Data Fusion Using Robust Empirical Likelihood Inference
作者提出了一种稳健的半参数经验似然方法，将来自多个样本的所有可用信息与一个共同的测量中心相结合。利用两组不同的估计方程改进了经典的关于测量中心的似然推断。该方法不需要相关总体概率密度函数的函数形式的知识。通过大量的仿真研究，将该方法的均方误差、覆盖概率和平均置信区间长度与经典似然法进行了比较，证明了该方法的优越性。仿真结果表明，我们的方法提供了更多的信息和有效的推理比传统的极大似然估计时，这些相关样本的参数之间存在一定的结构关系。
2012-10-02 stat.ME
Weak signal identification and inference in penalized likelihood models for categorical responses
惩罚似然模型被广泛用于同时选择变量和估计模型参数。然而，弱信号的存在会导致不准确的变量选择、有偏的参数估计和无效的推断。因此，在惩罚似然模型中，准确识别弱信号并进行有效的推断是至关重要的。我们开发了一种统一的方法来识别弱信号，并在惩罚似然模型中进行推断，包括响应是分类的特殊情况。为了识别弱信号，我们使用每个协变量的估计选择概率作为信号强度的度量，并制定了信号识别标准。为了构造置信区间，我们提出了一个两步推理过程。广泛的仿真研究表明，所提出的程序优于现有的几种方法。我们通过将其应用于实践融合糖尿病数据集来说明所提出的方法。
2022-12-12 stat.ME
Jackknife empirical likelihood based inference for Probability weighted moments
在本文中，我们讨论刀切经验似然（JEL）和调整刀切经验似然（AJEL）为基础的推理，找到置信区间的概率加权矩（PWM）。我们得到了JEL比和AJEL比统计量的渐近分布。我们比较的性能，建议的置信区间与最近开发的方法在覆盖概率和平均长度。我们还开发了基于JEL和AJEL的PWM测试，并研究了它的性能。最后，我们用印度各州的降雨量数据来说明我们的方法。
2018-07-12 stat.ME
Post-selection inference for L1-penalized likelihood models
本文提出了一种新的L1（lasso）惩罚似然模型（包括广义回归模型）的后选择推断方法。我们的方法概括了Lee et al（2014）提出的选择后框架。该方法提供了渐进有效的p值和置信区间，条件是套索完成的固有选择。我们目前的应用这项工作（正规化）逻辑斯谛回归，Cox的比例风险模型和图形套索。
2016-10-13 stat.ME
Universal inference with composite likelihoods
当数据来自于不允许易处理的联合规范的数据生成过程（DGP）时，最大复合似然估计是极大似然估计的一个有用的替代。我们表明，通用复合似然组成的边际和条件规范允许简单的建设复合似然比样的统计，有限样本的有效置信集和假设检验可以构建。这些统计量是通用的，因为它们可以从基础DGP的参数的任何估计量构造。我们证明了我们的方法，通过模拟研究，使用一对有条件指定的双变量模型。
2021-06-28 stat.ME
Statistical inference in massive datasets by empirical likelihood
本文将分治法与经验似然法相结合，提出了一种新的海量数据统计推断方法。与目前流行的两种方法（小Bootstrap包法和二次抽样Bootstrap法）相比，该方法充分利用了数据集，减少了计算量。大量的数值研究和实际数据分析表明，我们所提出的方法的有效性和灵活性。此外，我们的方法的渐近性质。
2020-04-18 math.ST stat.ME stat.ML
Improving the accuracy of likelihood-based inference in meta-analysis and meta-regression
随机效应模型经常被用于综合荟萃分析中不同研究的信息。虽然基于似然性的推理在限制属性和实施方面都很有吸引力，但其在随机效应荟萃分析中的应用可能会导致误导性结论，特别是当研究数量较少时。目前的文件显示，如何减少渐近偏差的极大似然估计的方差分量的方法，也可以大大提高推断的平均效应大小。这些结果是针对随机效应荟萃回归的更一般框架得出的，该框架允许平均效应大小随研究特定协变量而变化。
2017-05-22 stat.ME
