New graph-based multi-sample tests for high-dimensional and non-Euclidean data
多个样本分布的相等性检验是许多领域的一项常见任务。然而，这个问题的高维或非欧几里德数据还没有得到很好的探讨。在本文中，我们提出了新的非参数检验的基础上构建的相似性图上的合并观察从多个样本，并利用样本内的边缘和样本间的边缘，一个简单的，但尚未探索的想法。新的测试表现出显着的权力改善了现有的测试范围广泛的替代品。我们还研究了检验统计量的渐近分布，为大型数据集提供了简单的现成工具。通过对年龄图像数据集的分析说明了新的测试。
2022-05-27 stat.ME
High Dimensional Spatial Rank Test for Two-Sample Location Problem
本文研究了当维数大于样本量时两样本定位问题的检验问题。传统的基于秩的多变量方法不能用于高维环境，因为样本散布矩阵不可用。本文提出了一种新的高维空间秩检验方法。建立了渐近正态性。我们可以允许维数几乎是样本量的指数率。仿真结果表明，它是非常强大的和有效的在广泛的分布。
2015-06-27 stat.ME
A weighted edge-count two-sample test for multivariate and object data
多元数据和非欧数据的双样本检验在许多领域有着广泛的应用。参数检验主要限于满足参数模型假设的某些类型的数据。在本文中，我们研究了一个非参数检验过程，利用图表示观测之间的相似性。它可以应用于任何数据类型，只要样本空间上的信息相似性度量可以被定义。当两个样本量不同时，基于相似图的经典检验存在问题。我们通过对经典检验统计量的不同分量应用适当的权重来解决这个问题。新的测试在模拟研究中表现出显著的功率增益。它的渐近置换零分布的推导和证明，以及在有限样本下工作，方便其应用到大型数据集。通过对一个真实的网络数据集的分析，说明了新的测试。
2016-04-22 stat.ME
A Permutation Test on Complex Sample Data
排列测试是一种执行假设测试的分布自由方式。这些检验依赖于观察到的数据在原假设下被检验的组之间可交换的条件。对于从简单随机样本或对照研究中获得的数据，在对数据进行简单调整后，很容易满足这一假设，但没有通用方法来调整使用复杂样本设计收集的调查数据，以允许进行排列检验。在这篇文章中，我们提出了一个通用的方法来执行一个伪排列测试，占复杂的样本设计。所提出的方法是不是一个真正的置换检验，因为新的值不来自一般的观察值的集合，而是一个扩展的值集，满足随机效应模型的集群残差。使用模拟人口的测试比较所提出的方法的性能，置换测试，忽略了样本设计表明，它是必要的，以获得合理的p值估计考虑某些设计功能。
2017-12-13 stat.ME
A frequentist two-sample test based on Bayesian model selection
尽管标准的统计检验在支持实验结论方面很重要，但对于生命科学等研究领域来说，标准的统计检验往往是不够的，因为生命科学的典型样本量很小，检验假设难以验证。在这种情况下，标准测试往往过于保守，因此无法检测到数据中的显著影响。在这里，我们定义了一个新的统计测试的两个样本的问题。它的几个特点使其成为经典双样本检验的一个有吸引力的替代方案：1）它基于贝叶斯模型选择，因此考虑了模型参数的不确定性，减轻了小样本量的问题; 2）原假设与几个备选假设进行比较，使该检验适用于不同的实验场景; 3）该检验被构造为频率论检验，并且用第一类错误的常规界限来定义显著性。我们分析了检验的功效，发现它比其他标准选项的功效更高，例如在广泛的样本和效应量范围内的t检验（高出25%），并且当t检验的假设完全匹配时，最多低1%。我们讨论和评估两个变量的测试，定义不同的先验分布的参数的假设。
2011-04-14 stat.ME
A noniterative sample size procedure for tests based on t distributions
