Scale two-sample testing with arbitrarily missing data
本文提出一种基于秩的尺度两样本检验方法，在数据任意缺失时利用Ansari-Bradley统计量的紧界控制第一类错误，并联合位置检验进行位置-尺度检验，在缺失率低于10%时功效良好。
2025-09-24 stat.ME
Finite-Sample Two-Group Composite Hypothesis Testing via Machine Learning
在复合假设检验问题中，确定潜在的一致最大功效（UMP）无偏检验具有重要意义。在指数族的典型假设设置之外，证明存在性并进一步构造有限样本量的UMP无偏检验通常具有挑战性。例如，在COVID-19大流行期间，由于先前对研究治疗和护理标准的假设有限，适应性临床试验由于伦理考虑以及在进行试验时适应不确定性的能力而具有吸引力。虽然已经提出了几种方法来控制第一类错误率，如何找到一个更强大的假设检验策略仍然是一个悬而未决的问题。基于这个问题，我们提出了一个通过机器学习方法自动构建检验统计量和相应临界值的框架，以提高有限样本中的功效。在本文中，我们特别说明了使用深度神经网络（DNN）的性能，并讨论了其优势。模拟和两个自适应设计的案例研究表明，我们的方法是自动的，通用的和预先指定的有限样本中构造具有满意功效的统计量。补充材料可在线获得，包括R代码和R shiny应用程序。
2022-08-02 stat.ME
Energy distance and kernel mean embeddings for two-sample survival testing
研究了右截尾方案下两个随机样本之间分布相等性的比较问题。为了解决这个问题，我们设计了一系列基于能量距离和核均值嵌入的测试。我们校准我们的测试使用置换方法，并证明他们是一致的对所有固定的连续的替代品。为了评估我们提出的测试，我们模拟了以前临床试验的生存曲线。此外，我们为从业者提供了一组关于如何选择延迟效应问题的参数/距离的建议。基于我们提出的参数调整方法，我们表明，我们的测试表现出相当大的增益对经典的生存测试的统计功效。
2019-12-09 stat.ME
Testing hypotheses in the Birnbaum-Saunders distribution under type-II censored samples
双参数Birnbaum-Saunders分布已成功地用于模拟疲劳失效时间。虽然删失是典型的可靠性和生存的研究，很少有工作已发表的分析删失数据的这种分布。本文研究了在II型右删失样本下Birnbaum-Saunders分布的两个参数的检验推断问题。似然比统计量和最近提出的统计量，梯度统计量，提供了一个方便的框架，统计推断在这种情况下，因为他们不需要获得，估计或反转的信息矩阵，这是一个优点，在涉及删失数据的问题。为了研究和比较似然比和梯度检验的有限样本性能，进行了广泛的蒙特卡罗模拟研究。我们的数值结果表明，梯度测试应该是首选。三个经验的应用。
2010-09-10 stat.ME
A semiparametric two-sample hypothesis testing problem for random dot product graphs
随机图的双样本假设检验自然出现在神经科学、社交网络和机器学习中。本文研究了一类潜在位置随机图的双样本假设检验的半参数问题。我们制定了一个概念的一致性在这种情况下，并提出了一个有效的测试的假设，两个有限维随机点积图在一个共同的顶点集有相同的生成潜在的位置或生成潜在的位置，是缩放或对角变换的另一个。我们的检验统计量是每个图的邻接矩阵的谱分解的函数，并且我们的检验程序在广泛的替代方案中是一致的。我们将我们的测试程序应用于真实的生物数据：在神经连接体图的测试-重测数据集中，我们能够区分来自不同受试者的扫描;在{ \em C.elegans}连接体中，我们能够区分化学网络和电网络。后一个例子是一个具体的证明，我们的测试可以有权力，即使是小样本量。最后，我们讨论我们的测试程序和广义似然比检验之间的关系。
2015-06-18 stat.ME
MMD Two-sample Testing in the Presence of Arbitrarily Missing Data
针对数据任意缺失场景，提出基于MMD的双样本检验方法，通过推导统计量精确界限控制第一类错误，在5%-10%缺失率下具有良好功效，尤其适用于非随机缺失数据。
2024-05-24 stat.ME
Mirror bootstrap method for testing hypotheses of one mean
