Small Study Regression Discontinuity Designs: Density Inclusive Study Size Metric and Performance
针对小样本回归不连续设计，提出密度包含研究规模（DISS）度量，通过蒙特卡洛模拟和印第安纳州数据验证其优于总体样本量，并评估非参数估计方法性能。
2024-07-19 stat.ME
Regression Discontinuity Designs Under Interference
Yale University（耶鲁大学）；Tor Vergata University of Rome（罗马托尔维加塔大学）
该研究拓展了断点回归设计的连续性框架，提出多得分RDD方法与基于距离的非参数估计量以分析网络干扰下的因果效应，并通过PROGRESA数据验证了方法在估计现金转移支付入学效应的有效性。
2026-09-09 stat.ME
A Note on Doubly Robust Estimator in Regression Discontinuity Designs
Department of Basic Science, The University of Tokyo（东京大学基础科学系）
本文提出了用于断点回归设计的双稳健估计量（DR-RD），通过结合两个条件期望结果估计量，在至少一个估计量一致时即可保证处理效应估计的一致性，从而增强了估计的稳健性。
2025-01-27 cs.LG econ.EM math.ST
Isotonic Regression Discontinuity Designs
本文研究了保序回归在边界点的估计和推断，这是单调回归不连续设计分析中特别感兴趣和需要的一个对象。我们证明了保序回归在这种情况下是不一致的，并得到了边界校正估计量的渐近分布。有趣的是，边界校正估计量可以自举，而无需子采样或额外的非参数平滑，这不是内点的情况。蒙特卡罗实验表明，形状限制可以显着改善有限样本的性能的非限制估计。最后，我们应用保序回归不连续设计来估计美国众议院选举中在职的因果效应。
2020-12-19 econ.EM math.ST stat.AP
Estimation and Inference in Boundary Discontinuity Designs: Distance-Based Methods
Princeton University（普林斯顿大学）
本文研究非参数距离基（各向同性）局部多项式方法，用于估计边界平均处理效应曲线，并建立点态和均匀的识别、估计与推断结果，揭示了边界几何正则性在可行收敛速率和有效推断中的核心作用。
2026-05-25 econ.EM math.ST stat.ME
Direct Bayesian Additive Regression Trees for Conditional Average Treatment Effects in Regression Discontinuity Designs
Faculty of Economics, Keio University（庆应义塾大学经济学部）
本文提出基于BART的贝叶斯方法，用于在回归断点设计中灵活建模异质处理效应，并通过数值实验验证其有效性。
2026-03-04 stat.ME stat.ML
Nonparametric Treatment Effect Identification in School Choice
本文提出非参数方法识别学校分配中的处理效应，分析了原子处理效应的识别与估计，并推荐新的聚合方案以处理回归不连续性驱动的异质性。
2025-12-29 econ.EM stat.ME
Optimizing the tie-breaker regression discontinuity design
受客户忠诚度计划和奖学金计划的激励，我们研究了由随机对照试验（RCT）和回归不连续设计（RDD）混合而成的决胜设计。我们量化了平局决胜设计的统计效率，其中观察的受试者中有一部分$Δ$在RCT中。在双线回归中，统计效率随$Δ$单调增加，因此RCT可使效率最大化。我们指出了决胜局与RDD相比的其他优势：对于非参数回归，边界偏差要小得多，对于二次回归，方差大大减小。对于双线模型，我们可以量化治疗分配的短期价值，该比较有利于较小的$Δ$，RDD最佳。我们解决这些探索和开发目标之间的最佳权衡。通常的决胜局设计对按分配变量排序的中间$Δ$受试者应用RCT。我们量化了其他设计的效率，例如只在从顶部开始的第二个十分位中进行实验。我们还表明，在一些一般的参数模型的蒙特卡罗评估可以取代矩阵代数。
2020-07-30 econ.EM stat.ME
Simple Local Polynomial Density Estimators
