The Maximum Likelihood Degree
统计学中的极大似然估计会导致多项式幂次乘积的最大化问题。我们研究了这个最优化问题的临界方程的代数次数。这个度与超曲面的相应排列中有界区域的数量有关,也与复化补的欧拉示性数有关。在适当的假设下,最大似然度等于对数微分形式层的顶Chern类。给出了一般系数多项式的次数和牛顿多面体的精确公式。
2004-06-25 math.AG math.ST stat.TH
Partial Penalized Likelihood Ratio Test under Sparse Case
这项工作是关注测试的低维参数的兴趣与发散的维数据和变量选择的稀疏情况下,其余的。利用部分惩罚似然方法,得到了部分惩罚似然比检验统计量的一致性检验,并在一定的正则条件下,得到了它在原假设和局部选择为$n^{-1/2}$的条件下的渐近分布.同时,部分惩罚似然估计的预言性质也成立。提出的部分惩罚似然比检验统计量在规模和功效方面优于完全惩罚似然比检验统计量,并且表现得与经典的似然比检验统计量一样好。此外,该方法得到的变量选择结果以及检验的p值。数值模拟和前列腺癌数据的分析证实了我们的理论研究结果,并证明了有前途的性能,提出的部分惩罚似然假设检验和变量选择。
2014-11-19 stat.ME
Jackknife empirical likelihood ratio test for testing the equality of semivariance
本文针对上半方差相等性检验问题,基于U统计量构建刀切经验似然比检验,通过蒙特卡洛模拟和真实数据验证了方法的有效性。
2024-01-18 stat.ME
Hypothesis testing for two population means: parametric or non-parametric test?
参数Welch $t$检验和非参数Wilcoxon-Mann-Whitney检验是最常用的两个独立样本均值检验。最近的检验方法包括非参数、经验似然和指数经验似然。然而,这些非参数似然检验程序的适用性是有限的,部分原因是它们倾向于在小样本中夸大第一类错误。为了规避第一类错误的问题,我们提出了简单的校准使用的$t$分布和自举。然后将两种非参数似然检验程序(有和无这些校准)与Wilcoxon-Mann-Whitney检验和Welch $t$检验进行比较。通过广泛的蒙特卡罗模拟的理由,第一类错误和权力的小/中等大小的样本中产生的各种非正态人群的比较。模拟研究清楚地表明:a)$t$校准改善了经验似然的I类误差,b)自助校准改善了两种非参数似然的I类误差,c)有或没有自助校准的Welch $t$检验达到了第一类错误,并产生了与前一种检验程序相似的功效水平,以及d)Wilcoxon-Mann-Whitney检验产生膨胀的第一类错误,而在存在与离散数据的关系的情况下,精确p值的计算是不可行的。此外,一个应用程序,以真正的基因表达数据说明了计算成本高,因此不切实际的非参数似然。总体而言,韦尔奇t检验,这是高度计算效率和易于解释,被证明是最好的方法时,测试两个人口的平均值相等。
2019-10-04 stat.ME
Improved Asymptotic Formulae for Statistical Interpretation Based on Likelihood Ratio Tests
本文提出将似然比检验统计量的概率分布分解为普适渐近部分与由6-bin模型显式估计的情形相关部分,从而更好地描述离散结构,并通过两个玩具示例验证其改进效果。
2025-07-12 hep-ex physics.data-an
A Likelihood Ratio Testing Approach for Interval-Censored Data
Duke University(杜克大学)
针对区间删失数据,提出基于样条筛的稳健似然比检验,解决Wald检验在小样本中的不稳定性,理论推导渐近分布,模拟和实例验证其优越性。
2026-06-11 stat.ME
Jackknife Empirical Likelihood Methods for Gini Correlations and their Equality Testing
Gini相关在度量重尾分布随机变量的相关性方面起着重要的作用,其性质是Pearson相关和Spearman相关的混合。由于这种依赖性度量的结构,每对随机变量之间存在两个基尼相关性,它们一般不相等。基尼系数以及两个基尼系数的相等性在经济学中具有重要的意义。在文献中,有有限的文章集中在基尼系数的推断和平等的测试。在本文中,我们开发的刀切经验似然(JEL)方法的单一基尼系数,用于测试的两个基尼系数的平等,并为两个独立的样本的基尼系数的差异。这些刀切经验似然比统计量的标准限制χ 2分布的建立和使用构造置信区间,拒绝区域,并计算$p$ -值的测试。仿真研究表明,我们的方法是有竞争力的现有方法的覆盖精度和置信区间短,以及在功率的测试。所提出的方法在UCI机器学习库的一个实际数据集上的应用。
2018-06-03 stat.ME
Notes on Computational Hardness of Hypothesis Testing: Predictions using the Low-Degree Likelihood Ratio
这些笔记调查和探索一种新兴的方法,我们称之为低度方法,用于预测和理解高维推理问题中的计算与计算权衡。简而言之,该方法假定某个量--低阶似然比的二阶矩--可以洞察解决给定的假设检验问题需要多少计算时间,这反过来又可以用来预测各种统计推断任务的计算难度。虽然这种方法起源于凸规划的平方和(SoS)层次结构的研究,我们提出了一个独立的介绍,不需要知识的SoS。除了展示如何使用该方法进行预测外,我们还讨论了这些预测的严格和非理性后果。这些注记包括一些新的结果、简化的证明和改进的图解。例如,我们指出了一个正式的连接之间的谱方法和低程度的似然比,我们给了一个尖锐的低程度的下界对次指数时间算法的张量PCA。
