Testing for Principal Component Directions under Weak Identifiability
我们考虑的问题的测试,$p$变量高斯随机样本的基础上,零假设${\cal H}_0: {\pmb θ}_1= {\pmb θ}_1^0$对替代${\cal H}_1: {\pmb θ}_1 \neq {\pmb θ}_1^0$,其中${\pmb θ}_1$是“第一”特征向量的基础协方差矩阵和${\pmb θ}_1^0$是一个固定的单位$p$ -向量。在特征值$λ_1>λ_2\geq \ldots\geq λ_p$固定的经典设置中,Anderson(1963)似然比检验(LRT)和Hallin,Paindaveine和Verdebout(2010)Le Cam最优检验在零假设下是渐近等价的,因此在连续备选项序列下也是如此。我们表明,这种等效性不生存渐近的情况下,$λ_{n1}/λ_{n2}=1+O(r_n)$与$r_n=O(1/\sqrt{n})$。对于这种情况下,乐卡姆最优检验仍然渐近满足标称水平的约束,而LRT严重overrejects零假设。因此,当两个最大样本特征值彼此接近时,前一种检验应优于后一种检验。通过依赖于Le Cam的统计实验的渐近理论,我们研究了Le Cam最优检验在上述渐近情形下的非零和最优性质,并表明该检验的零鲁棒性不是以牺牲功率为代价获得的。我们的渐近调查是广泛的意义上,它允许$r_n$收敛到零,在任意的速度。虽然我们限制单尖峰频谱的形式$λ_{n1}>λ_…
2018-12-30 math.ST stat.TH
Optimal tests for elliptical symmetry: specified and unspecified location
虽然椭圆对称性的假设在多元分析中是很常见的,并且在许多应用中是广泛的,但是到目前为止,椭圆性的原假设的检验问题还没有以完全令人满意的方式得到解决。该领域的大多数文献确实解决了指定位置的椭圆对称的原假设,实际上解决了位置,而不是非椭圆的替代品。在本文中,我们提出了新的类别的测试程序,指定和未指定的位置。我们的建设的骨干是乐凸轮的统计实验的渐近理论,和最优性是要理解本地和渐近的广义斜椭圆分布的家庭内。我们提出的检验满足椭圆对称性的“好”检验的所有期望性质:在椭圆对称性的整个原假设下,它们具有简单的渐近分布,径向密度和形状参数未指定;它们是仿射不变的,计算速度快,直观易懂,并且在矩方面要求不高。虽然实现了对广义斜椭圆替代品的最优性,但它们在更广泛的一类非椭圆分布下仍然非常强大,并且显着优于现有的竞争对手。
2019-11-19 math.ST stat.ME stat.TH
Asymptotic Bayes-optimality under sparsity of some multiple testing procedures
在贝叶斯决策理论的框架内,我们研究了一个大类的多个测试规则的渐近最优性性质。一个参数设置被认为是,其中的观察来自一个正常的规模混合模型和总损失被假定为单个测试的损失之和。我们的模型可用于测试点零假设,以及区分大信号从众多非常小的影响。如果在我们选择的渐近框架内,规则的贝叶斯风险和贝叶斯预言(最小化贝叶斯风险的规则)的比率收敛于1,则规则被定义为稀疏下渐近贝叶斯最优(ABOS)。我们的主要兴趣是在渐近计划中的比例p的“真”的替代品收敛到零。我们充分刻画类固定阈值多重测试规则,这是ABOS,从而推导出控制贝叶斯错误发现率(BFDR)的规则的渐近最优性的条件。最后,我们提供的条件下,流行的Benjamini-Hochberg(BH)和Bonferroni程序是ABOS,并表明,对于广泛的一类稀疏水平,前者的阈值可以近似为一个非随机阈值。
2012-11-21 math.ST stat.TH
On the Optimality of Kernel-Embedding Based Goodness-of-Fit Tests
再生核Hilbert空间(RKHS)分布嵌入为检验任意域中的问题提供了一个通用而灵活的框架,近年来引起了广泛的关注。为了深入了解他们的经营特点,我们在这里研究的统计性能,这样的方法在一个极大极小的框架。专注于拟合优度测试的情况下,我们的分析表明,一个香草版本的基于内核嵌入的测试可能是次优的,并提出了一个简单的补救措施,缓和嵌入。我们证明,温和的方法提供了最佳的测试范围广泛的偏差从零,也可以在一个大的插值空间集合自适应。数值实验进一步证明了我们的方法的优点。
2017-09-24 math.ST stat.ME stat.ML
Conformalized Multiple Testing under Unknown Null Distribution with Symmetric Errors