Token-Level Likelihood-Array Regression for Membership Inference and AI-Generated Text Detection
Xiamen University（厦门大学）；University of Hong Kong（香港大学）
提出似然数组回归（LAR）方法，通过嵌套左上下文窗口组织似然特征，在成员推断与AI生成文本检测任务上显著优于基线方法，且揭示短上下文似然及二阶特征的额外价值。
2026-08-25 cs.LG stat.ME stat.ML
Improved Likelihood Inference in Birnbaum-Saunders Regressions
Birnbaum-Saunders回归模型常用于可靠性研究。我们解决的问题，在这类模型中进行推理时，观察的数量是小的。我们证明了当样本量较小时，似然比检验趋于自由，并且我们得到了一个校正因子，它减小了检验的样本量失真。这种修正使检验的误差率随着样本量的增加而消失得更快。数值结果表明，在有限样本情况下，改进的似然比检验比通常的似然比检验更可靠。我们还提出了一个经验的应用。
2009-04-22 stat.ME
Approximate selective inference via maximum likelihood
最近已经开发了几种策略，以确保有效的推理后，模型选择，其中一些是很容易计算，而其他票价更好的推理能力。在本文中，我们考虑了高斯数据的选择性推理框架。提出了一种新的近似极大似然估计推理方法。我们的目标是：（i）在随机化的帮助下实现更好的推理能力，（ii）从难以以封闭形式评估的精确条件分布绕过昂贵的MCMC采样。我们构造近似推理，例如，p值、置信区间等，通过解决一个相当简单的凸优化问题我们说明了我们的方法的潜力，在模拟信号噪声比的大范围的值。在癌症基因表达数据集上，我们发现我们的方法改进了一些常用的选择性推理策略的推理能力。
2022-07-11 stat.ME
Better Approximate Inference for Partial Likelihood Models with a Latent Structure
Carnegie Mellon University（卡内基梅隆大学）
时间点过程（TPP）的部分可能性涉及一个潜在的结构往往会带来一个棘手的边缘化，从而使推理困难。我们提出了一种新的方法，最大似然估计（MLE）涉及近似推理的潜在变量，通过最小化一个紧密的上限上的近似差距。给定一个离散的潜在变量$Z$，所提出的近似减少推理复杂度从$O(|Z|^c)$到$O(|Z|)$。我们使用凸共轭，以确定这个上限在一个封闭的形式，并表明，它除了优化目标的结果在改进的结果模型假设比例风险在生存分析。
2019-12-19 cs.LG stat.ML
Empirical Likelihood Inference of Variance Components in Linear Mixed-Effects Models
线性混合效应模型广泛应用于分析重复测量数据，包括聚类数据和纵向数据，其中固定效应和方差分量的推断都很重要。与已得到充分研究的固定效应推断不同，由于空值位于边界上以及固定效应的干扰参数，对方差分量的推断更具挑战性。现有的方法通常需要对随机效应和随机误差进行强分布假设。在本文中，我们开发了经验似然为基础的方法，在固定效应的存在下的方差分量的推断。导出了方差分量的经验似然比统计量的Wilks定理的非参数形式。我们还开发了一个经验似然检验的多个方差分量相关的一系列相关的结果。仿真研究表明，所提出的方法表现出更好的类型1错误控制比常用的似然比检验时，高斯分布假设的随机效应被违反。我们应用这些方法来研究澳大利亚双胞胎研究中通过可穿戴设备测量的身体活动的遗传性，并观察到这种活动仅在0.375至0.514的分位数范围内是可遗传的。
2022-08-30 stat.ME
Improved likelihood inference in generalized linear models
研究了在样本量较小的情况下，广义线性模型的检验推理问题。这类模型提供了一种直接的方法来建模正常和非正常数据，并已广泛用于几个实际情况。似然比、Wald和score统计量以及最近提出的梯度统计量为检验这些模型中参数的推断提供了基础。我们专注于小样本的情况下，参考卡方分布给出了一个穷人的近似这些检验统计量的真实零分布。我们推导出一个一般的Bartlett型校正因子的梯度测试，减少了测试的大小失真的矩阵符号，并在数值上比较建议的测试与通常的似然比，沃尔德，得分和梯度测试，并与Bartlett校正的似然比和得分测试。我们的模拟结果表明，我们提出的校正测试可以是一个有趣的替代其他测试，因为它会导致非常准确的推断，即使是非常小的样本。我们还提出了一个实证的应用说明的目的。