假设检验的自助法或排列法的一般原理是通过生成抽样分布来模拟检验统计量的变化，该抽样分布假设原假设为真，并且样本中的数据在某种程度上代表了总体。这种哲学不适用于检验单个参数（如总体平均值）的假设，因为这两个假设是矛盾的（例如，我们如何假设总体的平均值是$μ_0,$，并且样本中具有平均值$M \ne μ_0$的个体代表总体？）。镜像引导程序解决了这个难题。镜像Bootstrap方法检验关于一个总体参数的假设的原理是，我们假设原假设为真，并且我们样本中的个体尽可能具有代表性，而不假设比观察到的更极端的情况。例如，用于检验一个均值假设的镜像Bootstrap方法使用生成的对称分布，该对称分布是通过在假设的总体均值$μ_0$周围反映原始样本而构建的。镜像Bootstrap的性能测试的一个平均值的模拟表明，虽然该方法是稍微保守的一面非常小的样本，其有效性和权力迅速接近广泛使用的t检验。镜像Bootstrap的原理足够通用，可以用于测试有关其他参数的假设;这种探索留待将来研究。
2012-05-17 stat.ME
Blinded sample size re-estimation in equivalence testing
本文研究了在等效性检验中应用盲态样本量审查时发生的第一类错误违规。我们给出了一个推导，解释了为什么这种违反更明显的等效性测试比优越性测试的情况下。此外，量化的第一类错误通货膨胀的模拟，以及一些理论上的考虑。当对样本量进行设盲中期重新评估时，出现不可忽略的第一类错误违背，特别是当样本量较小但在实际相关范围内时。
2019-08-13 stat.AP stat.ME
A minimum-risk and cost-efficient two-sample sequential testing framework for the shifted exponential models with application to precipitation data
Indian Institute of Technology Delhi（印度德里理工学院）
提出一种双序贯抽样框架，通过控制第一类错误概率并最小化包含第二类错误和抽样成本的损失函数，检验两个移位指数模型的位置参数差异，具有一阶、二阶效率和风险效率。
2026-06-19 stat.ME
Hypothesis testing for Markov chain Monte Carlo
假设之间的测试，当独立抽样是可能的，是一个发展良好的主题。在本文中，我们提出了假设检验，适用于样本时，使用马尔可夫链蒙特卡罗。当人们有兴趣决定某个量的期望值是高于还是低于给定的阈值时，这些测试是有用的。我们证明了三种类型的测试，一个固定的样本量测试，一个顺序测试与无差异区域，和一个顺序测试无差异区域的非渐近误差界和上界的期望样本数。我们的测试可以显著节省样本量。我们说明了我们的结果贝叶斯参数推断的一个例子，涉及一个生化途径的ODE模型。
2015-08-13 stat.ME
Testing the Sphericity of a covariance matrix when the dimension is much larger than the sample size
本文主要研究当尺寸$p$远大于样本量$n$时的显着球度检验。经典的似然比检验（LRT）不再适用时，$p\gg n$。因此，本文提出了一个拟LRT，并在$p/n\rightarrow\infty, n\rightarrow\infty$充分成立的情况下，给出了检验统计量在零值下的渐近分布。同时，John检验具有强大的{ \it dimension-proof}性质，它与任何$(n,p)$ -渐近的，即$p/n\rightarrow[0,\infty]$，$n\rightarrow\infty$在零值下保持完全相同的极限分布.对于一般的四阶矩为有限的总体，得到了所有的渐近结果。数值实验进行了比较。
2016-03-03 stat.ME
Substitution principle for CLT of linear spectral statistics of high-dimensional sample covariance matrices with applications to hypothesis testing
样本协方差阵在多元统计分析中有着广泛的应用。高维非中心样本协方差阵线性谱统计量的中心极限定理（CLT's）在随机矩阵理论中得到了广泛的关注，并被应用于许多高维统计问题。然而，已知的总体均值向量被假定为非中心样本协方差阵，其中一些甚至假定类高斯矩条件。事实上，还有另外两种最常用的样本协方差阵：MLE（通过从每个样本向量中减去样本均值向量）和无偏样本协方差矩阵（通过将分母$n$更改为MLE中的$N=n-1$），而不依赖于未知的总体均值向量。本文通过建立{ \em替换原理}，不仅建立了无类高斯矩条件的非中心样本协方差阵的新的CLT，而且刻画了三类高维样本协方差阵的CLT之间不可忽略的差异：替换{ \em调整后}样本量$N=n-1$，用于新CLT的主中心项中的实际样本量$n$，以获得无偏样本协方差阵的CLT.此外，它被发现之间的CLT的最大似然估计和无偏样本协方差矩阵的差异是不可忽略的主要中心项，虽然这两个样本协方差阵只有差异$n$和$n-1$的支配者。新的结果被应用到两个测试问题的高维数据。