针对大规模多重检验中理论零分布偏差影响FDR分析的问题,提出采用自校准经验零样本的共形化经验贝叶斯方法,仅需误差对称弱条件即可实现有限样本FDR控制,兼具更高检验功效与最优性理论支撑。
2025-09-04 math.ST stat.ME stat.TH
Asymptotic normality and optimality in nonsmooth stochastic approximation
在他们的开创性工作中,Polyak和Juditsky证明了求解光滑方程的随机逼近算法具有中心极限定理。此外,它已被认为是渐近协方差的方法是最好的可能在任何估计过程中的一个局部极小极大意义上的哈耶克和勒卡姆。一个长期存在的开放问题,在这方面的工作是是否类似的保证举行重要的非光滑问题,如随机非线性规划或随机变分不等式。在这项工作中,我们表明,情况确实如此。
2023-01-16 math.OC math.ST stat.ML
Testing Quantile Forecast Optimality
本文提出基于矩等式框架的多期限分位数回归检验,评估分位数预测的自校准最优性,并扩展至更大信息集,模拟与实证揭示次优性成因。
2023-10-12 econ.EM stat.ME
Contiguity under high dimensional Gaussianity with applications to covariance testing
Le Cam的第三/邻接引理是一个基本的概率工具,用于计算给定统计量$T_n$在概率测度$\{Q_n\}$的非空序列下的极限分布,前提是其在空序列$\{P_n\}$下的极限分布可用,并且对数似然比$\{\log (dQ_n/dP_n)\}$具有分布极限。尽管它广泛应用于低维统计问题,Le Cam的第三/邻接引理对对数似然比的分布极限的严格要求使得它具有挑战性,甚至不可能用于许多现代高维统计问题。本文在高维正态总体下给出了Le Cam第三/邻接引理的一个非渐近模拟。我们的邻接方法是特别兼容的充分经常统计$T_n$:$T_n$的规律性有效地减少了问题(i)获得一个零(高斯)极限分布和(ii)验证我们的新的定量邻接条件,那些衍生计算和矩约束练习。更重要的是,我们的方法绕过了需要了解的精确行为的对数似然比,因此可能的作品,即使它必然无法稳定-一个制度超出了经典的邻接方法。作为我们的新的邻接方法的范围的演示,我们获得了一些广泛使用的高维协方差检验,包括似然比检验和跟踪测试,在温和的增长条件下,所有可能的替代协方差一致的维数样本比渐近精确的功率公式。这些新的结果远远超出了以前可用的特定情况下的技术的范围,并表现出新的现象,这些重要类的协方差检验的行为。
2022-11-15 math.ST stat.TH
Sequential Joint Detection and Estimation
我们考虑的问题,同时检测和估计下的顺序框架。特别是,我们感兴趣的序贯检验,区分零和备择假设,每次决定是有利于替代,他们提供了一个随机参数的估计。正如我们的分析所证明的那样,用相应的最优策略分别处理这两个子问题并不会产生最佳性能。为了享受最优性,需要在假设检验阶段考虑最优估计量。
2013-09-22 math.ST stat.TH
Exact Detection Thresholds and Minimax Optimality of Chatterjee's Correlation Coefficient
本文研究Chatterjee相关系数的独立性检验与非平凡依赖检验,给出精确检测阈值、极限功效及极小极大最优性。
2023-10-02 math.PR math.ST stat.ME
Conformal Prediction Through the Lens of Hypothesis Testing: Universality, Impossibility, and Optimality
University of California, Berkeley(加州大学伯克利分校);University of Chicago(芝加哥大学);Stanford University(斯坦福大学)
本文从可交换性原假设的置换检验视角阐释共形预测,借助经典假设检验理论重现共形预测的普适性与不可能性结果,并推导得出最优共形预测器的形式。
2026-09-24 math.ST stat.TH
Optimality of the max test for detecting sparse signals with Gaussian or heavier tail
