A new Bayesian two-sample t-test for effect size estimation under uncertainty based on a two-component Gaussian mixture with known allocations and the region of practical equivalence
测试治疗组和对照组之间的差异是生物医学研究中的常见做法,如随机对照试验(RCT)。标准的双样本t检验依赖于通过p值进行的原假设显著性检验(NHST),其具有若干缺点。贝叶斯替代方案最近使用贝叶斯因子引入,贝叶斯因子有其自身的局限性。本文介绍了当前贝叶斯双样本t检验的替代方法,将基础模型解释为双组分高斯混合模型,其中效应量是临床研究中最相关的感兴趣的量。与p值或贝叶斯因子不同,所提出的方法侧重于不确定性下的估计,而不是明确的假设检验。因此,通过吉布斯采样器产生效应量的后验,随后用于不确定性下的估计或基于实际等效区域(ROPE)的明确假设检验。最后通过实例、理论结果和仿真研究验证了该方法的有效性,并在R软件包bayest中进行了检验。
2020-05-15 stat.ME
Equivalence testing for functional data with an application to comparing pulmonary function devices
标量数据的等效性检验在文献中得到了很好的解决,但是,功能数据的等效性检验却不能这么说。由此产生的复杂性,从维护的功能结构的数据,而不是使用一个标量变换来降低维数,使现有的文献等价性测试所需的推理不足。我们提出了一个框架内的频率和贝叶斯范式的功能数据的等价性测试。该框架结合了标量方法的扩展和函数数据的新方法。我们的频率论假设检验扩展了双单侧检验(TOST)的等效性检验程序的功能性制度。我们通过使用非参数自举进行这个TOST过程。我们的贝叶斯方法采用了一个功能性的方差方差分析模型,并使用了灵活的高斯过程建模我们的数据和先验分布。通过我们的分析,我们引入了一个模型的异方差方差的高斯过程通过建模方差曲线通过对数高斯过程先验。我们强调的重要性,选择先验分布,是相称的知识和证据的先验状态关于实际等价。我们通过正在进行的两种肺功能测试设备之间的方法比较研究的数据来说明这些测试方法。在这样做的过程中,我们不仅提供了具体的动机,功能数据的等价性测试,但也为研究人员谁希望进行类似的推理蓝图。
2015-03-04 stat.AP
Exact Consistency Tests for Gaussian Mixture Filters using Normalized Deviation Squared Statistics
Smead Aerospace Engineering Sciences, University of Colorado Boulder(科罗拉多大学博尔德分校斯米德航空航天工程科学学院);Aurora Flight Sciences, a Boeing Company(波音公司旗下极光飞行科学公司)
本文针对高斯混合滤波器的动态一致性检验问题,在归一化偏差平方统计框架下推导出精确结果,证明检验统计量服从广义卡方分布混合,并通过数值示例验证了其准确性和实用性。
2024-03-15 cs.CV cs.RO cs.SY
Testing the Constancy of Type Ia Supernova Luminosities with Gaussian Process
St. Stephen’s College, University of Delhi(德里大学圣史蒂芬斯学院)
本文利用高斯过程检验Ia型超新星亮度恒定性,发现其在1σ范围内一致,但两个数据集均显示局部偏离,暗示可能的非单调亮度演变。
2025-09-23 astro-ph.CO astro-ph.GA physics.data-an
Sub-Gaussian Error Bounds for Hypothesis Testing
我们从几何的角度来解释基于似然的测试函数,其中Kullback-Leibler(KL)散度被用来量化从一个分布到另一个分布的距离。这样的测试函数可以被看作是一个亚高斯随机变量,我们提出了一个原则性的方法来计算其相应的亚高斯范数。然后,二元假设检验的误差界可以得到的亚高斯范数和KL的分歧,这是更丰富的信息比Pinsker的界时,规定的显着性水平。对于$M$ -ary假设检验,我们还得到了一个误差界,这是互补的Fano不等式,当假设的数量或样本量不大时,信息量更大。
2021-01-01 cs.IT math.IT math.ST
GPflow: A Gaussian process library using TensorFlow
GPflow是一个高斯过程库,它使用TensorFlow进行核心计算,使用Python进行前端计算。GPflow的显着特点是它使用变分推断作为主要的近似方法,通过使用自动微分提供简洁的代码,特别强调软件测试,并能够利用GPU硬件。
2016-10-27 stat.ML
