Influence Analysis of Robust Wald-type Tests
我们考虑一个强大的版本的经典Wald检验统计量检验简单和复合零假设的一般参数模型。这些检验统计量是基于最小密度幂离估计量而不是最大似然估计量。通过引入影响函数和卡方膨胀因子，对它们的鲁棒性进行了深入的研究。从理论上讲，这些稳健性检验的水平和功效对离群值是稳定的，而经典的Wald检验则会失效。数值算例验证了理论结果的正确性。
2015-11-16 math.ST stat.ME stat.TH
Hypothesis Testing of Blip Effects in Sequential Causal Inference
在这篇文章中，我们研究了治疗序列中治疗的瞬时/净效应的假设检验。说明了在原假设下，似然比检验和score检验可能存在维数灾难、零悖论和标准参数的高维约束.另一方面，我们在单点因果推断中通过少量的处理点效应构造Wald检验。我们表明，Wald测试可以避免这些问题，在相同的假设下，作为Wald测试测试点效应的治疗。仿真研究表明，Wald测试实现了标称水平的第一类错误和低水平的第二类错误。一个真实的医学例子说明了如何在实践中进行沃尔德测试。
2020-02-01 stat.ME
Exact statistical analysis for response-adaptive clinical trials: A general and computationally tractable approach
本文提出一种适用于二分类结局两臂应答适应性试验的通用精确检验框架，可处理延迟结局、早期停止和区组分配，并在千例规模试验中高效计算。
2025-03-17 stat.ME
Robust Wald-type tests for non-homogeneous observations based on minimum density power divergence estimator
研究了非同分布数据下的稳健假设检验问题。我们提出了Wald型检验的简单和复合假设的独立，但非齐次观测的基础上强大的最小密度功率发散估计的共同的基础参数。渐近和理论的鲁棒性所提出的测试进行了讨论。本文详细讨论了它在固定设计广义线性模型中一般线性假设检验问题中的应用，并对正态分布和泊松分布下的特殊情况作了具体的说明。
2017-07-07 math.ST stat.ME stat.TH
Modifications of Wald's score tests on large dimensional covariance matrices structure
本文研究了在高维环境下基于Wald得分检验的协方差阵结构的检验问题。针对给定矩阵$Σ_0$的假设$H_0: Σ=Σ_0 $，其中涵盖了单位性假设检验和球性假设检验作为特殊情况，通过Jiang（2015）的高维样本协方差阵的线性谱统计量的广义CLT（中心极限定理）进行了审查。所提出的检验方法适用于更大范围的高维非高斯变量。此外，通过仿真研究，将所提出的检验方法与其他高维协方差阵检验方法进行了比较，以评价它们的性能。从模拟结果可以看出，我们提出的测试是可行的，大规模的数据不受总体分布的限制，并提供准确和稳定的经验大小，这是几乎在名义大小。
2016-02-27 stat.ME
Generalized Wald-type Tests based on Minimum Density Power Divergence Estimators
在假设检验中，检验的稳健性是一个重要问题。通常，基于极大似然的测试在标准正则条件下是最有效的，但是即使在与假设条件的小偏差下，它们也是高度非鲁棒的。在本文中，我们提出了广义Wald型测试的基础上最小密度功率发散估计参数假设。该方法避免了非参数密度估计的使用和带宽的选择。效率和鲁棒性之间的权衡由调谐参数$β$控制。检验统计量的渐近分布是具有适当自由度的卡方分布。所提出的测试的性能进行了探讨，通过模拟和实际数据分析。
2015-03-07 stat.ME
surveygenmod2: A SAS macro for estimating complex survey adjusted generalized linear models and Wald-type tests
本文介绍 surveygenmod2 SAS 宏，在 da Silva（2017）的复杂调查广义线性模型宏基础上修复错误，并新增基于系数与协方差矩阵的参数组 Wald 型检验功能。
2024-06-11 stat.CO stat.ME
Small sample corrections for Wald tests in Latent Variable Models
