Bootstrap Confidence Intervals Using the Likelihood Ratio Test in Changepoint Detection
针对Bootstrap抽样下的似然比检验在变点检测中的功效问题，提出了一种基于Bootstrap置信区间长度的假设检验方法。假设误差为独立同分布的正态分布，利用Bootstrap方法，估计了变点抽样分布。此外，本研究描述了一种方法来估计无变点的数据集，形成零抽样分布。利用零抽样分布和估计的变点分布，可以在置信区间的长度上进行临界值和功效计算。
2020-11-07 stat.ME
Standard Curves for Empirical Likelihood Ratio Tests of Means
我们提出了模拟标准曲线的校准经验似然比（ELR）的均值检验。在这些曲线的帮助下，可以调整ELR检验的标称显著性水平，以实现给定有限样本量的（准）精确第一类错误率控制。通过理论上的考虑和计算机模拟，我们证明了调整后的显着性水平最关键地取决于偏度和峰度的父分布。出于实用目的，我们将几种典型统计模型下的调整临界值制成表格。
2021-05-19 stat.ME
How to Tell When a Result Will Replicate: Significance and Replication in Distributional Null Hypothesis Tests
本文提出分布零假设检验方法，通过同时考虑实验内和实验间变异来修正标准显著性检验对随机变异的低估，并利用Many Labs复现数据验证其能有效预测结果的可复现概率。
2025-02-05 math.ST stat.ME stat.TH
Distributional Null Hypothesis Testing with the T distribution
原假设显著性检验（NHST）长期以来一直是科学项目的核心，指导理论发展，支持循证干预和决策。然而，近年来，人们越来越意识到NHST的严重问题，因为它通常被使用，因此建议限制使用NHST技术，放弃这些技术，转向替代统计方法，甚至完全禁止使用NHST。这些建议是不成熟的，因为观察到的问题与NHST都出现作为一个偶然的，在许多情况下不正确的选择的结果：NHST测试对点形式的空。我们表明，测试对分布，而不是点形式，空值是更好的数学和实验的动机，并使用分布空值解决了许多问题的标准点形式NHST方法。我们还表明，使用分布零点允许一种形式的原假设检验，考虑到一个给定的结果的统计意义和复制的概率，该结果在一个新的实验。我们不应该放弃NHST，而应该使用更一般形式的NHST方法，使用分布空值而不是点形式空值。
2020-10-15 stat.ME
Huber-robust likelihood ratio tests for composite nulls and alternatives
本文提出了一种基于e值的鲁棒似然比检验方法，用于处理数据中存在任意污染的情况，通过分析LFD对和TV邻域，实现了对复合原假设和替代假设的有效检验。
2025-12-24 stat.ME
Likelihood Ratio Tests for a Dose-Response Effect using Multiple Nonlinear Regression Models
我们考虑的问题，测试的剂量相关效应的基础上的一组候选人（通常是非线性的）剂量反应模型使用似然比检验。对于所考虑的模型，这简化为评估这些非线性回归模型中的斜率参数是否为零。一个技术问题是零分布（当斜率为零时）取决于不可识别的参数，因此似然比检验的分布的标准渐近结果不再适用。这个问题的渐近解已在文献中广泛讨论。然而，得到的近似值不是简单的形式，需要模拟来计算渐近分布。此外，对于小样本量的情况，其适当性可能值得怀疑。由于某些参数的不可识别性，直接模拟近似零分布在数值上是不稳定的。本文给出了多模型下正态分布数据的似然比检验的精确近似分布的数值算法。该算法使用微分几何方法，可用于评价原假设下的分布，但也允许计算功效和样本量。我们比较了建议的测试方法的MCP-Mod方法和替代方法的剂量相关的趋势，在剂量发现的例子数据集和模拟测试。
2015-10-21 stat.ME
Significance testing in quantile regression
本文考虑多元非参数分位数回归中预测变量的显著性检验问题。提出了一个随机过程，它是基于一个比较的响应与非参数分位数回归估计下的原假设。证明了在原假设下，该过程弱收敛于中心高斯过程，并讨论了在固定和局部替换下检验的渐近性质.特别是，我们表明，-在非参数方法的基础上估计$L^2$ -距离-新的测试是能够检测本地的替代品收敛到原假设与任何速率$a_n \to 0$，使$a_n \sqrt{n} \to \infty$（这里$n$表示的样本量）。我们还提出了一个小的模拟研究，说明了有限样本性质的自举版本的相应的Kolmogorov-Smirnov测试。
2012-06-14 math.ST stat.ME stat.TH
I can see clearly now: reinterpreting statistical significance