2019-07-26 cs.CC cs.DS math.ST
Gaussian Universal Likelihood Ratio Testing
经典的似然比检验(LRT)是基于对数似然的渐近卡方分布,是统计推断的基本工具之一。最近的一个通用的LRT方法的基础上样本分裂提供了有效的假设检验和置信集在任何设置,我们可以计算分裂似然比统计(或更一般地说,上界的空极大似然)。通用LRT在有限样本下是有效的,不需要正则条件。该检验使统计人员能够在以前没有有效假设检验的情况下构建检验。对于检验具有单位协方差阵的d维高斯数据的总体均值的简单但基本的情况,经典的LRT本身适用。因此,该设置作为一个完美的测试平台,以比较经典的LRT与通用的LRT。这项工作提出了第一次深入探索的大小,功率和几个通用的LRT变体之间的关系。我们表明,重复子采样的方法是最好的选择,在规模和权力。对于大量的子采样,重复子采样集近似为球形。我们观察到合理的性能,即使在高维设置,其中最好的通用LRT的置信集的预期平方半径约为3/2倍的经典LRT的球形置信集的平方半径。我们通过测试一个非凸甜甜圈形的原假设来说明通用LRT的好处,其中通用推理程序可以具有比标准方法更高的功率。
2022-11-20 stat.ME
The geometry of hypothesis testing over convex cones: Generalized likelihood tests and minimax radii
本文考虑高斯序列模型中的一个复合测试问题,其中零和替代由一对闭的凸锥指定。这种锥检验问题出现在各种应用中,包括治疗效果的检测,计量经济学中的趋势检测,雷达处理中的信号检测,以及非参数统计中的形状约束推断。我们提供了一个尖锐的表征GLRT测试半径到一个普遍的乘法常数的几何结构的基础凸锥。当应用到具体的例子,这个结果揭示了一些有趣的现象,不会出现在类似的问题,估计凸约束。特别地,与估计误差相比,测试误差不再纯粹取决于通过基于体积的测量(诸如度量熵或高斯复杂度)的问题复杂度,圆锥的其他几何性质也起重要作用。为了解决问题的最优性,我们证明了信息论的下界的极小极大测试半径再次几何量。我们的一般定理说明的例子,包括单调和正交锥的情况下,并涉及一些结果的独立利益。
2018-03-26 cs.IT math.IT math.ST
Spey: smooth inference for reinterpretation studies
本研究推出跨平台Python包Spey,通过灵活插件系统支持多种似然方案,提出精度更优的含非对称不确定性的简化似然方案,支持似然组合与多方案兼容,为重新解释研究中的假设检验提供统一高效的推断工具。
2023-12-01 hep-ex hep-ph physics.data-an
Small-sample one-sided testing in extreme value regression models
本文导出了一般极值回归模型的调整符号似然比统计量。调整减少了标准正态近似值对带符号似然比统计量分布的误差。我们使用Monte Carlo模拟来比较不同测试的有限样本性能。我们的模拟表明,有符号的似然比检验往往是自由的样本量时,并在缩小尺寸失真的调整是有效的。两个实际数据的应用程序,并进行了讨论。
2014-05-23 math.ST stat.ME stat.TH
Asymptotic formulae for likelihood-based tests of new physics
我们描述了基于似然的统计检验用于高能物理的新现象的发现和模型参数的置信区间的建设。我们专注于性能的测试程序,允许一个帐户系统的不确定性。利用Wilks和Wald的结果导出了检验统计量的渐近分布的显式公式。我们的动机和理由使用一个有代表性的数据集,称为“阿西莫夫数据集”,它提供了一个简单的方法来获得中位数的实验灵敏度的搜索或测量,以及波动的期望。
2013-06-24 hep-ex physics.data-an
Using a Penalized Likelihood to Detect Mortality Deceleration
本文提出一种基于惩罚似然的死亡率减速检测方法,替代传统似然推断,避免p值与假设检验,在模拟和真实数据上更准确且参数估计更可靠。
2023-03-28 stat.AP stat.ME
Block-Independent Likelihood Ratio Testing for High-Dimensional Mean Vectors with Applications to Matrix-Variate Data
Seoul National University(首尔大学);Inha University(仁荷大学);Nathan S. Kline Institute for Psychiatric Research(内森·S·克莱恩精神医学研究所);NYU Grossman School of Medicine(纽约大学格罗斯曼医学院)
本文提出了一种新的检验方法BILT,用于检验两个高维均值向量的相等性,解决了传统方法在高维情况下失效的问题,并在矩阵变量数据中进行了应用验证。
2026-05-21 stat.ME
On divergences tests for composite hypotheses under composite likelihood