2014-04-26 stat.ME
Incorporation of Sparsity Information in Large-scale Multiple Two-sample $t$ Tests
大规模多个两样本{ \em Student}的$t$检验问题经常出现在科学数据的统计分析中。为了检测在两个均值向量之间具有不同值的分量，公知的过程是应用Benjamini和Hochberg（B-H）方法和双样本{ \em Student}的$t$统计量来控制错误发现率（FDR）。在许多应用中，期望均值向量是稀疏的或渐近稀疏的。在处理此类数据时，{ \em是否可以在控制FDR的同时获得比标准程序（例如使用Student $t$统计量的B-H方法）更高的功效？}答案是肯定的。通过利用平均向量中可能的稀疏信息，我们提出了一种基于不相关筛选的（US）FDR控制方法，该方法比B-H方法更强大。美国检验程序依赖于一种新的筛选统计量构造，该统计量与双样本{ \em Student}的$t$统计量渐近不相关。US测试程序不同于一些现有的{筛选后的\em测试}方法（Reiner等人，二○ ○七年; Yekutieli，2008年），其中筛选和检测之间的独立性对于控制FDR至关重要，而独立性通常需要额外的数据或样本分割。不适当的样本分割可能导致统计功效的损失而不是提高。相反，不相关的筛选US基于原始数据，不需要分割样本。理论结果表明，美国的测试程序控制所需的FDR渐近。数值研究表明，所提出的程序工作得很好。
2014-10-16 stat.ME
Two-Sample Hypothesis Testing for Large Random Graphs of Unequal Size
本文提出针对小样本和不等规模随机图的Frobenius检验统计量，通过从估计的社区边概率矩阵生成自助邻接矩阵构建检验基础，推导其渐近分布，并在模拟和fMRI数据中验证了其稳定性和有效性。
2024-02-16 stat.ME
On two-sample testing for data with arbitrarily missing values
提出一种无缺失机制假设的基于秩的单变量双样本检验方法，通过提供精确界限控制第一类错误，在10%至20%缺失数据下表现良好，且适用于复杂临床试验数据。
2024-03-22 stat.ME
The Building Blocks of Classical Nonparametric Two-Sample Testing Procedures: Statistically Equivalent Blocks
本文以统计等价块及其频率统一推导经典两样本非参数检验，并将多种单变量检验推广到任意高维，保持零假设性质与尺度不变性。
2025-06-10 stat.ME
Error Correction Codes for COVID-19 Virus and Antibody Testing: Using Pooled Testing to Increase Test Reliability
我们考虑了一种新的方法，通过使用专门设计的混合测试来提高COVID-19病毒或抗体测试的可靠性。我们建议测试来自许多人的混合样本，而不是测试来自单个人的鼻拭子或血液样本。本文提出的混合样本测试方法也有不同的目的：增加测试的可靠性和提供准确的诊断，即使测试本身不是很准确。我们的方法使用压缩感知和纠错编码的思想来纠正测试结果中的一定数量的错误。直觉是，当每个个体的样本是许多汇集的样本混合物的一部分时，来自所有样本混合物的测试结果包含关于每个个体的诊断的冗余信息，其可以被利用来以与纠错码纠正噪声通信信道中引入的错误完全相同的方式自动纠正错误的测试结果。虽然这种冗余也可以通过简单地多次测试每个人的样本来实现，但我们提出的模拟和理论论证表明，我们的方法在提高诊断准确性方面显着更有效。与旨在减少所需测试数量的分组测试和压缩感知相比，所提出的纠错码思想有目的地使用合并测试来提高测试准确性，并且不仅在“欠采样”制度下工作，而且在“过采样”制度下工作，其中测试数量大于受试者数量。这篇论文的结果与传统的观点背道而驰，即“尽管合并测试增加了测试容量，但合并测试比单独测试个体更不可靠。"
2020-07-29 q-bio.QM stat.ME