原假设显著性检验仍然很受欢迎，尽管几十年来一直担心误用和误解。我们认为，这个问题很大程度上是由语言造成的：显著性检验与“显著性”一词的其他含义关系不大。尽管零假设检验有其局限性，但我们认为，在许多情况下，它们仍然是有用的，可以作为指导，以确定在这种情况下是否可以清楚地看到某种效果（例如，我们是否可以清楚地看到相关性或组间差异是积极的还是消极的）。因此，我们建议研究人员描述的统计“清晰度”，而不是统计“显着性”的零假设检验的结论。这一简单的语义变化可以大大提高统计沟通的清晰度。
2018-10-15 stat.OT
REACT to NHST: Sensible conclusions to meaningful hypotheses
本文提出REACT方法，以替代传统NHST，解决其混淆统计与实际显著性、零假设不当及无法区分接受与未能拒绝等问题，并支持多参数假设和多重检验，通过真实数据验证其实用性。
2025-07-07 stat.ME
Changing the paradigm of fixed significance levels: Testing Hypothesis by Minimizing Sum of Errors Type I and Type II
我们的目的是通过推广Morris DeGroot（1975）揭示的一个非常自然的想法来改变测试范式，旨在以一种更适合科学需求的程序，对所有统计学派都有吸引力的方法。DeGroot的开创性思想是将测试统计假设建立在最小化I类错误加上第二类错误的加权和的基础上，而不是固定第一类错误并最小化第二类错误的流行范式。DeGroot的结果是，在简单与简单假设的最佳标准是拒绝，根据似然比作为证据（排序）统计使用一个固定的阈值，而不是一个固定的尾部概率。通过定义预期的I类错误和第二类错误，我们推广了DeGroot的方法，发现最佳区域由证据比定义，即平均似然（相对于先验测量）和固定阈值。这种方法产生了一个最优的理论在完整的一般性，而经典理论的测试没有。这可以被看作是贝叶斯-非贝叶斯的折衷：标准（I类和第二类错误的加权和）是频率论的，但检验标准是边缘化似然比，这是贝叶斯的。我们给出的参数，推动理论更进一步，使加权措施（先验）的可能性不一定是正确的和高信息量，但只是预测匹配，即预测匹配的先验，产生相同的证据（边际似然）使用最小（最小）的训练样本。出现的理论，类似于基于客观贝叶斯方法的理论，是对流行的假设检验方法的批评的有力回应，例如，参见Ioanneland（2005）和Siegfried（2010）等。
2013-09-30 stat.ME
Empirical phi-divergence test statistics for testing simple and composite null hypotheses
本文的主要目的是首先介绍一个新的家庭的经验检验统计量测试一个简单的原假设时，通过一组特定的无偏估计函数定义的参数向量。该检验统计量族基于两个概率向量之间的距离，其中第一概率向量通过使参数向量上的经验似然最大化而获得，并且第二向量在简单的原假设下从参数的固定向量定义。为此目的所考虑的距离是φ-发散度量。然后推导出该族检验统计量的渐进分布。所提出的方法是说明通过著名的数据Newcomb的测量光的通过时间。模拟研究进行比较其性能与经验的似然比检验时，置信区间构造的基础上，小样本量。结果表明，“经验修正的似然比检验统计量”是经验似然比检验统计量的一种有竞争力的替代方法，并且在数据中存在污染的情况下比经验似然比检验统计量更稳健.最后，我们提出了经验的Φ发散检验统计量测试复合原假设，并提出了一些渐近以及模拟结果，这些测试程序的性能进行评估。
2014-08-17 math.ST stat.ME stat.TH
Wilks' theorems in the $β$-model
似然比检验和威尔克斯定理在统计学中一直很重要，但在维数不断增加的网络模型中却很少被探索。我们在这里关注的是无向图的$β$模型中的似然比检验。对于包含$i=1,\ldots, r$的指定零$H_0: β_i=β_i^0$和齐次零$H_0: β_1=\cdots=β_r$的两个增长维零假设，我们揭示了高维Wilks现象，即当$r$趋于无穷大时，归一化对数似然比统计量$[2\{\ell(\widehat{\boldsymbolβ}) - \ell(\widehat{\boldsymbolβ}^0)\} - r]/(2r)^{1/2}$在分布上收敛于标准正态分布.这里，$\ell( \boldsymbolβ)$是向量参数$\boldsymbolβ=(β_1, \ldots, β_n)^\top$上的对数似然函数，$\widehat{\boldsymbolβ}$是其在全参数空间下的最大似然估计（MLE），而$\widehat{\boldsymbolβ}^0$是零参数空间下的受限MLE.对于相应的固定维零$H_0: β_i=β_i^0$的$i=1,\ldots, r$和齐次零$H_0: β_1=\cdots=β_r$与一个固定的$r$，我们建立Wilks型的结果，$2\{\ell(\widehat{\boldsymbolβ}) - \ell(\widehat{\boldsymbolβ}^0)\…
2022-11-18 math.ST stat.ME stat.TH
The Merging Path Plot: adaptive fusing of k-groups with likelihood-based model selection