潜变量模型（LVMs）通常用于心理学，并越来越多地用于分析大脑成像数据。此类研究通常涉及少量参与者（n<100），其中标准渐近结果通常无法适当控制1型错误。本文提出了两个修正，以改善控制的第1类错误的Wald测试的LVMs估计使用极大似然（ML）。首先，我们推导出方差参数的ML估计的偏差的校正。这使我们能够估计模型参数和校正Wald统计量的校正标准误。其次，我们使用学生的t-分布，而不是高斯分布来解释方差估计的变异性。使用Satterthwaite近似估计学生t分布的自由度。基于两项已发表的脑成像研究数据的模拟研究表明，与未校正的Wald检验相比，结合这两种校正提供了对1型错误率的更好控制，尽管对某些参数是保守的。所提出的方法在R包lavaSearch 2中实现，可在https://cran.r-project.org/web/packages/lavaSearch2获得。
2020-02-06 stat.ME
Sample size calculation for the Andersen-Gill model comparing rates of recurrent events
在生物医学研究中经常出现复发性事件，受试者可能不止一次经历相同类型的事件。Andersen-Gill（AG）模型在分析复发事件中越来越受欢迎，特别是当事件发生率随时间变化不恒定时。我们提出了一个程序来计算的权力和样本量的稳健Wald测试从AG模型在优效性，非劣效性和等效性临床试验。通过数值算例验证了该方法的有效性。补充材料中提供了SAS代码示例。
2020-11-22 stat.ME
General measures of effect size to calculate power and sample size for Wald tests with generalized linear models
University of Wisconsin Madison（威斯康星大学麦迪逊分校）；University of Texas Austin（德克萨斯大学奥斯汀分校）
本文提出两种通用效应量度量，用于计算广义线性模型中Wald检验的统计功效和样本量，适用于任意预测变量，并通过模拟和案例研究验证其有效性。
2026-01-20 stat.ME
Extension of Wald-Wolfowitz Runs Test for Regression Validity Testing with Repeated Measures of Independent Variable
本研究将Wald-Wolfowitz游程检验扩展至自变量重复测量的场景，通过随机置换残差序列执行检验，避免数据点丢失和加权不均，保持检验灵敏度与等效性。
2025-10-07 stat.ME
A New Wald Test for Hypothesis Testing Based on MCMC outputs
提出了一种新的基于MCMC输出的$χ^2$ wald检验方法。新的统计量可以解释为Wald检验的MCMC版本，并且具有几个重要的优点，使得它在实际应用中非常方便。首先，它在不适当的先验分布下定义良好，避免了Jeffrey-Lindley悖论。其次，它的渐近分布可以被证明遵循$χ^2$分布，以便可以容易地从该分布校准阈值。第三，它的统计误差可以使用马尔可夫链蒙特卡罗（MCMC）方法来推导。第四，最重要的是，它是仅根据MCMC随机样本的后验分布得出的。因此，它只是后验输出的副产品，非常容易计算。此外，当先验信息是可用的，有限样本理论推导出建议的测试统计量。最后，通过对经济学和金融学中广泛使用的潜变量模型的几个应用，说明了检验的有用性。
2018-01-03 econ.EM stat.ME
A Robust Wald-type Test for Testing the Equality of Two Means from Log-Normal Samples
对数正态分布是用于对偏态和正态数据建模的最常见分布之一。它经常出现在许多科学领域，特别是在生物和医学科学。比较两个独立对数正态分布的平均值的统计分析是一个重要的问题。在本文中，我们提出了一个强大的测试这个问题。模型的未知参数通过最小密度幂发散估计器来估计（Basu等1998，Biometrika，85（3），549-559）。所提出的检验统计量的稳健性和渐近性质被严格地建立。通过模拟和实际数据分析，探索测试的性能。该检验与现有的一些方法进行了比较，并证明了所提出的检验优于其他存在离群值。
2018-04-29 math.ST stat.ME stat.TH
On the Hauck-Donner Effect in Wald Tests: Detection, Tipping Points, and Parameter Space Characterization
