关于高维模型渐近最优置信区间和检验
本文提出了一种针对高维数据中低维度参数的统计推断方法,重点在于构建线性回归模型中单个系数和多个系数的线性组合的置信区间,提出的估计器在趋于无穷时渐近正态,其有限维协方差矩阵的一致估计器满足充分条件,模拟结果证明了置信区间的覆盖概率准确性,强烈支持理论结果。
Oct, 2011
本文研究高维模型中低维部分的不确定性评估问题,提出了一种去相关的评分函数来处理高维噪声参数的影响,不同于现有方法的针对性,我们的方法提供了一种适用于广泛应用的高维推理通用框架。
Dec, 2014
本文研究了应用于具有未知依赖关系结构的随机向量均值的广义自助法置信区间,并针对高维向量进行非渐近控制,分别采用了基于浓度原理和基于重新采样分位数量化的方法,并且考虑了蒙特卡罗法的精度问题。
Dec, 2007
本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断,特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架,用于 Hadamard 可微函数和随机优化问题,从而提供了一个有原则的选择分布不确定性区域大小的方法,以实现达到精确覆盖的单侧和双侧置信区间。我们还给出了我们分布鲁棒的公式的渐近展开,表明如何通过方差来规范化问题。最后,我们证明了,我们研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。我们的一般方法适用于快速混合的平稳序列,包括几何上遗传的 Harris 递归马尔科夫链。
Oct, 2016
本文提出一种构建在一般时刻条件模型下针对 $\tilde p$ 个潜在无限维参数的同时置信带的程序,其中 $\tilde p$ 可能大于可用数据样本的样本量 $n$。该程序基于满足某些正交性条件的得分函数的构建。提出的同时置信带依赖于高维向量的统一中心极限定理,并采用可计算多样性引导等效果很好的方法。通过模拟和实际数据应用来说明结果的适用性。
Dec, 2015
本研究提出了一种在高维线性模型中测试线性假设的方法,可以不对模型的大小(即模型的稀疏性或表示假设的加载向量)进行任何限制,并通过测试与新设计的重组回归模型相关的时刻条件来实现。
Oct, 2016
使用任意预测模型构建置信区间,不依赖于噪音模型并可扩展至非严格线性函数,采用混合整数线性规划框架进行优化和参数坐标的置信区间提取,适用于假设检验,并通过合成数据验证了方法的实证适用性。
Jan, 2024
基于 Neyman 的正交阵,我们开发了一种方法来产生高维稀疏中位数回归模型中回归系数的一致有效的置信区间,同时我们将所提出的估计器的渐近正常分布性扩展到所有特定目标参数并建立一致的渐近正常性以及同时置信带。
Apr, 2013
本研究提出了一种方法,可以在高维线性模型中构建一般假设的 p 值。该方法可用于测试单个回归参数或涉及多个甚至所有参数的假设,同时考虑到 p 值之间的依赖关系,进行多重比较校正。该技术基于 Ridge 估计和在高维度中的投影偏差上增加的修正项,我们证明了我们的 p 值具有强大的误差控制,并提供了充分的检测条件,同时在模拟实例和真实数据应用中演示了该方法。
Feb, 2012