有许多统计检验可以验证原假设：感兴趣的变量在k组中具有相同的分布。但一旦原假设被拒绝，如何呈现群体之间的相异性结构？在这篇文章中，我们介绍了合并路径图-一种方法，和factorMerger -一个R软件包，用于探索和可视化k组的差异。k-群的比较是探索性分析中最重要的问题之一，它有无数的应用。经典的解决方案是检验一个~原假设，即所有组的观测值都来自同一个分布。如果全局原假设被拒绝，则对组对之间的差异进行更详细的分析。传统的方法是使用成对的事后检验，以验证哪些组差异显着。然而，这种方法在解释层和可视化层中的大量组中失败。~合并路径图方法通过使用基于似然比检验（LRT）统计量的组间相异性的易于理解的描述来解决此问题。
2017-12-12 cs.HC stat.ME stat.ML
Gaussian Universal Likelihood Ratio Testing
经典的似然比检验（LRT）是基于对数似然的渐近卡方分布，是统计推断的基本工具之一。最近的一个通用的LRT方法的基础上样本分裂提供了有效的假设检验和置信集在任何设置，我们可以计算分裂似然比统计（或更一般地说，上界的空极大似然）。通用LRT在有限样本下是有效的，不需要正则条件。该检验使统计人员能够在以前没有有效假设检验的情况下构建检验。对于检验具有单位协方差阵的d维高斯数据的总体均值的简单但基本的情况，经典的LRT本身适用。因此，该设置作为一个完美的测试平台，以比较经典的LRT与通用的LRT。这项工作提出了第一次深入探索的大小，功率和几个通用的LRT变体之间的关系。我们表明，重复子采样的方法是最好的选择，在规模和权力。对于大量的子采样，重复子采样集近似为球形。我们观察到合理的性能，即使在高维设置，其中最好的通用LRT的置信集的预期平方半径约为3/2倍的经典LRT的球形置信集的平方半径。我们通过测试一个非凸甜甜圈形的原假设来说明通用LRT的好处，其中通用推理程序可以具有比标准方法更高的功率。
2022-11-20 stat.ME
On a surprising behavior of the likelihood ratio test in non-parametric mixture models
该研究针对基密度参数化、原假设为固定混合分布的非参数混合模型，发现似然比检验统计量仅在原假设为有限混合时收敛，否则发散，且该结论对广泛分布类成立。
2025-09-06 math.ST stat.TH
Significance-based community detection in weighted networks
社区发现是对网络中强连接节点进行分组的过程。许多非加权网络的社区发现方法都是基于零模型的。因此，通过这些方法发现的群落具有统计意义。在本文中，我们引入了一个空的加权网络称为连续配置模型。我们使用该模型作为社区发现的工具，并模拟加权网络与空节点。首先，我们提出了一个加权网络的社区提取算法，它结合了零值下的迭代假设检验。在加权随机块模型下，证明了边权和的中心极限定理及算法的渐近相合性。然后，我们将该算法在一个社区发现方法称为CCME。为了基准的方法，我们提供了一个模拟框架，将空植物“背景”节点加权网络社区。我们发现，CCME在这些模拟上的经验表现与现有方法具有竞争力，特别是当存在重叠的社区和背景节点时。为了进一步验证该方法，我们提出了两个现实世界的网络与潜在的背景节点，并分析它们与CCME，产生的结果，揭示了相应的系统的宏观特征。
2017-10-23 cs.SI physics.soc-ph stat.ME
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
Empirical Likelihood for Change Point Detection in Autoregressive Models
变点分析已成为许多应用领域的重要研究课题。为了检测时间序列数据中的变化及其位置，已经进行了若干研究工作。本文提出了一种基于经验似然的非参数方法来检测自回归（AR）模型中参数的结构变化。在一定条件下，证明了经验似然比检验统计量的渐近零分布是极值分布。进一步证明了检验统计量的一致性。已进行模拟，以表明拟议的检验统计量的权力是显着的。所提出的方法被应用到现实世界的数据集，以进一步说明测试过程。
2017-11-27 stat.ME
Empirical likelihood-based portmanteau tests for autoregressive moving average models with possible infinite variance innovation
检验拟合的自回归滑动平均（ARMA）模型是否合适是文献中的一个重要任务，而当前使用的检验在潜在的自回归模型具有低持续性时可能遭受尺寸失真问题。为了填补这一空白，本文提出了两个经验似然为基础的组合检验。第一个是天真的，但可以作为一个基准，第二个是无限的方差创新的情况下。在较弱的矩条件下，导出了在原假设下的渐近分布，并通过模拟实验和两个实际数据例子证明了它们的有用性。
2022-09-20 stat.ME
Partial Penalized Likelihood Ratio Test under Sparse Case