Wald检验在统计实践中仍然无处不在，尽管它存在一些缺点，如小样本的不准确性和重新参数化下的不变性。本文发展的另一个，但鲜为人知的缺点称为Hauck-唐纳效应（HDE），即沃尔德检验统计量不是单调增加的函数之间的距离增加的参数估计和零值。导致向上偏置的$p$值和功率损失，畸变可导致非常有害的后果，例如在变量选择中。HDE影响许多类型的回归模型，并对应于参数空间边界附近的估计。本文提出了几个新的结果，其主要贡献是：（i）提出了一个检测HDE的通用检验方法，而不管其根本原因是什么;（ii）用Wald和Rao得分的两两比和1-参数分布的似然比检验统计量从根本上刻画了HDE的特征;（iii）表明参数空间可以被划分成由5个HDE严重性度量包围的内部（微弱，弱，中等，强，极端）;（iv）证明HDE在2 × 2表中的必要条件是对数比值比至少为2;（v）给出一些关于无HDE假设检验的实用指南。总体而言，现在可以对任何通过迭代重加权最小二乘估计的模型进行实际的拟合后检验，例如广义线性模型（GLM）和向量GLM（VGLM）类，后者包含许多流行的回归模型。
2022-09-14 math.ST stat.CO stat.ME
Statistical inference with win statistics in cluster-randomized trials with hierarchical composite outcomes
Medical College of Wisconsin（威斯康星医学院）；Yale School of Public Health（耶鲁大学公共卫生学院）；Yale School of Medicine（耶鲁大学医学院）；University of Washington（华盛顿大学）
本文探讨了在具有复合结局的集群随机试验中使用胜利统计进行统计推断的方法，比较了不同检验程序，并通过模拟研究评估了各种方法在不同场景下的性能。
2026-09-17 stat.ME
From Test Performance to Risk-Based Effect Sizes: A Unified Wald-Type Framework to Design Clinical Validation Studies for Binary and Survival Outcomes
Adela Inc.（阿德拉公司）
该研究建立了灵敏度、特异度等与Wald型统计量的关联，提出统一框架用于设计二分类和生存结局的临床验证研究，可直接计算功效和样本量。
2026-09-16 stat.ME
Improving Wald's (approximate) sequential probability ratio test by avoiding overshoot
本文通过修改检验统计量以避免过冲，提出sequential boosting技术改进Wald近似SPRT，在保证错误控制的同时减少所需样本量，并扩展至置信序列、无放回抽样和共形鞅。
2025-07-08 stat.ME
Performance of Multi-group DIF Methods in Assessing Cross-Country Score Comparability of International Large-Scale Assessments
标准化的大规模测试是一个有争议的话题，其中测试公平性是其核心。这项研究发现，五个最近的多组DIF检测方法中有两个能够捕获影响测试公平性的均匀和非均匀DIF。尽管如此，以前的研究还没有证明这两种方法在相互比较时的相对性能。这两种方法是改进的Wald检验和广义逻辑斯谛回归方法。本研究利用最新的TIMSS数学成绩数据评估了这两种方法的两组实证结果之间的共性和差异。主要结论是，改进的Wald检验比广义逻辑斯谛回归程序更适用于多组DIF分析。本研究的实证结果可以为ILSA评分分析中多组DIF方法的选择提供信息。
2020-07-31 stat.AP stat.ME
General and Feasible Tests with Multiply-Imputed Datasets
多重插补（MI）是专门为处理公共数据集中的缺失数据而设计的一种技术。它允许分析人员通过使用数据集所有者发布的几个已经估算的数据集来直接执行不完整数据推断。然而，现有的MI检验要么需要对缺失数据机制进行限制性假设，称为缺失信息的等几率（EOMI），要么需要无限数量的插补。其中一些还要求分析人员能够访问限制性或非标准的计算机子程序。此外，现有的MI检验方法只包括Wald检验和似然比检验，而没有Rao评分检验，因此，这些MI检验方法不够通用。此外，MI Wald检验和MI似然比检验在程序上并不相同，因此分析师需要采用不同的算法来实现。本文提出了一种通用的多元估计方法，称为堆叠多重插补（SMI），用统一的算法进行Wald检验、似然比检验和Rao评分检验。SMI既不需要EOMI，也不需要无限数量的估算。对于分析人员来说，这是特别可行的，因为他们只需要使用一个完整的数据测试设备来执行相应的不完整数据测试。