高维检验中的一个基本问题是全局零检验:检验零是否在所有$n$假设中同时成立。最大检验使用最小的$n$边缘p值作为其检验统计量,因其简单性和稳健性而广受欢迎。然而,其相对于其他测试的理论性能受到质疑。在高斯序列版本的全局测试问题中,Donoho和Jin(2004)发现了一个所谓的“弱,稀疏”渐近机制,其中当所有非零信号强度都相同时,更高的批评和Berk-Jones测试比最大测试实现了更好的检测边界。我们研究了一个更一般的模型,其中的非零的手段是从一个通用的分布,并表明,检测边界的最大测试是最佳的“弱,稀疏”制度,只要分布的尾巴是不轻于高斯。此外,我们从理论上和模拟表明,修改后的更高的批评Donoho和Jin(2004)可以有非常低的权力时,非零的平均值的分布有一个多项式的尾巴。
2020-06-19 math.ST stat.TH
High dimensional asymptotics of likelihood ratio tests in the Gaussian sequence model under convex constraints
在高斯序列模型$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)$,在高维制度,其中相关的最小二乘估计的估计误差发散在适当的意义。正常的近似进一步导致一个精确的表征在高维政权的LRT的功率行为。这些特征表明,LRT的功率行为是在一般的非均匀的欧氏度量,并说明现有的最小最大最优性和次优性结果的LRT的保守性。各种各样的例子,包括测试中的正交/圆锥,保序回归,套索,和测试参数假设与形状约束的替代品,制定出证明所开发的理论的多功能性。
2021-06-20 math.ST stat.TH
Testing uniformity on high-dimensional spheres against monotone rotationally symmetric alternatives
本文研究了高维单位球面上的均匀性检验问题。我们主要关注非空问题。我们发现,旋转对称的替代品导致两个局部渐近正态性(LAN)结构。第一个是固定的模态位置$θ$,并允许在指定的$θ$下导出局部渐近最大功效检验。第二个,解决费舍尔冯Mises-Langevin(FvML)的情况下,涉及到未指定的- $θ$问题,并表明,高维瑞利测试是局部渐近最强大的不变。在温和的假设下,我们推导出这个测试的渐近非零分布,它允许扩展远离FvML的情况下,从乐卡姆的第三个引理获得的渐近功率。在整个过程中,我们允许维度$p$作为样本量$n$的函数以任意方式趋于无穷大。我们的一些结果也加强了低维Rayleigh检验的局部最优性。我们进行了Monte Carlo研究来说明我们的渐近结果。最后,我们处理的应用程序有关的测试在高维球度。
2016-04-27 math.ST stat.TH
Asymptotic Efficiency of Goodness-of-fit Tests for the Power Function Distribution Based on Puri--Rubin Characterization
我们构造了幂分布函数族的积分型和上确界型拟合优度检验。检验统计量是$U-$经验过程的泛函,并且基于属于Puri和Rubin的幂函数分布族的经典表征。本文描述了零假设下检验统计量的对数大偏差渐近性,并计算了它们在常见参数下的局部Bahadur效率.给出了新统计量局部最优性的条件。
2012-07-03 math.ST stat.ME stat.TH
Unstructured sequential testing in sensor networks
我们认为,在传感器网络中快速检测信号的传感器的子集时,其中可能存在的信号是完全未知的问题。我们制定这个问题作为一个序列的假设检验问题,一个简单的空(信号是无处不在)和一个复合替代(信号是存在的地方)。我们引入了一类新的可扩展的序贯检验,对于任何子集的受影响的传感器,最小化预期的样本量的决定渐近,即作为错误概率为0。此外,我们提出了序贯检验,需要最小的传输活动从传感器到融合中心,同时保持这种渐近最优属性。
2013-11-11 math.ST stat.TH
Optimal Sign Test for High Dimensional Location Parameters
这篇文章关注的是在数据维度大于样本量的情况下对位置参数的检验。我们提出了一个家庭的最优性参数的基础上,在椭圆对称Le Cam(1986)的测试。建立了这些检验的渐近正态性。通过最大化渐近幂函数,我们提出了一个对所有椭圆对称分布的一致最优检验。最优性也证实了蒙特卡罗调查。
2015-06-28 stat.ME
Empirical Likelihood Ratio Test with Distribution Function Constraints
