Optimal detection of weak positive latent dependence between two sequences of multiple tests
联合分析多个测试的两个配对序列通常是令人感兴趣的。本文研究的问题,检测是否有更多的测试,是显着的,在两个序列比预期的机会。检测边界是根据每个序列中测试的潜在显着性指标的稀疏性、非空测试的效应大小以及两个序列之间的相关性大小等参数推导出来的。还提出了一种新的测试检测弱依赖,渐近自适应最优,在模拟研究,并应用于研究遗传多效性在10个儿科自身免疫性疾病。
2017-06-23 stat.ME
Detecting changes in cross-sectional dependence in multivariate time series
经典的和最近的测试检测分布变化的多元时间序列往往缺乏权力对替代品,涉及变化的横截面依赖结构。为了能够更好地检测这种变化,测试介绍了最近研究的变异的顺序经验copula过程的基础上。与早期的尝试相比,排名是相对于相关子样本计算的,对测试的灵敏度有好处。对于p值的计算,我们提出了一个乘数reservation计划,考虑到串行依赖。建立了检验统计量的大样本理论和检验方案。有限样本的性能的程序进行评估,通过蒙特卡罗模拟。两个案例研究,涉及财务回报的时间序列。
2014-05-21 math.ST stat.ME stat.TH
On the properties of distance covariance for categorical data: Robustness, sure screening, and approximate null distributions
针对卡方检验在大型稀疏列联表中统计功效低的问题,本文研究了分类变量distance covariance的稳健性、筛选强相合性及近似零分布,并通过模拟验证了其优越性。
2024-03-26 stat.ME
Detecting Changes in Causal Dependence with Kernels and Copulas
City University of Hong Kong(香港城市大学);University of Oxford(牛津大学)
本文提出一种非参数框架,用于检测结果Y对协变量X的因果依赖是否在特定时间点发生变化,通过核均值嵌入和Copula条件差异量进行验证,实验表明其在合成和真实数据集上具有高准确性。
2026-05-07 stat.ME stat.ML
Detecting and modeling worst-case dependence structures between random inputs of computational reliability models
可靠性模型中输入参数的不确定性信息通常被认为是随机的,用变量的边缘分布和相关结构来描述。在许多实际应用中,虽然信息主要由边缘分布提供,通常来自样本,但对依赖结构本身知之甚少。面对这种信息不完整或缺失的问题,风险研究往往是通过考虑输入变量的独立性来进行的,有可能包括不相关的情况。当可靠性函数被认为是黑箱计算模型时,这种方法特别适用。由于缺乏深入的模型探索,这种分析仍然很薄弱,其代价可能是严重的风险估计错误。考虑到频繁的情况下,可靠性输出是一个分位数,本文提供了一种方法来改善风险评估,通过探索一组悲观的依赖关系,使用基于Copula的策略。在维数大于2的情况下,通过选择对结果有敏感影响的两两分量,给出了一种贪婪算法来构造输入正则vine copula,使其达到最小分位数,并与可靠性容许极限值进行比较.该策略是测试玩具模型和一个真正的工业案例研究。结果强调,目前的方法可以提供非保守的结果,并可以表现出一个非平凡的依赖结构,以定义一个最坏的情况下。
2018-04-27 stat.AP stat.ME
High-dimensional Bayesian Fourier Analysis For Detecting Circadian Gene Expressions
针对时序基因表达中基因间依赖被现有节律检测忽略的问题,提出结合潜因子与 Fourier 域表示的贝叶斯变量选择方法,以推断周期、相位、振幅并识别昼夜节律基因。
2024-02-27 stat.ME
Detecting Performance Degradation of Software-Intensive Systems in the Presence of Trends and Long-Range Dependence
随着当代软件密集型系统达到越来越大的规模,这是必要的,故障检测方案的开发,以帮助防止昂贵的系统停机时间。一个有前途的方向建设这样的计划是利用容易获得的测量系统的性能特征,如处理的请求和队列大小的平均数量每单位时间。在这项工作中,我们研究了一个整体的方法来检测的突然变化的时间序列数据中存在的准季节性的趋势和长期的依赖性,重点是故障检测计算机系统。我们提出了一种趋势估计方法,在存在远程相关噪声的情况下,估计被认为是“正常”的系统行为。为了检测变点和异常,我们开发了一种基于“弱”检测器的集成方法。我们使用人工数据集,公开可用的Abilene数据集以及专有的地理信息系统数据集演示了所提出的变点检测方案的性能。
2016-09-24 stat.AP stat.CO stat.ME
SCAN: Sequentially Detecting Change-points via Adaptive Nonparametric Inference
School of Mathematics and Statistics, University of Melbourne(墨尔本大学数学与统计学院);Walter and Eliza Hall Institute, University of Melbourne(沃尔特和伊丽莎霍尔研究所)
研究针对长序列依赖时间序列的变点检测问题,提出SCAN方法,通过多窗口集成等技术提升检测性能,在模拟和真实数据上表现优于竞争方法,对应软件包已开源。
2026-08-31 stat.CO stat.ME