A Global-Local Approximation Framework for Large-Scale Gaussian Process Modeling
Georgia Institute of Technology(佐治亚理工学院)
本文提出TwinGP框架,通过融合全局点、局部点及全局-局部组合核构建数据子集近似,以较低计算成本实现与先进GP方法相当或更优的大规模建模性能。
2023-05-17 cs.LG stat.ML
Trans-Gaussian Kriging in a Bayesian framework : a case study
在高斯过程回归或克里格的背景下,我们提出了一个完整的贝叶斯解决方案来处理超参数的协方差函数。这种解决方案可以扩展到trans-Gaussian Kriging框架,这使得有可能处理违反Kriging所需假设的空间数据集。它被证明是优雅和高效的。我们提出了一个应用程序,在核安全领域的计算机实验中,它是必要的模型的非破坏性检测程序的基础上涡流检测可能的磨损蒸汽发生器管。
2018-05-23 stat.AP
Optimal distributed composite testing in high-dimensional Gaussian models with 1-bit communication
在本文中,我们研究的问题,在高斯噪声中的分布式设置,在星形拓扑结构的本地机器可以传达一个单一的信息位的信号检测。我们推导出一个下界的欧几里德规范的信号需要有,以便被检测到。此外,我们表现出最佳的分布式测试策略,达到下限。
2022-02-24 cs.IT math.IT math.ST
Dimension-Free Anticoncentration Bounds for Gaussian Order Statistics with Discussion of Applications to Multiple Testing
证明了下列反浓集性质。具有单位方差分量的任意相关联合高斯随机向量$X$的$k$ -顺序统计量位于长度$\varepsilon$的区间内的概率由$2{\varepsilon}k ({ 1+\mathrm{E}[\|X\|_\infty ]}) $上界。这一界的影响,广义差错率控制在统计高维多假设检验问题,这是随后讨论。
2021-07-22 math.ST stat.TH
Multiple testing with optimal individual tests in Gaussian graphical model selection
考虑高斯图模型选择问题。浓度图的识别是基于个体检验的多决策过程。构造了最优无偏个体检验。最优检验等价于样本偏相关检验。并将联合多重决策过程与标准过程进行了比较。
2016-04-23 math.ST stat.TH
Testing and estimation in orthosymmetric Gaussian sequence model
Massachusetts Institute of Technology(麻省理工学院)
本文研究正交对称高斯序列模型,证明了拟合优度检验样本复杂度下界为估计复杂度平方根,并完全刻画了 $\ell_p$-体的无似然假设检验复杂度,发现了模拟与观测样本数间的新权衡。
2025-10-30 cs.IT math.IT math.ST
Schur^2-concavity properties of Gaussian measures, with applications to hypotheses testing
主要结果意味着概率P(\ZZ \in A+ K)在(K_1 ^2,\dots,K_k ^2)中是Schur-凹/Schur-凸的,只要\R^k中集合A的指示函数分别是这样;这里,K =(K_1,\dots,K_k)在\R^k中,\ZZ是\R^k中的标准正态随机向量.此外,还证明了除非集合A等价于球对称集合,否则Schur-Schur/Schur-凸性是严格的.应用程序检验假设的多元手段。
2010-06-02 math.PR math.ST stat.TH
Gaussian Mean Testing Made Simple
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of California, San Diego(加州大学圣地亚哥分校)
我们研究了以下基本的假设检验问题,我们称之为高斯均值检验。注射了。样本来自$p$上的分布$\mathbb{R}^d$,任务是以高概率区分以下情况:(i)$p$是标准高斯分布$\mathcal{N}(0,I_d)$,以及(ii)$p$是高斯$\mathcal{N}(μ,Σ)$,对于某些未知协方差$Σ$和均值$μ\in \mathbb{R}^d$满足$\|μ\|_2 \geq ε$。最近的工作给出了一个算法,这个测试问题的最佳样本复杂度为$Θ(\sqrt{d}/ε^2)$。以前的算法及其分析都相当复杂。在这里,我们给出了一个非常简单的算法高斯均值测试与一页分析。我们的算法是样本最优的,并且在样本线性时间内运行。