众所周知,在某些情况下,计算似然函数并不容易,因为数据集可能很大或者模型太复杂。在这种情况下,通过乘以变量的受试者的似然性得到的复合似然性可能是有用的。将经典的似然比检验统计量推广到复合似然框架中,作为解决复合似然背景下检验问题的一个过程。本文引入并研究了一类新的复合似然检验统计量:复合发散检验统计量,用于解决简单原假设或复合原假设的检验问题。为此,我们介绍和研究的限制最大合成似然估计的渐近分布。
2016-03-01 stat.ME
Generalized Likelihood Ratio Test for Adversarially Robust Hypothesis Testing
University of California Santa Barbara(加州大学圣巴巴拉分校)
众所周知,机器学习模型容易受到对抗性攻击的影响,这些攻击可能会通过引入小但精心设计的扰动来导致错误分类。在本文中,我们考虑了一个经典的假设检验问题,以发展基本的洞察力来抵御这种对抗性扰动。我们解释为一个讨厌的参数的对抗性扰动,并提出了一种防御的基础上应用广义似然比检验(GLRT)得到的复合假设检验问题,共同估计类的兴趣和对抗性扰动。虽然GLRT方法适用于一般的多类假设检验,我们首先评估它的二进制假设检验在白高斯噪声下的$\ell_{\infty}$范数有界对抗扰动,其中一个已知的最坏情况下的攻击的最小最大防御优化提供了一个基准。我们推导出GLRT防御的最坏情况下的攻击,并表明其渐近性能(随着数据维数的增加)接近极大极小防御。对于非渐近制度,我们通过模拟表明,GLRT防御是最坏情况下的攻击与极大极小方法的竞争力,而在较弱的攻击下,产生更好的鲁棒性-准确性权衡。我们还说明了GLRT方法的多类假设检验的问题,其中的极大极小策略是未知的,评估其性能下的噪声不可知和噪声感知的对抗设置,通过提供一种方法来找到最佳的噪声感知攻击,并找到噪声不可知的攻击,接近最佳的高信噪比制度。
2021-12-04 cs.LG stat.ML
Hypothesis Testing for Parsimonious Gaussian Mixture Models
具有特征分解协方差结构的高斯混合模型构成了用于聚类和分类的最流行的混合模型族,即,高斯简约聚类模型(GPCM)。虽然GPCM家族已经使用了近20年,但在特定情况下选择家族中的最佳成员仍然是一个棘手的问题。似然比检验就是为解决这一问题而发展起来的。这些似然比检验使用异方差模型下的备择假设,但提供了更多的灵活性和现实世界的适用性比以前的方法,比较同方差高斯混合与异方差之一。一路上,一个新的极大似然估计程序开发的两个成员的GPCM家庭。模拟表明,只有当样本量相当大并且混合组分分离良好时,$χ^2$参考分布才能合理地近似LR统计量;因此,遵循Lo(2008),采用参数自助法。此外,通过将Greselin和Punzo(2013)的思想推广到聚类环境,引入了一个封闭的测试过程,定义了似然比检验作为局部测试,以评估一般家庭中的唯一模型。这种似然比测试程序的优点是通过应用程序的著名的虹膜数据集。
2014-05-02 stat.CO stat.ME
On comparison of estimators for proportional error nonlinear regression models in the limit of small measurement error
本文比较了比例误差非线性回归模型的极大似然(ML)、拟似然(QL)和加权最小二乘(WLS)估计。热释光沉积测年的文献揭示了另一种类似于加权最小二乘法的估计,但观察到的反应用作权重。我们称之为数据加权最小二乘(DWLS)的估计量也包含在比较中。我们发现,在顺序$σ, $所有四个估计的行为类似于普通的最小二乘估计标准的线性回归模型。在$σ^2, $的阶上,估计量有偏差。在小的测量误差的限制下是有效的公式推导出的偏差和方差的四个估计。最大似然估计比拟似然估计具有更小的偏差。条件下,加权最小二乘和最大似然估计有类似的偏差。在$σ^ {2} $阶上,所有估计量具有相似的标准误差。在高阶$σ$上,当随机误差的前四阶矩与正态分布相同时,极大似然估计比拟似然估计具有更小的方差.最大似然和拟似然估计方程是无偏的。在大样本下,这两个估计量服从多元正态分布。加权最小二乘和数据加权最小二乘的估计方程是有偏的。然而,在$σ\to 0$和$n \to \infty, $的极限下,如果$ n^ {1/2} σ$保持有界,则这两个估计量也服从多元正态分布。模拟研究证明了适用性的推导公式中存在的测量误差典型的沉积数据。结果表明,从热释光沉积测年的数据集。
2019-11-21 math.ST stat.TH
Model Selection Confidence Sets by Likelihood Ratio Testing
传统的模型选择活动旨在发现优于其他候选模型的单个模型。然而,在存在明显噪音的情况下,往往会发现多个模型同样能很好地解释相同的数据。为了解决这一模型选择模糊性问题,提出了基于似然比检验的模型选择置信集(MSCSs)的一般方法。MSCS被定义为在用户指定的置信水平下与真实模型在统计上不可区分的模型列表,其将置信区间的熟悉概念扩展到模型选择框架。当样本量和模型维数都增加时,我们的方法保证了真实模型的渐近正确覆盖概率。我们推导出的条件下,MSCS包含所有相关信息的真实模型结构。此外,我们提出了基于MSCS的自然统计,以一种原则性的方式来衡量变量的重要性,这种方式考虑了整个模型的不确定性。当可行模型空间较大时,采用自适应随机搜索算法对MSCS模型进行高概率采样。通过对合成数据和实际数据的数值实验,说明了MSCS方法。
2017-09-13 math.ST stat.ME stat.TH
The Average Likelihood Ratio for Large-scale Multiple Testing and Detecting Sparse Mixtures