本文研究了具有分布函数约束的非参数假设检验问题。经验似然比检验在检验矩等式约束问题中得到了广泛的应用。然而,一些检测问题不能使用矩(in)等式来描述。我们提出了一个分布函数约束以及经验似然比检验。该检测器适用于各种各样的鲁棒参数/非参数检测问题。由于分布函数约束提供了对原假设的更精确描述,因此该检验优于具有矩约束的经验似然比检验以及许多流行的拟合优度检验,例如稳健的Kolmogorov-Smirnov检验和Cramér-von Mises检验。从通信系统与现实世界的噪声样本的例子来展示他们的性能。具体而言,当原假设嵌套在备择假设中时,所提出的检验显著优于稳健的Kolmogorov-Smirnov检验和Cramér-von Mises检验。当我们假设没有噪声不确定性时,重复相同的示例。通过这样做,我们能够声称,在我们的情况下,有必要包括噪声分布的不确定性。此外,所提出的测试的渐近最优性。
2016-04-30 math.ST stat.TH
Optimal Anytime-Valid Tests for Composite Nulls
EECS Department University of Michigan, Ann Arbor(密歇根大学电子工程与计算机科学系)
本文提出了一种基于e过程的构造性方法,用于设计复合零假设下的最优任意时间检验,该方法在α趋近于0时达到理论下限。
2025-12-23 cs.IT cs.LG math.IT
Online Individualized Treatment Selection under Partial Feedback: False Discovery Control and Minimax Optimality
Center for Data Science, Zhejiang University(浙江大学数据科学中心);Department of Statistics, University of Michigan(密歇根大学统计系)
本研究针对部分反馈下的在线个体化治疗选择问题,提出PAITS方法,实现错误发现率控制与极小极大最优性,经模拟和Jester数据集验证其有限样本性能。
2026-10-14 cs.LG stat.ME stat.ML
Stochastic Approximation with Decision-Dependent Distributions: Asymptotic Normality and Optimality
University of Washington(华盛顿大学);Johns Hopkins University(约翰斯·霍普金斯大学)
该研究针对数据分布随迭代演化的决策依赖随机逼近问题,证明了平均迭代偏差的渐近正态性且协方差可解耦梯度噪声与分布偏移影响,同时验证了带平均算法的局部极小极大最优性。
2024-03-14 cs.LG math.OC stat.ML
Optimal e-value testing for properly constrained hypotheses
本文研究了基于 e-variables 的序贯假设检验,通过限制 e-variable 池来简化策略设计,扩展了 Clerico(2024) 的结果,刻画了有限正则约束下非参数检验的最优 e-variable 集合,并应用于算法均值估计。
2025-05-29 math.ST stat.TH
Sharp minimax tests for large Toeplitz covariance matrices with repeated observations
我们观察了一个$n$独立的$p$维高斯向量的样本,具有Toeplitz协方差矩阵$ Σ= [σ_{|i-j|}]_{1 \leq i,j \leq p}$和$σ_0=1$。我们考虑了当$n \to \infty$和$p \to \infty$满足时,$Σ$是单位矩阵的假设的渐近检验问题.我们假设协方差$σ_k$以多项式($ α>1/4$和$L>0$的$\sum_{k \geq 1} k^{2α} σ^2_{k} \leq L$)或指数($ A,L>0$的$\sum_{k \geq 1} e^{2Ak} σ^2_{k} \leq L$)方式减小。我们考虑一个检验过程的基础上加权U-统计量的顺序为2,与最佳的权重选择的极值问题的解决方案。我们给出了零假设下固定$n$和$p \to + \infty$的检验统计量的渐近正态性和我们的检验程序的I型错误概率的渐近行为。我们还表明,最大的第二类错误概率,要么倾向于$0$,或有界从上面。在后一种情况下,在接近分离边界的替代方案下,使用我们的测试统计量的渐进正态性给出上限。我们的假设暗示了温和的条件:$n=o(p^{2α- 1/2})$(在多项式的情况下),$n=o(e^p)$(在指数的情况下)。我们证明率最优性和尖锐的最优性,我们的结果,$α>1$在多项式的情况下,任何$A>0$在指数的情况下。仿真研究说明了我们的程序,特别是小$n$,大$p$…
