Sequential One-Sided Hypothesis Testing of Markov Chains
针对马尔可夫链的序贯检验问题,提出基于数据驱动估计器的单侧SPRT型检验,在估计器遗憾为对数阶时渐近匹配最优性能,无需先验信息。
2025-01-22 math.ST stat.AP stat.TH
Decentralized Sequential Hypothesis Testing using Asynchronous Communication
我们提出了一个测试的问题,分散序贯假设检验,这是渐近最优的。通过在每个传感器处选择合适的采样机制,传感器与融合中心之间的通信是异步的,并且限于1位数据。所提出的SPRT样测试原来是顺序2渐近最优的情况下,连续时间和连续路径信号,而在离散时间,这种强大的渐近最优性在适当的条件下保持。如果这些条件不成立,那么我们可以证明1阶最优性。仿真证实了感兴趣的测试的优异性能特征。
2009-08-28 math.ST stat.ME stat.TH
Les p-values comme votes d'experts
p值通常被隐含地用作检验假设的证据度量。这一做法已经用不同的方法进行了分析。它通常被接受为片面假设问题,但它经常被批评为双边假设问题。我们用一种新的统计推断方法来分析这种做法。首先,我们选择好的决策规则,而不使用损失函数,我们称之为专家。然后在专家空间上定义一个概率分布。一个假设的证据的衡量标准是决定这个假设的专家的归纳概率。
2006-02-07 math.ST stat.TH
Bayesian sequential composite hypothesis testing in discrete time
研究了观测值为代价时指数族中未知参数的两个备择假设的序贯检验问题。在贝叶斯环境中,问题可以嵌入马尔可夫框架中。以其中一个假设的条件概率为空间变量,证明了费用函数是凹的,且随着时间的推移,后验分布变得更加集中,并研究了价值函数的时间单调性.对于一个大类的模型规格,费用函数是非递减的时间,最佳停止边界是单调的。
2021-08-16 math.PR math.ST stat.TH
Sequential multiple hypothesis testing in presence of control variables
假设在统计实验的任何阶段,可以使用控制变量$X$,该控制变量影响在该阶段观察到的数据$Y$的分布。$Y$的分布取决于一些未知的参数$θ$,我们考虑的问题,测试多个假设$H_1: θ=θ_1$,$H_2: θ=θ_2, ...$,$H_k: θ=θ_k$允许数据被控制的$X$,在以下顺序的上下文中。实验开始时,将值$X_1$分配给控制变量,并观察$Y_1$作为响应。在一些分析之后,选择控制变量的另一个值$X_2$,并且观察作为响应的$Y_2$,等等。假设实验最终停止,并且在那一刻,将采取有利于假设之一的最终决定$H_1,...$,$H_k$。在这篇文章中,我们的目的是表征结构的最佳序贯测试程序的基础上,从这种类型的实验中获得的数据的情况下,当观察$Y_1, Y_2,..., Y_n$是独立的,控制$X_1,X_2,..., X_n$,$n=1,2,...$。
2008-12-15 math.PR math.ST stat.ME
Almost optimal sequential tests of discrete composite hypotheses
我们考虑的问题,顺序测试一个简单的原假设与复合备择假设,由一个有限集的密度。本文研究了基于混合似然比统计量和加权广义似然比统计量阈值化的序贯检验。结果表明,这两个序贯检验有几个渐近最优性能的错误概率为零。首先,对于任何权重,它们在备择假设中的每个场景下在常数项内最小化预期样本量,并且在原假设下至少最小化到一阶。其次,对于先验分布的适当权重,它们在备择假设中的加权预期样本量在渐近可忽略项内最小化。第三,对于一个特定的先验分布,他们几乎是极小极大相对于预期的Kullback-Leibler分歧,直到停止。此外,基于高阶渐近展开的操作特性,我们提出了先验分布,导致一个强大的行为。最后,基于渐近分析以及模拟实验,我们认为,这两种测试具有相同的性能时,他们被设计为具有相同的权重。
2013-01-22 math.ST stat.ME stat.TH
On Hypothesis Testing for Poisson Processes. Singular Cases
研究了第一个假设是简单的,第二个假设是局部单侧复合的情况下的假设检验问题。讨论了当观测到的非齐次泊松过程的强度函数具有两种不同类型的奇异性:尖点奇异性和间断奇异性时,不同检验的阈值和幂函数的选择.通过数值模拟说明了渐近结果。
2015-02-24 math.ST stat.TH
Private Sequential Hypothesis Testing for Statisticians: Privacy, Error Rates, and Sample Size