本文介绍了一种直观和易于实现的非参数密度估计的局部多项式技术的基础上。该估计器是完全边界自适应和自动的，但不需要预分箱或任何其他数据转换。我们研究的估计的主要渐近性质，并使用这些结果提供原则性的估计，推断，和带宽选择方法。作为我们的结果的一个实质性应用，我们开发了一种新的不连续密度测试程序，一个重要的问题，在断点回归设计和其他程序评估设置。一个说明性的经验应用。提供了两个配套的Stata和R软件包。
2019-06-07 econ.EM stat.ME
Discovering Heterogeneous Treatment Effects in Regression Discontinuity Designs
本文提出一种基于诚实断点回归树的因果监督学习算法，在精确和模糊RD设计中自动发现驱动处理效应异质性的协变量，并通过模拟和罗马尼亚中学择校数据验证其有效性。
2025-08-29 econ.EM stat.ML
Regression Discontinuity Designs for Functional Data and Random Objects in Geodesic Spaces
The University of Tokyo（东京大学）；University of California, Davis（加州大学戴维斯分校）；London School of Economics（伦敦政治经济学院）
该研究针对测地空间的非欧氏结果提出GRDD方法，通过局部Fréchet回归等技术实现因果推断，经实证验证并拓展至模糊设计，可应用于选举、环境监测等领域。
2026-09-01 stat.ME
Semiparametric Inference for Regression-Discontinuity Designs
本文提出一种半参数框架用于识别断点回归设计中的平均处理效应，无需无混淆假设，通过部分线性建模和P-spline方法实现全局推断，理论分析与模拟表明其收敛速率更快且性能优于局部方法。
2024-12-25 econ.EM stat.ME
Nonparametric tests of the causal null with non-discrete exposures
在许多科学研究中，确定暴露是否对结果产生因果影响是很有意义的。在观察性研究中，这是一项具有挑战性的任务，因为存在影响暴露和结局的混杂变量。已经开发了许多方法来测试当观察到所有这些混杂变量并且当感兴趣的暴露是离散的时是否存在因果效应。在这篇文章中，我们提出了一类非参数检验的原假设，有没有平均因果效应的任意单变量暴露的结果中观察到的混杂。我们的测试适用于离散、连续和混合离散-连续曝光。我们表明，我们提出的测试是双重强大的一致性，他们有正确的渐近第一类错误，如果两个滋扰参数参与的问题估计在足够快的速度，他们有能力检测本地替代品接近零的速度$n^{-1/2}$。我们在数值研究中研究了我们的测试的性能，并使用它们来测试吸烟母亲中吸烟对出生体重的因果影响。
2020-10-06 stat.ME
The Classification Permutation Test: A Nonparametric Test for Equality of Multivariate Distributions
确定因果关系的金标准是随机对照实验。在社会科学和医学的许多应用中，研究人员不控制分配机制，而是可能依赖于自然实验，回归不连续设计，随机对照试验，或匹配方法作为实验随机化的替代品。随机分配的标准可检验含义是处理单位和对照单位之间的协变量平衡。因此，协变量平衡通常用于验证“假设”随机分配的声明。本文提出了一种新的协变量平衡的非参数检验方法。我们的分类排列测试（CPT）是基于分类方法（例如，逻辑斯谛回归或随机森林）与费舍尔排列推理的组合。CPT保证具有正确的覆盖率，并且在所选分类器的弱假设下是一致的。为了说明使用CPT的好处，我们重新审视了四个真实数据的例子：Lyall（2009）; Green and Winik（2010）; Eggers and Hainmueller（2009）;以及Rouse（1995）。蒙特卡罗功率模拟被用来比较CPT两个现有的非参数检验的多元分布的平等。
2016-11-19 stat.AP
An Omnibus Nonparametric Test of Equality in Distribution for Unknown Functions
我们提出了一个新的家庭的非参数综合测试的假设，两个未知的，但可估计的功能是平等的分布时，所观察到的数据结构。我们开发了这些测试，它代表了Gretton等人[2006]中描述的最大平均差异测试的推广。尽管它们的推导很复杂，但相关的检验统计量可以相当简单地表示为U-统计量。我们研究了在原假设下以及在固定和局部两种情况下所提出的检验的渐近行为。我们提供的例子，我们的测试可以应用，并表明它们在模拟研究中表现良好。作为一个重要的特殊情况，我们提出的测试可以用来确定是否一个未知的功能，如条件平均治疗效果，几乎肯定等于零。