2015-06-04 math.ST stat.TH
Weighted Asymptotically Optimal Sequential Testing
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出加权渐近最优顺序检验方法,通过加权对数似然比实现对家庭错误率的有效控制,并证明其在高维和随机权重情况下具有渐近最优性。
2026-02-23 stat.ME
Efficiency of Exponentiality Tests Based on a Special Property of Exponential Distribution
基于指数律的一个特殊性质,构造了指数性的拟合优度检验。检验统计量是U-经验过程的泛函。第一个统计量是积分型的,第二个是Kolmogorov型统计量。我们表明,我们的统计对应的内核是非退化的。描述了新统计量在原假设下的极限分布和大偏差。他们的本地Bahadur效率为各种参数的替代品进行计算,并与新的测试模拟功率进行比较。讨论了Bahadur意义下新统计量的局部最优性条件,并给出了“最有利”选择的例子。新的测试被应用到拒绝的假设的指数的统治时间的罗马皇帝,这是在最近几年集中讨论。
2016-03-07 math.ST stat.ME stat.TH
Concave regression: value-constrained estimation and likelihood ratio-based inference
我们提出了一个似然比统计形成的假设检验和置信区间的非参数估计的单变量回归函数,基于形状限制的凸性(或者,凸性)。处理似然比统计量需要研究满足原假设的估计量,即研究满足进一步等式约束的凹最小二乘估计量。我们在这里研究这个原假设最小二乘估计(NLSE),并使用它来研究我们的似然比统计量。NLSE是一个凸规划的解,我们找到了一组不等式和等式约束来表征该解。我们还研究了相应的限制版本的凸规划的基础上观察一个布朗运动漂移。极限问题的解是一个随机过程。我们研究了极限问题的解的最优性条件,发现它们与有限样本问题的解的最优性条件相匹配。这使我们能够显示极限随机过程产生的(有限样本)NLSE的极限分布。我们推测,似然比统计量是渐近关键的,这意味着它有一个极限分布,没有冗余参数估计,这使得它成为一个非常有效的工具,这个困难的推理问题。我们提供了这个猜想的部分证明,我们也提供了模拟证据,有力地支持这个猜想。
2018-09-10 math.ST stat.ME stat.TH
Degree Heterogeneity in Higher-Order Networks: Inference in the Hypergraph $\boldsymbolβ$-Model
本文研究了多层超图$\oldsymbolβ$-模型的推断问题,推导了极大似然估计的收敛速度与极限分布,并证明了拟合优度似然比检验的检测阈值具有极小化极大最优性,填补了图$\oldsymbolβ$-模型文献中的多项理论空白。
2024-06-05 cs.IT cs.SI math.IT
Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming
本文提出了一种全新的在线序列二次规划方法,用于解决具有等式和不等式约束的随机优化问题,实现了对偶渐近最小最大最优性,无需投影运算。
2025-11-27 cs.LG math.OC math.ST
Testing independence in high dimensions with sums of rank correlations
当m可以大于可用的样本量n时,我们处理m个连续变量之间的独立性检验问题。我们考虑三种类型的检验统计量,它们被构造为成对秩相关的和或平方和。在渐近制度中,m和n趋于无穷大,鞅中心极限定理的应用表明,这些统计的零分布收敛到高斯极限,这是有效的,没有具体的分布或矩的数据假设。使用U-统计量的框架,我们的结果涵盖了各种秩相关性,包括Kendall的tau和Spearman的秩相关系数(rho)的主导项,但也包括退化的U-统计量,如Hoeffding的$D$,或Bergsma和Dassios的$τ^*$(2014)。与经典的U-统计量理论一样,当用于构造检验统计量的秩相关性是退化的U-统计量时,需要对它们进行不同的缩放。所考虑的测试的权力,探讨率最优理论下的高斯等相关的替代品,以及在数值实验的具体情况下,更一般的替代品。
2016-12-02 math.ST stat.TH
The Rise of Null Hypothesis Significance Testing (NHST): Institutional Massification and the Emergence of a Procedural Epistemology