Harvard John A. Paulson School Of Engineering And Applied Sciences(哈佛大学约翰·A·保尔森工程与应用科学学院);Georgia Institute of Technology(佐治亚理工学院);H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院H·米尔顿·斯图尔特工业与系统工程学院);Department of Industrial Engineering and Operations Research, Columbia University(哥伦比亚大学工业工程与运筹学系)
序贯假设检验问题是一类样本量事先不确定的统计分析问题。相反,决策过程顺序地接受新的观察结果,以做出实时决策,用于针对原假设测试备择假设,直到满足某个停止标准。在序贯假设检验的许多常见应用中,数据可能具有高度敏感性,可能需要隐私保护;例如,序贯假设检验用于临床试验,医生按顺序收集患者的数据,必须确定何时停止招募患者以及治疗是否有效。差分隐私领域已经发展为提供具有强隐私保证的数据分析工具,并且已经普遍应用于机器学习和统计任务。在这项工作中,我们研究了顺序假设检验问题下的一个轻微的变化的差分隐私,被称为Renyi差分隐私。我们提出了一个新的私有算法的基础上沃尔德的序贯概率比测试(SPRT),也给出了强有力的理论隐私保证。我们提供了理论分析的统计性能衡量的I型和第二类错误,以及预期的样本量。我们还在几个合成数据库上实证验证了我们的理论结果,表明我们的算法在实践中也表现良好。与以往的工作,私人假设检验,只集中在经典的固定样本设置,我们的结果在顺序设置允许的结论,以达到更早,从而节省了收集额外的样本的成本。
2022-04-10 cs.LG math.ST stat.ML
A Linear Programming Approach to Sequential Hypothesis Testing
在一些温和的马尔可夫假设下,证明了两个简单假设下的最优序贯检验设计问题可以用线性规划表示。该结果是通过研究序贯检验问题的拉格朗日对偶得到的,序贯检验问题是一个无约束的最优停止问题,依赖于两个未知的拉格朗日乘子。结果表明,最优费用函数对这些乘子的导数与相应的序贯检验的误差概率一致。这个属性被用来制定一个最优化问题,这是联合线性的费用函数和拉格朗日乘子,并解决这两个现成的算法。为了说明这一过程,我们推导了具有不同相依结构的高斯随机序列的最优序贯检验,包括高斯AR(1)过程。
2015-02-23 math.ST stat.TH
Minimax Optimal Sequential Hypothesis Tests for Markov Processes
在较弱的Markov假设下,得到了分布不确定性下多假设序贯检验的严格Minimax最优性的充分条件。首先,简单假设的最优序贯检验的设计被重新审视,它表明,相应的成本函数的偏导数是密切相关的基本序贯检验的性能指标。第二,一个隐含的表征最不利的分布为一个给定的测试政策。结合最优序贯检验和最不利分布的结果,得到了一般分布不确定性下序贯检验为minimax最优的充分条件。最小最大最优检验的成本函数被进一步确定为广义$f$-相异度,最不利的分布是那些最相似的相对于这种相异度。不同不确定度下的极小极大最优序贯检验的数值例子说明了理论结果。
2020-10-22 math.ST stat.TH
Multiple Hypothesis Tests Controlling Generalized Error Rates for Sequential Data
$γ$ -FDP和$k$ -FWER多重检验误差度量(它们是相应误差统计的尾部概率)作为FDR和FWER的较不严格的替代方案近来已经变得流行。我们提出了通用和灵活的步升和步降程序,用于测试多个假设的顺序(或流)数据,同时控制I型和II型版本的$γ$ -FDP,或$k$ -FWER。无论数据流之间的依赖性如何,错误控制都是有效的,数据流可以是任意大小和形状的。所有需要的是用于控制传统的I型和II型错误概率的每个数据流的检验统计量,并且不需要关于统计量或数据流的联合分布的信息或假设。这些程序可与顺序、成组顺序、截断或其他采样方案一起使用。我们给出了程序实现的建议,包括在一些常见的测试情况下所需的临界值的封闭形式的表达式。建议的顺序程序进行了比较,彼此和可比的固定样本量程序的背景下,强正相关的高斯数据流。对于该设置,我们得出结论,在预期样本量方面,步进和步进顺序程序均比固定样本程序节省了大量时间,对于$γ$ -FDP对照,步进程序的性能略好于步进程序,但始终优于步进程序,对于$k$ -FWER对照,关系相反。
2016-12-19 math.ST stat.ME stat.TH
A quantum linguistic characterization of the reverse relation between confidence interval and hypothesis testing