2022-10-25 cs.DS cs.LG math.ST
Testing convex hypotheses on the mean of a Gaussian vector. Application to testing qualitative hypotheses on a regression function
在本文中,我们提出了一个通用的方法,基于多重测试,测试的高斯向量的平均值属于一个凸集在R^n。我们表明,测试达到其标称水平,并描述了一类向量的测试达到规定的权力。在函数回归模型中,这种一般方法被应用于检验关于回归函数的一些定性假设。例如,我们测试回归函数是正的、递增的、凸的,或者更一般地,满足微分不等式。建立了一类光滑函数上的一致分离率,并与文献中的其他结果进行了比较。模拟研究评估一些测试单调性的程序。
2005-04-25 math.ST stat.TH
Applications of Royen's Gaussian Correlation Inequality in high-dimensional testing
Southeast University(东南大学);Harvard University(哈佛大学);University of Virginia(弗吉尼亚大学)
本文将罗延高斯相关不等式(GCI)应用于高维检验问题,在任意高斯协方差结构下建立了精确I类错误界,并提出与球冠覆盖猜想、弱单形猜想相关的猜想,拓展了GCI的应用场景。
2026-10-14 math.ST stat.TH
Quantum hypothesis testing for quantum Gaussian states: Quantum analogues of chi-square, t and F tests
我们对待量子对应的测试问题,其最佳测试卡方,t和F测试。这些量子对应物被表述为关于量子高斯态族的量子假设检验问题,并且包含具有群对称性的扰动参数。量子Hunt-Stein定理去除了一部分扰动参数,但其他类型的困难仍然存在。为了消除它们,结合量子Hunt-Stein定理和其他归约方法,建立了一个通用的归约定理,将一个复杂的量子假设检验问题归约为一个基本的量子假设检验问题.使用这些方法,我们推导出卡方,t和F检验的量子对应物作为各自设置中的最佳测试。
2011-10-28 math.ST quant-ph stat.TH
Gaussian Mean Testing under Truncation
本文研究截断条件下的高斯均值检验问题,发现样本截断以微妙且令人惊讶的方式影响检验任务的复杂性。
2025-04-07 math.ST stat.TH
Restricted distance-type Gaussian estimators based on density power divergence and their applications in hypothesis testing
Zhang(2019)提出了一种基于高斯分布的一般参数模型的一般估计方法,其中数据的似然性难以获得或未知,但均值和方差-协方差阵已知。Castilla和Zografos(2021)将该方法扩展到基于密度幂散度的估计器,该估计器比基于似然的高斯估计器更鲁棒,可以防止数据污染。本文引入了约束最小密度幂离高斯估计(MDPDGE),并研究了它的主要渐近性质。此外,我们通过其影响函数分析来检验它的鲁棒性。在许多实际情况下,特别是在检验复合原假设时,需要约束估计,这里给出了对潜在分布的内在约束的约束估计。此外,我们得到了稳健的Rao型检验统计量的基础上的MDPDGE测试简单的原假设,我们推导出显式表达式的一些主要的重要分布。最后,我们通过仿真研究,实证评估的效率和鲁棒性的方法。
2023-02-14 math.ST stat.TH
Large random matrix approach for testing independence of a large number of Gaussian time series
本文研究了复高斯高阶谱相干矩阵的平滑周期图估计的线性谱统计量的渐近性质。研究了具有独立分量的二维时间序列$(\y_n)_{n \in \mathbb{Z}}$的渐近情形,其中样本量$N$向$+\infty$收敛,而$\y$的维数$M$和估计量的平滑跨度以相同的速率增长到无穷大,使得$\frac{M}{N} \rightarrow 0$。它建立了,在每个频率,估计的谱相干矩阵是从一个独立的同$\mathcal{N}_{\mathbb{C}}(0,\I_M)$分布序列的样本协方差矩阵接近,其经验特征值分布收敛到Marcenko-Pastur分布。这允许得出结论,每个LSS具有可以显式评估的确定性行为。使用浓度不等式,可以看出每个LSS与其确定性近似的偏差频率的上确界的数量级为$\frac{1}{M} + \frac{\sqrt{M}}{N}+ (\frac{M}{N})^{3}$的数量级,其中$N$是样本量。数值模拟支持我们的结果。
2021-11-30 cs.IT math.IT math.PR
