Statistical inference for subgraph counts and clustering coefficient using network sampling in a sparse Stochastic Block Model framework
Indian Statistical Institute(印度统计研究所)
本文研究了在稀疏随机块模型框架下,利用网络抽样估计子图计数和聚类系数的极限定律,并用于预测推断。通过引入稀疏伯努利节点抽样方案,分析了节点抽样在资源约束下的影响,得出了估计子图计数的正态近似速度的定量界,并探讨了诱导和以自我为中心的网络形成方法。
2026-04-13 math.ST stat.ME stat.TH
Scalable Causal Structure Learning via Amortized Conditional Independence Testing
Carnegie Mellon University(卡内基梅隆大学);University of Michigan(密歇根大学);Memorial Sloan Kettering Cancer Center(纪念斯隆-凯特琳癌症中心)
SCSL通过 amortized 条件独立检验实现可扩展的因果结构学习,有效控制 Type I 错误并应用于癌症数据集揭示基因突变与组织转移的关系。
2025-12-25 stat.AP stat.ME
All networks look the same to me: Testing for homogeneity in networks
研究人员如何测试网络局部结构的异质性?在本文中,我们提出了一个框架,利用随机抽样给子图,然后用在拟合优度检验异质性测试。我们说明了如何使用拟合优度检验的分析推导的分布以及经验分布。为了证明我们的框架,我们考虑边缘概率异质性测试的简单情况。我们研究的显着性水平,功率和计算时间,这种情况下,适当的例子。最后,我们概述了如何将我们的框架应用到其他异构性问题。
2015-12-02 cs.SI stat.ME
Statistical inferences for complex dependence of multimodal imaging data
多模态成像数据的统计分析是一项具有挑战性的任务,因为数据涉及高维、强空间相关性和复杂的数据结构。在本文中,我们提出了严格的统计检验程序,使推论的复杂依赖的多模态成像数据。受人类连接组计划(HCP)研究中的多任务fMRI数据分析的启发,我们特别解决了三个假设检验问题:(a)检验成像模式对大脑区域的独立性,(b)检验成像模式内大脑区域之间的独立性,(c)检验不同模式下大脑区域之间的独立性。考虑到所有三种测试的一般形式,我们开发了一个全球性的测试过程和控制错误发现率的多重检验过程。我们研究了所提出的测试的理论特性,并开发了一个计算效率高的分布式算法。所提出的方法和理论对于检验具有任意相依结构的高维随机向量分量间独立性结构的许多统计问题具有普遍性和相关性。我们还说明了我们提出的方法,通过广泛的模拟和分析五个任务的功能磁共振成像对比度图在HCP的研究。
2023-03-07 math.ST stat.AP stat.ME
Inference for subgraph densities in noisy dynamic networks
University of Waterloo(滑铁卢大学);McGill University(麦吉尔大学)
该研究开发了基于动态网络序列的子图密度推断统计方法,解决了含噪动态网络分析的关键问题,扩展了含噪网络的分析场景并支持多时间点子图密度的联合统计比较。
2026-08-07 stat.ME
Quantifying Network Similarity using Graph Cumulants
针对网络同分布假设检验问题,对比两种基于子图计数的统计检验,提出将子图密度转换为图累积量的新方法,经理论、仿真及真实数据验证其统计功效更优,建议替代子图密度用于相关分析。
2023-07-19 cs.DM math.ST stat.ME
A Goodness-of-Fit Test for Sampled Subgraphs
我们考虑的问题,测试是否一个图的度分布属于一个特定的家庭,如泊松或无标度,我们只观察到一个采样的子图。特别是,我们专注于诱导子图抽样,抽样设计,系统地扭曲度分布的兴趣。我们用广义矩估计方法估计了该假设家族的参数,并利用Kolmogorov-Smirnov检验统计量评估拟合优度。由于已估计了原假设中的分布,因此必须模拟检验统计量的临界值。我们提出了一种新的引导,我们构建一个图的度分布符合原假设,我们可以从中提取伪样本的形式诱导子图。我们调查这个程序的性质与蒙特卡罗研究证实,自助能够达到接近标称水平的大小,同时表现出权力下的备择假设。我们提出了一个应用程序,这个测试的蛋白质相互作用网络(PIN)的酵母酿酒酵母。考虑到PIN测量中存在的高假阴性率,我们能够拒绝S.酿酒遵循度分布的Erdos-Renyi随机图族。
2017-10-13 stat.ME
A Relativity-Based Framework for Statistical Testing Guided by the Independence of Ancillary Statistics: Methodology and Nonparametric Illustrations