大规模的多重检验问题需要同时评估多个p值。本文比较了几种方法来评估多个二项计数的p值的证据:最大的二项计数后,标准化(“高批评批判性”),最大的二项计数后,对数似然比转换(“伯克-琼斯批判性”),和一个新引入的平均值后,二项计数的似然比转换。仿真结果表明,在稀疏度很高的情况下(稀疏系数$β\gtrapprox 0.75$),高批评度统计量的性能优于Berk-Jones统计量,而对于$β\lessapprox 0.75$,情况正好相反.平均似然比被认为是结合了良好的性能,更高的批评,在非常稀疏的情况下,在不太稀疏的情况下,伯克-琼斯统计,因此似乎占主导地位的统计。一些渐近最优性理论被认为是,但发现设置太慢,以照亮上述研究结果,至少样本量高达一百万。相比之下,Wellner和Koltchinskii(2003)以及Jager和Wellner(2007)提出的Berk-Jones统计量临界值的渐近近似,即使对于非常小的样本量,也能给出令人惊讶的精确近似。
2011-11-01 stat.ME
Testing polynomial covariate effects in linear and generalized linear mixed models
线性混合模型和广义线性混合模型的一个重要特征是,给定随机效应的响应的条件均值,经连接函数转换后,与固定协变量效应和随机效应线性相关。因此,检验这一假设的充分性,特别是线性协变量效应的假设,具有重要的实际意义。在本文中,我们审查程序,可用于测试多项式协变量的影响,在这些流行的模型。具体地说,综述了四类假设检验方法,即R检验、似然比检验、得分检验和基于残差的检验。每个测试程序的推导和性能将进行讨论,包括一个小的模拟研究比较的似然比检验与得分测试。
2008-12-29 stat.AP
Effects of statistical dependence on multiple testing under a hidden Markov model
多个假设检验的性能受到所涉及的随机变量之间的统计相关性的影响。然而,对此负责的机制并不清楚。研究了有限状态隐马尔可夫模型(HMM)的依赖结构对隐状态最优多重检验的关键似然比的影响。当隐马尔可夫模型的观测值形成一个增长的长链时,得到了似然比的各种收敛结果。一阶和二阶导数的解析展开的情况下,得到的二进制状态,显式地示出的似然比的HMM的参数的影响。
2011-03-09 math.ST stat.TH
Characterizations of the maximum likelihood estimator of the Cauchy distribution
本文给出了柯西分布位置与尺度联合的极大似然估计的一种新方法。我们把联合看作一个单一的复参数,导出了一个新形式的复变数的似然方程。在此基础上,我们给出了一种新的逼近最大似然估计的迭代格式。我们还处理方程的代数方式,并推导出一个多项式包含的最大似然估计作为根。这种代数方法提供了用多项式求根算法逼近最大似然估计的另一种方案,并且在样本量为5的情况下,给出了封闭式公式的不存在性。最后通过数值例子说明了该方法的有效性。
2021-12-06 math.ST stat.TH
An empirical likelihood approach for symmetric $α$-stable processes
经验似然法是一种非参数统计方法,用于关键未知量的假设检验或置信区域的构造。该方法已应用于独立同分布随机变量和二阶平稳过程的情形。近年来,我们在许多领域观察到重尾数据。为了适当地模拟这样的数据,我们考虑对称标量和多元$α$ -稳定的线性过程所产生的无穷方差的新息序列。我们在经验似然比函数中使用了一个Whittle似然型估计函数,并导出了$α$ -稳定线性过程的经验似然比统计量的渐近分布.经验似然统计方法将二阶平稳过程的估计和检验理论很好地推广到重尾数据分析中,而不是简单地推广到金融统计分析中。
2015-09-18 math.ST stat.AP stat.TH
LqRT: Robust Hypothesis Testing of Location Parameters using Lq-Likelihood-Ratio-Type Test in Python
t检验被认为是推断总体平均值的标准程序,广泛用于科学发现。然而,作为似然比检验的一种特殊情况,t检验往往由于偏离其难以验证的分布假设而导致性能急剧下降。或者,在本文中,我们提出了一个新的双样本Lq似然比类型测试(LqRT)以及一个易于使用的Python包来实现。LqRT在分布式假设被违反时保持高功率,并且在假设有效时保持令人满意的性能。数值研究表明,LqRT在功效上优于许多其他稳健检验,如Wilcoxon检验和符号检验,同时保持有效的大小。在一定程度上,Wilcoxon检验的稳健性(Wilcoxon检验与t检验的最小渐近相对效率(ARE)为0.864)表明Wilcoxon检验应作为默认检验选择(而不是“如果有证据表明非正态性,则使用Wilcoxon”,默认位置应为“除非有充分理由相信正态性假设,否则使用Wilcoxon”),本文中的结果表明LqRT可能是从业者的新的默认测试。
2019-11-27 stat.ME
The $β$-model for Random Graphs --- Regression, Cramér-Rao Bounds, and Hypothesis Testing
我们开发了一种基于最大似然的回归方法,其中因变量是一个随机图,协变量可以在图级上使用。该模型推广了著名的随机图$β$模型,通过用回归函数代替常数模型参数。对无向$β$ -模型、有向$β$ -模型和广义$β$ -模型分别导出了克拉美-拉奥界.相应的极大似然估计的界限进行了比较,通过模拟。此外,给出了如何使用所提出的极大似然估计量来检验方向性和显著性的例子。最后,该模型的适用性证明了使用动态的社会网络数据描述医疗工作者之间的通信。