Multiple Testing and Error Control in Gaussian Graphical Model Selection
图形模型为探索多元依赖模式提供了一个框架。图和统计模型之间的连接是通过识别具有观察到的变量的图的顶点,并将图中的边的模式转换为施加在变量的联合分布上的条件独立性的模式来实现的。聚焦高斯模型,我们回顾经典的图形模型。对于这些模型,定义的条件独立性等同于与图中不存在的各个边相关联的某些(部分)相关系数的消失。因此,高斯图形模型选择可以通过对关于消失(部分)相关系数的假设进行多次测试来执行。我们展示并分析了这种方法如何在控制不正确边缘包含的差错率的同时进行模型选择。
2008-02-05 math.ST stat.TH
Adaptive minimax testing in inverse Gaussian sequence space models
在逆高斯数列空间模型中,在无原假设的条件下,同时得到了非渐近极小极大椭圆型替代品的检验半径,用于信号检测问题和拟合优度问题.半径是两项的最大值,每项仅取决于其中一个噪声水平。有趣的是,涉及运营商的噪声水平的术语明确地取决于原假设,并在信号检测的情况下消失。通过首先显示任意零假设和噪声水平的下界来建立极大极小半径。对于上界,我们考虑两个测试程序,直接测试的基础上估计的能量在图像空间和间接测试。在较弱的假设下,证明了间接检验的检验半径达到了下界,证明了半径和检验的极大极小最优性。我们强调的假设下,直接测试也表现最佳。此外,我们采用经典的Bonferroni方法,使间接和直接测试自适应的替代品的规律性。半径的自适应测试恶化的额外的对数因子,我们证明是不可避免的。考虑索伯列夫空间和轻度或严重不适定的反问题的结果进行了说明。
2020-02-18 math.ST stat.TH
High-dimensional Gaussian Graphical Model Testing for Long-Memory Time Series
University of Chicago(芝加哥大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
针对长记忆高维时间序列,提出数据自适应的条件独立性检验统计量,建立有限样本高斯近似界,采用块自助法,并应用于fMRI数据分析脑功能连接。
2026-11-06 math.ST stat.ME stat.ML
Gaussian dependence structure pairwise goodness-of-fit testing based on conditional covariance and the 20/60/20 rule
提出一种基于20/60/20规则和条件协方差的高斯依赖结构成对拟合优度检验框架,具有渐近枢轴分布,模拟和实证表明其优于流行基准。
2024-04-22 math.ST stat.ME stat.TH
Rate-Exponent Region for a Class of Distributed Hypothesis Testing Against Conditional Independence Problems
研究了一类针对条件独立性问题的$K$ -编码器假设检验问题。在规定最小化的第二类错误受到(恒定)上限$ε$的第一类错误的标准下,我们表征了离散无记忆和无记忆矢量高斯设置的编码率和指数的集合。对于DM设置,我们提供了一个相反的证明,并表明它是使用量化箱测试方案的拉赫曼和瓦格纳。对于无记忆的向量高斯设置,我们开发了一个紧的外边界的依赖于de Bruijn身份和Fisher信息的属性的技术。特别是,结果表明,对于无记忆矢量高斯信源,使用具有\textit{Gaussian}测试信道的量化箱测试方案,速率指数区域被耗尽;并且由于限制传感器的编码器不采用分时,存在\textit{no}性能损失。此外,我们还研究了一个变种的问题,其中的源,不一定是高斯,有有限的微分熵和传感器的观测噪声下的零假设是高斯。对于这个模型,我们的主要结果是上界的指数率函数。所示的界限,以反映相应的明确的下限,除了下限涉及的源功率(方差),而上限有源熵功率。所建立的界的效用的一部分是调查渐近指数/率和损失所引起的分布式检测作为传感器的数量的函数。
2022-07-04 cs.IT math.IT math.ST
Optimization and Testing in Linear Non-Gaussian Component Analysis
独立成分分析(ICA)将多变量数据分解为相互独立的成分(IC)。ICA模型受到一个约束,即这些分量中最多有一个是高斯的,这是模型可识别性所需的。线性非高斯分量分析(LNGCA)将ICA模型推广到具有任意数量的非高斯分量(信号)和高斯分量(噪声)的线性潜在因子模型,其中观测值是独立分量的线性组合。虽然单个高斯分量是不可识别的,但高斯子空间是可识别的。我们介绍了一种估计器及其优化方法,其中非高斯和高斯分量同时估计,最大化每个非高斯分量与高斯性的差异,同时最小化每个高斯分量与高斯性的差异。当非高斯成分的数量是未知的,我们开发了一个统计测试,以确定它的基础上估计成分的resternity和差异。通过各种模拟研究,我们证明了我们的估计竞争估计的改进,我们说明了测试的有效性,以确定非高斯分量的数量。此外,我们将我们的方法应用于实际数据的例子,并证明其实用价值。