2021-12-30 stat.ME
Robust Hypothesis Testing and Model Selection for Parametric Proportional Hazard Regression Models
半参数Cox比例风险回归模型在许多应用科学领域中得到了广泛的应用。然而，一个完全参数的比例风险模型，如果适当的假设，往往可以导致更有效的推理。为了解决传统的极大似然估计的极端非鲁棒性，在这种完全参数比例风险模型下的数据中存在离群值，最近提出了一种稳健估计方法，扩展了最小密度幂散度估计（MDPDE）的概念。本文研究了参数比例风险模型下的统计推断问题，并利用MDPDE方法建立了稳健的Wald型假设检验和模型选择方法。我们还得到了必要的渐近结果，用于构造一般复合假设的检验程序，并研究其渐近功效。通过适当的影响函数分析，从理论上研究了所声称的鲁棒性。我们已经研究了有限样本水平和权力的建议MDPDE基于Wald型测试通过广泛的模拟，比较也与现有的半参数方法。文中还讨论了鲁棒整定参数的选取问题。最后通过三个有趣的实际数据例子说明了所提出的鲁棒性测试和模型选择程序的实际用途。
2020-09-26 stat.AP stat.ME
Identifying Unmeasured Confounders in Panel Causal Models: A Two-Stage LM-Wald Approach
本文提出一种两阶段LM-瓦尔德方法，用于检测面板因果模型中未测量的混杂因素，通过模拟和实证应用验证其有效性。
2026-02-15 stat.ME
Improved likelihood inference in generalized linear models
研究了在样本量较小的情况下，广义线性模型的检验推理问题。这类模型提供了一种直接的方法来建模正常和非正常数据，并已广泛用于几个实际情况。似然比、Wald和score统计量以及最近提出的梯度统计量为检验这些模型中参数的推断提供了基础。我们专注于小样本的情况下，参考卡方分布给出了一个穷人的近似这些检验统计量的真实零分布。我们推导出一个一般的Bartlett型校正因子的梯度测试，减少了测试的大小失真的矩阵符号，并在数值上比较建议的测试与通常的似然比，沃尔德，得分和梯度测试，并与Bartlett校正的似然比和得分测试。我们的模拟结果表明，我们提出的校正测试可以是一个有趣的替代其他测试，因为它会导致非常准确的推断，即使是非常小的样本。我们还提出了一个实证的应用说明的目的。
2013-08-15 stat.ME
Homogeneity Test of Proportions for Combined Unilateral and Bilateral Data via GEE and MLE Approaches
本文针对单侧与双侧合并的二分类数据，提出基于GEE和得分检验的比例同质性检验方法，通过模拟和真实数据验证其在控制第一类错误率方面优于似然比和Wald型检验。
2025-08-16 stat.ME
Small-sample testing inference in symmetric and log-symmetric linear regression models
本文讨论了中小样本对称和对数对称线性回归模型的假设检验问题。我们专注于四个测试，即沃尔德，似然比，得分，梯度测试。这些检验依赖于渐近结果，当样本量不足以保证检验统计量的精确分布与相应的卡方渐近分布之间的良好一致性时，这些检验是不可靠的。Bartlett和Bartlett型校正通常会减弱测试的尺寸失真。这些校正在对称线性回归模型中的似然比和得分检验的文献中可用。在这里，我们推导出梯度测试的Bartlett型校正。我们证明了这些修正对对数对称线性回归模型也是有效的。我们数值比较各种测试，并引导测试，通过模拟。我们的研究结果表明，校正和自举测试表现出I型概率误差接近所选择的标称水平，几乎没有功率损耗。分析校正的测试，包括Bartlett校正的梯度测试在本文中得出的，执行以及自举测试的优势，不需要计算密集型计算。我们提出了两个真实的数据应用程序来说明修改后的测试的有用性。保留字：对称回归模型;巴特利特校正; Bartlett型校正; Bootstrap;对数对称回归模型;梯度统计;评分统计;似然比统计量; Wald统计量
2016-02-02 stat.ME
Best estimator for bivariate Poisson regression