这项工作是关注测试的低维参数的兴趣与发散的维数据和变量选择的稀疏情况下，其余的。利用部分惩罚似然方法，得到了部分惩罚似然比检验统计量的一致性检验，并在一定的正则条件下，得到了它在原假设和局部选择为$n^{-1/2}$的条件下的渐近分布.同时，部分惩罚似然估计的预言性质也成立。提出的部分惩罚似然比检验统计量在规模和功效方面优于完全惩罚似然比检验统计量，并且表现得与经典的似然比检验统计量一样好。此外，该方法得到的变量选择结果以及检验的p值。数值模拟和前列腺癌数据的分析证实了我们的理论研究结果，并证明了有前途的性能，提出的部分惩罚似然假设检验和变量选择。
2014-11-19 stat.ME
Likelihood ratio tests in random graph models with increasing dimensions
本文研究了$β$-模型和Bradley-Terry模型中维数增加时的Wilks现象，针对特定原假设和齐性原假设推导了似然比统计量的渐近分布，并开发了适用于更广随机图模型的渐近展开方法。
2025-06-26 math.ST stat.ME stat.TH
Sums of Independent Circular Random Variables and Maximum Likelihood Circular Uniformity Tests Based on Nonnegative Trigonometric Sums Distributions
本文证明 NNTS 圆形分布族在求和下封闭，并针对均匀分布位于参数空间边界导致的非正则性，提出两种基于最大似然的圆形均匀性检验，通过模拟与回归插值确定临界值并验证其有效性。
2023-09-09 stat.ME
A novel finite-sample testing procedure for composite null hypotheses via pointwise rejection
University of Kansas（堪萨斯大学）
本文提出了一种针对复合零假设的新型有限样本检验方法，通过点拒绝和膨胀显著性水平实现更准确的推断。
2026-10-09 math.ST stat.ME stat.TH
Regression model selection via log-likelihood ratio and constrained minimum criterion
对数似然比似然比在模型选择中应用广泛，但在模型选择中应用较少。我们开发了一个基于对数似然比的方法，通过关注被似然比检验认为合理的模型集来选择回归模型。我们表明，当样本量较大且检验的显著性水平较小时，集合中的最小模型是真实模型的概率很高，因此，我们选择了这个最小模型。检验的显著性水平用作该方法的参数。我们考虑了三个水平的这个参数在模拟研究中，并比较这种方法与赤池信息准则和贝叶斯信息准则，以证明其良好的精度和适应性，以不同的样本量。我们还应用这种方法来选择南非心脏病数据集的逻辑斯谛回归模型。
2021-09-25 math.ST stat.ME stat.TH
A Shrinkage Likelihood Ratio Test for High-Dimensional Subgroup Analysis with a Logistic-Normal Mixture Model
针对现有亚组存在性检验的分布难解、无法处理高维属性的局限，提出基于Logistic-Normal混合模型的收缩似然比检验，通过收缩不可识别参数恢复卡方渐近性，适配高维场景。
2025-03-19 math.ST stat.ME stat.TH
The likelihood-ratio test for multi-edge network models
现实世界系统的复杂性意味着标准的统计假设检验方法可能不适合这些特殊的应用。具体来说，我们表明，似然比检验的零分布需要修改，以适应在多边缘网络数据的复杂性。当使用独立观测值时，似然比检验的p值使用$χ^2$分布近似。然而，当处理多边缘网络数据时，不应使用这种近似。这类数据的特点是多重相关和竞争，使得标准近似不适用。我们提供了一个更好的近似的似然比检验零分布通过β分布的问题的解决方案。最后，我们的经验表明，即使是一个小的多边缘网络，标准的$χ^2$近似提供错误的结果，而建议的Beta近似产生正确的p值估计。
2021-02-22 physics.data-an physics.soc-ph stat.ME
Empirical likelihood test for high-dimensional two-sample model
提出了一种基于经验似然的非参数方法，用于检测高维线性模型系数的变化，其中模型变量的数目随着样本量的增加而增加。这相当于检验无变化的原假设与回归系数变化一次的备择假设。基于经验似然比统计量的理论渐近性态，我们提出了一种在固定设计下更简单、更易于实际应用的检验统计量。在原假设下证明了该检验统计量的渐近正态性，这一结果不同于具有固定变量数的模型的$χ^2$定律。在备择假设下，检验统计量会发生偏离。然后，我们可以找到两个相位的参数差的渐近置信区域。一些蒙特卡罗模拟研究的行为，建议的检验统计量。
2015-06-19 math.ST stat.ME stat.TH
A Likelihood-Ratio Test for Verifying Weak Stochastic Transitivity
