Uniform-over-dimension convergence with application to location tests for high-dimensional data
提出一种在维数上一致成立的渐近收敛理论,统一了固定维与高维数据的渐近结果,并基于此开发了适用于任意维数的两样本位置检验,表现出优于传统高维与多元检验的性能。
2024-03-24 math.ST stat.TH
Non-parametric Quantile Regression and Uniform Inference with Unknown Error Distribution
本文研究了协变量存在未知分布测量误差时的条件分位数回归函数非参数估计与一致推断,提出反卷积核估计量构建一致置信带,并通过模拟与实际数据验证了方法的有效性。
2025-04-02 econ.EM stat.ME
Uniform confidence bands for nonparametric errors-in-variables regression
本文提出了一种构造预测变量受测量误差影响的非参数回归函数的均匀置信带的方法。我们允许测量误差的分布是未知的,但假设验证数据或重复测量的潜在预测变量的可用性。建议的置信带建立在反卷积核估计和一个新的应用程序的乘数自助法。我们建立了建议的置信带的渐近有效性。据我们所知,这是第一个文件,以获得渐近有效的一致置信带的非参数误差变量回归。
2019-06-13 math.ST stat.TH
Uniform Convergence Rates for Maximum Likelihood Estimation under Two-Component Gaussian Mixture Models
在方差不等的两分量位置-尺度混合高斯模型中,我们得到了极大似然估计的一致收敛性和参数估计的极小极大下界.我们假设混合物的混合比例是已知的和固定的,但没有对底层混合物组分进行分离假设。一个相变存在于最佳的参数估计率,取决于是否是平衡的混合物。我们分析的关键是仔细研究位置尺度高斯混合模型参数之间的依赖关系,通过多项式等式和不等式系统捕获,其解集驱动我们获得的速率。模拟研究说明了这项工作的理论研究结果。
2020-06-01 math.ST stat.ML stat.TH
Design-Based Inference for Spatial Experiments under Unknown Interference
本文针对空间实验中未知干扰下的因果推断问题,提出无需参数化模型的空间平均边际效应(AME)及其非参数识别与推断方法,并通过模拟和森林保护实证展示了其对政策相关溢出效应的稳健推断能力。
2024-08-02 math.ST stat.AP stat.ME
Uniform-over-dimension location tests for multivariate and high-dimensional data
Indian Statistical Institute(印度统计研究所);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Indian Institute of Technology(印度理工学院)
本文提出了一种适用于多维和高维数据的统一过维度定位检验方法,通过开发统一过维度的中心极限定理,提升了高维数据假设检验的性能。
2025-12-10 stat.ME
Detecting Planted Structure in Circular Data
University of Illinois(伊利诺伊大学)
研究在环形数据中检测植入结构,通过两种设置分析信号分布,推导出信息论相变条件。
2026-01-09 cs.IT math.IT math.ST
Method of moments for 3-D single particle ab initio modeling with non-uniform distribution of viewing angles
冷冻电子显微镜(cryo-EM)中的单粒子重建是一种越来越流行的技术,用于从在未知视角下拍摄的多个噪声2-D投影图像确定分子的3-D结构。大多数重建算法需要一个低分辨率的初始化的3-D结构,这是从头建模的目标。由Zvi Kam在1980年提出的矩量法(MoM)提供了一种方法,其中计算2-D图像的顺序统计量,并且通过求解多项式方程的系统来估计3-D结构。不幸的是,Kam的方法受到限制性假设的影响,最明显的是视角应该均匀分布。通常不切实际,均匀性需要计算高阶相关性,因为在这种情况下,一阶和二阶矩无法确定3-D结构。在本文中,我们删除这个假设,允许一个未知的,非均匀分布的视角在矩量法。也许令人惊讶的是,我们表明,这种情况下是统计上更容易比均匀的情况下,因为现在的第一和第二时刻一般足以确定低分辨率的分子膨胀。在一个已知的,非均匀分布的理想化设置中,我们找到了一个有效的可证明的算法反转的第一和第二时刻。对于未知的非均匀分布,我们使用非凸优化方法来求解分子和分布。
2019-11-23 cs.NA math.NA math.OC
Admissible Bayes equivariant estimation of location vectors for spherically symmetric distributions with unknown scale