虽然统计假设检验的公式有很多种,但我们认为似然比检验是最合理、最正统的。然而,它并不方便,因此,它在初级书籍中并不常见。也就是说,在基础书籍中编写的统计假设检验不同于似然比检验。因此,从理论的角度,我们有这样一个问题:“什么是统计假设检验写在初级书籍?“例如,我们认为,即使是“单侧检验“和“双侧检验“之间的区别也不清楚。在本文中,我们对这个问题给出了答案。也就是说,我们提出了一个新的公式的统计假设检验,这是相反的置信区间的方法。换句话说,它们是同一枚硬币的两面。这将在量子语言(或测量理论)中完成,其特征在于量子力学的哥本哈根解释的语言转向,也是一种系统理论,因此它适用于经典和量子系统。由于量子语言适合于理论论证,我们相信我们的结果作为一般理论基本上是最终的。
2014-01-14 math.ST stat.TH
Instance-Log-Optimality of Portfolio-Based E-Processes and their Sequential Hypothesis Tests
University of California, Berkeley(加州大学伯克利分校);Inria, Paris(巴黎国家信息与自动化研究所)
本文针对基于$e$-过程的序贯假设检验,证明满足次线性遗憾界的$e$-过程在复合备择假设下渐近且几乎必然实例对数最优,并给出匹配的预期拒绝时间上下界,且结果在分布一致意义上成立。
2026-09-15 math.ST stat.ME stat.TH
Optimal Group-Sequential Tests with Groups of Random Size
我们考虑顺序假设检验的基础上收到的观察组的随机大小。假设观察结果在组内和组间都是独立的。我们假设群的大小是独立的,它们的分布是已知的,并且群的形成与观测无关。我们关心的是用一个简单的替代方案来检验一个简单假设的问题。对于任何(组)序贯检验,我们考虑以下三个特征:它的I类和第二类错误概率和平均观测成本。在较弱的条件下,我们刻画了在I类和第二类错误概率不超过一定水平的序贯检验中,使观测值的平均代价最小的序贯检验的结构.
2021-10-08 math.ST stat.ME stat.TH
Sequentiality and Adaptivity Gains in Active Hypothesis Testing
考虑一个决策者,他负责收集观察结果,以便以快速的方式增强他对感兴趣的潜在现象的信息。决策者选择感测动作的策略可以基于以下两个因素进行分类:i)顺序与非顺序; ii)自适应与非自适应。非序贯策略收集固定数量的观测样本,然后做出最终决策;而在序贯策略下,样本大小最初是未知的,由观测结果决定。在自适应策略下,决策者依赖于先前收集的样本来选择下一个感知动作;而在非自适应策略下,动作的选择与过去的观测结果无关。在本文中,性能界限提供的政策在每一类。使用这些界限,序列性增益和自适应性增益,即,表征了动作的顺序和自适应选择的增益。
2012-11-10 cs.IT math.IT math.ST
On Hypothesis Testing for Poisson Processes. Regular Case
研究了第一个假设为简单假设,第二个假设为局部单侧复合假设的假设检验问题。本文讨论了当观测到的非齐次泊松过程的强度函数关于参数光滑时,Score函数检验、一般似然比检验、Wald检验和两种Bayes检验的阈值和幂函数的选择。它表明,几乎所有这些测试是渐近一致最强大的。给出了数值模拟的结果。
2015-02-25 math.ST stat.TH
Sequential Outlier Detection in Non-Stationary Time Series
提出一种基于极值理论控制错误概率的非平稳时间序列序贯异常值检测方法,并验证其渐近与有限样本性能。
2025-02-25 math.ST stat.ME stat.TH
Second-Order Asymptotics of Sequential Hypothesis Testing
我们考虑经典的序贯二元假设检验问题,其中有两个假设分别由分布$P_0$和$P_1$,我们想决定哪个假设是真的使用序贯检验。从Wald和Wolfowitz的工作中可以知道,随着检验长度的期望值的增长,最优I型和II型误差指数接近相对熵$D(P_1\|P_0)$和$D(P_0\|P_1)$。我们通过考虑最佳回退-或二阶渐近-在两个不同的测试长度(或样本大小)约束下,从可达到的指数区域$(D(P_1\|P_0),D(P_0\|P_1))$的角点改进了这个结果。首先,我们考虑一个概率约束,其中的概率,测试的长度超过一个规定的整数$n$小于一定的阈值$0<\varepsilon <1$。第二,样本量的期望值受$n$限制。在这两种情况下,并在温和的条件下,二阶渐近的特点是准确的。数值例子来说明我们的结果。
2020-06-30 cs.IT math.IT math.ST