Detecting Distributional Differences in Spatially Correlated Multivariate Data via Kernel-Smoothed Rank-Based Empirical Copula Tests
针对非正态和空间自相关的多变量产量分布比较,提出基于核平滑经验Copula过程的非参数空间Cramer-von Mises型检验,通过秩变换和空间核权重控制类型I错误,并建立弱收敛理论。
2026-06-16 stat.ME
Qualitative inequalities for squared partial correlations of a Gaussian random vector
我们描述了各种条件的独立关系,足以定性比较非零平方偏相关的高斯随机向量。这些充分条件被几个图马尔可夫模型所满足。还开发了用于比较这种高斯图形模型的顶点之间的关联度的规则。我们应用这些规则来比较高斯树上的条件依赖。特别是对于树,我们表明,这种依赖可以完全由连接依赖顶点的路径的长度来表征彼此和顶点conditionedon.We也适用于我们的研究结果假设规则的多边树模型的模型选择。我们的规则也适用于高斯随机向量的互信息。
2015-03-12 math.ST stat.AP stat.CO
Detecting changes in the mean of spatial random fields on a regular grid
TU Dortmund University(多特蒙德工业大学)
研究规则网格上空间随机场均值变化检测,扩展时间序列块方法引入两个检验统计量,推导基于方差统计量的性质,针对空间依赖性改进程序,经模拟验证其有效性,在卫星图像应用中能可靠检测森林砍伐区域。
2026-07-14 stat.ME
Detecting Sparse Cointegration
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);University of Southampton(南安普顿大学)
本文提出了一种两步方法,利用自适应LASSO和信息论准则检测高维数据中的稀疏协整关系,验证了其在存在内生性和序列相关性时的稳健性。
2026-03-04 econ.EM stat.ME
Two step multiple comparisons procedures for positively dependent data with application to detecting differences in human brain network topologies
我们考虑的问题,检验正相关的多个假设假设的依赖结构的先验信息是可用的。我们提出了两步多重比较程序,利用依赖结构的先验信息,而不依赖于强有力的假设。在第一步中,我们将测试分组为子集,其中测试应该是正相关的,并且在每个子集中,我们计算测试分数的标准化平均值。给定子集平均得分或等效的子集p值,我们在预定义的阈值处应用第一筛选,这导致两种类型的子集。基于这种类型,修改了原始单次检验p值,以便它们可以与任何多重比较程序结合使用。我们通过不同的仿真表明,功率获得与建议的两步方法,并比较它与传统的多重比较程序。作为一个例子,我们的方法应用于实际数据比较两组人脑网络之间的拓扑差异。
2013-07-11 stat.AP stat.ME
A feature-based information-theoretic approach for detecting interpretable, long-timescale pairwise interactions from time series
本文提出一种基于滑动窗口时间序列特征与信息论的成对依赖检测方法,可在短序列、高噪声和长时间尺度场景下更准确、可解释地推断特征介导的相互作用。
2024-04-09 cs.IT math.IT physics.data-an
Generalizing Distance Covariance to Measure and Test Multivariate Mutual Dependence
我们提出了三种多个随机向量之间相互依赖的度量。所有测度为零当且仅当随机向量相互独立。第一个度量将距离协方差从成对依赖推广到相互依赖,而另外两个度量是距离协方差的平方和。所有的措施共享类似的性质和渐近分布的距离协方差,并捕捉非线性和非单调的相互依赖的随机向量。受完全和不完全V-统计量的启发,我们定义了经验测度和简化的经验测度,作为检验相互独立性时复杂性和功效之间的权衡。仿真结果和实际数据的例子证明了测试的实施。
2018-02-25 math.ST stat.AP stat.CO
USP: an independence test that improves on Pearson's chi-squared and the $G$-test
我们提出了$U$ -统计排列(USP)的独立性测试的背景下,显示在列联表中的离散数据。无论是皮尔逊的卡方检验的独立性,或$G$ -测试,通常用于此任务,但我们认为,这些测试有严重的缺陷,无论是在他们无法控制的大小测试,和他们的权力属性。相比之下,USP检验保证将所有样本量的检验量控制在标称水平,不存在小(或零)细胞计数问题,并且能够以最小方式检测违反独立性的分布。检验统计量是来自一个$U$统计量估计的自然人口的依赖措施,我们证明了这是唯一的最小方差无偏估计量的人口数量。USP检验的实际效用在模拟数据和真实数据上都得到了证明,在模拟数据上,USP检验的功效可以显著大于Pearson检验和$G$检验的功效。在R包装USP中实施USP检测。
2021-01-26 math.ST stat.AP stat.ME
Dynamic Vine Copulas: Detecting and Quantifying Time-Varying Higher-Order Interactions
Kempner Institute at Harvard University(哈佛大学凯普勒研究所);Stanford University(斯坦福大学)
本文提出动态藤Copula模型,用于估计和诊断序列中非高斯依赖关系,通过比较完整藤与1截断版本区分灵活的首树成对依赖与更高树条件项的证据。
2026-05-07 cs.LG q-bio.QM stat.ME