2017-12-29 math.ST stat.AP stat.CO
Risk quantification for the thresholding rule for multiple testing using Gaussian scale mixtures
本文研究了一类大类高斯尺度混合先验的贝叶斯多重检验的渐近性质。我们研究了两种类型的多重测试风险:Bogdan等人(2011)提出的贝叶斯风险,其中数据假设来自正常值的混合,以及与Arias-Castro和Chen提出的风险类似的频率论风险(2017)。根据van der Pas et al.(2016)的工作,我们给出了先验的一般条件,使得两个风险都有界。对于贝叶斯风险,边界几乎是尖锐的。这一结果表明,在这些条件下,所考虑的连续先验类可以与通常的两组模型(例如尖峰和板先验)竞争。我们还表明,如果非零组件的参数是足够大,极大极小风险可以渐近零。获得的分离速率与从现有文献中可以推测的分离速率一致(参见van der Pas等人,2017年b)。对于这两个问题,我们然后给出的条件下,可以得到一个自适应版本的结果。
2017-11-23 math.ST stat.TH
On empirical distribution function of high-dimensional Gaussian vector components with an application to multiple testing
本文提出了一个新的框架来研究经验分布函数(e.d. f.)高斯矢量分量的相关阵$Γ^{(m)}$是维数相关的。因此,与现有的文献相比,该矢量不被假设为是固定的。相反,我们做了一个“消失的二阶”假设,确保协方差阵$Γ^{(m)}$离单位矩阵不太远,而e.d.f.随着$m$增长到无限大,仅通过序列$γ_m=m^{-2} \sum_{i\neq j} Γ_{i,j}^{(m)}$受到$Γ^{(m)}$的影响。这一结果恢复了以前的一些结果,同时它也适用于各种,高维,非平稳的框架,其中最相关的变量不一定彼此相邻。最后,我们提出了这项工作的应用程序的多重检验问题,这是最初的统计动机,开发这样一种方法。
2013-05-04 math.ST stat.TH
Testing for high-dimensional network parameters in auto-regressive models
高维自回归模型提供了一种自然的方式来建模$T$时间间隔的多变量时间序列数据的$M$参与者之间的影响。虽然已经有相当多的工作网络估计,有有限的工作,在推理和假设检验的背景下。特别是,以前的工作假设检验的时间序列已被限制为线性高斯自回归模型。从实践的角度来看,重要的是要确定适当的统计测试,超越高斯假设的演员之间的联系。在\emph{high-dimensional}时间序列模型的上下文中,置信区间提供了额外的估计量,因为大多数估计量(如Lasso和Dantzig选择器)存在偏倚,这导致了\emph{de-biased}估计量。在本文中,我们解决这些挑战,并提供依分布收敛的结果和置信区间的多变量AR(p)模型与亚高斯噪声,高斯噪声的推广,扩大了适用性,并提出了许多技术挑战。主要的技术挑战在于,与高斯随机向量不同,对于亚高斯向量,零相关性并不意味着独立性。证明依赖于使用一个复杂的截断参数,以开发新的二次形式的相关次高斯随机变量的浓度范围。我们依分布收敛结果保持提供了$T = Ω((s \vee ρ)^2 \log^2 M)$,其中$s$和$ρ$是指稀疏参数,其匹配具有i.i.d.的假设检验的现有结果。样品我们验证了我们的理论结果与模拟结果的块结构和链结构的网络。
2018-12-11 math.ST stat.ME stat.TH
Semiparametric Efficiency of Residual Correlation Testing under Gaussian Additive Noise Models
University of Kentucky(肯塔基大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文在高斯加性噪声模型下,证明了残差皮尔逊相关系数估计量是半参数有效的,并建立了条件独立性检验的渐近性质与推断方法。
2026-08-21 math.ST stat.ME stat.TH
Dependence-Aware False Discovery Rate Control in Two-Sided Gaussian Mean Testing
Temple University(天普大学)
本文提出了一种基于正左尾依赖性的改进方法,用于在双向高斯均值检验中更有效地控制虚假发现率。
2025-11-25 math.ST stat.ME stat.TH
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