Hitotsubashi University（一桥大学）
本文提出一种似然比检验，用于验证弱随机传递性不成立的原假设，证明其尺寸收敛性和功效性质，并通过模拟验证其有效性。
2026-09-09 math.ST stat.ME stat.TH
Simple Methods for Estimating Confidence Levels, or Tentative Probabilities, for Hypotheses Instead of P Values
在许多研究领域，原假设显著性检验和p值是评估研究结果可以外推到研究样本之外的确定性程度的公认方法。然而，对于p值是否适用于此目的存在非常严重的担忧。另一种方法是引用感兴趣的统计量的置信区间，但这并不能直接告诉读者一个假设有多确定。在这里，我建议如何使用置信区间的框架可以很容易地扩展到推导出置信水平，或“暂定概率”的假设。我还概述了四种快速估计这些的方法。这使得研究人员能够将他们对假设的信心作为直接概率来陈述，而不是通过p值间接地引用未陈述的假设性原假设。统计推断不可避免的困难意味着这些概率只能是试探性的，但概率是表达不确定性的自然方式，因此，可以说，使用统计方法的研究人员有义务通过最佳方法来估计他们的假设的可能性。否则，误解将填补空白。关键词：置信度原假设显著性检验，p值，统计推断
2020-01-12 stat.ME
Adaptative significance levels in linear regression models with known variance
Pereira和Stern [Entropy 1（4）（1999）99-110]提出了精确假设的全贝叶斯显著性检验（FBST），作为贝叶斯替代方法，而不是使用p值的传统显著性检验。FBST基于支持原假设（H）的证据。实施《联邦调查法》的一个重要的实际问题是确定证据必须有多大才能决定是否予以驳回。在经典的显著性检验中，已知p值随样本量的增加而减小，因此设置单一的显著性水平往往会导致H拒识。在FBST程序中，当样本量增加时，有利于H的证据表现出与p值相同的行为。这表明定义FBST中H拒绝的截止点应是样本量函数。在这项工作中，线性回归模型的情况下，已知的方差贝叶斯方法被认为是一种方法来找到一个截止值的证据在FBST最小化的线性组合的平均类型I和第二类错误概率为给定的样本量，也为一个给定的尺寸的参数空间。
2019-06-10 stat.ME
Nonnested model selection based on empirical likelihood
我们提出了一个经验似然比检验的非参数模型选择，竞争模型可以嵌套，非嵌套，重叠，错误指定，或正确指定。它基于交叉验证比较模型的预测误差平方，并允许模型误差的异方差性。我们发展了它的渐近分布，用于比较可加模型和变系数模型，并将其推广到检验具有大量数据的可加模型中变量的显著性。本发明适用于有监督学习模型间的模型选择。为了便于测试的实施，我们提供了一个快速的计算程序。仿真结果表明，所提出的测试工作良好，并具有良好的有限样本性能比一些现有的方法。该方法是验证的实证应用。
2022-01-20 stat.ME
A Generalized Empirical Likelihood Approach for Two-Group Comparisons Given a U-Statistic Constraint
我们研究了一个广义的经验似然方法在两组设置参数的约束有一种形式的U-统计。在这种情况下，由经验似然性的约束组成的被加数不是独立的，并且每个被加数的权重可能不具有作为概率点质量的直接解释，这与基于独立被加数的常见经验似然性约束不同。我们表明，由此产生的经验似然比统计量具有加权卡方分布在单变量的情况下，在多变量的情况下，加权卡方分布的组合。通过广泛的蒙特卡罗研究，我们表明，所提出的方法适用于一些著名的U-统计量具有强大的第一类错误控制下的各种潜在的分布，包括违反交换条件下的零假设。对于应用程序，我们采用所提出的方法来测试假设的交叉设计表明所提出的方法在各种假设检验的适应性。
2015-05-01 stat.ME
Multinomial Logistic Regression: Asymptotic Normality on Null Covariates in High-Dimensions
本文在高维情形下建立了多项逻辑回归MLE在零协变量上的渐近正态性与卡方结果，并据此提出特征显著性检验方法，通过模拟验证了其有效性。
2023-05-28 math.ST stat.ME stat.ML
Empirical likelihood test in a posteriori change-point nonlinear model
为了检验非线性参数回归中是否发生了变化，本文提出了一种基于经验似然的非参数方法。首先，我们测试了无变化的原假设与回归参数变化的替代。在原假设下，证明了回归参数估计的相合性和收敛速度。得到了在原假设下检验统计量的渐近分布，从而可以找到渐近临界值。另一方面，我们证明了所提出的检验统计量的渐近功效等于1。这些理论结果可以找到一个简单的检验统计量，非常有用的应用。在备择假设下，研究了一类特殊的具有两个变点的传染病模型。通过Monte-Carlo模拟的数值研究显示了所提出的检验统计量的性能，与文献中现有的方法相比。