2013-08-15 stat.ME
Likelihood-Preserving Embeddings for Statistical Inference
本文提出保留似然性的嵌入理论，通过Likelihood-Ratio Distortion度量和铰链定理，确保嵌入在统计推断中保持准确性，并通过实验验证其有效性。
2025-12-27 cs.LG math.ST stat.ME
Neural Density Estimation and Likelihood-free Inference
University of Edinburgh（爱丁堡大学）
我考虑机器学习和统计学中的两个问题：估计随机变量集合的联合概率密度的问题，称为密度估计，以及当模型参数的似然性难以处理时推断模型参数的问题，称为无似然性推断。本论文的贡献是基于神经网络和深度学习的最新进展，提出了一套解决这些问题的新方法。
2019-10-29 cs.LG stat.ML
A note on the role of projectivity in likelihood-based inference for random graph models
在随机图模型的基于似然性的推理中，投射性的作用存在着广泛的混淆。这种混淆的根源在于，投影性，一种边缘化的形式，可能是必要的似然为基础的推理和最大似然估计的一致性。我们表明，基于似然的超总体推断是不受缺乏的投影和投影不是最大似然估计的一致性的必要条件。
2017-07-01 math.ST stat.TH
Efficient Maximum Approximated Likelihood Inference for Tukey's g-and-h Distribution
Tukey的$g$ -和- $h$发行版自推出以来一直是数据探索和建模的强大工具。然而，两个长期存在的挑战与这个分布家庭仍然没有解决，直到今天：如何找到一个最佳的估计过程，以及如何使有效的统计推断的未知参数。为了克服这两个挑战，一个计算效率高的估计过程的基础上最大化的Tukey的$g$和$h$分布的近似似然函数的提出，并示出具有相同的估计效率的极大似然估计在温和的条件下。该估计量的渐近分布的推导和一系列的近似似然比检验统计量进行假设检验，涉及两个形状参数的Tukey的$g$ -和- $h$分布。模拟实例和空气污染数据的分析被用来证明所提出的估计和测试程序的有效性。
2015-06-02 stat.ME
Likelihood-ratio inference on differences in quantiles
本文针对在线实验中双样本分位数差异推断的计算难题，提出基于似然比检验的新假设检验与置信区间方法，仅需每样本四个次序统计量即可高效计算，并给出保守与接近名义覆盖两种版本。
2024-07-31 stat.ME
Empirical Likelihood Inference for Area under the ROC Curve using Ranked Set Samples
受试者工作特征曲线（AUC）下的面积是一个有用的工具，以评估性能的连续规模的诊断测试对二进制分类。在这篇文章中，我们提出了一个经验似然（EL）的方法来构建置信区间的AUC从数据收集的秩集抽样（RSS）。建议的EL为基础的方法，使推理无需假设在现有的非参数方法，并利用RSS的抽样效率。我们发现，对于平衡和不平衡的RSS，基于EL的点估计是Mann-Whitney统计量，置信区间可以从缩放的χ 2分布中获得。对糖尿病和慢性肾脏疾病数据的模拟研究和两个案例研究表明，使用所提出的方法和RSS可以更有效地推断AUC。
2022-05-04 stat.ME
Entropic optimal transport is maximum-likelihood deconvolution
我们给出了熵最优输运的统计解释表明，执行高斯反卷积的极大似然估计对应于计算相对于熵最优输运距离的投影。这一结构性结果为这些工具在机器学习社区中的广泛采用提供了理论支持。
2018-09-18 math.ST stat.TH
Composite Likelihood Inference by Nonparametric Saddlepoint Tests
复合似然函数类为复杂统计模型的近似推理提供了一个灵活而强大的工具，当完全似然函数无法指定或无法计算时，可以使用它进行近似推理。然而，当考虑关于多维参数的假设检验时，复合似然方法的强度变暗，因为似然比、Wald和得分型检验统计量的有限样本行为与Godambe信息矩阵相关联。因此，Godambe信息的不准确估计转化为不准确的p值。在本文中，它是如何准确的推断，可以通过使用一个完全非参数鞍点检验统计量来自复合得分函数。所提出的统计量是渐近卡方分布的二阶相对误差，并不依赖于Godambe信息。通过仿真研究证明了该方法的有效性。