Multi-parameter One-Sided Monitoring Test
多参数单侧假设检验问题在许多应用中自然出现。我们对监测林业产品多个质量指标的有效测试特别感兴趣。我们的搜索表明,在文献中有许多有效的统计方法用于正态数据,并且它们可以很容易地适用于非正态数据。我们发现,美丽的似然比检验是不令人满意的,因为为了控制大小,它必须应付最不利的分布在权力的代价。在本文中,我们找到了一种新的方法来稍微减轻大小控制,获得更强大的测试。仿真证实,新的测试保留了良好的控制I型错误,是明显更强大的比似然比检验以及许多竞争对手的基础上正常的数据。新方法在监测多个质量指标的情况下表现良好。
2017-03-14 math.ST stat.TH
Sequential Joint Detection and Estimation
我们考虑的问题,同时检测和估计下的顺序框架。特别是,我们感兴趣的序贯检验,区分零和备择假设,每次决定是有利于替代,他们提供了一个随机参数的估计。正如我们的分析所证明的那样,用相应的最优策略分别处理这两个子问题并不会产生最佳性能。为了享受最优性,需要在假设检验阶段考虑最优估计量。
2013-09-22 math.ST stat.TH
Optimal Error Exponents for Composite Sequential Quantum Hypothesis Testing
School of Computer Science, University of Birmingham(伯明翰大学计算机学院)
本文研究了复合序列量子假设检验问题,提出了一种混合-序列量子概率比检验方法,通过自适应选择测量并停止阈值跨越,同时达到类型I和最坏情况类型II误差指数。
2026-08-12 cs.IT math.IT math.ST
Hypotheses Testing: Poisson Versus Self-exciting
我们考虑假设检验问题,基本的简单假设是:观测点序列对应于强度已知的平稳泊松过程。替代方案是平稳的自激点过程。我们考虑单侧参数和单侧非参数的组合方案,并构造局部渐近一致最大功效检验。给出了试验的数值模拟结果。
2009-03-26 math.ST stat.TH
Sequential Tests of Multiple Hypotheses Controlling Type I and II Familywise Error Rates
本文讨论了以下一般情况:一个科学家希望进行一组实验,每个实验产生一个连续的数据流,以研究某种现象。科学家希望控制总体错误率,以便从每个实验中得出有效的结论,同时尽可能高效。流间数据可能在分布和维度上不同,但也可能高度相关,甚至在某些情况下完全重复。把每个实验作为一个假设检验,并采用familywise错误率(FWER)度量,我们给出了一个程序,顺序测试每个假设,同时控制I型和II FWER,而不管流间的相关性,只需要任意顺序检验统计量,控制一个给定的流在隔离的错误率。建议的程序,我们称之为序贯Holm程序,因为它的灵感来自Holm的(1979年)开创性的固定样本程序,显示出同时节省预期的样本量和较少保守的错误控制相对于固定样本,序贯Bonferroni,和其他最近提出的序贯程序在模拟研究。
2014-05-08 math.ST stat.ME stat.TH
Optimal sequential testing of two simple hypotheses in presence of control variables
假设在统计实验的任何阶段都可以使用影响观测数据$Y$分布的控制变量$X$。$Y$的分布取决于一些未知的参数$θ$,我们认为一个简单的假设$H_0: θ=θ_0$对一个简单的替代$H_1: θ=θ_1$允许数据被控制的测试的经典问题由$X$,在以下顺序的上下文中。实验开始时,将值$X_1$分配给控制变量,并观察$Y_1$作为响应。经过一些分析后,我们选择另一个值$X_2$作为控制变量,并观察$Y_2$作为响应,等等。假设实验最终停止,在那一刻,将采取支持$H_0$或$H_1$的最终决定。在这篇文章中,我们的目的是表征结构的最佳顺序程序,基于这种类型的数据,测试一个简单的假设对一个简单的替代。
2008-12-07 math.PR math.ST stat.ME
Optimal Adaptive Strategies for Sequential Quantum Hypothesis Testing
我们考虑两个量子态之间的序贯假设检验,采用自适应和非自适应策略。在这种设置中,顺序地请求未知状态的样本,并且在每次测试之后做出是继续还是接受两个假设之一的决定。在样本数量有界的约束下,无论是在预期还是高概率,我们表现出自适应策略,最大限度地减少这两种类型的错误识别错误。也就是说,我们表明,这些错误呈指数下降(在停止时间)的衰减率由两个国家之间的测量相对熵。此外,如果我们允许对多个样本进行联合测量,则速率增加到相应的量子相对熵。我们还充分刻画了非自适应策略的可实现误差指数,并提供了数值证据表明,自适应测量是必要的,以实现我们的界限下,一些额外的假设。