Adaptive estimation of the sparsity in the Gaussian vector model
考虑均值为θ的高斯向量模型。我们研究了估计数量的孪生问题|θ|_0的非零分量,并检验|θ|_0小于某个值。为了检验,我们建立了该模型的极大极小分离距离,并引入了极大极小自适应检验。未知方差的情况下的扩展进行了讨论。重写对|θ|_0作为所有假设的多重检验问题{|θ|_0 <= q},我们都得到了一个新的方法来评估稀疏估计的最优性,我们展示了这样一个最优的过程。这种通用方法为估计各种统计模型中信号的复杂性提供了路线图。
2017-03-01 math.ST stat.TH
Sharp Asymptotic Minimaxity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure in Sparse Gaussian Sequence Models
Department of Statistics, Texas A&M University(德克萨斯农工大学统计学系)
研究稀疏高斯序列模型中GBS逐步多重检验程序的尖锐渐近极小极大性,通过移位顺序统计不等式等方法,证明其在特定损失下是渐近极小极大的,还建立了相关风险上界,扩展了渐近极小极大性理论。
2026-10-27 math.ST stat.TH
Optimality of the max test for detecting sparse signals with Gaussian or heavier tail
高维检验中的一个基本问题是全局零检验:检验零是否在所有$n$假设中同时成立。最大检验使用最小的$n$边缘p值作为其检验统计量,因其简单性和稳健性而广受欢迎。然而,其相对于其他测试的理论性能受到质疑。在高斯序列版本的全局测试问题中,Donoho和Jin(2004)发现了一个所谓的“弱,稀疏”渐近机制,其中当所有非零信号强度都相同时,更高的批评和Berk-Jones测试比最大测试实现了更好的检测边界。我们研究了一个更一般的模型,其中的非零的手段是从一个通用的分布,并表明,检测边界的最大测试是最佳的“弱,稀疏”制度,只要分布的尾巴是不轻于高斯。此外,我们从理论上和模拟表明,修改后的更高的批评Donoho和Jin(2004)可以有非常低的权力时,非零的平均值的分布有一个多项式的尾巴。
2020-06-19 math.ST stat.TH
PTF Testing Lower Bounds for Non-Gaussian Component Analysis
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of California, San Diego(加州大学圣地亚哥分校)
本文首次为非高斯成分分析等统计任务建立了非平凡的PTF测试下界,通过连接伪随机生成器工作和新技术,证明了接近最优的下界。
2025-11-24 cs.DS cs.IT cs.LG
Uniformly most powerful unbiased test for conditional independence in Gaussian graphical model
高斯浓度图的模型选择是基于成对条件独立性的多重检验。在实际应用中,偏相关检验被广泛应用。然而,目前还不知道是否偏相关测试是最强大的成对条件独立性测试。这个问题在论文中得到了回答。得到了Neymann结构的一致最强无偏检验。结果表明,该检验可简化为通常的偏相关检验。这意味着偏相关检验是一致最有效的无偏检验。
2016-10-02 math.ST stat.TH
Singularity-agnostic incomplete U-statistics for testing polynomial constraints in Gaussian covariance matrices
针对高斯协方差矩阵多项式约束检验中Wald检验在近奇异原假设下不准确的问题,提出使用不完全U-统计量来缓解依赖结构,使收敛速度与假设的奇异性无关,并开发了相应的Berry-Esseen界限。
2024-01-04 math.ST stat.TH
Mean Testing under Truncation beyond Gaussian
Amazon(亚马逊);IMPA(巴西国家数学科学与研究所);Nanyang Technological University(南洋理工大学)
研究在任意截断下高维均值测试的极限,发现截断引入的偏倚影响检测能力,提出基于方向中位数的结构逃离方法,统一了有限矩、亚高斯和中位数正则等不同框架。
2026-05-02 cs.LG math.ST stat.ML
Further Results on Controlling the False Discovery Rate in Two-Sided Gaussian Mean Testing
Temple University(天普大学)
本文针对任意依赖下双侧高斯均值检验,推导了BH程序FDR的依赖自适应界,提出了协方差未知时具有限样本FDR保证的置信界移位BH程序,验证了其性能优势。