2014-05-21 math.ST stat.TH
Significance testing for canonical correlation analysis in high dimensions
我们考虑的问题，大型随机变量集之间的线性关系的存在下，典型相关分析的后选择推理方法的基础上的测试。挑战在于调整具有最大样本相关性的线性组合的变量子集的选择。为此，我们构建了一个稳定的一步估计的欧氏范数的典型相关最大化的变量子集的预先指定的基数。这个估计量是一致的，其目标参数和渐近正态提供的维度的变量不增长太快，样本量。我们还开发了一个贪婪的搜索算法，以准确地计算估计，导致一个计算上易于处理的综合测试的全球原假设，有没有任何子集的变量之间的线性关系具有预先指定的基数。此外，我们开发了一个置信区间的目标参数，考虑到变量的选择。
2020-10-17 stat.ME
Statistical Inference for Modulation Index in Phase-Amplitude Coupling
本研究针对相位-幅度耦合中调制指数（MI）的显著性评估问题，提出基于信号独立零假设的统计框架，推导出缩放beta分布的闭式零模型，无需生成替代数据即可计算p值，经蒙特卡洛模拟和跨研究验证具备可靠性与高效性。
2023-10-09 q-bio.QM stat.ME
Nonstandard likelihood-ratio limits under semidefinite rank constraints
INTHERES, Université de Toulouse, INRAE, ENVT（INTHERES，图卢兹大学，法国国家农业食品与环境研究院，国立兽医学校）
研究半正定矩阵秩至多为规定值的似然比检验，通过对正则干扰参数轮廓分析，推导出简化高斯实验，得出顶层定律最不利等结论，还证明了相关转变优势，获得极限分布及临界值的条件形状导数。
2026-07-16 math.ST stat.TH
FDR control for multiple hypothesis testing on composite nulls
多重假设检验通常涉及复合空值，即，与两个或多个分布相关联的空值。在许多情况下，假设分布上存在先验分布是合理的，尽管它是未知的。当真空值分布的数量是有限的，我们表明，在上述假设下，错误发现率（FDR）可以控制使用$p$ -值下的经验分布的意见施加的约束下计算。与使用$p$的FDR控制相比，所提出的FDR控制可以具有显著更大的功率，所述$p$值被定义为在所有空分布上的最大显着性水平。
2008-07-30 math.PR math.ST 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
Statistical inference optimized with respect to the observed sample for single or multiple comparisons
归一化最大似然（NML）是最近的惩罚似然，其具有证明将支持备择假设的数据中的区分信息（DI）的量定义为NML比率的对数（即，备择假设NML除以原假设NML）的属性。与贝叶斯因子类似但与p值不同的是，所得DI测量备择假设相对于原假设的证据强度，使得误导性证据的概率在弱规律性条件下渐近消失，并且使得证据可以支持简单的原假设。与贝叶斯因子不同，DI不需要先验分布，并且在不涉及对未发生的结果进行平均的意义上是极大极小最优的。用其加权对应函数替换（可能是伪）似然函数，将DI的范围扩展到未定义未加权NML的模型。似然权重利用边信息，或者在与除了手头的比较之外的比较相关联的数据中，或者在简单的原假设的参数值中。两个案例研究，一个涉及多个群体，另一个涉及多个生物特征，表明DI是强大的边信息使用的类型时，该信息被分配的权重一个单一的观察。这种稳健性表明，如果样本量至少是中等的，则多重比较的调整很少。
2010-11-02 cs.IT math.IT math.ST
Likelihood-based Spacings Goodness-of-Fit Statistics for Univariate Shape-constrained Densities
University of Washington（华盛顿大学）；Queen’s University（女王大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；The Chinese University of Hong Kong（香港中文大学）
研究基于样本间距的统计量来检验对参数分布的拟合优度，针对单变量形状受限密度，考虑基于观测间距的似然比检验，证明其在原假设下渐近正态且无分布依赖等性质。
2026-07-07 math.ST stat.TH
Community Detection through Likelihood Optimization: In Search of a Sound Model