2022-02-28 cs.IT math-ph math.IT
Universal Sequential Outlier Hypothesis Testing
在序贯环境中研究了通用离群值假设检验。收集多个观测序列,其中一小部分是离群值。如果序列中的观测值是由“离群值”分布生成的,则该序列被视为离群值,该分布不同于控制大多数序列的常见“典型”分布。除了不同之外,异常值和典型分布可以任意接近。我们的目标是设计一个通用的测试,以最好地辨别所有的离群序列。提出了一种具有重复显着性检验特征的普适检验方法,并在各种普适设置下刻画了其渐近性能。所提出的测试被证明是普遍一致的。对于具有相同异常值的模型,当异常值个数尽可能多且已知典型分布时,证明了该检验是渐近最优的,并讨论了其渐近性能.扩展的结果与多个不同的离群值模型进行了讨论。在所有情况下,它示出的渐近性能保证所提出的测试时,既不离群值,也不典型分布是已知的收敛到那些典型分布是已知的。
2014-11-26 math.ST stat.TH
Asymptotics of Sequential Composite Hypothesis Testing under Probabilistic Constraints
我们考虑序贯复合二元假设检验问题,其中一个假设是由一个单一的分布,而另一个是由一个家庭的分布,其参数属于一个已知的集合$Γ$。我们想设计一个测试来决定哪个假设是有效的。在检验的长度即停止时间超过$n$的概率受某个阈值$ε$约束的条件下,当$n$趋于无穷大时,我们得到了序贯检验的渐近行为的某些基本限制.假设$Γ$是一个凸紧集,我们得到了该问题的所有一阶误差指数的集合。我们还证明了一个强逆。此外,我们得到的二阶误差指数的假设下,$\mathcal{X}$是一个有限的字母表。在二阶渐近性的证明中,一个主要的技术贡献是在适当的条件下导出了对数似然比的不可数集的最大值的中心极限型结果。这一结果可能是独立的利益。我们还证明了一些重要的统计模型满足这些条件。
2022-03-29 cs.IT math.IT math.ST
Multi-Armed Sequential Hypothesis Testing by Betting
University of California Berkeley(加州大学伯克利分校);École Normale Supérieure & Inria Paris(法国国家科学研究中心巴黎分校 & 巴黎研究所)
本文研究了通过赌注进行多臂顺序检验的问题,提出了一种在多个数据源(臂)中选择以获取数据的统计学家的变体,旨在拒绝全局空假设P(所有臂在某种意义上无效)并支持复合替代假设Q(至少有一个臂非空)。通过推广对数最优性和期望拒绝时间最优性的概念,得到了匹配的上下界,并提出了一个修改的上置信界算法来处理不可观测但足够可估计的奖励。
2026-06-04 cs.LG math.ST stat.ME
Nonparametric iterated-logarithm extensions of the sequential generalized likelihood ratio test
本文对一元分布均值的序贯广义似然比(GLR)检验和相应的时间一致置信序列进行了非参数推广。通过利用几何解释的GLR统计量,我们推导出一个简单的分析上界的概率,它超过任何预先指定的边界,这些是难以近似通过模拟由于无限地平线的测试和复合非参数零值考虑。使用时间一致的边界穿越不等式,我们进行了一个统一的非渐近分析的预期样本量的单侧和开放式测试的非参数类的分布(包括次高斯,次指数,次伽玛,指数家庭)。最后,我们提出了一个灵活而实用的方法来构建时间均匀的置信序列,很容易调整到均匀接近逐点的Bubloff界在任何目标时间间隔。
2021-05-14 math.ST stat.ME stat.TH
Differentially Private Inference for Binomial Data
我们得出统一的最强大的(UMP)测试的人口比例的框架内的差分隐私(DP),优化有限样本性能的简单和片面的假设。我们表明,在一般情况下,DP假设检验可以写在线性约束,并为可交换的数据总是可以表示为经验分布的函数。利用这种结构,我们证明了一个'Neyman-Pearson引理'下的二项数据DP,其中DP-UMP只取决于样本和。我们的测试也可以被描述为一个随机变量的后处理,我们将其分布称为“截断均匀拉普拉斯”(Tulap),这是阶梯分布和离散拉普拉斯分布的推广。此外,我们还获得了精确的$p$值,这些值可以根据Tulap随机变量轻松计算。使用上述技术,我们表明,我们的测试可以应用到均匀最准确的单侧置信区间和最佳置信分布。我们还得到了一致最有力的无偏(UMPU)的双侧检验,从而导致一致最准确的无偏(UMAU)的双边置信区间。我们表明,我们的结果可以适用于分布自由假设检验的连续数据。我们的仿真结果表明,我们所有的测试有确切的I型错误,比目前的技术更强大。