本文对Guenther（1981）的单样本和双样本t检验方法进行了改进和扩展，提出了一种基于t分布的一般假设检验的非迭代样本量方法。在随机临床试验中，采用广义程序确定使用协方差分析（ANCOVA）和重复测量混合效应模型（MMRM）进行治疗比较的样本量。通过向正态近似的样本量添加几个简单的校正项来计算样本量，以解释t统计量和低阶方差项的非正态性，这些项是模型中协变量的函数。但它不需要指定协变量分布。非迭代程序适用于优效性检验、非劣效性检验和等效性或生物等效性检验的特殊情况，通常在四舍五入为整数后得到精确或接近精确的样本量估计值。将优效性试验中方差不等的两样本t检验的精确把握度的计算方法推广到等效性试验中。我们还推导了ANCOVA和MMRM的精确幂公式，并且ANCOVA的公式对于正态分布的协变量是精确的。数值算例表明，特别是在小样本所提出的方法的准确性。
2018-04-12 stat.ME
Two-Sample Test with Copula Entropy
本研究提出一种基于copula熵的非参数无超参数两样本检验方法，经仿真验证其在二元数据上的表现优于或可比现有三种同类检验方法。
2023-07-21 stat.ME
Small-sample corrections for score tests in Birnbaum-Saunders regressions
在本文中，我们处理的问题进行准确的小样本推理的Birnbaum-Saunders回归模型，这可能是有用的建模寿命或可靠性数据。我们推导出一个Bartlett型校正的得分测试和数值比较，通常的得分测试，似然比检验和Bartlett校正版本的校正测试。我们的模拟结果表明，我们提出的校正测试是更可靠的比其他测试。
2010-07-15 stat.ME
A two-sample test based on averaged Wilcoxon rank sums over interpoint distances
针对点云降维生成的距离样本存在依赖性的问题，提出基于平均Wilcoxon秩和的两样本多元同质性检验，证明其渐近性质与一致性，给出方差近似实现无分布检验，经模拟验证在高维小样本下性能良好，并应用于遗传微阵列病例对照研究。
2024-08-20 stat.ME
Bayesian Parameter Estimation of Normal Distribution from Sample Mean and Extreme Values
本文针对仅有样本均值、极值和样本量可用的情况，提出基于 Gibbs 采样器与数据增广的贝叶斯正态参数估计方法，并通过模拟验证其精度接近理论预期。
2024-11-20 stat.ME
Paired sample tests in infinite dimensional spaces
单变量数据的符号和符号秩检验可能是配对样本问题t检验最流行的非参数竞争者。这些测试已经以各种方式扩展到有限维空间中的多变量数据。这些扩展包括基于空间符号和符号秩的测试，Hannu Oja和他的合著者对此进行了广泛的研究。他们表明，在几个重尾分布下，这些检验比Hotelling的$T^{2}$检验渐近更有效。在本文中，我们考虑在无限维空间的空间符号和空间符号秩的概念的基础上，在这样的空间中的数据的配对样本测试。在原假设和缩小位移序列下，我们得到了它们的渐近分布。我们比较这些测试与无限维配对样本数据的一些平均值为基础的测试。我们发现，对于收缩位置偏移的替代品，所提出的测试是渐近更强大的比平均值为基础的测试一些重尾分布，甚至在无限维空间中的一些高斯分布。我们还研究了不同的测试使用一些模拟数据的性能。
2014-11-23 stat.ME
$K$-sample omnibus non-proportional hazards tests based on right-censored data
这项工作提出了新的和强大的测试比较非比例风险函数，基于样本空间分区。右截尾引入了两个主要困难，使得现有的样本空间划分测试不适用于未截尾数据：（i）截尾观测的实际事件时间是未知的;（ii）标准排列过程是无效的情况下，组的截尾分布是不平等的。我们克服这两个障碍，引入不变的测试，并证明其一致性。大量的模拟表明，在非比例的替代品，所提出的测试往往是更高的权力相比，现有的流行的测试非比例的危险。我们的测试的有效实现可在R包KONPsurv中获得，该包可从{https：//www.example.com}免费下载github.com/matan-schles/KONPsurv
2019-10-27 stat.ME