2013-06-23 math.ST stat.ME stat.TH
High-dimensional empirical likelihood inference
使用一般估计方程的高维统计推断具有挑战性，并且仍然较少探索。本文主要研究了这一领域的两个问题：模型参数多分量的置信集估计和模型规格检验。对于第一个，我们建议构造一组新的估计方程，使得估计高维滋扰参数的影响变得渐近可忽略不计。新的结构使我们能够估计一个有效的置信区域的经验似然比。对于第二个，我们提出了一个检验统计量作为最大的边际经验似然比，以量化数据证据对模型的规格。我们的理论建立了建议的经验似然方法的有效性，适应过度识别和指数增长的数据维度。数值研究表明，有前途的性能和潜在的实用价值的新方法。
2019-11-06 stat.ME
Pseudo Empirical Likelihood Inference for Non-Probability Survey Samples
本文提出基于伪经验似然方法分析非概率调查样本的新推断程序，其点估计量与现有方法渐近等价，但在置信区间特性和二元响应变量处理上表现更优。
2025-08-12 stat.ME
Tractable Post-Selection Maximum Likelihood Inference for the Lasso
在模型选择后应用标准统计方法可能会产生效率低下的估计量和假设检验，无法达到标称I类错误率。主要问题是数据的选择后分布与原始分布不同。特别地，所观察到的数据被约束为位于由所选择的模型确定的原始样本空间的子集中。这通常使得观测数据的后选择似然难以处理，并且极大似然推断困难。在这项工作中，我们得到周围的棘手的可能性，通过产生噪声无偏估计的后选择得分函数，并使用它们在随机上升算法，产生正确的后选择最大似然估计。我们将所提出的技术估计的问题选择的套索线性模型。在渐近分析中，所得到的估计是一致的所选参数，并有一个有限的截断正态分布。构造的置信区间的基础上的渐近分布获得接近标称覆盖率在所有的模拟设置考虑，和点估计被证明是优于套索估计时，真正的模型是稀疏的。
2019-05-22 stat.ME
Fast inference in generalized linear models via expected log-likelihoods
广义线性模型在各种统计应用中起着至关重要的作用。本文讨论了在这些模型中的可能性，可以大大方便计算的近似。其基本思想是用模型协变量的期望值替换精确对数似然中出现的总和;在许多情况下，所得的“期望对数似然”的计算速度明显快于精确对数似然。在许多神经科学实验中，模型协变量的分布由实验者控制，预期对数似然近似变得特别有用;例如，与精确的极大似然估计相比，基于最大化该预期对数似然（或其惩罚版本）的估计通常可以以数量级的计算节省获得。风险分析表明，与标准最大似然估计相比，这些最大EL估计通常在准确性方面成本很小（在某些情况下甚至提高了准确性）。最后，我们发现，这些方法可以显着减少计算时间的边际似然计算模型选择和马尔可夫链蒙特卡罗方法的抽样后验参数分布。我们说明了我们的结果，通过应用这些方法的计算具有挑战性的数据集的神经尖峰列车通过大规模的多电极记录在灵长类动物视网膜。
2013-05-24 stat.ME
Statistical Inference Based on a New Weighted Likelihood Approach
讨论了一种新的参数估计的加权似然方法。该方法的动机是需要产生一个简单的估计策略，提供了一个强大的解决方案，同时是完全有效的，当模型被正确指定。这是通过在极大似然评分方程中对每个观测值的得分函数进行适当加权来实现的。权重函数确定每个观测值与模型相对于其余观测值的兼容性，并仅在必要时应用降权，而不是始终自动对一部分观测值进行降权。这允许估计量在模型上保持完全的渐近有效性。我们建立了所有的理论属性的估计，并通过模拟和真实数据的例子证实了理论。我们的方法为Markatou等人（1997，1998）的加权似然方法提供了一种替代方法。
2019-08-27 stat.ME
Statistical Inference for Random Unknowns via Modifications of Extended Likelihood
本文通过修正扩展似然提出h-似然和h-置信，用于含随机未知量的统计模型，实现点估计、区间估计与预测，并达到广义Cramér-Rao下界。