2019-03-31 cs.CR math.ST stat.TH
Nearly Optimum Properties of Certain Multi-Decision Sequential Rules for General Non-i.i.d. Stochastic Models
本文提出三种基于单边序贯概率比检验的多假设序贯检验,证明其在错误概率较小时对简单及参数复合假设具有一阶渐近最优性,并将Lai(1981)的两假设结果推广到一般非独立同分布模型。
2024-05-02 math.ST stat.TH
Multistage tests of multiple hypotheses
传统的多重假设检验使用逐步上升、逐步下降或封闭检验方法来控制总体错误率。我们将讨论将这些方法与自适应多级抽样规则和停止规则相结合,以在序贯试验设计中进行有效的多重假设检验。其结果是一个多级步降过程,自适应地测试多个假设,同时保持家庭明智的错误率,并扩展霍尔姆(1979年)的步降过程的顺序设置,产生大量的节省样本量的功率损失很小。
2011-07-11 math.ST stat.ME stat.TH
Decision theory results for one-sided multiple comparison procedures
在过去的十年中,对多重假设检验的兴趣重新抬头。在基因组学、微阵列、DNA测序、药物筛选、临床试验、生物测定、教育和心理学研究的推动下,统计学家一直在投入相当大的研究精力,努力正确分析多个终点数据。针对新的申请、新的标准和新的方法,出现了许多临时程序。传统的要求是使用将强族差错率(FWE)控制在某个预定水平α的过程。也就是说,对真原假设的任何错误拒绝的概率应该小于或等于α。在这种要求下,很难找到理想的和强大的多个测试程序。最近的一个想法是控制错误发现率(FDR),即被拒绝的假设的预期比例,事实上,是真的。许多多重测试程序确实控制FDR。Lehmann [Ann. Math. Statistist. 23(1952)541-552和28(1957)1-25]。Lehmann的方法是决策论的,当有k个端点时,他将多个端点问题视为2^k有限行动问题。这种方法是有吸引力的,因为不像FWE和FDR标准,有限行动的方法注意到错误的接受以及错误的拒绝。
2005-04-25 math.ST stat.TH
Frequentist and Bayesian measures of confidence via multiscale bootstrap for testing three regions
针对期望参数未知的多元正态模型,讨论了基于Bootstrap概率的频率论$p$值和贝叶斯后验概率的计算方法.原假设表示为任意形状的区域。我们引入了新的参数模型的比例律的自助概率,使多尺度自助方法,这是专为单侧检验,也可以计算置信度的双侧检验,扩大适用范围更广泛的一类假设。参数估计的两步多尺度自举,也包括高阶项。模型选择不仅是我们方法的激励应用,而且是方法中的基本成分。频率论和贝叶斯之间的妥协是试图通过显示贝叶斯后验概率与noninformative先验解释为一个频率论$p$ -值的“零侧”测试。
2008-07-01 math.ST stat.ME stat.TH
Policy Design for Active Sequential Hypothesis Testing using Deep Learning
USC Information Sciences Institute(美国南加州大学信息科学研究所)
本文研究了如何利用深度学习设计更有效的主动顺序假设检验策略,通过比较新提出的启发式方法与现有方法,展示了在某些场景下性能的显著提升。
2018-10-11 cs.AI cs.IT cs.LG
Optimal Two-Sided Tests for Instrumental Variables Regression with Heteroskedastic and Autocorrelated Errors
本文考虑了具有异方差和自相关误差的工具变量(IV)模型中内生变量参数的双侧检验。我们发展了加权平均功率(WAP)测试的有限样本理论,具有正态误差和已知的长期方差。我们引入了两个权重,它们对仪器的正交变换是不变的;例如,改变仪器出现的顺序。虽然使用MM 1权重的检验可能会有严重的偏差,但当误差是同性时,基于MM 2权重的最佳检验自然是双侧的。我们提出了两个边界条件,产生双侧检验错误是否是同性的。局部无偏(LU)条件与围绕原假设的功效相关,并且是比无偏性更弱的要求。强无偏(SU)条件比LU条件更具限制性,但相关的WAP测试更容易实现。有几个检验在有限样本中是SU的或渐近的,包括对弱IV(如Anderson-Rubin,score,条件拟似然比和I)稳健的检验。Andrews(2015)PI-CLC检验)和双侧检验,当样本量较大且仪器强大时,这是最佳的。我们将基于权重的WAP-SU测试称为MM 1-SU和MM 2-SU测试。丢弃限制性的假设的正态性和已知的方差,理论是保持有效的渐近近似的成本。MM 2-SU检验在强IV渐近下是最优的,在弱IV渐近下优于现有的检验。