2026-08-25 math.ST stat.ME stat.TH
From Weak to Strong Testing in Gaussian Models
UC Berkeley(加州大学伯克利分校);Department of Mathematics, UC Davis(加州大学戴维斯分校数学系)
本研究在尖峰Wigner模型中,基于强检测需指数时间的猜想,精确刻画了多项式时间弱检测的最优错误权衡,由线性谱统计量实现,并建立了计算Neyman-Pearson引理,将弱检测问题归结为强检测问题。
2026-09-30 cs.CC math.ST stat.TH
Minimax Goodness-of-Fit Testing in Ill-Posed Inverse Problems with Partially Unknown Operators
我们考虑一个高斯序列模型,其中包含不适定的反问题作为特殊情况。我们假设相关算子的奇异函数是已知的,相应的奇异值是未知的,但与高斯噪声的意义上是部分未知的。对于所考虑的模型,我们研究了极大极小拟合优度检验问题。在平方可和实数序列空间中的某些椭球上,去掉一个正半径的球,我们得到了非渐近框架中极大极小分离半径的上界,即,对于所涉及的噪声水平的固定值。温和和严重不适定的反问题的例子与椭球的普通光滑和超光滑序列的详细检查和极小极大率的拟合优度测试得到说明的目的。
2015-06-19 math.ST stat.TH
Quantum Fluctuation-Response Inequality and Its Application in Quantum Hypothesis Testing
Wayne State University(韦恩州立大学)
该研究建立了通用量子涨落-响应不等式,推导了量子假设检验统计误差和的新型非渐近界定,还将结果应用于热力学假设检验等多个领域。
2026-08-03 math.ST quant-ph stat.TH
A New Statistic for Testing Covariance Equality in High-Dimensional Gaussian Low-Rank Models
针对高维复高斯低秩信号加噪声模型中的多协方差矩阵相等性检验,提出基于特征值估计的新统计量,证明其一致性与受控 I 类错误,并通过合成及 SAR 数据验证显著优于现有方法。
2024-04-10 eess.SP math.ST stat.ME
Peak Detection as Multiple Testing
本文研究了在高斯遍历平稳噪声背景下,当峰的个数、位置和高度未知时,检测不重叠的等形状单峰的问题。提出了一种多重检验方法,在该方法中,在核平滑之后,在每个观察到的局部最大值处检验峰值的存在。随着信噪比(SNR)和搜索空间两者变大,该过程渐进地提供了对族式错误率和错误发现率的强控制,其中搜索空间可以作为SNR的函数而指数地增长。假设高斯峰形和高斯自相关函数的仿真表明,所需的误差水平,实现了相对较低的SNR和部分峰值重叠是鲁棒的。仿真还表明,当平滑带宽接近信号峰值的带宽时,检测功率最大化,类似于信号处理中众所周知的匹配滤波器定理。该程序说明在分析神经元细胞活动的电记录。
2010-08-11 math.ST stat.ME stat.TH
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
Hypothesis testing with low-degree polynomials in the Morris class of exponential families
低次多项式算法分析是预测假设检验问题计算阈值的一种新方法。当前用于这种分析的技术的一个限制是它们对伯努利和高斯分布的限制。我们扩大这一范围的可能性,通过执行低程度的分析的假设检验的莫里斯类指数家庭,高斯,泊松,伽玛,二项,负二项,广义双曲正割分布的统一处理。然后,我们给出了几个算法的应用。1.在通过指数族观察随机信号的模型中,低次多项式的成功或失败取决于$z$分数重叠,即$z$分数向量相对于信号的两个独立副本的零分布的内积。2.在相同的模型中,用低次多项式进行的测试表现出通道单调性:根据描述方差如何依赖于指数族中的均值的标量参数,上述分布允许通过假设检验的计算成本进行总排序。3.在具有特定非高斯噪声分布的尖峰矩阵模型中,除非允许各个矩阵项中具有任意大次数的多项式,否则低阶预测是不正确的。这表明,Ding,Hopkins和Steurer(2020)最近针对具有重尾噪声的尖峰矩阵模型提出的自避免行走及其变体的多项式求和对于该模型来说是次优的。因此,低次多项式似乎提供了鲁棒性和针对特定模型进行微调的强大性能之间的权衡,并且可能会遇到需要算法首先检查输入然后使用一些中间计算来从几个推理子例程中选择一个的问题。
2020-11-07 cs.DS math.PR math.ST
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
The Lasso with general Gaussian designs with applications to hypothesis testing
