×
韩东晓;汉族、苗族;黄、健;林媛媛

高维单指标模型的稳健推理。 （英语） Zbl 07782053号

扫描。J.统计。 50，编号4，1590-1615（2023）.
摘要：我们针对具有未知连接函数和椭圆对称分布协变量的高维单指标模型提出了一种鲁棒推理方法，重点是信号恢复和推理。该方法基于Huber损耗，避免了未知链路函数的估计。建立了Lasso估计量到乘法标量的（ell_1）和（ell_2）一致性。当预测器的协方差矩阵满足不可表示条件时，我们的方法可以在温和的条件下恢复真参数的符号支持。基于一种基于衰减Lasso估计的方法，我们研究了高维指数参数的分量和群推理。通过广泛的仿真研究评估了我们方法的有限样本性能。以核黄素生产数据集为例说明了该方法。
©2023斯堪的纳维亚统计杂志基金会董事会。

理学硕士：

62至XX 统计

关键词：

高维数据;Huber损失;非症状误差界;信号恢复;统计推断
PDF格式BibTeX公司 XML格式引用
\textit{D.Han}等人，Scand。J.Stat.50，No.4，1590--1615（2023；Zbl 07782053）
全文： 内政部

参考文献：

[1] Agostinelli，C.、Bianco，A.M.和Boente，G.（2020年）。当误差具有未知干扰参数的单峰密度时，单指标模型中的稳健估计。统计数学研究所年鉴，72855-893·Zbl 1512.62051号
[2] Bickel，P.J.和Levina，E.（2008）。通过阈值进行协方差正则化。《统计年鉴》，第36期，第2577-2604页·兹比尔1196.62062
[3] Cai，T.T.，&Guo，Z.（2020年）。高维线性回归中解释方差的半监督推断及其应用。英国皇家统计学会杂志，B辑（统计方法），82，391-419·Zbl 07554759号
[4] Cai，T.T.，Liu，W.，&Luo，X.（2011）。受约束的
稀疏精度矩阵估计的[（{\ell}_1\]\）最小化方法。美国统计协会杂志，106594-607·Zbl 1232.62087号
[5] Chang，L.、Roberts，S.和Welsh，A.（2018）。使用Tukey双权准则的稳健套索回归。技术计量学，60，36-47。
[6] Chen，S.和Banerjee，A.（2017年）。单指标模型的稳健结构估计。第34届机器学习国际会议论文集，70（第712-721页）。PMLR公司。
[7] Chen，X.和Zhou，W.X.（2020）。通过乘数引导进行稳健推理。《统计年鉴》，481665-1691年·Zbl 1458.62075号
[8] Eftekhari，H.、Banerjee，M.和Ritov，Y.（2021）。对称设计下高维单指数模型的推断。机器学习研究杂志，22，1-63·Zbl 07370544号
[9] Fan，J.，Li，Q.和Wang，Y.（2017）。在缺乏对称性和轻尾假设的情况下估计高维平均回归。英国皇家统计学会杂志，B辑（统计方法），79，247-265·Zbl 1414.62178号
[10] Fan，J.，&Li，R.（2001）。通过非冲突惩罚似然及其oracle属性进行变量选择。美国统计协会杂志，96，1348-1360·Zbl 1073.62547号
[11] Fan，J.、Wang，W.和Zhu，Z.（2021）。重尾数据的收缩原理：高维稳健低秩矩阵恢复。《统计年鉴》，第49期，第1239-1266页·Zbl 1479.62034号
[12] Fang，K.T.和Anderson，T.W.（1990年）。椭圆轮廓分布和相关分布的统计推断。阿勒顿出版社·Zbl 0747.00016号
[13] Gao，X.和Huang，J.（2010）。用LASSO对高维LAD回归进行渐近分析。《中国统计》，第20期，1485-1506页·Zbl 1200.62073号
[14] Goldstein，L.、Minsker，S.和Wei，X.（2018年）。从非线性和重尾测量中恢复结构化信号。IEEE信息理论汇刊，64，5513-5530·Zbl 1401.94035号
[15] Guo，Z.、Renaux，C.、Bühlmann，P.和Cai，T.T.（2021）。高维群体推理在分层测试中的应用。《电子统计杂志》，第15期，第6633-6676页·Zbl 1493.62424号
[16] Han，F.，Ji，H.，季，Z.，&Wang，H.（2017）。一种可证明的高维广义回归平滑方法及其在基因组学中的应用。《电子统计杂志》，第11期，第4347-4403页·Zbl 06816619号
[17] Hardle，W.、Hall，P.和Ichimura，H.（1993）。单指标模型中的最佳平滑。《统计年鉴》，第21期，第157-178页·Zbl 0770.62049号
[18] He，X.和Shao，Q.-M。（2000年）。关于增加维度的参数。多元分析杂志，73120-135·Zbl 0948.62013.中
[19] Horowitz，J.L.和Härdle，W.（1996）。具有离散协变量的单指标模型的直接半参数估计。美国统计协会杂志，91，1632-1640·Zbl 0881.62037号
[20] Hristache，M.、Juditsky，A.和Spokoiny，V.（2001年）。单指数模型中指数系数的直接估计。统计年鉴，29595-623·Zbl 1012.62043号
[21] Huber，P.J.（1964年）。位置参数的稳健估计。《数理统计年鉴》，35，73-101·Zbl 0136.39805号