Positively Correlated Samples Save Pooled Testing Costs
与单独测试方法相比，组测试方法实现了显著的成本降低，最近在COVID-19的大规模测试中引起了很大的兴趣。许多研究简单地假设混合在一组中的样本是独立的。然而，对于像COVID-19这样的传染病，这种假设可能并不合理。具体来说，家庭中的人往往会相互感染，因此可能呈正相关。通过利用正相关性，我们做出了以下两个主要贡献。一个是提供了一个严格的证明，进一步降低成本，可以通过使用Dorfman两阶段的方法时，一组内的样本是正相关的。另一个是提出了一个分层凝聚算法与社交图，在社交图中的边缘连接两个人之间的频繁的社会接触的池化测试。当应用Dorfman两阶段算法时，与随机池化相比，这样的算法导致显著的成本降低（大约20%-35%）。
2021-04-17 cs.CY stat.ME
Active Sequential Two-Sample Testing
Arizona State University（亚利桑那州立大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；IBM Research（IBM研究中心）
本文提出首个主动序贯双样本检验框架，通过自适应分类模型主动标注高依赖度特征，在控制第一类错误的同时显著提升检验功效。
2024-06-28 cs.LG stat.ME
Depth for samples of sets with applications to testing equality in distribution of two samples of random sets
本文提出随机集合的深度度量及估计方法，用于通过DD图和统计检验比较两个样本的分布，能识别差异来源，并经模拟和真实组织学图像数据验证。
2024-02-02 stat.AP stat.CO stat.ME
Testing the Equality of Covariance Operators in Functional Samples
我们提出了一个稳健检验的平等的协方差结构在两个功能样本。检验统计量具有卡方渐近分布，自由度已知，取决于表示数据所需的降维水平。详细分析的渐近性质。有限样本的性能进行了研究，通过模拟研究和应用到产卵曲线的果蝇。
2011-04-21 math.ST stat.ME stat.TH
Bayesian Kernel Two-Sample Testing
在现代数据分析中，随机变量之间差异的非参数度量尤为重要。这个问题在频率论文献中得到了很好的研究，而在贝叶斯环境中的发展是有限的，应用程序往往限于单变量的情况下。在这里，我们提出了一种贝叶斯核双样本测试程序，该程序基于利用Flaxman等人（2016）建立的框架对再生核希尔伯特空间中的核均值嵌入之间的差异进行建模。核方法的使用使其能够应用于超越多元欧氏空间的一般域中的随机变量。所提出的过程中的后验推理方案，允许自动选择的核心参数相关的问题在手。在一系列的合成实验和两个真实数据实验（即从高维数据测试网络异质性和六元单环构象比较）中，我们说明了我们的方法的优点。
2022-01-21 stat.CO stat.ME
Meta Two-Sample Testing: Learning Kernels for Testing with Limited Data
University of Oxford（牛津大学）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）；Australian AI Institute, UTS（悉尼科技大学澳大利亚人工智能研究院）；Gatsby Unit, UCL（伦敦大学学院盖茨比中心）；UBC（不列颠哥伦比亚大学）；Amii（阿尔伯塔机器智能研究所）
现代基于核的双样本测试在区分复杂的高维分布方面取得了巨大的成功，并使用了适当的学习核。以前的工作已经证明，这种内核学习过程是成功的，假设从每个分布观察到大量的样本。然而，在数据样本数量非常有限的现实场景中，识别一个足够强大的内核来区分复杂的分布可能具有挑战性。我们通过引入Meta双样本测试（M2ST）问题来解决这个问题，该问题旨在利用相关任务的（丰富的）辅助数据来找到一种算法，该算法可以快速识别新目标任务的强大测试。我们提出了两个具体的算法，这项任务：一个通用的计划，提高了基线和一个更适合的方法，表现更好。我们提供了理论依据和经验证据，我们提出的元测试计划直接从稀缺的观察学习基于内核的测试，并确定这种计划将是成功的。
2022-01-04 cs.AI cs.LG stat.ME
All about sample-size calculations for A/B testing: Novel extensions and practical guide