University of California at Berkeley(加州大学伯克利分校)
本文将 Lasso 估计量的精确刻画从独立同分布高斯设计推广到具有非奇异协方差结构的高斯相关设计,建立非渐近分布界,并应用于去偏 Lasso,证明自由度修正对有效置信区间是必要的。
2023-09-19 cs.IT cs.LG math.IT
Hypothesis Testing in High-Dimensional Regression under the Gaussian Random Design Model: Asymptotic Theory
我们考虑线性回归在高维制度的观察数$n$小于参数数$p$。在这种情况下,一种非常成功的方法是使用$\ell_1$ -惩罚最小二乘法(也称为Lasso)搜索最能解释数据的$s_0< n$参数子集,同时将其他参数设置为零。大量的工作已被用于描述这种方法中的估计和模型选择问题。在本文中,我们考虑的是基本的,但远不了解,问题的\emph{statistical significance}。更确切地说,我们解决了计算单个回归系数的p值的问题。一方面,我们在给定的显著性水平下,给出了极大极小检验功效的一般上界。另一方面,我们证明了这个上界是(几乎)通过一个实际的过程中的情况下,随机设计矩阵的独立项目是可以实现的。我们的方法是基于一个去偏的Lasso估计。分析建立在严格表征的渐近分布的Lasso估计及其去偏版本。我们的结果适用于最佳样本量,即,当$n$至少为$s_0 \log(p/s_0)$的量级时。我们推广我们的方法随机设计矩阵独立同分布。高斯行$x_i\sim N(0,Σ)$。在这种情况下,我们证明了一个类似的分布特性(称为“标准分布限制”)持有$n$远大于$s_0(\log p)^2$。最后,我们表明,对于最佳的样本量,$n$是至少为$s_0 \log(p/s_0)$阶,一般高斯设计的标准分布极限可以从统计物理学中的副本几何学推导出来。
2014-02-04 cs.IT math.IT math.ST
Multiple testing of local maxima for detection of peaks on the (celestial) sphere
我们提出了一个拓扑多重测试计划检测各向同性高斯噪声下的球体上的峰值,在局部最大值的球面针变换过滤的观测场进行测试。我们的设置是不同的标准欧几里德/大相同的渐近框架,但高度相关的现实实验情况下,在天文学中的一些重要领域的应用。更准确地说,我们专注于一个单一的实现的光滑各向同性高斯随机场上的球观察的情况下,以及一些本地化的信号叠加在这样的背景场。所提出的算法,结合Benjamini-Hochberg程序阈值的p值,提供渐近强控制的错误发现率(FDR)和功率一致性的信号强度和频率的针变换得到大。这种新的多重检验方法在宇宙微波背景辐射(CMB)数据中的点源探测的模拟中得到了说明。
2016-02-29 math.ST stat.TH
Goodness-of-fit Tests for high-dimensional Gaussian linear models
令$(Y,(X_i)_{i\in\mathcal{I}})$是零均值高斯向量,并且$V$是$\mathcal{I}$的子集。假设我们被给予$n$ i.i.d.。载体$(Y,X)$的复制。我们提出了一个新的测试,测试$Y$是独立的$(X_i)_{i\in \mathcal{I}\backslash V}$有条件的$(X_i)_{i\in V}$对一般的替代,它不是。该过程不依赖于$X$的协方差或$Y$的方差的任何先验信息,并且适用于高维设置。它直接扩展到测试高斯图形模型的邻域。该程序是基于随机高斯协变量的高斯回归模型。我们给出了非渐近性质的测试,我们证明了它是率最优的(一个可能的$\log(n)$因素)在各种类别的替代品在一些额外的假设。此外,它使我们能够得到非渐近极小极大检验率在此设置。最后,我们进行了模拟研究,以评估我们的程序的性能。
2008-05-23 math.ST stat.TH
The empirical process on Gaussian spherical harmonics
在角功率谱未知的情况下,我们建立了高斯随机场球谐函数的经验过程的弱收敛性。这一结果表明,各种高斯检验与渐近的理由。在各向同性球形随机场上检验高斯性的问题最近在宇宙学文献中受到了强烈的经验关注,这与宇宙微波背景辐射的统计分析有关。
2004-06-25 math.ST stat.TH
Asymptotic efficiency in the Autoregressive process driven by a stationary Gaussian noise
这篇文章的第一个目的是获得A. S。在平稳高斯噪声驱动的自回归过程中,极大似然估计的渐近性质。第二个目的是证明似然比的局部渐近正态性,从而得到渐近有效性的概念,并建立一个渐近一致不变的检验自回归参数显著性的最有效方法。
2018-10-20 math.ST stat.TH