An Efficient and Distribution-Free Two-Sample Test Based on Energy Statistics and Random Projections
现有的无分布双样本检验方法的一个共同缺点是计算复杂度可能很高。具体而言，如果样本量为$N$，则这些双样本检验的计算复杂度至少为$O(N^2)$。在本文中，我们开发了一个有效的算法的复杂性$O(N \log N)$计算能量统计在单变量的情况下。对于多变量的情况下，我们介绍了一种基于能量统计和随机投影的双样本检验，它具有$O(K N \log N)$的计算复杂度，其中$K$是随机投影的数量。我们命名为随机投影能量统计（RPES）的多变量情况下，我们的方法。我们可以表明，RPES实现了几乎相同的测试功率与能量统计理论和经验。数值实验也证明了所提出的方法比竞争对手的效率。
2017-07-14 stat.ME
Modified Tests of Linear Hypotheses Under Heteroscedasticity for Multivariate Functional Data with Finite Sample Sizes
针对多元函数数据均值函数的线性假设检验问题，本文提出三种有限样本修正 MANOVA 检验，利用 Wishart 分布近似和非负定矩阵构建统计量，相比现有方法在计算效率和小样本显著性控制上更具优势。
2025-04-04 stat.ME
Asymptotic linear dependence and ellipse statistics for multivariate two-sample homogeneity test
本文提出了一种基于统计深度的非参数两样本检验方法，具有卡方(1)渐近分布，通过仿真实验和实际数据验证了其有效性。
2025-11-24 stat.ME
Graph-Based Two-Sample Tests for Data with Repeated Observations
在两样本比较的制度，测试的基础上构建的观察，利用它们之间的相似性信息的图形越来越受到关注，由于其灵活性和良好的性能，为高维/非欧几里德数据。然而，当有重复的观察，这些基于图的测试可能是有问题的，因为它们是通用的相似性图的选择。我们提出了扩展的基于图的检验统计量来解决这个问题。这些扩展的基于图的测试的分析p值近似推导出这些测试的应用程序，以方便大型数据集。新的测试在电话网络数据集的分析中得到了说明。所有测试都在R包gTests中实现。
2019-02-12 stat.ME
On the Use of Random Forest for Two-Sample Testing
遵循基于分类的双样本测试的路线，提出了基于随机森林分类器的测试。开发的测试易于使用，几乎不需要调优，并且适用于$\mathbb{R}^d$上的任何发行版。此外，随机森林的内置变量重要性度量提供了潜在的洞察力，可以了解哪些变量造成了分布的差异。一个渐近功率分析所提出的测试。最后，两个现实世界的应用程序说明了所介绍的方法的实用性。为了简化该方法的使用，提供了R包“hypoRF”。
2021-05-06 stat.ME
The power of visualizing distributional differences: Formal graphical $n$-sample tests
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；University of South Bohemia, Faculty of Agricultural and Technology（南波希米亚大学农业与技术学院）；Natural Resources Institute Finland (Luke)（芬兰自然资源研究所）
本文提出了一种基于全局包络检验的改进Kolmogorov-Smirnov检验，用于提高分布差异检验的效力，并应用于实际数据比较。
2024-08-31 stat.ME
The AUGUST Two-Sample Test: Powerful, Interpretable, and Fast