2017-06-14 math.ST stat.ML stat.TH
A nonparametric relative treatment effect for direct comparisons of censored paired survival outcomes
针对右删失配对生存数据的治疗效果比较问题，提出基于竞争风险技术的非参数相对治疗效应估计方法，通过随机化重抽样实现推断，模拟显示功效优于传统方法，并在糖尿病视网膜病变数据集上验证了适用性。
2023-06-15 math.ST stat.ME stat.TH
Bayesian nonparametric discontinuity design
Radboud University（拉德堡德大学）
准实验研究设计，如回归不连续性和中断的时间序列，允许在没有随机对照试验的情况下进行因果推断，代价是额外的假设。在本文中，我们使用贝叶斯模型比较和高斯过程回归提供了一个基于不连续性设计的框架，我们称之为“贝叶斯非参数不连续性设计”，或简称BNDD。BNDD解决了这种设计的大多数实现中的两个主要缺点：由于对所声称的效果的隐式条件作用而导致的过度自信，以及由于依赖过于简单化的回归模型而导致的模型错误。通过适当的高斯过程协方差函数，我们的方法可以检测任何阶的不连续性，并在频谱特征。我们演示了BNDD在模拟中的使用，并应用该框架来确定竞选政治职位对长寿的影响，荷兰所谓的历史幽灵边界对荷兰投票行为的影响，以及昆达里尼瑜伽冥想对心率的影响。
2021-12-14 cs.LG stat.ME stat.ML
A doubly robust learner for regression and inference with right-censored outcomes
PFA Pension（PFA养老金）；Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
本文提出适配右删失数据的双重鲁棒非参数回归框架，推导伪结局条件偏差新表示以建立估计量渐近性质，经模拟验证性能并应用于右删失回归间断设计的因果效应估计。
2026-08-04 math.ST stat.ME stat.TH
Nonparametric causal mediation analysis for stochastic interventional (in)direct effects
历史上，因果中介分析在两个重要方面受到限制：（i）传统上关注二元治疗和静态干预，（ii）直接和间接效应分解仅在不存在受治疗影响的中间混杂因素的情况下才可识别。我们提出了一个理论研究的（中）直接效应分解的人口干预效果，定义为随机干预联合应用于治疗和介质。与现有的建议相反，我们的因果效应可以进行评估，无论治疗是分类的还是连续的，即使在存在受治疗影响的中间混杂因素的情况下，因果效应也可以得到很好的定义。我们的（非）直接效应是可识别的，而无需对跨世界反事实独立性进行限制性假设，从而可以在随机对照试验中验证从中得出的实质性结论。除了新的影响介绍，我们提供了一个仔细的研究非参数效率理论相关的建设灵活的，多个强大的估计我们的（在）直接影响，同时避免不适当的限制所引起的假设参数模型的滋扰参数泛函。为了补充我们的非参数估计策略，我们引入了推理技术，用于构建置信区间和假设检验，并讨论了开源软件实现所提出的方法。
2022-01-11 math.ST stat.ME stat.TH
Nonparametric hypothesis testing for equality of means on the simplex
在单形上的数据的背景下，我们调查使用经验和指数经验似然，Hotelling和James统计，以测试相等的人口平均值的原假设的基础上，两个独立的样本。我们进行了广泛的数值研究，使用模拟的数据从各种分布的单纯形。的结果，结合实际的实施考虑，支持使用自举校准詹姆斯统计。
2016-08-04 stat.ME
A nonparametric sequential test for online randomized experiments
我们提出了一个非参数序贯检验，旨在解决两个实际问题，相关的在线随机实验：（i）如何做一个假设检验复杂的指标;（ii）如何防止类型$1$错误通货膨胀下连续监测。所提出的测试不需要生成数据的基本概率分布的知识。我们使用自助法来估计数据块的似然性，然后进行混合序贯概率比检验。我们从一个主要的在线电子商务网站的数据验证这一过程。我们表明，所提出的测试控制类型$1$错误在任何时候，具有良好的权力，是强大的错误的分布生成的数据，并允许快速推理在线随机实验。
2017-06-26 stat.ML