University of Macau(澳门大学)
本文探讨了为何在持续改革下,许多应用科学领域仍受显著性检验(NHST)主导,分析其作为社会技术在战后科学网络扩张中的作用。
2026-07-22 stat.OT
Linear Hypothesis Testing in Dense High-Dimensional Linear Models
Rady School of Management(雷迪管理学院);Department of Mathematics(数学系);University of California at San Diego(加州大学圣地亚哥分校)
提出了一种高维线性模型中线性假设的检验方法。所提出的检验对模型的大小没有任何限制,即模型稀疏性或代表假设的加载向量。提供渐近有效的方法来测试高维回归参数的一般线性函数是极具挑战性的-特别是在不对非零元素的数量进行限制性或不可验证的假设的情况下。我们建议测试与新设计的重构回归相关的矩条件,其中输入被转换和增强。这些新特征直接结合了原假设的结构。检验统计量是以这样一种方式构建的,即原始模型参数中缺乏稀疏性不会对我们的程序的理论论证造成问题。我们建立渐近精确控制第一类错误,而不施加任何稀疏性假设模型参数或向量代表的线性假设。我们的方法也表明,达到一定的最优检测偏差的原假设。我们证明了所提出的方法的良好的有限样本性能,通过一些数值和真实数据的例子。
2017-01-03 cs.LG math.ST stat.ME
Local Optimality and Rigidity of Frobenius Tests for Dense High-Dimensional Covariance Alternatives
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Xiamen University(厦门大学)
本文研究高维协方差矩阵的恒等性检验,针对密集备择,提出修正的Frobenius统计量并证明其达到加权功效包络,同时揭示其局部最优性与刚性条件。
2026-09-24 econ.EM math.ST stat.TH
Rank Based Tests for High Dimensional White Noise
针对高维时间序列白噪声检验问题,提出三类基于秩的无分布检验方法,建立其渐近零分布与速率最优性,其中退化U统计量检验可检测非线性非单调自相关,且首次考虑高维数据截面相关性下的秩相关统计量渐近分布。
2023-07-19 math.ST stat.ME stat.TH
Finite-sample nonparametric mean tests: Leave-one-out duality and asymptotic optimality
Stanford University(斯坦福大学)
该研究针对非负随机变量的单侧均值假设检验,提出留一法对偶证书框架,构造出更有效的p值,证明其最优性并通过实验验证功效提升。
2026-09-07 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
Safe Testing
Leiden University(莱顿大学);Vrije Universiteit(阿姆斯特丹自由大学);University of Twente(特文特大学);Centrum Wiskunde & Informatica(荷兰国家数学与计算机科学研究所)
我们开发的理论假设检验的基础上的e值,证据的概念,不像p值,允许毫不费力地结合结果,从几个研究中的共同情况下,决定进行一项新的研究可能取决于以前的结果。基于e值的测试是安全的,即在这种可选的延续下,它们保留了I类错误保证。我们定义的增长率最优性(GRO)作为一个模拟的电源在可选的连续上下文中,我们展示了如何构建GRO的一般测试问题的e-变量与复合零和替代,强调模型与冗余参数。GRO e值采用具有特殊先验的贝叶斯因子的形式。我们用几个经典的例子来说明这个理论,包括单样本安全t检验和2 × 2列联表。分享Fisherian,Neymanian和Jeffreys-Bayesian的解释,e-values可以提供一种所有三个学派的追随者都可以接受的方法。
2023-03-10 cs.IT cs.LG math.IT
Minimax optimality of permutation tests