双样本检验是统计学中的一个基本问题，许多著名的双样本检验都被设计成完全非参数的。这些现有的方法在位置和规模变化方面表现良好，但在面对更奇特的替代品时不太稳健，并且这些测试的拒绝可能难以解释。在这里，我们提出了一个新的单变量非参数两样本检验，AUGUST，旨在改善这些方面。使用二进制展开的对称统计，在预定分辨率下对分布不平等进行AUGUST检验。AUGUST统计量完全是无分布的，并且具有很好理解的渐近分布，允许快速的p值计算。在实证研究中，我们表明，AUGUST在每种情况下都具有与现有最佳方法相当的能力，并且在某些情况下具有更大的能力。我们说明了清晰的解释，八月NBA投篮数据。
2021-10-08 stat.ME
A Modified Sequential Probability Ratio Test
我们描述了一种改进的序贯概率比检验，它可用于减少在指定的显著性和功效水平下进行统计假设检验所需的平均样本量。提供了$z$检验、$t$检验和二项式成功概率检验的示例。提供了实现测试设计的软件包的描述。我们比较了在5个$\%$显著性水平下进行的固定设计检验所需的样本量与在0.5个$\%$显著性水平下进行的序贯检验所需的平均样本量，我们发现两个样本量近似相等。
2020-12-03 stat.ME
Testing for unit roots based on sample autocovariances
我们提出了一个新的单位根检验平稳零假设$H_0$对单位根替代$H_1$。我们的方法是非参数的，因为$H_0$只假设有关过程是$I(0)$，而不指定任何参数形式。新的检验是基于样本自协方差函数（ACVF）对于$I(0)$过程收敛于有限总体ACVF，而对于具有单位根的过程发散于无穷大这一事实。因此，新测试拒绝了样本ACVF值较大的$H_0$。为了解决"多大才算大"这一技术难题，我们将样本进行了分割，并为检验统计量的零分布建立了一个适当的正态近似。新的检验统计量的实质区分能力源于它在$H_0$下取有限值并在$H_1$下发散到无穷大的事实。这允许我们截断检验的临界值，使其具有渐近幂1。它还消除了由于样本分裂而导致的功率损失。该测试在用户友好的R函数中实现。
2021-06-01 stat.ME
Energy distance and kernel mean embeddings for two-sample survival testing
研究了右截尾方案下两个随机样本之间分布相等性的比较问题。为了解决这个问题，我们设计了一系列基于能量距离和核均值嵌入的测试。我们校准我们的测试使用置换方法，并证明他们是一致的对所有固定的连续的替代品。为了评估我们提出的测试，我们模拟了以前临床试验的生存曲线。此外，我们为从业者提供了一组关于如何选择延迟效应问题的参数/距离的建议。基于我们提出的参数调整方法，我们表明，我们的测试表现出相当大的增益对经典的生存测试的统计功效。
2019-12-09 stat.ME
Two-Sample Tests for High Dimensional Means with Thresholding and Data Transformation
我们考虑用阈值法检验高维总体的两个样本均值。两个测试进行了研究，这是为了更好的功率性能时，两个人口的平均向量不同，只有在稀疏的坐标。第一个测试是通过进行阈值处理来去除非信号轴承尺寸。第二个测试将通过精度矩阵的数据转换与阈值处理相结合。阈值化和数据变换的好处表现为测试阈值化统计量的方差减小、测试的功效提高和检测区域更宽。仿真实验和实证研究进行了确认的理论研究结果和演示的实际实现。
2014-10-10 stat.ME
A rank-based Cramér-von-Mises-type test for two samples
研究了一元样本分布-自由检验的秩基方法.检验统计量是组间秩距离平均值与组内秩距离平均值之间的差值。该检验统计量与双样本Cramér-von Mises准则密切相关。它们是检验两个总体分布相等性的同一数量的不同经验形式。虽然它们对于有限样本可能不同，但它们具有相同的期望值，方差和渐近性质。与经典秩检验相比，新秩检验的优点是易于推广到多变量情形。我们不使用经验过程方法，而是提供一种不同的更简单的证明，带来不同的视角和见解。特别是，我们应用Hájek投影和正交分解技术，推导出所提出的基于秩的统计量的渐近性。数值研究比较了秩公式检验与其他常用非参数检验的功效表现，并对这些检验提出了建议。最后，我们提出了一个多元扩展的测试的基础上的空间秩。
2018-02-27 stat.ME