简介：Wald检验、似然比（LR）检验和Rao检验及其相应的置信区间（CI）是广义线性模型参数的三种最常用的估计方法。在有限样本下，这些估计量是有偏的。本文的目的是分析小样本log-Poisson模型（即发病率比的估计）的CI估计的覆盖误差，并考虑到覆盖误差的高估/低估不平衡以及流行病学研究中可变的纳入率和随访。方法：使用了与具有无限次模拟的蒙特卡罗模拟等效的精确计算。低估误差（由于CI的上限）和高估覆盖误差（由于CI的下限）已被拆分。已分析了从$0.95$到$1-10^{-6}$的置信水平，允许解释假设检验中低于$10^{-6}$的P值。研究结果：当两组的预期事件数均大于1时，LR偏倚较小（实际覆盖误差小于标称误差的1.5倍），即使不平衡（例如，一组10起事件，另一组1起事件）。对于95% CI，Wald和评分估计值显示出高偏倚，即使当组不平衡时事件数量较大（两组均为$\geq 20$）。对于小P值（$<10^{-6}$），LR保持可接受的偏倚，而Wald和评分P值具有严重的膨胀误差（$\times 100$）。结论：应采用LR检验和LR CI。
2021-03-17 stat.ME
Statistical inference for statistical decisions
Wald发展的统计决策理论解决了样本数据的决策问题。Wald的统计决策函数（SDF）概念包含了[data -> decision]形式的所有映射。SDF不需要进行统计推断;也就是说，它不需要使用数据来得出关于自然真实状态的结论。基于推理的SDF具有顺序形式[数据->推理->决策]。本文激励基于推理的SDF作为决策的实际程序，可能会完成一些沃尔德设想。本文首先解决二元选择问题，所有的SDF可以被视为假设检验。它接下来考虑假设优化，它使用真实状态的点估计，就好像估计是准确的一样。然后，它扩展了这个想法，如果最大和最小最大遗憾的决定，使用点估计的一些功能的真实状态，如果他们是准确的。本文主要采用有限样本最大遗憾来评估基于推理的SDF的性能。为了说明抽象的想法，它提出了具体的调查结果，处理选择和点预测样本数据。
2019-09-15 econ.EM stat.ME
Testing Homogeneity of Proportion Ratios for Stratified Bilateral Correlated Data
近几十年来，人们用各种统计方法研究了双侧数据的组内相关性。在实践中，通过一些控制变量对双侧数据进行分层将提供更复杂的统计结果，以满足随机临床试验中提出的不同研究。本文提出了三种检验统计量（似然比检验、score检验和Wald型检验统计量）来评价等相关假设下分层双边相关数据比例比的齐性。对第一类错误和把握度进行了蒙特卡罗模拟，评分检验基于经验第一类错误和把握度得出了稳健的结果。最后，一个真实的数据例子来说明所提出的三个测试。
2023-03-22 stat.ME
New robust statistical procedures for polytomous logistic regression models
本文导出了一类新的估计族，即最小密度幂离估计，作为多分类逻辑斯谛回归模型极大似然估计的稳健推广.在此基础上，引入了线性假设下的Wald型检验统计量族。通过经典的影响函数分析，从理论上研究了所提出的估计量和检验统计量的稳健性。适当的现实生活中的例子，以证明需要适当的强大的统计程序，而不是基于似然推断的多分类逻辑斯谛回归模型。通过适当的模拟研究，进一步证实了本文建立的理论结果的有效性。最后，提出了一种数据驱动的鲁棒性调整参数的选择方法，并给出了经验证明。
2018-06-26 stat.ME
Doubly Robust Semiparametric Inference Using Regularized Calibrated Estimation with High-dimensional Data
考虑半参数估计，其中低维参数的双稳健估计函数可用，取决于两个工作模型。对于高维数据，我们开发了正则化校准估计作为估计两个工作模型中的参数的一般方法，使得如果两个工作模型中的任一个被正确指定，则可以在适当的稀疏条件下获得感兴趣的参数的有效Wald置信区间。我们提出了一个计算上易于处理的两步算法，并提供了严格的理论分析，证明了足够快的收敛速度的正则化校准估计，尽管顺序建设，并建立了所需的渐近扩展的双重鲁棒估计。作为具体的例子，我们讨论了部分线性，对数线性和逻辑模型和估计的平均处理效应的应用。在前三个例子的数值研究表明，我们的方法优越的性能相比，去偏Lasso。
2020-09-25 stat.ME
Asymptotic testing of covariance separability for matrix elliptical data
University of Turku（图尔库大学）；University of Tokyo（东京大学）；RIKEN Center for Brain Science（理化学研究所脑科学中心）