2025-02-28 math.ST stat.ME stat.TH
Estimating Marginal Likelihoods in Likelihood-Free Inference via Neural Density Estimation
针对无似然推断中边际似然难以计算的问题，提出一种利用序列神经似然估计（SNLE）输出的简单通用方法来估计边际似然。
2025-07-11 stat.CO
Regularised optimal self-transport is approximate Gaussian mixture maximum likelihood
该研究揭示正则化自输运与高斯混合模型最大似然估计的关联，提出自输运结合聚类的低成本有理论支撑的估计方法，并指出其因鲁棒、稀疏、稳定可作为GMM的优选统计工具。
2023-11-04 math.ST stat.TH
Universal Inference with Composite Likelihoods
Wasserman等人（2020，PNAS，第117卷，第117页）16880-16890）使用基于分裂数据似然比的统计量构建了估计器不可知和有限样本有效置信集和假设检验。我们证明，同样的方法扩展到使用分裂数据复合似然比，以及，从而建立通用的方法进行多变量推理时，数据生成过程中只知道边缘和条件之间的关系的坐标。还考虑了始终有效的顺序推理。
2020-09-23 math.ST stat.TH
Empirical Likelihood Meets Prediction-Powered Inference
School of Statistics and Data Science, Nankai University（南开大学统计与数据科学学院）
本文提出了一种结合经验似然与预测驱动推断的方法，通过优化经验似然在联合约束下实现高效估计，减少误差并提升置信区间长度。
2025-12-18 math.ST stat.ME stat.TH
Maximum Ideal Likelihood Estimation: A Unified Inference Framework for Latent Variable Models
本文提出最大理想似然估计（MILE），通过将潜变量视为参数直接利用完整数据联合分布，为潜变量模型提供统一推断框架，在传统方法失效时仍稳健，并具备理论保证与计算优势。
2025-10-06 math.ST stat.ME stat.TH
Stability and uniqueness of $p$-values for likelihood-based inference
基于似然的统计推断方法提供了一个有用的一般方法，这是有吸引力的，因为一个简单的渐近理论可以应用于其实施。重要的是要评估不同的可能性为基础的推理程序之间的关系，在准确性和遵守统计推断的关键原则，特别是那些有关的条件相关的从属统计量。给出了一个一般类的似然统计，包括那些来自调整后的配置文件的可能性的形式的稳定性属性的分析，并比较来自不同的统计推断。特别是，我们推导出一组充分条件协议$O_{p}(n^{-1})$，在样本量$n$，推论，特别是$p$值，来自不同的渐近标准正常枢轴。我们的分析包括一个标量或矢量的兴趣参数的推理问题，在存在一个冗余参数。
2015-03-19 math.ST stat.TH
Quasi-maximum Likelihood Inference for Linear Double Autoregressive Models
本文针对线性双自回归模型，在仅分数矩条件下提出两种拟极大似然估计量及配套模型选择准则与诊断检验，通过模拟和实例验证了其有效性。
2024-02-01 math.ST stat.ME stat.TH
Non-Regular Likelihood Inference for Seasonally Persistent Processes
研究了季节性平稳随机过程的频谱参数估计问题。对于季节性持久性与一个极点位于远离频率零的频谱，一个新的惠特尔型的可能性，明确承认的极点的位置。该Whittle似然是对所选择的频率网格上的周期图的分布的大样本近似，并且经由与解调相结合的离散傅立叶逆变换的线性变换构成对数据的时域似然的近似。新的可能性是简单的计算，并将被证明具有良好的，但非标准的，属性。建议的似然估计的渐近行为进行了研究，特别是，$N$ -一致性的谱极点位置的估计建立。给出了分数和观测费舍尔信息的大样本和渐近分布，并推导了相应的极大似然估计量的分布.的小样本性质的似然近似的研究，并显示其优越的性能，以前建议的方法，以及与发达国家的分布近似协议。
2007-09-03 stat.AP stat.ME