A semiparametric two-sample hypothesis testing problem for random dot product graphs
随机图的双样本假设检验自然出现在神经科学、社交网络和机器学习中。本文研究了一类潜在位置随机图的双样本假设检验的半参数问题。我们制定了一个概念的一致性在这种情况下，并提出了一个有效的测试的假设，两个有限维随机点积图在一个共同的顶点集有相同的生成潜在的位置或生成潜在的位置，是缩放或对角变换的另一个。我们的检验统计量是每个图的邻接矩阵的谱分解的函数，并且我们的检验程序在广泛的替代方案中是一致的。我们将我们的测试程序应用于真实的生物数据：在神经连接体图的测试-重测数据集中，我们能够区分来自不同受试者的扫描;在{ \em C.elegans}连接体中，我们能够区分化学网络和电网络。后一个例子是一个具体的证明，我们的测试可以有权力，即使是小样本量。最后，我们讨论我们的测试程序和广义似然比检验之间的关系。
2015-06-18 stat.ME
Interpoint Distance Based Two Sample Tests in High Dimension
本文研究了高维低样本量下一类基于点间距离的两样本检验统计量。我们的检验统计量包括众所周知的能量距离和最大平均差异与高斯和拉普拉斯核，并通过排列得到的临界值。当两个高维分布对应于相同的边缘分布，但在分布的其他方面不同时，所有这些检验都是不一致的。基于能量距离和最大均值差异的检验主要针对边缘均值和方差之间的差异，而基于$L^1$ -距离的检验则可以捕捉到边缘分布的差异。我们的理论为基于点间距离的测试的局限性、不同距离度量的影响以及高维排列测试的行为提供了新的视角。一些模拟结果和一个真实的数据说明也证实了我们的理论研究结果。
2020-04-10 stat.ME
Large-sample tests of extreme-value dependence for multivariate copulas
从极值copula函数的极大稳定性特征出发，研究了多元copula函数极值依赖性的大样本检验问题。所提出的测试的两个关键成分是经验copula的数据和乘数技术获得近似的p值的派生统计。建立了乘子方法的渐近有效性，并通过广泛的蒙特卡罗实验研究了大量候选检验统计量的有限样本性能的数据集的尺寸2至5。在双变量情况下，最佳检验版本的拒绝率与Ghoudi，Khoudraji和Rivest（1998）最近由Ben Ghorbal，Genest和Neslehova（2009）重新访问的检验进行了比较。所提出的程序说明了二元金融数据和三元地质数据。
2011-05-11 stat.ME
Profile and Globe Tests of Mean Surfaces for Two-Sample Bivariate Functional Data
多元函数数据已受到相当大的关注，但平均表面和其轮廓的平等性测试进展有限。现有文献要么直接检验单变量函数样本的均值曲线的相等性，要么检验二元函数数据样本的均值曲面的相等性，但又转化为函数曲线的比较。在本文中，我们的目标是开发两个样本的二元函数数据的平均曲面的轮廓和全球测试。我们提出了有效的测试方法，采用汇集投影的想法，并通过开发一种新的配置文件功能主成分分析工具。所提出的方法具有易于解释和执行的优点。在较弱的条件下，得到了零假设和备择假设下检验统计量的渐近性质。仿真结果表明，所提出的测试有一个很好的控制的第一类错误的大小，并能检测在有限的样本有效的功率方面的差异，在平均表面及其轮廓。最后，我们将测试程序应用于两个真实的数据集，与美国中西部受时间和地点共同影响的降水变化，以及欧洲时期生命表中人类死亡率的趋势。
2019-03-06 stat.ME
Test of Covariance and Correlation Matrices
基于两个对称矩阵之间的广义余弦测度，我们提出了协方差矩阵和相关矩阵的单样本和双样本检验的一般框架。对于一些常见的单样本检验，如球性检验、恒等性检验、复合对称性检验，以及多元协方差矩阵或相关矩阵相等性的$K$样本检验，我们也给出了一套相关的置换算法。所提出的方法是非常灵活的，在这个意义上，它不假设任何潜在的分布和数据生成模型。此外，它允许数据在单样本同一性和$K$样本检验中具有不同的边缘分布。通过真实的数据集和大量的模拟，我们证明了所提出的方法在各种假设检验情况下，使用不同的分布和生成模型生成不同大小和维度的数据，在经验第一类错误和功效方面表现良好。