2015-05-25 math.ST stat.TH
Always Valid Inference: Bringing Sequential Analysis to A/B Testing
A/B检验通常通过频率论的p值和置信区间进行分析;但是如果用户通过 * 持续监控 * 他们的检验来内生地选择样本量,那么这些推断是完全不可靠的。我们定义了 * 始终有效 * 的p值和置信区间,让用户能够尽快利用数据,在做出决策时提供有效的统计推断。总是有效的推理可以被解释为一个自然的接口的顺序假设检验,它使用户能够实现一个修改后的测试为他们量身定制。特别是,我们在适当的意义上表明,我们开发的措施权衡样本量和功率效率,尽管缺乏用户的相对偏好这两个目标之间的先验知识。我们还使用始终有效的p值,以获得多个假设检验控制在顺序的上下文中。我们的方法已经在一个大规模的商业A/B测试平台上实现,分析了数十万个实验。
2019-07-16 math.ST stat.AP stat.ME
Hypothesis Testing via Euclidean Separation
我们讨论了一个“操作”的方法来测试凸复合假设时,底层分布是重尾的。它依赖于凸集的欧几里德分离,并且可以被看作是[8,12]中开发的凸优化测试方法的扩展。特别是,我们展示了如何可以构建准最优的测试程序的家庭是majorated,在一定的精确意义上,由一个亚球对称的,并研究测试之间的关系的基础上欧氏分离和“潜在的测试。“我们将推广的方法应用于顺序检测问题,并说明其在动态系统输入变化的顺序检测应用中的实际实现。[8]Goldenshluger,Alexander和Juditsky,Anatoli和Nemirovski,Arkadi,凸优化的假设检验,电子统计杂志,9(2):1645-1712,2015。[12]Juditsky,Anatoli和Nemirovski,Arkadi,通过仿射检测器进行假设检验,电子统计杂志,10:2204- 2242,2016。
2018-11-12 math.ST stat.TH
Exact confidence intervals and hypothesis tests for parameters of discrete distributions
本文研究随机递增离散分布(如二项分布和泊松分布)单变量参数的精确置信区间和双侧假设检验。它表明,几种流行的方法来构建短间隔缺乏严格的嵌套,这意味着接受一个较低的置信水平并不总是会导致一个较短的置信区间。这些区间对应于一类检验,这些检验显示为不可区分的模型分配不同的$p$值。最后,我们证明了在严格嵌套的区间,信念区间,包括Clopper-Pearson区间的二项式比例和Garwood区间的泊松平均值,是最优的。
2016-09-30 math.ST stat.TH
Two tests for sequential detection of a change-point in a nonlinear model
本文研究了基于残差的最小和和最小二乘估计的两种检验方法来实时检测非线性模型中的变点。第一个检验统计量提出了一种方法已经在文献中使用,但线性模型的扩展。在每次连续观察时,检验原假设,即相对于存在变化,模型中没有变化。在原假设下给出了检验统计量的渐近分布,并证明了当变量发生变化时,检验统计量依概率收敛于无穷大。这些结果将允许建立一个渐进的临界区域。其次,为了降低第一类错误概率,提出了自举临界值,并以类似的方式研究了一种改进的测试。利用Monte-Carlo方法,对应用广泛的非线性模型进行了模拟,研究了这两种统计检验的性质。
2013-02-27 math.ST stat.TH
A studentized permutation test in group sequential designs
本文提出一种学生化置换检验,用于分组序贯设计,以改善小样本下的第一类错误率控制,同时保持渐近性质,模拟研究验证了其有效性。
2024-04-18 math.ST stat.TH
Sequential Controlled Sensing for Composite Multihypothesis Testing
研究了观测值有控感知的多假设检验问题。假设在每个对照下收集的观察值的分布遵循单参数指数族分布。我们的目标是设计一个策略,以最小的期望延迟找到真正的假设,同时确保错误的概率低于给定的约束。决策者可以通过智能地选择每个时隙的观测值采集控制来控制延迟。我们得出一个政策,满足给定的约束的错误概率。我们还表明,该政策是渐近最优的意义上说,它渐近地实现了信息理论的下界的预期延迟。
2019-10-24 cs.LG math.ST stat.ML
Sequential Nonparametric Testing with the Law of the Iterated Logarithm