本文针对在线 A/B 测试中的样本量估计缺口，提出相关数据、绝对与相对处理效应的新计算方法，并阐明最小显著观测差异、ATE 与样本量的关系。
2023-08-17 stat.AP stat.ME
Some Notes on Blinded Sample Size Re-Estimation
本说明研究了盲态样本量重新估计后未调整检验导致第一类错误违规的许多情况。对于优效性检验，这发生在某些小样本临界情况下。我们讨论了一些替代方法，保持第一类错误率。该文献还给出了优效性背景下第一类错误膨胀可能在先前出版物中缺失的原因，并研究了为什么在非劣效性检验中更显著。
2013-01-17 stat.AP stat.ME
A new class of robust two-sample Wald-type tests
与两个独立样本相关的参数假设检验经常出现在生物学、医学、流行病学、可靠性等许多应用中。在本文中，我们提出了强大的Wald型测试这样的两个样本问题，使用最小密度功率发散估计的基本参数。特别是，我们认为简单的两个样本的假设，以及一般的两个样本（复合）假设，涉及滋扰参数的样本的全参数同质性。提出的Wald型检验的渐近和理论的鲁棒性已经开发的简单和一般的复合假设。一些特殊的情况下，测试对片面的替代品进行了讨论，特别注意测试的有效性，在临床试验中的治疗。所提出的测试的性能也通过适当的实际数据的例子数值说明。
2017-02-15 stat.AP stat.ME
A novel finite-sample testing procedure for composite null hypotheses via pointwise rejection
University of Kansas（堪萨斯大学）
本文提出了一种针对复合零假设的新型有限样本检验方法，通过点拒绝和膨胀显著性水平实现更准确的推断。
2026-10-09 math.ST stat.ME stat.TH
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
Advanced Tutorial: Label-Efficient Two-Sample Tests
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Arizona State University（亚利桑那州立大学）
本教程面向特征丰富但样本标签昂贵的两样本检验问题，将主动学习思想引入检验流程，以在保持统计有效性和高检验功效的同时降低标签成本，并介绍实际应用。
2025-01-07 cs.LG stat.ME
Cost-aware Generalized $α$-investing for Multiple Hypothesis Testing
University of Massachusetts（马萨诸塞大学）；University of Rhode Island（罗德岛大学）；Bryant University（布莱恩特大学）
针对带数据收集成本的序贯多重假设检验问题，提出成本感知广义$\alpha$-投资决策规则，通过博弈建模优化预期$\alpha$-财富收益，自适应分配样本预算，在固定与非固定样本量及真实生物数据集上均表现更优。
2023-11-03 cs.LG stat.ME
From Imbalance to Evidence: Deep Nonparametric Testing for Complex Data under Severe Sample Imbalance
University of Notre Dame（圣母大学）
针对严重样本不平衡下复杂数据的分布比较问题，提出EIAD-C2ST框架，将样本不平衡转化为检验证据来源，通过理论保证和实证验证实现了更有效的分布比较。
2026-10-12 cs.LG stat.ME stat.ML
Locally Differentially Private Two-Sample Testing
Department of Statistics, University of Warwick（华威大学统计系）
本文提出在局部差分隐私约束下，通过排列程序进行两样本检验的方法，改进了最小最大分离率，并验证了交互性对性能的提升。
2026-02-24 math.ST stat.ME stat.TH
A framework for paired-sample hypothesis testing for high-dimensional data
ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Centre Borelli（博雷利中心）