2018-12-04 stat.ME
A simple two-sample Bayesian t-test for hypothesis testing
本文针对两样本假设检验问题，提出了一种显式的封闭形式贝叶斯因子。所提出的方法可以被看作是贝叶斯版本的合并方差的t-统计量，并在实际应用中有各种吸引人的属性。它仅依赖于通过t统计量的数据，因此可以使用Excel电子表格或袖珍计算器进行计算。它避免了几个不希望的悖论，这可能会遇到以前的贝叶斯方法的Gonen等人。（2005）。具体来说，所提出的方法可以很容易地教在一个入门统计课程，重点是贝叶斯思维。为了说明的目的，提供了模拟和真实数据的例子。
2015-09-08 stat.ME
On high-dimensional modifications of some graph-based two-sample tests
检验两个高维分布的相等性是一个具有挑战性的问题，当样本量很小时，这变得更具挑战性。在过去的几十年里，文献中提出了几种基于图的双样本检验，它们可以用于任意维数的数据。大多数这些检验统计量是使用观测值之间的成对欧几里得距离计算的。但是，由于集中的两两欧几里德距离，这些测试在许多高维问题的性能较差。当两个分布之间的尺度差异主导位置差异时，其中一些可以具有甚至低于标称水平的功率。为了克服这些限制，我们引入了一类新的相异性指数，并使用它来修改一些流行的基于图的测试。这些改进的测试利用了距离集中现象的优势，因此，它们在各种各样的示例中优于基于欧几里得距离的相应测试。我们在相当一般的条件下建立了这些修改后的测试的高维一致性。分析几个模拟以及真实的数据集，我们证明了他们的有用性，在高维，低样本量的情况下。
2018-06-06 stat.ME
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
Estimating the sample mean and standard deviation from the sample size, median, range and/or interquartile range
在系统评价和荟萃分析中，研究者经常汇总一组相似临床试验的样本均值和标准差的结果。然而，一些试验使用中位数、最小值和最大值和/或第一和第三四分位数报告研究。因此，为了合并结果，可能必须估计这些试验的样本均值和标准差。在本文中，我们提出了改进现有的文献在几个方向。首先，我们证明了Hozo等人（2005）的样本标准差估计有一些严重的局限性，在实践中总是不太令人满意。受此启发，我们提出了一种新的估计方法，通过纳入样本量。其次，我们系统地研究了样本均值和标准差的估计问题，在更一般的设置，第一和第三四分位数也可用于试验。通过仿真研究，我们表明，所提出的方法大大改善了现有的方法，丰富了文献。我们总结了我们的工作与汇总表，作为一个全面的指导，在不同的情况下进行荟萃分析。
2016-10-05 stat.ME
A new graph-based two-sample test for multivariate and object data
本文提出一种基于合并样本相似图的新双样本检验，利用被忽视的常见模式同时提升位置和尺度备择下的功效，适用于多变量与非欧几里得数据，并通过模拟和实际应用验证其有效性。
2024-08-08 stat.ME
A test for second-order stationarity of time series based on unsystematic sub-samples
本文介绍了一种新的检验时间序列平稳性的方法，其中的检验统计量是通过测量和最大化两个随机区间上二阶结构的差异而得到的。对高斯和非高斯时间序列建立了检验统计量的渐近正态性，并提出了一种估计主要统计量方差的自助程序。此外，我们还展示了本地替代方案下测试的一致性。由于固有的灵活性随机，非系统的子样本用于检验统计量建设，所提出的方法是能够识别的间隔显着偏离平稳性没有任何二元约束，这是一个优势，比其他测试采用系统的设计。我们在模拟和真实数据上都证明了其良好的有限样本性能，特别是在检测局部偏离平稳性方面。
2016-11-25 stat.ME
Advanced Tutorial: Label-Efficient Two-Sample Tests