Robust nonparametric hypothesis tests for differences in the covariance structure of functional data
我们开发了一组强大的，非参数假设检验，检测几个人口的功能数据的协方差算子之间的差异。这些测试称为FKWC测试，基于功能数据深度等级。这些测试工作良好，即使当数据是重尾，这是在模拟和理论上都显示。这些测试提供了几个其他的好处，他们有一个简单的分布下的原假设，他们是计算成本低，他们拥有变换不变性的属性。我们发现，在一般的备择假设下，这些测试是一致的温和的，非参数假设。作为这项工作的结果，我们引入了一个新的功能深度函数，称为L2-root深度，它可以很好地检测协方差核之间的幅度差异。我们提出了一个分析的FKWC测试使用L2根深度下的本地替代品。在模拟中，当真正的协方差核具有严格的正特征值时，我们表明这些测试具有比竞争对手更高的功率，同时仍然保持其标称大小。我们还提供了计算样本量和执行多重比较的方法。
2021-06-18 stat.ME
A Nonparametric Likelihood Approach for Inference in Instrumental Variable Models
工具变量方法允许通过控制不依从随机实验中的未测量混杂来推断处理效应。然而，许多研究没有考虑在测试过程中观察到的顺应性行为，这可能导致功率损失。在本文中，我们提出了一种新的非参数似然方法，称为二项式似然（BL）方法，它结合了信息的遵守行为，同时克服了以前的技术的几个限制，并利用似然方法的优点。我们所提出的方法产生适当的估计的反事实的分布函数通过最大化的二项似然空间的分布函数。利用这一点，我们提出了两个版本的二项似然比检验的原假设没有处理效应。我们表明，这两个版本是更强大的检测任何分布的变化比现有的方法在有限样本的情况下，渐近等价于两个样本的安德森-达林测试。我们还开发了一个有效的算法来计算我们的估计，并应用二项式似然方法的研究医疗补助覆盖范围对心理健康的影响，使用俄勒冈州健康保险实验。
2020-06-11 math.ST stat.AP stat.ME
Nonparametric covariate hypothesis tests for the cure rate in mixture cure models
针对含长期幸存者的生存数据中现有治愈模型协变量检验仅支持参数/半参数方法的问题，提出混合治愈模型治愈率的非参数协变量假设检验，用bootstrap近似零分布，经模拟验证有效并应用于结直肠癌数据集。
2024-01-30 stat.ME
A nonparametric Bayesian test of dependence
在这篇文章中，我们提出了一种新的方法来测试两组变量之间的依赖关系的基本任务。独立性的原假设和相关性的备择假设下的响应密度由非参数贝叶斯模型确定。在原假设下，联合分布由两个独立的Dirichlet过程混合（Dirichlet Process Mixture，DIFR）先验的乘积建模;在另一种情况下，全联合密度由多变量DIFR先验建模。然后，检验基于支持备择假设的后验概率。该检验不仅在线性相关性检验方面具有良好的性能，而且在非线性相关性检验方面也优于其他方法。在基因表达数据的分析中，我们比较了不同的方法来测试基因之间的成对依赖性。结果表明，该测试确定了一些依赖结构，没有检测到的其他测试。
2015-01-28 stat.ME
Nonparametric Jackknife Instrumental Variable Estimation and Confounding Robust Surrogate Indices
本文将JIVE扩展到多弱IV的非参数IV模型，提出IV拆分法消除偏差并建立学习速率，进一步用于存在混杂时基于短期替代指标的长期结局ATE半参数推断，构建渐近正态估计量实现统计推断。
2024-10-07 math.ST stat.TH
A nonparametric independence test using random permutations
针对两个连续随机变量之间的独立性假设，提出了一种新的非参数检验方法。该测试基于随机排列的最长递增子序列的大小。我们证明了两个连续变量之间的独立性假设与配置均匀分布的置换空间，我们给出了统计量的确切分布。我们计算了几个样本量的分布。通过一个模拟研究，我们估计我们的测试的权力下的独立性的原假设不同的备择假设。
2009-08-26 stat.ME
Two-sample Bayesian Nonparametric Hypothesis Testing
针对两样本分布未知时的假设检验问题，提出基于波利亚树（Pólya tree）先验的贝叶斯非参数方法，通过解析边缘似然得到原假设概率的显式度量，实现原假设与备择假设的证据评估。
2015-05-11 stat.ME