针对高维配对样本检验，本文提出基于实例对垂直平分超平面与 Hodges–Lehmann 聚合规则生成一维评分，并用 Wilcoxon 符号秩检验的两步框架，提升准确率且可解释特征贡献。
2023-09-28 cs.LG stat.ME stat.ML
Two-sample Testing Using Deep Learning
Hasso Plattner Institute for Digital Engineering, University of Potsdam（波茨坦大学哈索·普拉特纳数字工程研究所）；Technical University of Kaiserslautern（凯泽斯劳滕工业大学）；University of Southern California（南加利福尼亚大学）；Hasso Plattner Institute for Digital Health at Mount Sinai（西奈山哈索·普拉特纳数字健康研究所）
我们提出了一个基于学习的深度神经网络表示的双样本测试过程。为此，我们定义了两个检验统计量，对映射到隐藏层上的数据样本执行渐近位置测试。测试是一致的，并且渐近控制1型错误率。其检验统计量可在线性时间内进行评价（在样本量内）。合适的数据表示以数据驱动的方式获得，通过在辅助（可能不同的）数据集上解决有监督或无监督的迁移学习任务。如果没有辅助数据可用，我们将数据分成两块：一块用于学习表示，另一块用于计算检验统计量。在对音频样本、自然图像和三维神经成像数据的实验中，与最先进的双样本测试（如核方法和分类器双样本测试）相比，我们的测试在类型2错误率（高达35个百分点）方面显着降低。
2020-03-10 cs.LG stat.ME stat.ML
Mesoscale two-sample testing for networks
University of Waterloo（滑铁卢大学）；University of Michigan（密歇根大学）
本文提出一种介观两样本检验方法，用于检测网络中特定连接子集的显著差异，适用于神经影像等应用，通过低秩投影提升检验效能。
2026-03-13 stat.AP stat.ME
Contact Tracing Enhances the Efficiency of COVID-19 Group Testing
本文研究 COVID-19 分组检测，提出在非自适应单阶段算法中融合接触者追踪辅助信息与疾病传播特征，并通过两个信号测量模型验证其可提升灵敏度和特异度。
2020-11-28 stat.AP stat.ME
Differentially private hypothesis testing in survival analysis
University of Warwick（华威大学）
本文研究了生存分析中差分隐私假设检验的问题，提出了针对Cox回归系数的隐私部分似然比检验和分数型检验，以及累积危险函数的隐私分布式两样本检验，并证明了差分隐私和有限样本检验保证以及最小最大下界，揭示了隐私在统计上可忽略、主导检验速率以及半参数生存模型中最优隐私检验率仍待解决的问题。
2026-05-16 math.ST stat.ME stat.TH
Hypothesis testing in the presence of multiple samples under density ratio models
本文提出了一种从多个连通总体中给定独立样本的假设检验方法。该方法的动机是一个林业项目监测木材强度的变化。传统的实践是建立在非参数方法的基础上的，这些方法忽略了这些群体是相互联系的这一事实。该方法通过密度比模型将多个样本中的信息集中起来，从而提高了推理效率，降低了应用成本。新的测试具有经典的卡方零极限分布。在一类局部替代下得到了其幂函数。当地的权力被发现增加，即使当一些潜在的人口是无关的假设的利益。仿真研究证实，该测试具有更好的功率特性比潜在的竞争对手，是强大的模型误设定。并给出了在木材强度方面的应用实例。
2015-05-14 math.ST stat.ME stat.TH
Machine Learning for Two-Sample Testing under Right-Censored Data: A Simulation Study
Sber AI Lab（Sber人工智能实验室）；Novosibirsk State Technical University（新西伯利亚国立技术大学）
本研究评估机器学习方法在右删失数据两样本检验中的有效性，开发了结合经典检验的集成方法，通过蒙特卡洛模拟证明其统计功效，并公开了相关资源。
2024-09-26 cs.LG stat.CO stat.ME
Testing relevant hypotheses in functional time series via self-normalization