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Arizona State University（亚利桑那州立大学）
本教程面向特征丰富但样本标签昂贵的两样本检验问题，将主动学习思想引入检验流程，以在保持统计有效性和高检验功效的同时降低标签成本，并介绍实际应用。
2025-01-07 cs.LG stat.ME
A new class of robust two-sample Wald-type tests
与两个独立样本相关的参数假设检验经常出现在生物学、医学、流行病学、可靠性等许多应用中。在本文中，我们提出了强大的Wald型测试这样的两个样本问题，使用最小密度功率发散估计的基本参数。特别是，我们认为简单的两个样本的假设，以及一般的两个样本（复合）假设，涉及滋扰参数的样本的全参数同质性。提出的Wald型检验的渐近和理论的鲁棒性已经开发的简单和一般的复合假设。一些特殊的情况下，测试对片面的替代品进行了讨论，特别注意测试的有效性，在临床试验中的治疗。所提出的测试的性能也通过适当的实际数据的例子数值说明。
2017-02-15 stat.AP stat.ME
The performance of univariate goodness-of-fit tests for normality based on the empirical characteristic function in large samples
基于经验特征函数和一些最佳正态性检验，在两种检验之间进行经验功效比较。一个简单的正态性检验的基础上的经验特征函数计算在一个单一的点，表现出优于更复杂的Epps-Pulley检验和频率检验包括在大样本的研究。
2016-06-01 stat.CO stat.ME
Blinded sample size re-estimation in equivalence testing
本文研究了在等效性检验中应用盲态样本量审查时发生的第一类错误违规。我们给出了一个推导，解释了为什么这种违反更明显的等效性测试比优越性测试的情况下。此外，量化的第一类错误通货膨胀的模拟，以及一些理论上的考虑。当对样本量进行设盲中期重新评估时，出现不可忽略的第一类错误违背，特别是当样本量较小但在实际相关范围内时。
2019-08-13 stat.AP stat.ME
Data Transformations and Goodness-of-Fit Tests for Type-II Right Censored Samples
我们提出了几种适合于II型右删失数据的拟合优度方法。我们的策略是将原始观测值从删失样本转换为近似独立同分布。正态变量的样本，然后对转换后的观测值执行标准拟合优度正态性检验。几个著名的参数分布下测试的模拟研究揭示了抽样方法的性质。我们还提供了所提出的方法的理论分析。
2013-12-11 stat.CO stat.ME
Energy distance and kernel mean embedding for two sample survival test
本文对右截尾情形下两样本分布均匀性的比较问题提出了一个新的检验族。该测试是基于能量距离和内核的平均嵌入，校准排列，并对所有的替代品是一致的。新的测试在实际情况下，有限样本的良好性能建立与仿真研究。
2019-01-03 math.ST stat.ME stat.TH
E-Valuating Classifier Two-Sample Tests
University of Amsterdam（阿姆斯特丹大学）
本文提出E-C2ST，一种基于E值的深度分类器双样本检验方法，通过多批次数据划分提升统计功效，并支持任意时刻有效的序贯检验。
2024-04-30 cs.LG stat.ME stat.ML
RAPTT: An Exact Two-Sample Test in High Dimensions Using Random Projections
在高维情况下，经典的Hotelling $T^2$检验往往具有低功效，或者由于样本协方差阵的奇异性而变得不确定。本文通过将数据矩阵与随机矩阵相乘投影到低维子空间上来克服这个问题。本文提出了RAPTT（Random Projection T-Test）方法，它是基于投影低维数据的两个正态总体均值相等的精确检验。RAPTT不要求对数据维度或样本量进行任何限制。一个模拟研究表明，在高维的权力，这个测试往往是大于竞争的测试。RAPTT的优势是说明高维基因表达数据，涉及肿瘤和正常结肠组织的歧视。