The State University of New York at Buffalo(纽约州立大学布法罗分校)
本文提出一个决策理论框架,用于构建和评估基于与辅助统计量关系的检验统计量,强调减少检验统计量与相关辅助结构的依赖性,从而获得最有力检验方法,并通过非参数检验的修改示例展示了该方法。
2026-04-01 math.ST stat.ME stat.TH
BONuS: Multiple multivariate testing with a data-adaptive test statistic
Peking University(北京大学);UC Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);UT Austin(德克萨斯大学奥斯汀分校)
本研究提出BONuS自适应经验贝叶斯多重检验方法,可控制FDR并提升功效,经多场景验证有效。
2026-11-11 math.ST stat.ME stat.TH
Testing Many Constraints in Possibly Irregular Models Using Incomplete U-Statistics
针对约束数大于等于样本量且零假设非正则导致标准近似失效的检验难题,提出基于不完全U-统计量与高斯乘子自助法的通用检验方法,在非正则与高维设定下控制第一类错误,并应用于多元数据隐树模型拟合优度检验。
2024-02-16 math.ST stat.ME stat.TH
Estimation of subgraph density in noisy networks
虽然在应用网络分析中报告各种标准网络汇总统计数据是常见的做法,但这些数字很少伴有不确定性量化。然而,在网络构建的基础上的测量中或在网络构建过程本身中固有的任何误差必然会传播到所报告的任何汇总统计中。在这里,我们研究的问题,估计一个任意的子图的密度,给定一个嘈杂的版本的一些底层网络的数据。在一个简单的网络误差模型下,我们证明了当误差率未知且仅观察到单个网络时,这种密度的一致估计是不可能的。因此,我们开发的网络子图密度和错误率的情况下,最小数量的网络复制的矩估计方法。这些估计是渐近正常的顶点数增加到无穷大。我们还提供了置信区间量化的不确定性,在这些估计的基础上的渐近正态性。为了构造置信区间,提出了一种新的非标准Bootstrap方法来计算渐近方差,这是不可行的。我们在基因共表达网络的背景下说明了所提出的方法。
2020-06-30 stat.ME
A practical test for a planted community in heterogeneous networks
图数据挖掘的基本任务之一是寻找一个种植社区(稠密子图),它在生物学、金融、垃圾邮件检测等领域有着广泛的应用。设计了一种统计检验方法来检验齐次随机图中稠密子图的存在性。然而,许多网络呈现出极端的异质性,即节点或顶点的度不集中在一个典型的值。现有的齐次随机图检验方法不能直接应用于非齐次随机图的检验。最近,扫描测试被提出用于检测异构(非齐次)图中的稠密子图(\cite{BCHV19})。然而,扫描测试的计算复杂度通常不是图大小的多项式,这使得测试对于大型或中型网络不切实际。在本文中,我们提出了一个多项式时间测试,具有标准正态分布作为零极限分布。从理论上研究了测试的功效,并通过仿真和实际数据实例评估了测试的性能。
2021-01-15 stat.AP stat.CO stat.ME
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
Testing goodness-of-fit and conditional independence with approximate co-sufficient sampling
拟合优度(GoF)检验在统计学中无处不在,与模型选择、置信区间构造、条件独立性检验和多重检验有直接联系,仅举几个应用。虽然测试简单(点)原假设的GoF为分析师在选择检验统计量时提供了很大的灵活性,同时仍确保有效性,但大多数复合原假设的GoF测试都受到更多约束,因为检验统计量必须在整个原模型空间上具有易于处理的分布。一个值得注意的例外是共同充分抽样(CSS):在零模型的充分统计量的条件下重新分配数据,保证使用分析员选择的任何检验统计量进行有效的GoF检验。但是CSS测试要求空模型具有紧凑的(在信息论意义上)充分统计量,这只适用于非常有限的一类模型;即使对于像逻辑斯谛回归这样简单的空模型,CSS测试也无能为力。在本文中,我们利用近似充分性的概念,将CSS测试推广到基本上任何具有渐近有效估计的参数模型,我们称我们的扩展为“近似CSS”(aCSS)测试。我们量化有限样本的第一类错误膨胀aCSS测试,并表明它是消失在标准的极大似然渐近,任何选择的检验统计量。我们应用我们提出的程序在理论上和模拟一些感兴趣的模型,以证明其有限样本第一类错误和权力。
2021-09-14 stat.ME
Statistical estimation for optimization problems on graphs