2016-11-14 stat.ME
An Approximate Restricted Likelihood Ratio Test for Variance Components in Generalized Linear Mixed Models
广义线性混合模型(GLSII)用于对具有固定效应和随机效应组合的指数家族的响应进行建模。对于广义似然估计中的方差分量,我们提出了一种近似的限制性似然比检验,对惩罚拟似然估计中的工作响应进行检验.这提供了标准化响应方面的假设检验,允许将现有检验方法应用于线性混合模型。我们的测试是灵活的,计算效率高,并优于几个竞争对手。我们说明了所提出的方法与广泛的模拟研究和两个数据应用程序的实用性。提供了一个R包。
2019-06-07 stat.ME
Hypothesis testing near singularities and boundaries
似然比统计量在规则模型点处具有渐近$χ^2$分布,通常用于假设检验。然而,在模型奇点和边界处,渐近分布可能不是$χ^2$,Drton最近的工作强调了这一点。实际上,$χ^2$在奇点和边界附近进行测试时的不良行为在模拟中是明显的,并且可能导致保守或反保守测试。在这里,我们开发了一个新的分布设计用于在奇点和边界附近的假设检验,渐近同意的似然比统计量。对于两个例子三项式模型,进化树的推理的背景下产生的,我们表明新的分布优于一个$χ^2$。
2018-06-22 math.ST q-bio.PE stat.TH
Parameter estimation and model testing for Markov processes via conditional characteristic functions
马尔可夫过程被广泛应用于包括金融在内的各种学科。这些过程的跃迁密度通常是未知的。然而,条件特征函数更有可能是可用的,特别是对于Lévy驱动的过程。我们提出了一种经验似然方法,参数估计和模型规格测试,基于条件特征函数的过程中,无论是连续或不连续的样本路径。提供了参数的经验似然估计的理论性质和过程的参数规格的平滑经验似然比检验。仿真和实证案例研究进行了确认所提出的估计和测试的有效性。
2013-02-01 math.ST stat.TH
Testing High Dimensional Mean Under Sparsity
受高斯假设下的似然比检验的启发,我们提出了一种最大平方和检验方法,用于对高维均值向量进行假设检验。该检验方法考虑了变量间的相关性,以减轻计算负担,并使似然比检验的渐近功效最大化。提出了一种基于模拟的方法来逼近检验统计量的抽样分布。检验程序的有效性在零假设和备择假设下均得到证明。我们进一步将主要结果推广到没有等协方差假设的两样本问题。数值结果表明,所提出的测试可以比一些现有的替代方案更强大。
2015-10-19 stat.ME
Empirical phi-divergence test statistics for testing simple and composite null hypotheses
本文的主要目的是首先介绍一个新的家庭的经验检验统计量测试一个简单的原假设时,通过一组特定的无偏估计函数定义的参数向量。该检验统计量族基于两个概率向量之间的距离,其中第一概率向量通过使参数向量上的经验似然最大化而获得,并且第二向量在简单的原假设下从参数的固定向量定义。为此目的所考虑的距离是φ-发散度量。然后推导出该族检验统计量的渐进分布。所提出的方法是说明通过著名的数据Newcomb的测量光的通过时间。模拟研究进行比较其性能与经验的似然比检验时,置信区间构造的基础上,小样本量。结果表明,“经验修正的似然比检验统计量”是经验似然比检验统计量的一种有竞争力的替代方法,并且在数据中存在污染的情况下比经验似然比检验统计量更稳健.最后,我们提出了经验的Φ发散检验统计量测试复合原假设,并提出了一些渐近以及模拟结果,这些测试程序的性能进行评估。
2014-08-17 math.ST stat.ME stat.TH
Hypothesis Testing for Class-Conditional Noise Using Local Maximum Likelihood
University of Bristol(布里斯托大学);GSK(葛兰素史克)
针对现有类别条件标签噪声假设检验依赖过强参数假设、易出现模型误设的问题,提出基于局部最大似然估计的非参数逻辑回归检验方法,拓展了检验适用范围,并通过实验验证了其优劣。
2023-12-15 cs.LG stat.ML
Changing the paradigm of fixed significance levels: Testing Hypothesis by Minimizing Sum of Errors Type I and Type II
我们的目的是通过推广Morris DeGroot(1975)揭示的一个非常自然的想法来改变测试范式,旨在以一种更适合科学需求的程序,对所有统计学派都有吸引力的方法。DeGroot的开创性思想是将测试统计假设建立在最小化I类错误加上第二类错误的加权和的基础上,而不是固定第一类错误并最小化第二类错误的流行范式。DeGroot的结果是,在简单与简单假设的最佳标准是拒绝,根据似然比作为证据(排序)统计使用一个固定的阈值,而不是一个固定的尾部概率。通过定义预期的I类错误和第二类错误,我们推广了DeGroot的方法,发现最佳区域由证据比定义,即平均似然(相对于先验测量)和固定阈值。这种方法产生了一个最优的理论在完整的一般性,而经典理论的测试没有。这可以被看作是贝叶斯-非贝叶斯的折衷:标准(I类和第二类错误的加权和)是频率论的,但检验标准是边缘化似然比,这是贝叶斯的。我们给出的参数,推动理论更进一步,使加权措施(先验)的可能性不一定是正确的和高信息量,但只是预测匹配,即预测匹配的先验,产生相同的证据(边际似然)使用最小(最小)的训练样本。出现的理论,类似于基于客观贝叶斯方法的理论,是对流行的假设检验方法的批评的有力回应,例如,参见Ioanneland(2005)和Siegfried(2010)等。