Differentially Private Nonparametric Hypothesis Testing
假设检验是数据挖掘的重要统计工具，也是许多领域科学研究的主力。在这里，我们研究分类变量和连续变量之间独立性的差异私人测试。我们以传统的非参数检验为起点，它不需要分布假设（例如，正态性（normality）。我们提出了私人类似物的Kruskal-Wallis，Mann-Whitney和Wilcoxon符号秩检验，以及参数单样本t检验。这些测试使用专门为私人设置开发的新颖的检验统计量。我们将我们的测试与先前的工作进行比较，包括参数和非参数测试。我们发现，在所有情况下，我们的新的非参数检验实现了大的改进，在统计功效，即使当参数检验的假设得到满足。
2019-03-22 cs.CR stat.ME
A projection-based model checking for heterogeneous treatment effect
在本文中，我们研究的假设检验问题，检查是否部分协变量/混杂因素显着影响异质性的治疗效果给定的所有协变量。这种模型检查在有许多收集的协变量的情况下特别有用，这样我们就可以减轻典型的维数灾难。在测试构造过程中，我们使用基于投影的思想和基于非参数估计的测试过程来构造所有投影方向上的聚合版本。有趣的是，得到的检验统计量没有受到非参数估计通常具有的缓慢收敛速度的影响。这一特性使得该测试表现得像一个全局平滑测试，能够在假设检验中以最快的速度检测到收敛到零值的广泛的局部替代。此外，该测试可以继承的优点，平滑测试是敏感的振荡替代模型。通过数值研究和对一个实际数据的分析，检验了检验的性能。
2020-09-23 math.ST stat.TH
Dimension reduction-based significance testing in nonparametric regression
针对非参数回归模型，提出了一种基于降维的自适应模型检验方法。与现有的局部平滑显著性检验不同，新的检验表现得像一个局部平滑检验，就好像协变量的数量只是原假设下的协变量的数量，并且它可以以仅与原假设下的协变量的数量相关的速率检测不同于原假设的局部替代品。因此，当不可避免地需要非参数估计时，维数灾难在很大程度上得到缓解。在有许多不显著的协变量的情况下，新的测试的改进是非常显着的显着性水平的维持和功率增强现有的局部平滑测试。仿真研究和实际数据分析进行了有限样本的性能测试。
2015-10-13 stat.ME
Isotropy testing in spatial point patterns: nonparametric versus parametric replication under misspecification
本文提出将非参数复制方法整合到空间点模式各向同性检验的通用框架，并通过大规模模拟研究证明其在模型误设定下相比参数复制方法能更稳健地控制检验水平和功效。
2025-04-08 stat.ME
An Approach to Nonparametric Inference on the Causal Dose Response Function
针对连续暴露下因果剂量反应函数推断的强参数假设失效问题，提出基于方差估计的非参数检验方法，可构建同时置信带，经模拟和HIV临床数据验证有效。
2023-06-13 stat.ME
Family learning: nonparametric statistical inference with parametric efficiency
假设检验和其他统计推断程序是最有效的，当一个可靠的低维参数家庭可以指定。我们提出了一种方法，学习这样的家庭时，一个存在的，但其形式是不知道的先验，通过检查相关人群的样本和拟合低维指数家庭，以及尽可能接近所有的样本。我们提出了一种计算效率高的谱方法，使我们能够进行有效的假设检验，无论是否适合是好的，并恢复渐近最佳功率，如果它是。我们的方法是计算效率高，可以产生大量的功率增益在模拟和现实世界的A/B测试数据。
2017-11-27 stat.ME
Differentially Private Hypothesis Testing with the Subsampled and Aggregated Randomized Response Mechanism
随机应答是分析机密数据的最古老和最知名的方法之一。然而，它的效用差异私人假设检验是有限的，因为它不能同时实现高隐私级别和低第一类错误率。在本文中，我们将展示如何使用子样本和聚合技术来克服这个问题。其结果是一个通用的方法，可用于频率和贝叶斯测试。{{We举例说明我们的建议在三种情况下的性能：线性回归模型的拟合优度检验，Wilcoxon检验的位置参数的非参数检验，以及非参数Kruskal-Wallis检验。
2023-03-03 stat.ME