本文提出了一种用于检验矩阵椭圆数据协方差分离性的渐近检验方法，适用于宽矩阵椭圆模型，并在重尾分布和正态数据情况下均表现出良好的统计功效。
2026-01-23 math.ST stat.ME stat.TH
On nearly assumption-free tests of nominal confidence interval coverage for causal parameters estimated by machine learning
Harvard T. H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
对于许多感兴趣的因果效应参数，双稳健机器学习（DRML）估计器$\hatψ_{1}$是最先进的，它结合了机器学习的良好预测性能;双稳健估计器的偏差降低;以及交叉拟合样本分裂的分析易处理性和偏差降低。尽管如此，即使在不存在未测量因素的混杂的情况下，标称$(1 - α)$ Wald置信区间$\hatψ_{1} \pm z_{α/ 2} \widehat{\mathsf{se}} [\hatψ_{1}]$即使在大样本中也可能仍然是隐蔽的，因为$\hatψ_{1}$的偏倚可能与其$n^{-1/2}$阶标准误差具有相同或甚至更大的阶数。在本文中，我们介绍了基本上无干扰的测试，（i）可以伪造的零假设，即$\hatψ_{1}$的偏差是小于其标准误差的顺序，（ii）可以提供一个上界的真实覆盖率的Wald间隔的置信度，（iii）是有效的零下没有光滑/稀疏假设的滋扰参数。这些检验（我们称之为\underline{A}消耗\underline{F}无\underline{E}有效期\underline{C}过量\underline{T}测试（AFECT）基于估计$\hatψ_{1}$部分偏倚的U统计量。
2020-07-12 cs.LG math.ST stat.ME
Adaptive test for ergodic diffusions plus noise
提出了随机扩散方程的状态空间统计模型--遍历扩散加噪声模型的参数检验方法。将检验统计量分为三类：似然比型检验统计量、Wald型检验统计量和Rao型检验统计量。所有的检验统计量都是用噪声观测值的局部均值序列的拟似然函数构造的。我们还模拟了几个实际假设检验的行为，并检查了零假设下检验统计量的收敛规律和备择假设下检验的一致性。我们应用该方法对风场数据进行了实际数据分析，并主要就扩散系数的结构对一些假设进行了检验。
2018-04-05 math.ST stat.ME stat.TH
Improved LM Test for Robust Model Specification Searches in Covariance Structure Analysis
针对协方差结构分析中模型设定搜索易受偶然风险影响的问题，提出结合逐步自举法的改进LM检验以检测遗漏参数，在小样本和高自由度模型中有效提升了统计拟合度。
2024-11-19 stat.ME
Testing Risk Difference of Two Proportions for Combined Unilateral and Bilateral Data
针对成对器官临床研究中单侧与双侧二分类混合数据的相关结构，本文在 Donner 常数相关模型下提出三种风险差异似然检验，并通过模拟和实例验证，推荐稳定性略优的 score 检验。
2025-10-21 stat.ME
Identification testing via sample splitting -- an application to Structural VAR models
在这篇文章中，提出了一种新的识别测试，它可以应用到参数模型，如混合正态（MN）分布，马尔可夫转换（MS），或结构自回归（SVAR）模型。在该方法中，假设模型参数在空值下被识别，而在替代方案下，它们没有被识别。由于该设置，极大似然（ML）估计量在原假设下保持其性质。建议的测试是基于两个相合估计量的基础上，独立的子样本的数据集的比较。提出了一种Wald型统计量，它具有典型的$χ^2$分布.最后，对该方法进行了调整，以检验异方差假设是否足以识别SVAR模型的参数。通过蒙特卡罗实验评估了其特性，该实验允许误差非高斯分布和错误指定的VAR阶数。它们表明检验具有渐近正确的大小。此外，结果表明，检验的功效使其适合于实证应用。
2022-06-08 stat.ME
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
A general approach to construct powerful tests for intersections of one-sided null-hypotheses based on influence functions