在本文中，我们开发的方法来测试有关的假设功能时间序列的调谐自由的方式。而不是测试的确切平等，例如从两个独立的时间序列的两个平均函数的平等，我们建议测试的原假设没有相关的偏差。在两个样本问题中，这意味着两个均值函数之间的$L^2$距离小于预先指定的阈值。对于这样的假设，Shao（2010）和Shao和Zhang（2010）引入的自归一化通常用于避免估计讨厌的参数，不直接适用。我们发展了新的自规范化程序来检验单样本、双样本和变点问题中的相关假设，并研究了它们的渐近性质。通过模拟研究和数据实例说明了所提出的测试的有限样本性质。我们的主要重点是功能时间序列，但扩展到其他设置也简要讨论。
2020-02-20 math.ST stat.ME stat.TH
A novel statistical approach for two-sample testing based on the overlap coefficient
本文提出基于重叠系数的新型统计方法，用于改进两样本检验的性能。
2023-06-28 cs.DM cs.MS math.PR
Power and sample size calculation of two-sample projection-based testing for sparsely observed functional data
本研究针对稀疏观测函数数据的两样本投影检验，推导功效函数并推出R包fPASS以实现功效与样本量计算，验证其缺失免疫的稳健性并展示临床试验应用价值。
2023-10-10 math.ST stat.AP stat.ME
Two-sample testing of high-dimensional linear regression coefficients via complementary sketching
本文提出一种基于互补草图的高维线性回归系数两样本检验方法，无需系数可单独估计，在稀疏与稠密差异下具有最优渐近功效，并通过模拟和单细胞数据验证其有效性。
2022-04-27 math.ST stat.ME stat.TH
Power of masking methods for adaptive testing in a multivariate normal means problem
Columbia University（哥伦比亚大学）；University of Pennsylvania（宾夕法尼亚大学）
研究了掩蔽方法在多变量正态均值问题中的适应性测试中的功效比较，分析了不同机制和调参选择对功效的影响，并探讨了非掩蔽方法的效率。
2026-03-31 math.ST stat.ME stat.TH
Two-Sample Testing with Missing Data via Energy Distance: Weighting and Imputation Approaches
本文针对含缺失数据的双样本检验问题，提出基于能量距离的加权检验统计量及相应重抽样方法，并设计适用于插补样本的自助法，通过模拟给出不同场景下的使用建议。
2025-08-15 math.ST stat.CO stat.ME
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
Two-sample testing in non-sparse high-dimensional linear models
在分析高维模型时，模型参数的稀疏性是一个常见但通常不可取的假设。本文研究了如下两个样本检验问题：给定两个由两个高维线性模型生成的样本，检验这两个线性模型的回归系数是否相同.我们提出了一个名为TIERS（TestIng Equality of Regression Slopes的缩写）的框架，它解决了两个样本的测试问题，而不对回归参数的稀疏性做任何假设。TIERS通过将两个样本进行卷积来构建新的模型，使得原始假设转化为新的矩条件。一个自规范化的结构，然后开发形成一个时刻测试。我们为开发的框架提供了严格的理论。在非常弱的条件下的特征协方差，我们表明，所提出的测试在控制I型错误的准确性是强大的缺乏稀疏的功能和重尾的误差分布，即使当样本量是小于的特征尺寸。此外，我们讨论了极大极小最优性和效率的性质所提出的测试。仿真分析表明，我们的测试具有良好的有限样本性能。在推导测试时，我们还开发了独立感兴趣的工具。该测试是建立在一种新的估计，称为自动自适应Dantzig的（ADDS），它不仅自动选择一个适当的规模的误差项，但也结合了先验信息。为了有效地近似检验统计量的临界值，我们开发了一种新的高维插件的方法，补充了高斯逼近论的最新进展。
2016-10-14 math.ST stat.ME stat.ML