2013-09-30 stat.ME
High dimensional asymptotics of likelihood ratio tests in the Gaussian sequence model under convex constraints
在高斯序列模型$Y=μ+ξ$中,研究了$H_0: μ=μ_0$与$H_1: μ\in K$的似然比检验(LRT),其中$μ_0 \in K$,$K$是$\mathbb{R}^n$中的闭凸集.特别是,我们表明,在零假设下,正常的近似持有的对数似然比统计一般对$(μ_0,K)$,在高维制度,其中相关的最小二乘估计的估计误差发散在适当的意义。正常的近似进一步导致一个精确的表征在高维政权的LRT的功率行为。这些特征表明,LRT的功率行为是在一般的非均匀的欧氏度量,并说明现有的最小最大最优性和次优性结果的LRT的保守性。各种各样的例子,包括测试中的正交/圆锥,保序回归,套索,和测试参数假设与形状约束的替代品,制定出证明所开发的理论的多功能性。
2021-06-20 math.ST stat.TH
MSTest: An R-Package for Testing Markov Switching Models
本文介绍了R包MSTest,它通过实现多种假设检验程序来识别马尔可夫切换模型中的状态数量,并支持利用EM算法或MLE模拟与估计相关过程,最后通过实验和实际数据验证了其功能。
2024-11-12 econ.EM stat.CO stat.ME
Statistical divergences in high-dimensional hypothesis testing and a modern technique for estimating them
本文提出利用统计散度量化高维数据总体分布与竞争模型的差异,并借助现代函数优化技术仅凭双分布样本估计散度,从而构建无需似然函数的双样本假设检验方法。
2024-08-01 hep-ex hep-ph math.ST
Hypothesis testing for a Lévy-driven storage system by Poisson sampling
本文主要研究了Lévy驱动存储系统输入的假设检验问题。由于可能性是不明确的,我们提出了两个测试,依赖于数据的转换。第一种方法使用i.i.d.。零工作量观测之间的“准繁忙期”。准忙期的持续时间的分布确定。第二种方法是条件似然比检验,其基于观察零或正工作负载的伯努利事件,以先前的工作负载为条件。性能分析,这两个测试以及收敛速度的结果,是独立的利益。
2020-11-20 math.PR math.ST stat.TH
Hypothesis testing for stochastic PDEs driven by additive noise
研究了加性噪声驱动的随机分数阶热方程漂移系数的简单假设检验问题。我们引进的概念渐近的最大功效检验,并找到明确的形式,这样的测试在两个渐近制度:大时间渐近,和越来越多的傅立叶模式。所提出的统计量是基于最大似然比似然比导出的。此外,我们还得到了一系列重要的技术成果:我们找到了对数似然比的累积生成函数,得到了$T\to\infty$和$N\to\infty$的大偏差型结果。
2014-05-22 math.PR math.ST stat.TH
Inference in a bimodal Birnbaum-Saunders model
我们解决的问题进行推断的参数,指数双峰扩展的Birnbaum-Saunders分布(BS)。我们表明,极大似然点估计可能是有问题的,因为标准的非线性优化算法可能无法收敛。为了解决这个问题,我们惩罚对数似然函数。我们提出的数值证据表明,极大似然估计的基础上,这样的惩罚函数是相当可靠的。我们还考虑了基于惩罚对数似然函数的假设检验推理。特别地,我们考虑了似然比,签署似然比,得分和Wald测试。基于Bootstrap的测试推理也被认为是。我们使用非嵌套假设检验来区分两个双峰BS法。我们推导出一些测试的分析修正。蒙特卡罗模拟的结果和经验的应用进行了介绍和讨论。
2017-11-23 stat.CO
Uniform Critical Values for Likelihood Ratio Tests in Boundary Problems
针对冗余参数处于参数空间边界导致似然比检验水平失真的问题,本文利用极限分布单调性与矩形置信集构造计算简便、一致有效的统一临界值,并通过模型示例、模拟和实证应用验证其水平与功效。
2025-07-25 econ.EM stat.ME
Testing the Number of Regimes in Markov Regime Switching Models
马尔可夫状态转换模型已被用于许多经济学和金融学的实证研究。然而,在马尔可夫状态转换模型中,用于检验状态个数的似然比检验统计量的渐近分布一直是一个未解决的问题。本文推导出了在零假设和局部替代条件下,对任何$M_0 \geq 1$,检验$M_0$制度的零假设和$M_0 + 1$制度的替代假设的似然比检验统计量的渐近分布。我们发现,连续的替代品收敛到零假设的速率$n^{-1/8}$在政权切换模型与正常的密度。还建立了参数自助法的渐近有效性。