Nonparametric Model Checking and Variable Selection
设X为协变量的d维向量，Y为响应变量。在非参数模型Y = m（X）+ σ（X）\in下，我们开发了一个ANOVA型检验，用于原假设X的特定坐标对回归函数没有影响。在原假设和局部替代假设下，利用Nadaraya-Watson型核估计和d \leq 4的残差，建立了检验统计量的渐近分布.仿真结果表明，在稀疏模型下，通过充分的降维，检验的适用性扩展到任意d。利用该检验的p值，提出了一种基于多重检验思想的变量选择方法。拟议的测试优于现有的程序，而额外的模拟显示，拟议的变量选择方法执行竞争力对完善的程序。一个真实的数据集进行了分析。
2012-05-30 stat.ME
A note on nonparametric testing for Gaussian innovations in AR-ARCH models
本文考虑了具有条件自回归方差的自回归模型，包括同方差AR-模型的情形和非齐次AR-模型的情形。我们的目的是以一种完全非参数的方式检验新息的正态性假设。e.而不对条件均值和波动率函数施加参数假设。为此，Cramér-von Mises检验的基础上的经验分布函数的非参数估计残差被证明是渐近分布自由。我们证明了它的良好性能有限的样本量在模拟研究。
2012-11-06 stat.ME
Nonparametric testing of the dependence structure among points-marks-covariates in spatial point patterns
本文研究了标记点过程中协变量与标记之间独立性假设的检验问题。如果（无标记）点过程独立于协变量和标记，则会相当直接。然而，在实践中，这样的假设是值得怀疑的，点过程和协变量或标记之间可能的依赖性可能导致不正确的结论。因此，我们建议在三角形点-标记-协变量一起研究完全依赖结构。我们利用最近发展的非参数随机移位方法，即新的方差校正方法，并提出了测试的原假设的独立性之间的标记和协变量之间的点和协变量。我们提出了一个详细的模拟研究显示的方法的性能，并提供了两个定理建立适当的形式的校正因子的方差校正。最后，我们说明了所提出的方法在两个实际应用中的使用。
2022-05-13 stat.ME
PROTEST: Nonparametric Testing of Hypotheses Enhanced by Experts' Utility Judgements
针对贝叶斯假设检验应用局限于参数化场景、缺乏专家直觉利用策略的问题，提出可与MCMC无缝集成的非参数检验框架PROTEST，扩展多种检验类型，解决阈值选择难题，并通过多类实验验证其有效性。
2024-03-08 stat.ME
On an Exact and Nonparametric Test for the Separability of Two Classes by Means of a Simple Threshold
本文介绍了一个统计检验推断是否一个变量允许分离两个类通过一个单一的临界值。它的检验统计量是非参数阈值分类器的预测误差。虽然这种方法对于单变量分类任务是足够的，但它对于过滤器类型的变量选择特别有利。它构成了一个强大的和非参数的方法，可以识别重要的，否则被忽视的变量。它可以包含分类任务的操作条件。最后，在原假设下，检验统计量的精确有限样本分布可以使用快速递归算法来计算。
2017-07-14 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
Correcting a Nonparametric Two-sample Graph Hypothesis Test for Graphs with Different Numbers of Vertices with Applications to Connectomics
本文针对顶点数不等的双样本图假设检验失效问题，提出了基于ASE渐近分布采样的修正邻接谱嵌入（CASE）方法，使后续检验有效且一致，并成功应用于人类连接组学dMRI数据的生成分布等价性判定。
2023-11-20 stat.ME
A model specification test for the variance function in nonparametric regression
在完全非参数回归模型中考虑了条件方差参数形式的检验问题。提出了一种基于原假设和备择假设下残差经验特征函数之间加权$L_2$ -距离的检验统计量，并进行了理论研究。得到了检验统计量的零渐近分布，并用来逼近临界值。在几个蒙特卡罗实验中数值研究了所提出的测试的有限样本特性。开发的结果假设独立的数据。它们的扩展相关的意见进行了讨论。
2018-07-23 stat.ME