[22] Huber，P.J.（1973）。稳健回归：渐近、猜想和蒙特卡罗。《统计年鉴》，1799-821·Zbl 0289.62033号
[23] Janková，J.和van deGeer，S.（2016）。稀疏下高维广义线性模型的置信域。arXiv:1610.01353。
[24] Javanmard，A.和Montanari，A.（2014）。高维回归的置信区间和假设检验。机器学习研究杂志，152869-2909·Zbl 1319.62145号
[25] Kong，E.和Xia，Y.（2007）。单指数模型的变量选择。《生物统计学》，94217-229·Zbl 1142.62353号
[26] Lambert‐Lacroix，S.和Zwald，L.（2011）。通过Huber准则和自适应套索惩罚进行稳健回归。《电子统计杂志》，51015-153·Zbl 1274.62467号
[27] Li，K.C.（1991）。用于降维的分段反向回归。美国统计协会杂志，86，316-327·Zbl 0742.62044号
[28] Li，K.C.，&Duan，N.（1989年）。链接冲突下的回归分析。《统计年鉴》，171009-1052·Zbl 0753.62041号
[29] Loh，P.（2017）。高维稳健m估计量的统计一致性和渐近正态性。《统计年鉴》，45866-896·兹比尔1371.62023
[30] Loh，P.（2021）。高维稳健回归的标度校准。《电子统计杂志》，第15期，第5933-5994页·Zbl 1493.62104号
[31] Ma，Y.，&Zhu，L.（2013）。允许高维协变量的异方差部分线性单指数模型的双重稳健有效估计。英国皇家统计学会杂志，B辑（统计方法），75，305-322·Zbl 07555449号
[32] Maronna，R.A.（2011年）。高维数据的稳健岭回归。技术计量学，53，44-53。
[33] Neykov，M.、Liu，J.S.和Cai，T.（2016）。l1‐正则最小二乘法，用于高斯设计的高维单指标模型的支持恢复。机器学习研究杂志，17，1-37·Zbl 1435.62273号
[34] Owen，A.B.（2007年）。套索回归和岭回归的稳健组合。当代数学，44359-72·Zbl 1134.62047号
[35] Plan，Y.和Vershynin，R.（2016）。具有非线性观测的广义套索。IEEE信息理论汇刊，621528-1537·Zbl 1359.94153号
[36] Portnoy，S.（1985）。的渐近行为
的[（M\]\）估计量
[（p\]\）回归参数，当
[（｛p｝^2/n\]\）较大；二、。法线近似。《统计年鉴》，第13期，1403-1417页·Zbl 0601.62026号
[37] Stoker，T.M.（1986）。缩放系数的一致估计。计量经济学，541461-1481·Zbl 0628.62105号
[38] 孙琦、周维新和范杰（2020）。自适应huber回归。美国统计协会杂志，115，254-265·Zbl 1437.62250号
[39] van deGeer，S.、Bühlmann，P.、Ritov，Y.A.和Dezeure，R.（2014）。关于高维模型的渐近最优置信域和检验。《统计年鉴》，第42期，第1166-1202页·Zbl 1305.62259号
[40] Wainwright，M.J.（2009）。使用
[（{\ell}_1\]\）约束二次规划（lasso）。IEEE信息理论汇刊，552183-2202·Zbl 1367.62220号
[41] Wang，H.，Li，G.，&Jiang，G..（2007）。通过套索进行稳健回归收缩和一致变量选择。《商业与经济统计杂志》，25，347-355。
[42] Wang，H.，Li，R.，&Tsai，C.L.（2007）。调整平滑剪裁绝对偏差方法的参数选择器。Biometrika，94553-568·Zbl 1135.62058号
[43] Wang，T.，&Zhu，L.（2015）。用于一般单指数模型的基于分布的LASSO。科学中国数学，58109-130·Zbl 1308.62043号
[44] Yang，Z.、Balasubramanian，K.和Liu，H.（2017）。通过阈值得分函数估计的高维非高斯单指数模型。第34届机器学习国际会议论文集，70，3851-3860。
[45] 尤海（Yohai，V.J.）和玛丽娜（Maronna，R.A.）（1979年）。线性模型M估计量的渐近行为。统计年鉴，7258-268·Zbl 0408.62027号
[46] Zhang，C.（2010）。极小极大凹惩罚下的几乎无偏变量选择。《统计年鉴》，38894-942·Zbl 1183.62120号
[47] Zhang，C.和Zhang、S.S.（2014）。高维线性模型中低维参数的置信区间。英国皇家统计学会杂志，B辑（统计方法），76217-242·Zbl 1411.62196号
[48] Zhao，P.，&Yu，B.（2006）。套索的模型选择一致性。机器学习研究杂志，72541-2563·Zbl 1222.62008年
[49] Zhou，W.X.、Bose，K.、Fan，J.和Liu，H.（2018）。稳健M估计的新视角：有限样本理论及其在依赖调整多重检验中的应用。《统计年鉴》，461904-31·兹比尔1409.62154
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。