置换检验在统计学中有着广泛的应用,只要在原假设下样本的分布对于某种重排是不变的,它就可以保证I类差错率的有限样本。尽管置换检验越来越受欢迎,并取得了经验上的成功,但它的理论性质,特别是它的功效,还没有得到充分的探讨。在本文中,我们试图部分填补这一空白,提出了一个一般的非渐近框架分析的极小极大功率的置换检验。我们提出的框架的效用说明在离散和连续设置下的双样本和独立性测试的背景下。在每种情况下,我们介绍了基于U-统计量的置换检验,并研究了它们的极大极小性能。我们还开发指数浓度范围置换U-统计的基础上一个新的耦合的想法,这可能是独立的利益。建立在这些指数界,我们引入置换检验,这是自适应未知的平滑参数,而不会失去太多的权力。所提出的框架进一步说明使用更复杂的检验统计量,包括加权U-统计多项式测试和高斯核为基础的统计密度测试。最后,我们提供了一些模拟结果,进一步证明置换方法。
2022-05-25 math.ST stat.TH
DiPMInd: Distance Profile based Mutual Independence testing for random objects
Rutgers University(罗格斯大学);University of Southern California(南加州大学)
本文提出基于距离剖面的互独立性检验框架DiPMInd,推广现有方法,引入新的独立性度量与检验,经理论推导和模拟、实际数据验证,其功效优于现有流行方法。
2026-08-04 stat.ME
Statistical Limits of Sparse Mixture Detection
我们考虑了检测一般稀疏混合物的问题,并在一定条件下得到了相变的一个明确的特征,推广了蔡和吴的单变量结果。此外,我们还给出了Gao和Ma提出的一个Higher Criticism型检验统计量的自适应最优性的充分条件。在建立这些结果的过程中,我们通过大偏差理论提供了一个统一的观点。我们建立的相变和自适应最优性是零和信号分布之间的归一化对数似然比的大偏差原理的直接后果。
2021-05-26 math.ST stat.ME stat.TH
Asymptotic Optimality in Stochastic Optimization
我们研究了随机凸优化问题的局部复杂性度量,提供了一个类似于经典统计问题的Hájek和Le Cam的局部极大极小理论。我们给出了互补的最优性结果,开发完全在线的方法,自适应地实现最优收敛保证。我们的研究结果提供了特定功能的下界和收敛结果,使精确的统计困难和几何概念的倾斜稳定性从优化之间的对应关系。作为这一发展的一部分,我们展示了如何Nesterov的双平均-一个随机梯度为基础的程序-保证有限时间内识别的限制最优化问题,而随机梯度程序失败。此外,我们强调线性和非线性约束的问题之间的差距:标准的随机梯度为基础的程序是次优的,即使是最简单的非线性约束,需要发展的渐近最优黎曼随机梯度法。
2018-11-02 math.OC math.ST stat.ML
Goodness-of-Fit Tests for High-Dimensional Gaussian Graphical Models via Exchangeable Sampling
本文提出基于可交换抽样的高维高斯图模型拟合优度检验框架,通过条件化充分统计量实现精确有限样本误差控制,并在多种信号模式下取得速率最优性。
2025-01-04 stat.ME
Testing mutual independence in high dimension via distance covariance
本文介绍了一种${\mathcal L}_2$类型测试方法,用于测试高维数据的相互独立性和带状依赖结构。该检验是基于成对距离协方差构建的,它考虑了数据之间的非线性和非单调依赖性,这些依赖性不能被现有的基于皮尔逊相关性或秩相关性的检验完全捕获。由于检验统计量的极限零分布为标准正态分布,因此我们的检验可以方便地在实践中实施。它表现出良好的有限样本性能,在我们的模拟研究中,即使当样本量是小的,虽然维度是高的,并成功地识别非线性依赖的经验数据分析。在理论方面,我们的检验统计量的渐近正态性是在相当温和的矩假设下显示的,并且对作为样本量的函数的维数的增长率几乎没有限制。作为我们的距离协方差为基础的测试的良好的权力性质的演示,我们进一步表明,我们的检验统计量的不可行的版本具有率最优类的高斯分布等相关。
2017-09-18 stat.ME
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
Posterior Contraction rate and Asymptotic Bayes Optimality for one-group shrinkage priors in sparse normal means problem
针对高维稀疏正态均值模型,本文研究单组全局-局部收缩先验的后验分布渐近性质,证明经验贝叶斯与分层贝叶斯方法下后验以接近极小化极大速率收缩,并推导全局参数先验条件以实现渐近贝叶斯最优性。