本文提出一种基于影响函数和stacking方法构造的通用Wald型检验，用于检验单侧原假设的交集，无需额外联合行为假设，并可作为族系第一类错误控制下功效强大的封闭检验程序的基础。
2025-11-10 stat.ME
An efficient asymptotic approach for testing monotone proportions assuming an underlying logit based order dose-response model
当考虑采用小样本量或中等样本量的基于logit的顺序剂量-效应模型时，Cochran-Armitage（CA）检验代表了采用渐近分布检验单调比例的检验统计框架中最有效的检验。Wald和似然比（LR）检验在I类错误中的表现比CA检验差得多。然而，它的弱点是不能维持名义规模。本文提出了一类基于散度测度的检验统计量，并给出了它们在原假设下的渐近分布，无论是单侧还是双侧假设检验.一个基于实际数据的数值例子表明，所提出的检验统计量是计算简单，而且，必要的拟合优度检验统计量很容易从他们计算。模拟研究表明，基于Cressie和Read（Journal of the Royal Statistical Society，Series B，46，440-464，1989）发散度量的检验通常提供比CA检验更好的标称大小，用于小和中等样本量。
2014-02-26 stat.ME
RESI: An R Package for Robust Effect Sizes
效应量指数是量化关联强度的有用参数，不受样本量的影响。有许多可用的效应量参数和估计量，但很难比较研究间的效应量，因为大多数是针对特定类型的群体参数定义的。我们最近引入了一个新的稳健效应大小指数（RESI）和置信区间，这是有利的，因为它不是模型特定的。在这里，我们提出了RESI R软件包，它可以很容易地报告RESI及其置信区间为许多不同的模型类，具有一致的解释参数和模型类型。该软件包为模型输入生成系数、ANOVA表和总体Wald检验，并将RESI估计值和置信区间附加到每个表中。该软件包还包括可视化和转换其他效应大小度量的功能。为了说明，我们分析和解释三种不同的模型类型。
2023-02-23 stat.CO stat.ME
Permutation test for the multivariate coefficient of variation in factorial designs
提出了多元变异系数及其倒数标准化均值的新推断方法。虽然在单变量的情况下，这两个参数有各种各样的测试程序，但如何在多变量设置中进行适当的推断还不太清楚。有一些现有的程序，但它们依赖于对基本分布的限制性假设。我们解决这个问题，通过应用沃尔德型统计的背景下，一般的，潜在的异方差因子设计。除了$k$示例案例之外，还可以将更高层次的布局合并到该框架中，从而允许讨论主效应和交互效应。由此产生的程序被证明是渐近有效的原假设和一致的一般替代品下。为了提高有限样本的性能，我们建议置换版本的测试，并表明测试的渐近性质可以转移到他们。一个详尽的模拟研究比较新的测试，他们的置换同行和现有的方法。为了进一步分析测试之间的差异，我们进行了两个说明性的真实数据的例子。
2020-03-30 math.ST stat.ME stat.TH
A Unifying Framework for Testing Shape Restrictions
本文作出了以下原创性贡献。首先，我们开发了一个统一的框架，用于测试形状限制的Wald原则的基础上。该检验具有渐近一致大小控制，并且是一致相容的。其次，我们研究了一些突出的形状执行运营商在实现我们的框架的适用性和有用性。特别是，与其在点和区间估计中的使用形成鲜明对比，重排算子由于缺乏凸性而不适用。最大的凸优化和最小的凹优化享受所需的分析性质，采用我们的框架。第三，我们表明，尽管投影算子在一般的参数空间中可能没有很好的定义/行为，例如由统一规范定义的参数空间，但仍然可以通过应用我们的框架来采用强大的基于距离的测试。蒙特卡罗模拟证实了我们的测试工作良好。我们进一步通过调查高端劳动力市场每周工作时间与年工资增长之间的关系来展示实证相关性。
2021-08-01 econ.EM math.ST stat.ME
Model-based causal feature selection for general response types
本文提出基于变换模型的 ICP 方法，通过 TRAM-GCM 和 TRAM-Wald 不变性检验，将因果特征选择扩展到连续、分类、计数及删失响应，并提供 R 包 tramicp 验证其有效性。
2024-07-08 math.ST stat.ME stat.ML