Testing for a change of the innovation distribution in nonparametric autoregression - the sequential empirical process approach
考虑了条件异方差下的非参数自回归模型，目的是检验新息分布是否随时间变化。为此，我们开发了一个渐进展开的顺序经验过程的非参数估计的创新（残差）。我们建议一个Kolmogorov-Smirnov统计量的基础上建立的第一个ns和最后n-ns残差，分别估计的创新分布的差异。在无变点的原假设下，证明了基本随机过程弱收敛于高斯过程。结果表明，该检验是渐近分布自由的。显示了与固定替代方案的一致性。在模拟研究中，所提出的测试的小样本性能进行了研究，并将测试应用于数据的例子。
2012-11-06 stat.ME
Efficiency of nonparametric e-tests
本文针对对称性非参数假设，构造三种常用非参数检验的 e-value 版本，并提出对应于 Pitman 渐近相对效率的评价概念以分析其效率。
2024-01-26 math.ST stat.ME stat.TH
A Review of Nonparametric Hypothesis Tests of Isotropy Properties in Spatial Data
空间参考数据建模的一个重要方面是适当指定随机场的协方差函数。一个从事空间数据工作的从业者可以在观察之间的依赖结构方面做出许多选择。这些选择之一是确定各向同性协方差函数是否合适。各向同性意味着空间依赖性不取决于采样位置之间的空间分离的方向。各向同性属性（方向依赖性）的错误指定可能导致误导性推断，例如，不准确的预测和参数估计。研究人员可以使用图形诊断，如方向样本变异函数，以确定各向同性的假设是否合理。这些图形技术可能难以评估，容易受到主观解释和误导。各向同性假设的假设检验可能更可取。为此，已经开发了一些测试的方向依赖性使用的空间和频谱表示的随机场。我们提供了一个概述的非参数方法，可用于测试的假设，空间数据的各向同性和对称性。我们总结了测试属性，讨论了选择和实施测试的重要考虑因素和建议，通过模拟研究比较了几种方法，并提出了一些开放的研究问题。几个回顾的方法可以使用我们的软件包spTest在R中实现，可以在CRAN上获得。
2015-11-04 stat.ME stat.OT
On the Decreasing Power of Kernel and Distance based Nonparametric Hypothesis Tests in High Dimensions
Carnegie Mellon University（卡内基梅隆大学）
本文研究了两个相关的决策理论问题：非参数两样本检验和独立性检验。有一个信念，最近提出的两个解决方案，基于内核和点对之间的距离，在高维环境中表现良好。我们确定了导致上述信念的误解的不同来源。具体来说，我们区分硬度的估计检验统计量的硬度测试这些统计量是否为零或没有，并明确讨论了一个概念，这些问题的“公平”的替代假设，作为尺寸的增加。然后，我们证明，这些测试的力量实际上下降多项式增加对公平的替代品的尺寸。最后，我们给出了一些理论上的见解，并阐明了用于内核带宽选择的\textit{median heuristic}。我们的工作推进了当前对现代非参数假设检验在高维中的作用的理解。
2014-11-24 cs.IT cs.LG math.IT
Variational Nonparametric Discriminant Analysis
变量选择和分类是高维数据分析中的常见目标。大多数这样的方法作出的分布假设可能与数据可能采用的不同分布族不兼容。提出了一种新的贝叶斯非参数判别分析模型，该模型在一个无缝的框架内进行变量选择和分类。P{ó}lya树先验被分配给未知的组条件分布，以解释它们的不确定性，并允许关于分布的先验信念被简单地合并为超参数。采用折叠变分贝叶斯推理与一系列函数逼近相结合，导致了一个低计算成本的算法。由此产生的决策规则进行启发式的解释，并与现有的双样本贝叶斯非参数假设检验。通过对一些模拟数据集和公开的真实数据集的应用，与当前最先进的方法相比，该方法表现出良好的性能。
2019-08-27 stat.ME
Nonparametric Bayes inference on conditional independence
在广泛的应用中，评估数据中是否有证据反驳$Y$和$X$条件独立于$Z$的假设通常是有意义的。这种检验在参数模型中得到了很好的发展，但在非参数模型中并不简单。我们提出了一个一般的贝叶斯方法，它依赖于一个包容的非参数贝叶斯模型的联合分布的$Y$，$X$和$Z$。该框架允许$Y$、$X$和$Z$是任意空间上的随机变量，并且可以容纳具有离散和连续测量尺度的混合的不同维度向量。使用条件互信息作为条件依赖关系强度的标量总结，我们构建零假设和备择假设。我们提供的条件下，正确的假设将始终选择。计算方法的开发，它可以被纳入MCMC算法的包围模型。该方法适用于变量选择和评估，通过模拟和犯罪学应用。