本文研究了具有$ f(x,u)=η^{(p+n)/2}f(η\{\|x-θ\|^2+\|u\|^2\}) $形式密度的残差向量的球对称位置族在不变二次损失下的均值向量估计,其中$η$未知.证明了自然估计量$x$对$p=1,2$是可容许的.此外,对于$p\geq 3$,我们发现广义贝叶斯估计类内的形式$\{1-ξ(x/\|u\|)\}x$的等变估计类是容许的。在高斯的情况下,詹姆斯-斯坦估计,$[1-\{(p-2)/(n+2)\}/\{\|x\|^2/\|u\|^2+(p-2)/(n+2)+1\}]x$,它占主导地位的自然估计$x$的一个变种,也是容许在这一类。并研究了相关的回归模型。
2017-10-08 math.ST stat.TH
Optimal Sign Test for High Dimensional Location Parameters
这篇文章关注的是在数据维度大于样本量的情况下对位置参数的检验。我们提出了一个家庭的最优性参数的基础上,在椭圆对称Le Cam(1986)的测试。建立了这些检验的渐近正态性。通过最大化渐近幂函数,我们提出了一个对所有椭圆对称分布的一致最优检验。最优性也证实了蒙特卡罗调查。
2015-06-28 stat.ME
Learning Models with Uniform Performance via Distributionally Robust Optimization
Stanford University(斯坦福大学);Columbia Business School(哥伦比亚大学商学院)
统计学和机器学习的一个共同目标是学习能够很好地对抗分布变化的模型,例如潜在的异质子群体,未知的协变量变化或未建模的时间效应。我们开发并分析了一个分布式鲁棒随机最优化(DRO)框架,该框架学习一个模型,该模型对数据生成分布的扰动提供良好的性能。我们给出了一个凸制定的问题,提供了几个收敛保证。我们证明了有限样本极大极小的上界和下界,表明分布鲁棒性有时是以收敛速度为代价的。我们给出了学习参数的极限定理,其中我们完全指定了极限分布,以便可以计算置信区间。在实际任务中,包括推广到未知的子群体,细粒度的识别,并提供良好的尾部性能,分布鲁棒的方法往往表现出更好的性能。
2020-07-18 cs.LG stat.ML
Adaptive Stochastic MPC under Unknown Noise Distribution
本文研究了在未知噪声分布下,具有机会状态约束和硬输入约束的线性系统的随机MPC(SMPC)问题。首先,我们重新制定的机会状态的限制,确定性的限制,只依赖于显式的噪声统计。基于这些重新制定的约束条件,我们设计了一个分布鲁棒性和鲁棒稳定的基准SMPC算法的理想设置已知的噪声统计。然后,我们采用这个基准控制器,以获得一种新的鲁棒稳定的自适应SMPC计划,学习必要的噪声统计在线,同时保证时间一致的满足未知的重新制定的状态约束的高概率。后者是通过使用置信区间来实现的,置信区间依赖于经验噪声统计,并且在时间上一致有效。此外,随着时间的推移,控制性能得到改善,因为收集了更多的噪声样本,并获得了更好的噪声统计估计,给出了估计的重新制定的约束的在线自适应。此外,在跟踪问题与多个连续的目标,我们的方法导致一个在线扩大域的吸引力相比,强大的管为基础的MPC。一个DC-DC变换器的数值模拟被用来证明所开发的方法的有效性。
2022-04-03 cs.SY eess.SY math.OC
Bandlimited Spatial Field Sampling with Mobile Sensors in the Absence of Location Information
利用移动传感器对物理场进行采样是一个新兴的领域。在这种情况下,这项工作介绍并提出了一个基本问题的解决方案:可以从未知的采样位置的样本估计的空间场?未知的采样位置,样本量化,未知带宽的字段,并存在测量噪声的字段估计过程中提出的困难。在这项工作中,除了量化,其他三个问题将在移动采样框架中一起解决。空间带限领域被认为是。它是假设测量噪声影响的现场样本收集从一个未知的更新过程中获得的空间位置。即,在从更新过程获得的位置上获得样本,但是采样位置和更新过程分布是未知的。在这个未知的采样位置设置,它表明,在现场估计的均方误差减少为$O(1/n)$,其中$n$是由移动传感器收集的样本的平均数。所收集的样本的平均数量由更新过程中的样本间间距分布确定。详细介绍了一种确定空间场带宽的算法,该算法随着平均样本数$n$的增加而以很高的概率工作。该算法在相同的设置中工作,即,在存在测量噪声和未知采样位置的情况下。
2016-01-24 cs.IT math.IT math.ST
Estimation of a nonnegative location parameter with unknown scale
对于正态正则模型,更一般地说,大量的一般球对称位置尺度模型与残差向量,我们考虑估计(单变量)位置参数时,它是下界。我们提供的条件,估计占主导地位的基准极大极小MRE估计,从而是极大极小下规模不变损失。这些极小极大估计包括一般凸对称损失下的正态模型和尺度不变$L^p$损失下具有$p>0$的非正态模型的关于截断公共无信息先验到受限参数空间的广义Bayes估计。我们涵盖了许多其他情况下,损失是不对称的,并在其他广义贝叶斯估计,获得不同的权力的尺度参数在事先的措施,被证明是极大极小。我们依赖于各种新颖的表示、急剧的符号变化分析,以及利用Kubokawa的风险差技术的整式表达式。其他几个分析性质,包括上述广义贝叶斯估计的鲁棒性,当损失是尺度不变的$L^p$或不对称的版本。应用包括在两个样本正态模型的平均值上的顺序约束的推断。
2012-07-21 math.ST stat.TH
Brown's loss function and estimation of the scale parameter and the entropy in scale mixture models with unknown location