University of California, San Diego(加州大学圣地亚哥分校);University of California, Berkeley(加州大学伯克利分校)
我们提出了一个新的算法框架,顺序假设检验与i.i.d.数据,其中包括A/B检验,非参数两样本检验,独立性检验作为特例。它在几个方面是新颖的:(a)它需要线性时间和恒定的空间来计算,(b)它具有与非顺序版本的测试相同的功率保证,具有相同的计算约束,直到一个小的因子,(c)它只访问所需的样本-它的停止时间适应未知的问题难度。所有的检验统计量都是在原假设下的零均值鞅,并且拒绝阈值由一致的非渐近重对数律(LIL)决定。对于非参数两样本均值检验的情形,我们也给出了有限样本的功效分析,以及这类问题的第一非渐近停时的计算。我们验证了我们的预测I型和II型错误和停止时间使用模拟。
2016-03-02 cs.LG math.ST stat.ME
Bayesian sequential least-squares estimation for the drift of a Wiener process
给定一个未知和不可观测的漂移的维纳过程,我们试图有效地估计这种漂移,但也尽可能快,在存在的估计误差的二次惩罚和一个固定的,每单位观测时间的正成本。在贝叶斯框架中,假设不可观测的漂移具有已知的“先验”分布,这个问题归结为明智地选择一个适当的扩散过程在自然尺度的停时。我们建立了相应的最佳停止问题的解决方案的结构特性。特别是,我们表明,无论先验分布,连续区域是单调收缩的时间,并提供条件的先验分布保证一个片面的停止区域。最后,我们通过一些具体的先验分布的详细研究来说明理论结果。
2019-05-23 math.ST stat.TH
Efficient three-stage $t$-tests
将Lai和Zhang的Schwarz最优完全序贯检验推广到多参数指数族,推广了一维指数族的Lorden最优三阶段检验,导出了分离单侧假设的三阶段$t$检验.由此产生的三阶段$t$ -测试被证明是渐近最佳的,实现相同的平均样本量作为最佳的完全序贯检验。
2006-11-22 math.ST stat.TH
Classifier-Based Nonparametric Sequential Hypothesis Testing
University of Michigan(密歇根大学)
本文提出了一种基于分类器的非参数序列假设检验方法,通过离线数据集训练多类分类器,设计水平α的检验方法,并分析了检验停止时间的上界及分类器分离条件。
2026-03-20 cs.IT math.IT math.ST
Exact and asymptotic goodness-of-fit tests based on the maximum and its location of the empirical process
标准化经验过程的上确界是检验i.i.d.实随机变量等于给定的分布函数$F_0$(假设)或$F \ge F_0$(单侧选择)。由于\cite{r5},众所周知,当样本大小趋于无穷大时,上确界的仿射线性变换在分布上收敛于Gumbel定律。这使得能够构造渐近水平- $α$测试。然而,收敛的速度极其缓慢。因此,即使样本量超过$10.000$,I类错误的概率也远大于$α$。现在,标准化包括权函数$1/\sqrt{F_0(x)(1-F_0(x))}$。用一个合适的随机常数代替权函数,得到一个新的检验统计量,我们可以在假设下导出它的精确分布(和极限分布)。通过Monte-Carlo模拟的比较表明,新的测试是一致优于Smirnov测试和适当修改的测试,由于\cite{r20}。我们的方法也适用于双侧替代$F \neq F_0$。
2022-07-16 math.ST stat.TH
Active sequential hypothesis testing
考虑一个决策者,他负责动态地收集观察结果,以便以快速的方式增强他关于感兴趣的潜在现象的信息,同时考虑错误声明的惩罚。由于问题的连续性,决策者依赖于他当前的信息状态,以适应性地选择最“信息”感测行动之间可用的。本文利用动态规划的结果,建立了最优总费用的下界。下限表征的基本限制的最大可实现的信息采集速率和最佳的可靠性。此外,上界通过分析两个启发式策略的动态选择的行动。结果表明,第一次提出的启发式实现渐近最优性,渐近最优性的概念,由于BELCOFF,意味着所提出的政策和最佳的总成本达到的总成本之间的相对差异接近于零的惩罚错误的声明(因此收集的样本的数量)增加。第二个启发式算法只在有限的环境中实现渐近最优,如嘈杂的动态搜索的问题。然而,通过考虑依赖于假设的数量,在技术条件下,这第二个启发式实现非零的信息采集率,建立一个下界的最大可实现的速率和误差指数。在一个嘈杂的动态搜索与大小无关的噪声的情况下,所得到的非零率和误差指数被证明是最大的。
2013-12-18 cs.IT math.IT math.OC