Global and Simultaneous Hypothesis Testing for High-Dimensional Logistic Regression Models
高维逻辑斯谛回归被广泛应用于分析具有二元结果的数据。在本文中，全球测试和大规模的多重检验的回归系数被认为是在单和两个回归设置。利用广义低维投影进行偏倚校正，构造了检验全局原假设的检验统计量，并导出了其渐近原假设分布。建立了全局检验的下界，证明了该检验在一定的稀疏范围内是渐近极小极大最优的。为了同时检验各个系数，提出了多重检验程序，并显示出渐近控制的错误发现率（FDR）和错误发现的变量（FDV）。进行了模拟研究，以检查所提出的测试的数值性能和现有的方法相比，其优越性。通过分析代谢组学研究的数据集也说明了测试程序，该研究调查粪便代谢物和小儿克罗恩病之间的关联以及治疗对这种关联的影响。
2020-11-19 math.ST stat.ME stat.TH
Distance and Kernel-Based Measures for Global and Local Two-Sample Conditional Distribution Testing
针对现有两样本条件分布检验仅关注全局层面的不足，本文基于距离与核方法构建统一框架，提出相应度量及一致估计量，推导其理论性质，开发全局与局部检验，经实验验证性能可靠。
2025-08-31 econ.EM math.ST stat.ME
Power and sample size calculations for testing the ratio of reproductive values in phylogenetic samples
针对系统发育推断中病原体传播差异研究缺乏样本量与功效规划指导不足的问题，提出基于分子传播对的繁殖数比率估计量及样本量计算方法，支持多种校正扩展，经模拟验证并提供R包工具。
2023-06-09 q-bio.PE stat.AP stat.ME
Nonparametric Two-Sample Testing by Betting
本文将序贯双样本检验重构为投注博弈，通过预测策略选择收益函数最大化投注者财富，并以核MMD实例化实现自适应检验，同时扩展至时间变化和不变性检验问题。
2025-08-22 cs.IT math.IT math.ST
Leveraging Optimal Transport for Distributed Two-Sample Testing: An Integrated Transportation Distance-based Framework
本文提出基于集成传输距离的分布式双样本检验框架，解决联邦学习中分布变化检测问题，通过置换检验实现高效计算，具有稳健错误控制和高功效。
2025-06-19 math.ST stat.AP stat.CO
Group testing as a strategy for the epidemiologic monitoring of COVID-19
样本合并包括将来自多个个体的样本合并到单个池中，然后使用独特的检测试剂盒进行检测。阳性测试意味着池中至少有一个人被感染。在这里，我们提出了一个分析和应用样本池的流行病学监测COVID-19。我们首先介绍了一个模型的RT-qPCR过程中用于测试的病毒在样品中的存在，并构建了一个统计模型的病毒载量在一个典型的感染个体的灵感来自琼斯等人的临床数据。等（2020）。然后，我们提出了一种方法，用于测量的患病率在人群中，基于组测试，考虑到与此方法相关的假阴性的数量增加。最后，我们提出了一个应用程序的样本池在封闭的连接社区（如养老院）的流行病爆发的预防。
2020-06-25 physics.soc-ph q-bio.QM stat.AP
Adaptive Monte Carlo Multiple Testing via Multi-Armed Bandits
蒙特卡罗（MC）排列检验被认为是统计假设检验的金标准，特别是当标准参数假设不明确或可能失败时。然而，在需要同时执行大量假设检验的现代数据科学环境中，由于其高昂的计算成本，很少使用它。例如，在全基因组关联研究中，假设检验$m$的数量约为$10^6$，而每个检验的MC样本数量$n$可能大于$10^8$，总计超过$nm$ = $10^{14}$样本。本文提出了自适应MC多重检验（AMT）来估计MC p值，并控制多重检验中的错误发现率。该算法输出与标准全MC方法相同的结果，具有高概率，同时仅需要$\tilde{O}(\sqrt{n}m)$样本。该样本复杂度被证明是最佳的。在Parkinson GWAS数据集上，该算法将完整MC的运行时间从2个月减少到1个小时。基于多臂强盗理论推导了AMT算法。
2019-05-18 cs.IT math.IT q-bio.GN