Inference for Multivariate Normal Mixtures
多元正态混合模型为高维数据提供了一个灵活的模型。它们广泛应用于统计遗传学、统计金融学等学科。由于似然函数的无界性，经典的基于似然函数的方法虽然具有很好的实用性，但并不一致。本文提出了一种估计混合分布的惩罚似然方法。我们证明了最大惩罚似然估计是强相合的，当组件的数量有一个已知的上界。我们还探讨了一个方便的EM算法计算的最大惩罚似然估计。大量的模拟进行了探索的有效性和实际限制的新方法和批准的最大似然估计。根据仿真结果给出了指导原则。
2008-05-26 math.ST stat.ME stat.TH
On Birnbaum-Saunders Inference
Birnbaum-Saunders分布，也称为疲劳寿命分布，经常用于可靠性研究。我们得到调整的Birnbaum-Saunders配置文件似然函数。对于形状和尺度参数，获得了似然函数的修改版本，即，我们将形状参数视为感兴趣的，而将尺度参数视为讨厌的，然后考虑这样的情况，其中感兴趣的是在以讨厌的方式进入建模的形状参数的情况下对尺度参数执行推断。通过极大化相应的调整后的似然函数得到修正的轮廓极大似然估计。我们提出了不同的估计和相关的似然比检验的有限样本行为的数值证据。结果有利于调整估计和测试，我们建议。本文中获得的轮廓似然调整的一个新的方面是，它们产生改进的点估计和测试。当对形状参数进行推断时，两个轮廓似然调整工作良好，并且其中一个在对尺度参数执行假设检验推断时显示出优越的行为。两个经验的应用程序进行了简要介绍。
2008-04-06 math.ST stat.ME stat.TH
Statistical inference of random graphs with a surrogate likelihood function
本文提出一种新颖的替代似然函数用于随机点积图的统计推断，该方法兼具可分离与对数凹结构，从频率派和贝叶斯双重视角建立理论并证明其优于基线谱估计量。
2025-08-11 math.ST stat.ME stat.TH
Semiparametric empirical likelihood inference with estimating equations under density ratio models
密度比模型（DRM）为组合来自多信源的信息提供了一个灵活而有用的平台。在本文中，我们考虑的统计推断下的两个样本DRM的额外的参数定义通过和/或额外的辅助信息表示为估计方程。研究了DRMs中未知参数的最大经验似然估计（MELE）的渐近性质，并建立了经验似然比（ELR）统计量的卡方极限分布.我们表明，渐近方差的MELE的未知参数不减少，如果一个估计方程下降。获得类似的性质的推断的累积分布函数和分位数的每个涉及的人口。我们还提出了一个ELR测试的有效性和有用性的辅助信息。仿真研究表明，正确指定的估计方程的辅助信息的结果更有效的估计和更短的置信区间。两个真实数据的例子被用来说明。
2021-02-25 math.ST stat.ME stat.TH
Inference in a bimodal Birnbaum-Saunders model
我们解决的问题进行推断的参数，指数双峰扩展的Birnbaum-Saunders分布（BS）。我们表明，极大似然点估计可能是有问题的，因为标准的非线性优化算法可能无法收敛。为了解决这个问题，我们惩罚对数似然函数。我们提出的数值证据表明，极大似然估计的基础上，这样的惩罚函数是相当可靠的。我们还考虑了基于惩罚对数似然函数的假设检验推理。特别地，我们考虑了似然比，签署似然比，得分和Wald测试。基于Bootstrap的测试推理也被认为是。我们使用非嵌套假设检验来区分两个双峰BS法。我们推导出一些测试的分析修正。蒙特卡罗模拟的结果和经验的应用进行了介绍和讨论。
2017-11-23 stat.CO
Profile-Kernel likelihood inference with diverging number of parameters
预测变量数目不断增加的广义变系数部分线性模型在当代的许多科学研究中出现。本文从理论和实践两个方面对轮廓似然估计和推断进行了研究。当参数个数随样本量增长时，在一定的正则性条件下，证明了轮廓似然估计的存在性和渐近正态性。提出了参数数目不断增加时的轮廓似然比推断，并证明了Wilk现象。提出并研究了一种计算轮廓核估计量的新算法-加速轮廓核算法。仿真研究表明，所得到的估计是有效的完全迭代轮廓核估计。对于中等的样本量，我们提出的方法节省了大量的计算时间比完全迭代轮廓核之一，并给出了稳定的估计。一组实际数据进行了分析，使用我们提出的算法。