社区发现是网络分析中最重要的问题之一。在为这项任务提出的许多算法中，基于统计推断的方法特别令人感兴趣：它们在数学上是合理的，并且被证明可以提供高质量的分区。统计推断方法是基于拟合一些随机图模型（a.k.a.零模型）通过最大化似然性来对所观察的网络进行估计。这一模式的选择极为重要，也是当前研究的主要焦点。我们提供了一个广泛的理论和实证分析比较几种模型：广泛使用的种植分区模型，最近提出的度校正修改这个模型，和一个新的空模型具有一些理想的统计特性。我们还开发和比较两个可能性优化算法适合所考虑的模型。对各种数据集的广泛的实证分析表明，特别是，新模型是最好的一个描述大多数考虑现实世界的复杂网络，根据观察到的图结构的可能性。
2019-02-22 cs.SI math.ST stat.TH
Bits per Spike as a Betting Game: An Interpretable Unit for Held-Out Log-Likelihood in Neural Data Analysis
Center for Neural Science, New York University（纽约大学神经科学中心）；Center for Computational Neuroscience, Flatiron Institute（平托研究所计算神经科学中心）
该研究借鉴博弈论统计学，将神经尖峰序列保留对数似然转化为以记录秒为单位的可解释单元，通过显著性时间τΔ实现模型排序，在小鼠头方向细胞数据上验证了其有效性。
2026-08-31 q-bio.NC stat.ME
When to adjust alpha during multiple testing: A consideration of disjunction, conjunction, and individual testing
科学家经常在原假设显著性检验过程中调整他们的显著性阈值（α水平），以考虑多重检验和多重比较。在科学复制危机的背景下，这种阿尔法调整变得特别重要。本文考虑的条件下，这种阿尔法调整是适当的，在哪些条件下，它是不适当的。区分三种类型的多重检验：分离检验、连接检验和单独检验。有人认为，α调整是唯一适当的情况下，分离测试，其中至少有一个测试结果必须是显着的，以拒绝相关的联合原假设。在联合检验的情况下，α调整是不合适的，其中所有相关结果必须是显著的，以便拒绝联合原假设。在个体检验的情况下，α调整也是不合适的，其中每个个体结果必须是显著的，以便拒绝每个相关的个体原假设。检查了这三种类型的多重检验中每一种的保证条件。结论是研究人员不应该自动（无意识地）假设α调整是必要的，在多重检验。提供了关于联合研究假设和联合多因素方差分析假设的说明。
2021-07-06 math.ST stat.ME stat.TH
When Evidence and Significance Collide
原假设统计显著性检验（NHST）是评价随机对照试验结果的主要方法。尽管NHST具有长期错误率保证，但它的主要推理工具--$p$值--只是针对原假设的间接证据度量。主要原因是$p$值基于原假设为真的假设，而忽略了任何备择假设下数据的可能性。如果目标是量化数据提供多少支持或反对原假设的证据，则不可避免地要指定一个备择假设（Goodman & Royall，1988）。当研究人员将$p$ -值解释为证据时，出现了Parasites。例如，在空值下令人惊讶的结果在合理的备择假设下可能同样令人惊讶，因此$p=.045$结果（“拒绝空值”）不会使空值比以前更不合理。因此，$p$值被认为高估了反对原假设的证据。相反，可能的情况是统计上不显著的结果（即，然而，$p>.05)$提供了一些支持备择假设的证据。因此，对于研究人员来说，了解统计意义和证据何时发生冲突至关重要，这需要计算证据的直接测量并与传统的$p$值一起呈现。
2022-06-09 stat.ME
Some parametric tests based on sample spacings
本文提出基于 m 步不相交样本间隔对称统计量的参数检验，分析其在简单与复合原假设及局部备择假设下的渐近性质，并通过数值和真实数据验证其可替代似然比检验。
2022-06-03 math.ST stat.TH
Searching for new physics with profile likelihoods: Wilks and beyond
粒子物理实验广泛使用似然比检验来比较假设和构建置信区间。通常，似然比检验统计量的零分布近似于$χ^2$分布，遵循Wilks定理。然而，许多与现代实验相关的情况可能导致这个定理失败。在本文中，我们回顾了如何识别这些情况，并构建有效的推理。
2019-11-22 astro-ph.HE hep-ex hep-ph
An adaptive significance threshold criterion for massive multiple hypotheses testing
本研究涉及大量的多重假设检验。首先将多重检验看作是在适当的总体模型下的估计问题，引入了一个与错误发现率（FDR）相关的误差度量--错误拒绝率（ERR）。ERR是一种在精神上类似于FDR的误差度量，它大大简化了对多个测试过程的误差特性的分析研究。其次，提出了一种改进的真零假设比例估计和数据自适应显著性阈值准则。在最近的应用中广泛满足的分布假设下，建立了显着阈值准则的一些渐近误差性质。模拟研究提供了明确的证据表明，提出的估计的比例真实的零假设优于现有的估计这一重要参数在大规模的多重检验。分析和模拟研究表明，所提出的显着性阈值标准可以提供一个合理的假阳性和假阴性错误之间的平衡，从而补充和扩展各种FDR控制程序。S-plus/R代码可向作者索取。