2018-01-30 econ.EM math.ST q-fin.MF
Efficiency combined with simplicity: new testing procedures for Generalized Inverse Gaussian models
广义逆高斯(GIG)族(也称为Hüssen Type A族)中的标准有效检验过程是似然比检验,因此依赖于GIG的三个参数的极大似然(ML)估计。GIG密度的特殊形式,涉及修改的贝塞尔函数,防止一般从ML估计,这是在复杂的数值逼近方法的代价获得的封闭形式的表达。相反,矩量法(MM)估计允许简洁的表达式,但测试的基础上,这些估计遭受缺乏效率相比,似然比检验。这就是为什么近年来,ML和MM估计之间的权衡已经被提出,导致更简单但不完全有效的估计和测试。在本文中,我们没有提出这样的权衡,而是两种方法的最佳组合,我们的测试继承效率从ML样的建设和简单性的滋扰参数的MM估计。这一目标将通过从一个新的角度,即通过Le Cam方法来解决问题来实现。除了提供简单有效的测试方法外,该方法的理论背景还允许我们为测试写出显式的功率表达式。蒙特卡罗模拟研究表明,在小样本量下,我们的简单程序至少与复杂的似然比检验一样好。最后,我们将我们的研究结果应用于两个真实的数据集。
2013-12-24 math.PR stat.ME
Variational formulas for the power of the binary hypothesis testing problem with applications
推导了二元假设检验问题的幂的两个变分公式。第一个是给定的勒让德变换的某个功能和第二个,从第一个诱导,给出的累积分布函数(CDF)的对数似然比。第一个公式的一个应用是二元假设检验问题在雷尼发散方面的功率的上界。第二个公式提供了一个一般框架,用于证明渐近和非渐近表达式的功率的测试,利用相应的表达式的CDF的对数似然。该框架在中央限制制度(即,对于非零I型误差)和大偏差范围。
2016-01-25 cs.IT math.IT math.ST
Kernel-Based Tests for Likelihood-Free Hypothesis Testing
MIT(麻省理工学院)
本文研究无似然假设检验中的样本权衡问题,推广至无标签样本来自混合类别的情形,分析了MMD分离下的极小化极大样本复杂度,并通过Higgs玻色子和DDPM生成图像检测实验验证了非对称的m与n权衡。
2023-11-23 cs.IT cs.LG math.IT
Likelihood Ratio Tests for a Dose-Response Effect using Multiple Nonlinear Regression Models
我们考虑的问题,测试的剂量相关效应的基础上的一组候选人(通常是非线性的)剂量反应模型使用似然比检验。对于所考虑的模型,这简化为评估这些非线性回归模型中的斜率参数是否为零。一个技术问题是零分布(当斜率为零时)取决于不可识别的参数,因此似然比检验的分布的标准渐近结果不再适用。这个问题的渐近解已在文献中广泛讨论。然而,得到的近似值不是简单的形式,需要模拟来计算渐近分布。此外,对于小样本量的情况,其适当性可能值得怀疑。由于某些参数的不可识别性,直接模拟近似零分布在数值上是不稳定的。本文给出了多模型下正态分布数据的似然比检验的精确近似分布的数值算法。该算法使用微分几何方法,可用于评价原假设下的分布,但也允许计算功效和样本量。我们比较了建议的测试方法的MCP-Mod方法和替代方法的剂量相关的趋势,在剂量发现的例子数据集和模拟测试。
2015-10-21 stat.ME
Likelihood-free hypothesis testing
针对无似然二元假设检验问题,揭示非参数分布族下观测样本量n与待检验样本量m的基本权衡关系,证明无需完全估计分布即可完成检验的条件。
2024-03-08 cs.IT math.IT math.ST
Jackknife empirical likelihood ratio test for log symmetric distribution using probability weighted moments
针对对数对称分布的拟合检验需求,基于概率加权矩提出对数对称性拟合优度检验及更易实施的刀切经验似然比检验,推导了统计量渐近分布,经模拟和数据集验证了方法有效性。
2024-10-05 math.ST stat.ME stat.TH
Confidence Sets and Hypothesis Testing in a Likelihood-Free Inference Setting
Carnegie Mellon University(卡内基梅隆大学);Federal University of São Carlos(圣卡洛斯联邦大学)
参数估计、统计检验和置信度集是经典统计学的基石,使科学家能够对产生观测数据的基本过程进行推断。一个关键问题是,在所谓的无似然推理(LFI)设置中,是否仍然可以构建具有适当覆盖率和高功率的假设检验和置信集;也就是说,可能性不明确,但可以根据随机模型向前模拟可观察数据的设置。在本文中,我们提出了$\texttt{ACORE}$(通过比值比估计的近似计算),一个频率主义的方法,LFI,首先制定了经典的似然比检验(LRT)作为一个参数化的分类问题,然后使用测试和置信集的等价性,建立置信区域的参数感兴趣。我们还提出了一个良好的拟合过程,用于检查是否构造的测试和置信区域是有效的。$\texttt{ACORE}$基于以下关键观察结果:LRT统计量、测试的拒绝概率和置信集的覆盖率是条件分布函数,其通常作为感兴趣参数的函数平滑变化。因此,不是仅仅依赖于在固定参数设置下模拟的样本(如标准蒙特卡罗解决方案中的惯例),而是可以利用机器学习工具和在参数附近模拟的数据来改进对感兴趣的量的估计。我们证明了$\texttt{ACORE}$的有效性与理论和实证结果。我们的实现可以在Github上找到。