2007-09-21 math.ST stat.TH
Inference in HIV dynamics models via hierarchical likelihood
HIV动力学模型通常是基于无解析解的非线性常微分方程（ODE）系统。在这种模型中引入随机效应会导致非常具有挑战性的非线性混合效应模型。为了避免数值计算的多重积分参与的可能性，我们提出了一个分层的可能性（h-似然）的方法，治疗的精神，惩罚的可能性。我们给出了固定效应的最大h-似然估计量（MHLE）的渐近分布，这一结果可能与更一般的设置有关。MHLE有轻微的偏差，但通过使用参数自举程序可以使偏差可以忽略不计。我们提出了一个有效的算法最大化的h-似然。一个经典的HIV动力学模型的基础上的模拟研究，证实了良好的性能的MHLE。我们将其应用于临床试验的分析。
2010-02-02 math.ST stat.TH
Adjusted likelihood inference in an elliptical multivariate errors-in-variables model
本文给出了变量有误差多元线性回归模型的似然比检验的一个修正形式。允许误差项服从椭圆分布类中的多元分布，其中多元正态分布作为特例。我们推导出一个修改后的似然比统计，卡方分布具有很高的准确度。我们的结果推广了Melo和Ferrari（Advances in统计分析，2010，94，75-87）中的结果，允许在多变量误差模型中对感兴趣的参数进行向量赋值。我们报告了一个模拟研究表明，所提出的测试显示优越的有限样本的行为相对于标准的似然比检验。
2011-08-04 math.ST stat.TH
Small-sample likelihood inference in extreme-value regression models
我们处理Barreto- Souza和Vasconcellos（2011）引入的一类一般极值回归模型。我们的目标是得到一个调整后的似然比统计量，近似分布为\c{hi} 2，具有较高的准确度。虽然调整后的统计量需要更多的计算工作量比未经调整的对应，它表明，调整项有一个简单的紧凑的形式，可以很容易地实现在标准的统计软件。此外，我们比较了三个经典的测试（似然比，Wald，得分），梯度测试，最近提出的Terrell（2002年），调整后的似然比检验在本文中得到的有限样本性能。我们的模拟倾向于后者。我们的结果的应用。关键词：极值回归;梯度试验; Gumbel分布;似然比检验;非线性模型;评分测试;小样本调整; Wald试验。
2012-08-13 math.ST stat.TH
Computationally efficient likelihood inference in exponential families when the maximum likelihood estimator does not exist
在正则全指数族中，不需要传统意义上的极大似然估计。然而，极大似然估计可能存在于指数族的完备化中。现有的算法，寻找最大似然估计在完成解决许多线性规划，他们是缓慢的小问题和太慢的大问题。我们提供了新的，快速的，可扩展的方法来寻找MLE在指数族的完成。这种方法是基于传统的最大似然计算接近，在某种意义上说，找到MLE在完成的指数家庭。这些传统的计算构造了一个正则参数值的似然极大化序列，该序列在似然函数上上升，直到它们满足收敛准则。在这种情况下，极大似然估计的不存在性是由于指数族的正则统计量的退化，正则统计量在其支持的边界上。在这个边界和Fisher信息矩阵的零特征向量之间存在对应关系。Fisher信息沿似然极大化序列的收敛是由累积量生成函数（CGF）沿似然极大化序列的收敛而来的，给出了CGF收敛的条件。当完井中存在极大似然估计时，这允许为均值参数构建必要的单侧置信区间。我们在正文中的三个例子和附录中的三个附加例子上展示了我们的方法。我们表明，当极大似然估计存在于指数族的完成中时，我们的方法提供了比现有技术快得多的统计推断。
2020-11-25 math.ST stat.TH
Maximum likelihood discretization of the transport equation
针对输运方程Galerkin离散化解的非正性问题，提出极大似然离散化方法，其连续极限为采用Fisher-Rao度量的FRG半离散格式，可保持解的正性并具有KL散度误差界。
2025-05-15 cs.NA math.NA stat.CO
Likelihood-free inference by ratio estimation