2006-10-27 math.ST stat.TH
Adaptive Bootstrap Tests for Composite Null Hypotheses in the Mediation Pathway Analysis
针对中介路径分析中复合零假设导致现有检验过于保守且功效不足的问题，提出自适应自助法检验框架，应用于系数乘积检验和联合显著性检验，在控制第一类错误的同时显著提升统计功效。
2023-10-17 math.ST stat.ME stat.TH
Empirical phi-divergence test statistics for testing simple null hypotheses based on exponentially tilted empirical likelihood estimators
在计量经济学中，在不假设潜在分布的情况下施加限制来模拟复杂的现实是一种有价值的方法论工具。然而，如果一个子集的限制是不正确的指定，通常的测试统计量正确指定的模型往往拒绝一个简单的原假设。在这种情况下，我们可以说模型存在误设定。我们研究了Balakrishnan et al.（2015）中引入的经验φ-发散检验统计量的行为，通过使用Schennach（2007）的指数倾斜经验似然估计量，作为小样本量的显著性水平的效率和错误指定下的鲁棒性之间的良好折衷。
2015-10-27 stat.ME
Testing the Number of Regimes in Markov Regime Switching Models
马尔可夫状态转换模型已被用于许多经济学和金融学的实证研究。然而，在马尔可夫状态转换模型中，用于检验状态个数的似然比检验统计量的渐近分布一直是一个未解决的问题。本文推导出了在零假设和局部替代条件下，对任何$M_0 \geq 1$，检验$M_0$制度的零假设和$M_0 + 1$制度的替代假设的似然比检验统计量的渐近分布。我们发现，连续的替代品收敛到零假设的速率$n^{-1/8}$在政权切换模型与正常的密度。还建立了参数自助法的渐近有效性。
2018-01-30 econ.EM math.ST q-fin.MF
Exact Multivariate Two-Sample Density-Based Empirical Likelihood Ratio Tests Applicable to Retrospective and Group Sequential Studies
多元分布的非参数检验是研究中经常需要的。通常要求基于相对小的向量样本的测试程序精确地控制相应的第一类错误（TIE）率。通常，在多变量检验中，无零分布单变量方法的扩展，例如，Kolmogorov-Smirnov和Cramer-von Mises类型的方案是不精确的，因为它们的零分布取决于底层数据分布。本文扩展了基于密度的经验似然技术，以非参数近似的最强大的多元两样本（MTS）问题的测试，产生一个确切的有限样本检验统计量。我们严格地建立和应用一对一映射之间的平等的向量分布和相关的一元线性投影的分布的平等。在这个框架中，我们证明了一个算法，简化了投影寻踪的使用，只采用了几个无限多的线性组合观测向量分量。所显示的无分布策略以回顾和分组顺序的方式被采用。所提出的技术的渐近一致性。蒙特卡罗研究表明，所提出的程序在各种设置中表现出极高和稳定的功率特性。本文的补充材料可在网上查阅。
2021-01-12 math.ST stat.CO stat.ME
Testing the significance of assuming homogeneity in contingency-tables/cross-tabulations
双向列联表/交叉表中比例同质性的模型与独立性模型相同，只是产生数据的概率过程被视为固定列总数（而不是行总数）。当用独立性假设来衡量观测数据的一致性时，最近的研究表明，欧几里得/弗罗贝纽斯/希尔伯特-施密特距离在统计学上往往比卡方、对数似然比（G）、弗里曼-图基/海林格距离和克雷西-里德幂散度家族的其他成员更强大。本文指出，在均匀性假设下，Euclidean/Frobenius/Hilbert-Schmidt距离可以更有效地度量观测数据的一致性。
2012-01-06 stat.CO stat.ME
Likelihood ratio tests for positivity in polynomial regressions
在给定区间上非负的多项式称为正多项式。这样的正多项式的集合形成闭合凸锥$K$。本文考虑被估计量多项式回归曲线为正多项式的正性假设的似然比检验。通过考虑包括阳性假设在内的分层假设，定义了嵌套似然比检验，并利用管体积法导出了其零分布为χ 2分布的混合分布。利用Tchebycheff系统框架中提供的锥$K$及其对偶的参数化，得到了次数至多为4的多项式的混合概率。对于次数大于4的多项式，提供了零分布的上界和下界。此外，我们提出了相关的同时置信界的多项式回归曲线。关于计算，我们证明了对称锥规划是有用的，以获得检验统计量。作为一个说明性的例子，我们对两组的生长曲线进行了数据分析。我们检验了一组的增长率（增长曲线的导数）总是高于另一组的假设。
2012-11-14 math.ST stat.TH