2020-08-14 cs.LG stat.ME stat.ML
Testing the fit of relational models
关系模型通过指定与其单元格的任何子集相关联的效应,将对数线性模型推广到任意离散样本空间。关系模型可以包括与重新参数化后的每个单元格有关的总体效应,并且在这种情况下,最大似然估计(MLE)的性质类似于在传统对数线性模型下计算的性质,并且拟合优度检验也相同。如果在任何重新参数化中不存在整体效应,则极大似然方程的性质有很大不同,泊松和多项式极大似然方程是不等价的。在泊松情况下,如果总体效应不存在,则观测到的总体并不总是被MLE保留,因此,似然比统计量与库尔贝克-莱布勒散度的两倍不相同。然而,正如所证明的,它的一般形式可以从Bregman分歧得到。皮尔逊卡方和似然比统计量的渐近等价性成立,但这里考虑的一般性需要扩展的证明。
2019-05-16 stat.ME
Improved hypothesis testing in a general multivariate elliptical model
本文研究了一般多元椭圆回归模型下的改进检验推理。该模型在均值向量和色散矩阵的指定以及误差分布的选择方面是非常灵活的。允许误差项遵循椭圆分布类中的多元分布,该椭圆分布类具有多元正态分布和Student- t分布作为特例。我们得到了Skovgaard的调整后的似然比统计量和Barndorff-Nielsen的调整后的符号似然比统计量,我们进行了模拟研究。模拟表明,所提出的测试显示优越的有限样本行为相比,标准测试。两个应用程序,以说明该方法。
2016-10-31 math.ST stat.TH
Restricted Likelihood Ratio Tests for Linearity in Scalar-on-Function Regression
We propose a procedure for testing the linearity of a scalar-on-function regression relationship. To do so, we use the functional generalized additive model (FGAM), a recently developed extension of the functional linear model . For a functional covariate X(t), the FGAM models the mean response as the integral with respect to t of F{X(t),t} where F is an unknown bivariate function. The FGAM can be viewed as the natural functional extension of generalized additive models . We show how the functional linear model can be represented as a simple mixed model nested within the FGAM. Using this repre…
2013-10-22 stat.ME
Binary Hypothesis Testing via Measure Transformed Quasi Likelihood Ratio Test
本文通过对数据的概率分布进行变换,推广了非贝叶斯二元假设检验的高斯拟似然比检验(GQLRT)。建议的推广,称为测量变换GQLRT(MT-GQLRT),选择一个高斯概率模型,最好的经验,适合转换后的概率测度的数据。通过明智的选择的变换,我们表明,与GQLRT,所提出的测试是弹性的离群值,并涉及高阶统计矩,导致显着缓解模型失配的决策性能的影响。在较弱的正则条件下,我们证明了MT-GQLRT是相容的,并且其相应的检验统计量是渐近正态的.的测量变换参数的最佳选择的数据驱动的程序开发,最大限度地提高了经验估计的渐近功率给定一个固定的经验渐近大小。提出的MT-GQLRT的贝叶斯扩展也是基于选择的高斯概率模型,最好的经验适合转换后的条件概率分布的数据。在贝叶斯MT-GQLRT中,阈值和测量变换参数通过经验渐近贝叶斯风险的联合最小化来选择。非贝叶斯和贝叶斯MT-GQLRT被应用于信号检测和分类,在模拟的例子,说明他们的优势,标准GQLRT和其他强大的替代品。
2017-09-22 stat.ME
Improved testing inference in mixed linear models
混合线性模型常用于重复测量研究。它们解释了从同一实验单元获得的观测值之间的依赖性。通常情况下,观察的数量很少,因此使用包含小样本校正的推理策略很重要。在本文中,我们开发了改进的版本的似然比检验的固定效应推断混合线性模型。特别是,我们推导出一个Bartlett校正这样的测试,并从修改后的配置文件似然函数获得的测试。我们的结果通过允许感兴趣的参数为向量值来推广Zucker等人(皇家统计学会杂志B,2000,62,827-838)中的结果。此外,我们的Bartlett校正允许随机效应非线性协方差阵结构。我们报告的数值证据表明,建议的测试显示优越的有限样本的行为相对于标准的似然比检验。还介绍和讨论了一个应用程序。
2011-08-04 math.ST stat.ME stat.TH