University of Patras(帕特雷大学)
该研究针对含未知位置的尺度混合模型,采用Kubokawa方法推导尺度参数σ的改进估计量,进而得到熵的改进估计量,并将结果应用于多元t分布等尺度混合模型。
2026-10-12 math.ST stat.TH
On the supremum and its location of the standardized uniform empirical process
Technische Universität Dresden(德累斯顿工业大学)
研究了标准化均匀经验过程的上确界及其分布特性,证明其极限变量具有独立分量且服从特定分布。
2025-12-19 math.PR math.ST stat.TH
Uniform confidence bands in deconvolution with unknown error distribution
本文提出了一种在反褶积中误差分布未知时构造均匀置信带的方法。我们主要关注基线设置,其中来自误差分布的辅助样本是可用的,并且误差密度是普通平滑的。辅助样本可以直接来自验证数据,或者可以由具有对称误差分布的面板数据构造。我们还提出了扩展的置信带的超光滑误差密度的情况下的结果。仿真研究表明,在有限样本的乘数自助置信带的性能。我们将我们的方法应用于外大陆架(OCS)拍卖数据,并绘制了石油和天然气区块矿产权共同价值密度的置信带。最后,我们提出了一个应用程序,我们的主要理论结果,具体到添加剂固定效应面板数据模型。作为面板数据分析的实证说明,我们绘制了智利制造业全要素生产率密度的置信带。
2017-07-22 math.ST stat.TH
Performance of the empirical median for location estimation in heteroscedastic settings
CREST, ENSAE(CREST,ENSAE)
本研究针对异方差场景下的位置估计问题,分析经验中位数估计量,推导其估计误差的匹配非渐近上下界,完整刻画其行为特性,为多源异质数据场景下的位置估计提供理论支撑。
2025-10-01 math.ST stat.ML stat.TH
Generalized Uniformity Testing
在这项工作中,我们重新审视离散概率分布的均匀性检验问题。分布测试中的一个基本问题,即在已知域上测试均匀性,已经在一系列重要的工作中得到了解决,并且现在已经完全理解。然而,决定一个未知分布在其未知(和任意)支持上是否均匀的复杂性却不太清楚。然而,一旦没有关于该领域的先验知识,或者当样本来自未知和非结构化的宇宙时,这个任务就会出现。在这项工作中,我们介绍和研究这个广义的一致性测试问题,并建立近紧的上限和下限显示-相当令人惊讶-其样本的复杂性显着不同的已知域的情况下。此外,我们的算法本质上是自适应的,与绝大多数已知的分布测试算法。
2017-08-15 cs.DM cs.DS math.PR
Approximation of probability density functions via location-scale finite mixtures in Lebesgue spaces
位置-尺度有限混合类是概率统计的应用和理论研究领域中的一个热点。我们证明了以下结果:(a)连续概率密度函数(PDF)的位置-尺度混合可以在紧致集上均匀地近似任何连续PDF;(b)对于任何有限的$p\ge1$,本质上有界的PDF的位置-尺度混合可以在$\mathcal{L}_{p}$中近似任何PDF,在$\mathcal{L}_{p}$范数下。
2022-05-25 math.ST stat.TH
Estimating location parameters of several exponential distributions with ordered restriction under Linex loss function
Indian Institute of Technology Bhilai(印度理工学院比莱分校);National Institute of Technology Rourkela(鲁尔克拉国家技术学院)
针对 Linex 损失下带序约束的多个指数分布位置参数,本文分三种尺度参数情形建立不可容许性结果并构造显式改进估计量,模拟显示风险显著降低。
2025-10-18 math.ST stat.TH
Convex set detection
我们解决的问题,一维段检测和估计,在回归设置。在固定或随机设计的每个点,观察该点是否属于未知段,直到一些额外的噪声。我们试图理解段的最小尺寸是什么,以便通过一些统计过程可以准确地看到它,以及这个最小尺寸如何取决于未知段的位置的一些先验知识。
2014-04-24 math.ST stat.TH
Constructing and extending $n$ = 1 Bayesian confidence intervals for location parameters in location-scale families
Department of Mathematics and Statistics, American University(美国大学数学与统计系)
研究如何构建和扩展位置 - 尺度族中位置参数的 $n = 1$ 贝叶斯置信区间,通过两种贝叶斯推理方法实现,对 $n \geq 2$ 情况也有探讨,且在星际物体数据集上展示方法,显示在先验知识可用时的改进。
2026-07-29 math.ST stat.ME stat.TH