大型图在机器学习、数据挖掘和几个相关领域中比比皆是。分析这种图表的一个有用步骤是获得某些汇总统计数据-例如,或者两个节点之间的最短路径的期望长度,或者图的最小生成树的期望权重等。这些统计信息提供了对图的结构的洞察,并且它们可以帮助预测图的全局属性。因此,我们建议研究结构化的子图(一个给定的图)的统计特性,特别是,估计这些子图的组合优化问题的预期目标函数值。一般的任务是非常困难的,如果不是无法解决的,所以为了具体,我们描述了一个更具体的统计估计问题的基础上生成树。我们希望我们的立场文件鼓励其他人也研究其他类型的图形结构,其中一个可以证明非平凡的统计估计。
2013-11-29 cs.DM math.OC stat.CO
Compound p-Value Statistics for Multiple Testing Procedures
许多多重检验程序利用来自各个假设检验对的p值,并且如果p值统计量在零假设下是独立且均匀分布的,则是有效的。然而,最近已经表明,这些类型的多重检验程序是低效的,因为这样的p值不依赖于所有可用的数据。本文提供了构建复合p值统计量的工具,这些统计量依赖于所有可用数据,但在零假设下仍然满足独立性和一致性条件。作为一个例子,一类复合p值统计量的位置偏移的测试。它表明,无论是分析和通过模拟,多重检验程序往往拒绝更多的虚假零假设时,这些复合p值,而不是通常的p值,并在同一时间仍然保证所需的第一类错误率控制。复合p值与两种不同的多重检验方法结合用于分析真实的微阵列数据集。将任一多重检验方法应用于复合p值,而不是通常的p值,可增强其功效。
2011-08-24 stat.ME
Convolution of Scale Invariant Continuous Ranked Probability Scores for Testing Experts' Statistical Accuracy
本文提出尺度不变的连续排名概率得分及其卷积闭式解,用于检验专家概率预测的统计准确性,并在6,761条真实预测数据上与卡方拟合优度检验进行比较。
2023-04-18 stat.ME
Continuous testing for Poisson process intensities: A new perspective on scanning statistics
提出了一种新的连续测试框架来测试泊松过程的强度。该框架允许严格定义完整的测试过程,从无限数量的假设到联合错误率。我们的工作扩展了传统的程序扫描窗口的基础上,通过控制家庭明智的错误率和错误发现率在一个非渐近的方式和连续的方式。决策规则是基于一个\pvalue过程,可以通过蒙特卡罗程序估计。我们还提出了新的基于核的检验统计量。我们的方法是应用在神经科学和基因组学通过标准的同质性检验,和两个样本的测试。
2017-05-24 stat.ME
Robust Estimators and Test-Statistics for One-Shot Device Testing Under the Exponential Distribution
本文提出了一种新的单次器件模型参数的估计族--最小密度幂离估计(MDPDEs),以及一种新的基于MDPDEs的检验统计量族--Z型检验统计量,用于检验相应的模型参数。MDPDE族包含Balakrishnan和Ling(2012)中考虑的极大似然估计(MLE)作为一种特殊情况。通过仿真研究,它表明,一些MDPDE有一个更好的行为比MLE的鲁棒性。同时,可以看出,一些基于MDPDE的Z型检验在鲁棒性方面也比经典Z-检验统计量具有更好的行为。
2017-04-25 stat.ME
Data-adaptive statistics for multiple hypothesis testing in high-dimensional settings
目前天文学、基因组学和市场营销等领域的统计推断问题通常涉及同时测试数千甚至数百万个零假设。对于高维多变量分布,这些假设可能涉及广泛的参数,变量之间具有复杂和未知的依赖结构。在分析这样的假设检验过程中,可以通过在检验之前对假设集合执行变量缩减来实现效率和功效的增益。我们在本文中提出了一种方法,使用数据自适应多重检验,正是服务于这一目的。这种方法应用数据挖掘技术,通过交叉验证筛选整个样本的等大小分区上的全部协变量。这种广义筛选过程用于创建协变量的平均秩,然后用于生成简化的(子)假设集,从中计算检验统计量,随后进行标准多重检验校正。这种方法的主要优点在于它提供了有效的统计推断,而不需要\textit{a priori}指定要检验哪些假设。在这里,我们提出了这种方法的理论细节,通过模拟研究确认其有效性,并通过将其应用于microRNA差异表达数据的分析来验证其使用。
2017-04-24 stat.ME stat.ML
Testing and estimation of the index of stability of univariate and bivariate symmetric $α-$stable distributions via modified Greenwood statistic
Wroclaw University of Science and Technology(弗罗茨瓦夫科技大学);University of Wrocław(弗罗茨瓦夫大学);University of Nevada, Reno(内华达大学雷诺分校)
本文提出了一种用于单变量和双变量对称α-稳定分布的检验与估计方法,扩展了修改后的Greenwood统计量至双变量情形,并通过模拟研究证明其在区分高斯分布与接近2的α-稳定分布方面的有效性。
2026-04-17 math.PR stat.ME