我们考虑的问题时，参数统计推断的可能性计算是昂贵的，但从模型的采样是可能的。已经开发了几种所谓的无似然方法来在没有似然函数的情况下执行推断。流行的合成似然方法通过用高斯概率分布对数据的汇总统计进行建模来推断参数。在另一种称为近似贝叶斯计算的流行方法中，通过识别模拟数据的汇总统计量接近观察数据的汇总统计量的参数值来执行推断。合成似然更容易使用，因为不需要衡量“接近程度”，但高斯假设往往是有限的。此外，这两种方法都需要明智地选择汇总统计数据。在这里，我们提出了一种替代的推理方法，是一样容易使用的合成似然，但不受限制，在其假设，并在一个自然的方式，使自动选择相关的汇总统计量从一个大的候选人。其基本思想是将后验概率的估计问题归结为数据生成分布与边缘分布之间的比值的估计问题。这个问题可以通过逻辑斯谛回归来解决，并且包括正则化惩罚项使得能够自动选择与推理任务相关的汇总统计量。我们说明了规范的例子一般理论，并利用它来执行具有挑战性的随机非线性动力系统和高维汇总统计推断。
2020-09-11 stat.CO stat.ME stat.ML
Discussion of Likelihood Inference for Models with Unobservables: Another View
对Youngjo Lee和John A. Nelder [arXiv：1010.0303]
2010-10-05 stat.ME
Rejoinder: Likelihood Inference for Models with Unobservables Another View
对Youngjo Lee和John A. Nelder [arXiv：1010.0303]
2010-10-05 stat.ME
Discussion of Likelihood Inference for Models with Unobservables: Another View
对Youngjo Lee和John A. Nelder [arXiv：1010.0303]
2010-10-05 stat.ME
Full likelihood inference for max-stable data
我们展示了如何基于随机期望最大化算法（该算法结合了高维的统计和计算效率）对最大稳定多变量分布或过程进行全似然推断。这种方法的良好性能证明了流行的逻辑和布朗-Resnick模型的基础上通过模拟，它被证明提供显着的计算时间的改善相对于直接计算的可能性。还讨论了进一步减少计算负担的策略。
2018-07-13 stat.ME
Amortized Simulation-Based Frequentist Inference for Tractable and Intractable Likelihoods
本文扩展LF2I无似然频率派推断方法，利用高保真模拟器与机器学习，在可处理和不可处理似然情形下构造可证明有效的参数置信集。
2023-11-01 physics.data-an stat.ME stat.ML
Likelihood Inference for Models with Unobservables: Another View
统计学家之间一直存在争议：（i）模型是什么;（ii）如何从不可观测的模型中进行推断。一个这样的争议涉及的差异估计方法的边际手段不一定有一个概率的基础和统计模型具有不可观测的概率基础。另一个问题涉及基于似然性的推断与不可观测的统计模型。这需要一个扩展的可能性框架，我们将展示如何这样一个扩展，分层的可能性，允许这样做。对不可观测量的建模导致了丰富的新概率模型，从这些模型中可以自然地用分层似然法进行似然型推断。
2010-10-06 stat.ME
Amortised Likelihood-free Inference for Expensive Time-series Simulators with Signatured Ratio Estimation
University of Oxford（牛津大学）；Improbable（Improbable公司）；Durham University（杜伦大学）
在自然科学和社会科学中，复杂动力学的仿真模型通常缺乏易于处理的似然函数，使得传统的基于似然的统计推断变得不可能。机器学习的最新进展已经引入了新的算法，用于使用基于二进制分类器的似然比技巧来估计否则难以处理的似然函数。因此，有效的似然近似可以获得良好的概率分类器，可以构建。我们提出了一个核分类器的顺序数据使用路径签名的基础上最近推出的签名内核。我们证明了签名的代表性力量产生了一个高性能的分类器，即使在至关重要的情况下，样本数很低。在这种情况下，我们的方法可以优于复杂的神经网络常见的后验推理任务。
2022-02-23 cs.LG stat.CO stat.ME