2015-03-24 stat.ME
Adaptive, Rate-Optimal Hypothesis Testing in Nonparametric IV Models
本文提出一种自适应假设检验方法，用于非参数工具变量模型中的不等式和等式约束，达到自适应极小极大检验速率，并通过模拟和实证验证其有效性。
2024-11-06 econ.EM stat.ME stat.ML
Nonparametric inference for additive models estimated via simplified smooth backfitting
我们研究了使用简化平滑回拟合估计的非参数加性模型中的假设检验（Huang和Yu，Journal of Computational and Graphical Statistics，\textbf{28(2)}，386- 400，2019）。简化的光滑回拟合在正则性条件下实现了预言性质，并提供了用于推导渐近性质的估计量的封闭形式表达式。我们开发了一个广义的似然比（GLR）和一个损失函数（LF）为基础的测试框架的推断。在原假设下，GLR和LF检验都具有渐近重新标度的卡方分布，并且都表现出Wilks现象，这意味着标度常数和自由度与冗余参数无关。这些检验在非参数假设检验的收敛速度方面是渐近最优的。此外，非常适合模型估计的带宽可能对测试有用。我们证明了在可加性模型中，LF检验比GLR检验渐近更有效。我们使用模拟来证明Wilks现象和这些建议的GLR和LF测试的力量，并通过一个真实的例子来说明它们的有用性。
2022-09-15 math.ST stat.ME stat.TH
Generalized Multivariate Signs for Nonparametric Hypothesis Testing in High Dimensions
Data Science and AI Research（数据科学与人工智能研究院）；AT&T Chief Data Office（美国电话电报公司首席数据办公室）；University of Minnesota Twin Cities（明尼苏达大学双城分校）
高维数据，其中特征空间的维度远大于样本量，出现在许多统计应用中。在这种情况下，我们构造了广义多元符号变换，定义为一个向量除以其范数。对于范数函数的不同选择，所得到的变换向量适应于数据分布的某些几何特征。在此基础上，利用这些广义符号向量，得到了高维数据均值向量的单样本和双样本检验方法。这些测试是基于U-统计使用内核内积，不需要禁止的假设，并服从于一个快速的随机化为基础的实现。通过实验，在一些数据设置，我们表明，使用广义符号的测试显示更高的功率比现有的测试，同时保持标称第一类错误率。最后，我们提供了MNIST和明尼苏达双胞胎研究基因组数据的示例应用程序。
2021-07-02 cs.LG stat.ME stat.ML
A Sieve Stochastic Gradient Descent Estimator for Online Nonparametric Regression in Sobolev ellipsoids
回归的目标是恢复一个未知的潜在函数，该函数将一组预测因子与噪声观测的结果最好地联系起来。在非参数回归中，假设回归函数属于预先指定的无限维函数空间（假设空间）。在在线设置中，当观测值以流的形式出现时，计算上优选迭代地更新估计值，而不是重复地重新调整整个模型。受非参数筛法估计和随机逼近方法的启发，当假设空间为Sobolev椭球时，提出了一种筛法随机梯度下降估计（Sieve-SGD）.我们证明了Sieve-SGD在一组简单而直接的条件下具有速率最优均方误差（MSE）。所提出的估计可以构建一个低的计算（时间和空间）费用：我们还正式表明，Sieve-SGD需要几乎最小的内存使用所有统计率最优估计。
2022-01-06 math.ST stat.ME stat.TH
Direction-Projection-Permutation for High Dimensional Hypothesis Tests
基于现代统计应用中高维低样本量数据集的普遍存在，本文提出了一个通用的非参数框架--方向投影置换（DiProPerm），用于检验高维假设。该方法旨在严格测试低维视觉差异是否具有统计学显著性。在固定样本量的维数趋于无穷大的非经典渐近制度下的理论分析表明，DiProPerm的某些自然变化可能具有非常不同的行为。一项实证功效研究证实了理论结果，并表明DiProPerm在许多情况下都是一种强大的测试。最后将DiProPerm应用于高维基因表达数据集。
2013-04-02 stat.ME