2024-07-09 math.ST stat.TH
Optimality and Sub-optimality of PCA I: Spiked Random Matrix Models
随机矩阵理论的一个中心问题是理解由Johnstone引入的尖峰随机矩阵模型的特征值,其中一个突出的特征向量(或“尖峰”)被植入随机矩阵。这些分布形成自然的统计模型,用于整个科学领域的主成分分析(PCA)问题。Baik,Ben Arous和Peche表明,尖峰Wishart系综渐近地表现出尖锐的相变:当尖峰强度高于临界阈值时,可以根据顶部特征值检测到尖峰的存在,并且低于阈值,顶部特征值不提供任何信息。这样的结果形成了我们的理解的基础上,当PCA可以检测到一个低秩信号中存在的噪声。然而,在对尖峰的结构假设下,并非所有信息都必然包含在频谱中。我们研究了统计极限的测试存在的尖峰,包括非光谱测试。我们的研究结果利用Le Cam的邻近性概念,包括:i)对于高斯维格纳系综,我们表明PCA实现了尖峰的某些自然先验的最佳检测阈值。ii)对于任何非高斯维格纳系综,PCA对于检测是次优的。然而,PCA的有效变体通过预变换矩阵条目来实现最佳阈值(对于自然先验)。iii)对于高斯Wishart系综,PCA阈值对于正尖峰(对于自然先验)是最佳的,但对于负尖峰并不总是如此。
2018-07-13 cs.DS cs.IT math.IT
Almost optimal sequential tests of discrete composite hypotheses
我们考虑的问题,顺序测试一个简单的原假设与复合备择假设,由一个有限集的密度。本文研究了基于混合似然比统计量和加权广义似然比统计量阈值化的序贯检验。结果表明,这两个序贯检验有几个渐近最优性能的错误概率为零。首先,对于任何权重,它们在备择假设中的每个场景下在常数项内最小化预期样本量,并且在原假设下至少最小化到一阶。其次,对于先验分布的适当权重,它们在备择假设中的加权预期样本量在渐近可忽略项内最小化。第三,对于一个特定的先验分布,他们几乎是极小极大相对于预期的Kullback-Leibler分歧,直到停止。此外,基于高阶渐近展开的操作特性,我们提出了先验分布,导致一个强大的行为。最后,基于渐近分析以及模拟实验,我们认为,这两种测试具有相同的性能时,他们被设计为具有相同的权重。
2013-01-22 math.ST stat.ME stat.TH
On the power of axial tests of uniformity on spheres
在$p$维单位球面上检验均匀性可以说是方向统计中最基本的问题。在本文中,我们考虑这个问题的框架内的轴向数据,也就是说,假设手头的$n$观测是随机抽取的分布,电荷对映区域相等。更确切地说,我们专注于轴向,旋转对称,替代品,并首先解决的问题,根据该问题的方向$θ$的相应的对称轴被指定。在此设置中,我们获得了基于样本协方差阵的Le Cam均匀性最优检验(与基于样本平均值的非轴向类似物不同)。对于更重要的未指定的$θ$问题,一些经典的测试在文献中,但几乎没有什么是已知的非空行为。因此,我们研究了著名的宾厄姆测试和其他测试,利用所考虑的替代品的单穗性质的非零行为。我们进行蒙特卡罗练习,调查我们的测试的有限样本行为,并显示他们与我们的渐近结果的协议。
2019-10-21 math.ST stat.TH
Calibrating the scan statistic: finite sample performance vs. asymptotics
研究了单变量高斯序列模型中位置和长度均未知的区间上均值抬高的检测问题。最近的结果表明,使用与尺度相关的临界值进行扫描统计可以同时获得所有信号长度的渐进最佳检测,从而改进传统扫描,但该过程因对短信号损失太多功率而受到批评。我们解释这种差异表明,这些渐近最优性的结果将必然是太不精确的识别性能的扫描统计在一个实际相关的方式,即使在大样本的情况下。相反,我们建议用一个新的有限样本准则来评估性能。然后,我们提出了三个校准扫描统计,以及在一系列相关的信号长度:第一个校准使用特定的调整临界值,因此是专门为高斯的情况下。第二次校准使用尺度相关调整的显着性水平,因此适用于任意已知的空分布。第三校准将扫描限制到扫描窗口的特定稀疏子集,然后将加权Bonferroni调整应用于对应的检验统计量。这种{ \sl Bonferroni扫描}也适用于任意的空分布,而且实现起来非常简单。我们展示了如何应用这些校准扫描在一些分布设置:对于正常的观察与未知的基线和已知或未知的恒定方差,从一个自然的指数家庭的观察,潜在的异方差观察从对称密度采用自归一化在一个新的方式,和可交换的观察使用基于排列,秩或符号的测试。
2021-07-17 math.ST stat.TH