Mathematical Methods of Modern Statistics 2 / Méthodes mathématiques en statistiques modernes 2

Collection Mathematical Methods of Modern Statistics 2 / Méthodes mathématiques en statistiques modernes 2

Organisateur(s) Bogdan, Malgorzata ; Graczyk, Piotr ; Panloup, Fabien ; Proïa, Frédéric ; Roquain, Etienne

Date(s) 15/06/2020 - 19/06/2020

URL associée https://www.cirm-math.com/cirm-virtual-event-2146.html

00:00:00 / 00:00:00

2 25

Isotonic Distributional Regression (IDR) - leveraging monotonicity, uniquely so!

De Tilmann Gneiting

There is an emerging consensus in the transdiciplinary literature that the ultimate goal of regression analysis is to model the conditional distribution of an outcome, given a set of explanatory variables or covariates. This new approach is called "distributional regression", and marks a clear break from the classical view of regression, which has focused on estimating a conditional mean or quantile only. Isotonic Distributional Regression (IDR) learns conditional distributions that are simultaneously optimal relative to comprehensive classes of relevant loss functions, subject to monotonicity constraints in terms of a partial order on the covariate space. This IDR solution is exactly computable and does not require approximations nor implementation choices, except for the selection of the partial order. Despite being an entirely generic technique, IDR is strongly competitive with state-of-the-art methods in a case study on probabilistic precipitation forecasts from a leading numerical weather prediction model.

Joint work with Alexander Henzi and Johanna F. Ziegel.

Informations sur la vidéo

Date de captation 02/06/2020
Date de publication 15/06/2020
Institut CIRM
Licence CC BY NC ND
Langue Anglais
Audience Chercheurs
Réalisateur(s) Guillaume Hennenfent
Format MP4

Données de citation

DOI 10.24350/CIRM.V.19640703
Citer cette vidéo Gneiting, Tilmann (02/06/2020). Isotonic Distributional Regression (IDR) - leveraging monotonicity, uniquely so!. CIRM. Audiovisual resource. DOI: 10.24350/CIRM.V.19640703
URL https://dx.doi.org/10.24350/CIRM.V.19640703

Domaine(s)

Bibliographie

GNEITING, Tilmann et RAFTERY, Adrian E. Strictly proper scoring rules, prediction, and estimation. Journal of the American statistical Association, 2007, vol. 102, no 477, p. 359-378. - https://doi.org/10.1198/016214506000001437
GNEITING, Tilmann et KATZFUSS, Matthias. Probabilistic forecasting. Annual Review of Statistics and Its Application, 2014, vol. 1, p. 125-151. - https://doi.org/10.1146/annurev-statistics-062713-085831
JORDAN, Alexander I., MÜHLEMANN, Anja, et ZIEGEL, Johanna F. Optimal solutions to the isotonic regression problem. arXiv preprint arXiv:1904.04761, 2019. - https://arxiv.org/abs/1904.04761
HENZI, Alexander, ZIEGEL, Johanna F., et GNEITING, Tilmann. Isotonic Distributional Regression. arXiv preprint arXiv:1909.03725, 2019. - https://arxiv.org/abs/1909.03725

Codes MSC

Document(s)

https://www.cirm-math.fr/RepOrga/2146/Slides/GneitingTilman.pdf

Dernières questions liées sur MathOverflow

Pour poser une question, votre compte Carmin.tv doit être connecté à mathoverflow

Poser une question sur MathOverflow

Toutes les vidéos de la collection

01:08:34

publiée le 15 juin 2020

Consistent model selection criteria and goodness-of-fit test for common time series models

De Jean-Marc Bardet

01:01:17

publiée le 15 juin 2020

Isotonic Distributional Regression (IDR) - leveraging monotonicity, uniquely so!

De Tilmann Gneiting

57:07

publiée le 15 juin 2020

Quasi logistic distributions and Gaussian scale mixing

De Gerard Letac

35:09

publiée le 15 juin 2020

Scaling of scoring rules

De Jonas Wallin

34:07

publiée le 15 juin 2020

The price of competition: effect size heterogeneity matters in high dimensions!

De Hua Wang

36:40

publiée le 15 juin 2020

How to estimate a density on a spider web ?

De Dominique Picard

39:06

publiée le 15 juin 2020

High-dimensional classification by sparse logistic regression

De Felix Abramovich

38:07

publiée le 15 juin 2020

Optimal control of false discovery criteria in the general two-group model

De Ruth Heller

32:25

publiée le 15 juin 2020

Sparse multiple testing: can one estimate the null distribution ?

De Etienne Roquain

50:46

publiée le 15 juin 2020

Hierarchical bayes modeling for large-scale inference

De Daniel Yekutieli

29:01

publiée le 15 juin 2020

On Cholesky structures on real symmetric matrices and their applications

De Hideyuki Ishi

29:04

publiée le 15 juin 2020

Treatment effect estimation with missing attributes

De Julie Josse

56:18

publiée le 15 juin 2020

Knockoff genotypes: value in counterfeit

De Chiara Sabatti

50:05

publiée le 15 juin 2020

The smoothed multivariate square-root Lasso: an optimization lens on concomitant estimation

De Joseph Salmon

39:43

publiée le 15 juin 2020

High-dimensional, multiscale online changepoint detection

De Richard Samworth

46:32

publiée le 15 juin 2020

De-biasing arbitrary convex regularizers and asymptotic normality

De Pierre C. Bellec

48:44

publiée le 15 juin 2020

Floodgate: inference for model-free variable importance

De Lucas Janson

15:53

publiée le 15 juin 2020

Shrinkage estimation of mean for complex multivariate normal distribution with unknown covariance when p > n

De Yoshihiko Konno

42:35

publiée le 15 juin 2020

Structure learning for CTBN's

De Błażej Miasojedow

34:30

publiée le 15 juin 2020

Universal inference using the split likelihood ratio test

De Aaditya K. Ramdas

46:04

publiée le 15 juin 2020

Optimal and maximin procedures for multiple testing problems

De Saharon Rosset

34:46

publiée le 15 juin 2020

Post hoc bounds on false positives using reference families

De Pierre Neuvial

38:00

publiée le 15 juin 2020

Change: detection, estimation, segmentation

De David Siegmund

32:29

publiée le 15 juin 2020

Bayesian spatial adaptation

De Veronika Rockova

54:34

publiée le 15 juin 2020

Experimenting in equilibrium

De Stefan Wager

Copyright Carmin.tv 2024

Donner son avis