一个广义形式的得分匹配的非负数据,提高了估计效率。作为一个例子,我们考虑一般类的成对相互作用模型。为了解决一个被忽视的不存在的问题,我们推广了Lin et al. [2016]的正则化得分匹配方法,并改进了其对非负高斯图模型的理论保证。
2019-05-19 cs.LG stat.ME stat.ML
Propensity Score Augmentation in Matching-based Estimation of Causal Effects
本文提出一种基于增广倾向评分模型的新型匹配估计量,在存在预后变量时比传统匹配方法具有更高统计效率,并用于估计包皮环切术对HIV-1感染风险的影响。
2024-09-28 math.ST stat.ME stat.TH
Score Matching With Missing Data
School of Mathematics, University of Bristol, Bristol, UK(布里斯托大学数学学院);School of Artificial Intelligence, Nanjing University, China(南京大学人工智能学院)
本文针对缺失数据场景提出重要性加权和变分两种得分匹配变体,分别适用于低维小样本与高维复杂情形,并在图模型估计任务中验证了各自优势。
2025-05-31 cs.LG stat.ME stat.ML
Simulation-based Inference via Langevin Dynamics with Score Matching
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Maryland, College Park(马里兰大学帕克分校)
本文提出一种结合分数匹配与兰格vin动力学的可扩展模拟推理方法,通过局部化方案和结构化分数网络提升统计效率和计算可扩展性。
2026-06-29 stat.CO stat.ME stat.ML
Interaction Models and Generalized Score Matching for Compositional Data
诸如微生物组数据分析的应用已经引起了对组成数据的统计方法的新兴趣,即,以包含相对比例的概率向量形式的多变量数据。特别是,有相当大的兴趣,在这种相对比例之间的相互作用建模。为此,我们提出了一类指数族模型,适应一般模式的两两相互作用,同时支持的概率单纯形。特殊情况包括狄利克雷分布族以及艾奇逊的加性逻辑正态分布。通常,我们考虑的分布具有难以计算归一化常数的密度。为了规避这个问题,我们设计了有效的估计方法的基础上广义版本的分数匹配。我们的估计方法的高维分析表明,单纯形域的处理效率与以前研究的全维域。
2021-09-10 stat.AP stat.ME stat.ML