2014-05-08 stat.CO stat.ME
A New ECDF Two-Sample Test Statistic
自Kolmogorov和Smirnov做出开创性贡献以来，经验累积分布函数（ECDF）已用于检验两个样本来自相同分布的假设。本文介绍了一种统计，这是可用的条件相同的Kolmogorov-Smirnov，但提供更多的权力比其他现存的测试在这方面。我证明了一个有效的（保守的）程序，用于产生有限样本p值。我概述了这个统计数据和它的两个主要前身之间的密切关系。我还提供了一个公共R包（CRAN：twosamples [2018]），使用$O(N)$内存在$O(N\log(N))$时间内实现测试程序。使用该软件包的功能，我进行了几次模拟研究，显示功率的改善。
2020-07-02 stat.ME stat.OT
A Normality Test for Multivariate Dependent Samples
文献中的大多数正态性检验是针对标量和独立样本进行的。因此，他们成为不可靠的有色过程时，阻碍了他们在现实scenaries.We的使用专注于Mardia的多变量峰度，推导出封闭形式的表达式，其渐近分布的统计相关的样本，下的正态性和混合条件的原假设。微积分是漫长而繁琐的，但最终的结果是简单的，并实现了低计算负担。所提出的表达的测试功率表现出良好的性能，在各种情况下，这是由计算机实验所示的Copula。
2022-03-01 stat.AP stat.ME
Two-sample Testing Using Deep Learning
Hasso Plattner Institute for Digital Engineering, University of Potsdam（波茨坦大学哈索·普拉特纳数字工程研究所）；Technical University of Kaiserslautern（凯泽斯劳滕工业大学）；University of Southern California（南加利福尼亚大学）；Hasso Plattner Institute for Digital Health at Mount Sinai（西奈山哈索·普拉特纳数字健康研究所）
我们提出了一个基于学习的深度神经网络表示的双样本测试过程。为此，我们定义了两个检验统计量，对映射到隐藏层上的数据样本执行渐近位置测试。测试是一致的，并且渐近控制1型错误率。其检验统计量可在线性时间内进行评价（在样本量内）。合适的数据表示以数据驱动的方式获得，通过在辅助（可能不同的）数据集上解决有监督或无监督的迁移学习任务。如果没有辅助数据可用，我们将数据分成两块：一块用于学习表示，另一块用于计算检验统计量。在对音频样本、自然图像和三维神经成像数据的实验中，与最先进的双样本测试（如核方法和分类器双样本测试）相比，我们的测试在类型2错误率（高达35个百分点）方面显着降低。
2020-03-10 cs.LG stat.ME stat.ML
Assurance for sample size determination in reliability demonstration testing
制造商必须证明产品符合可靠性目标。实现这一目标的典型方法是可靠性验证测试（RDT），其中对许多产品进行测试，如果达到目标可靠性，则通过测试。有多种方法可用于确定RDT的样本量，通常基于RDT或风险标准后的假设检验的功效。贝叶斯风险标准方法可能会混淆样本量的选择和一旦进行试验后要进行的分析，并依赖于人为的可接受和可拒绝可靠性水平的规范。在本文中，我们提供了一种替代方法来确定样本量的基础上的想法保证。该方法选择样本量以提供RDT将导致成功结局的一定概率。它将RDT的设计和分析分开，允许每个人有不同的先验。我们开发的保证方法的样本量计算RDT的二项式和威布尔似然，并提出适当的先验分布的设计和分析的测试。在每种情况下，我们都会通过基于真实数据的示例来说明该方法。
2019-05-21 stat.AP stat.ME
Predicting fixed-sample test decisions enables anytime-valid inference
AI & Robotics Institute, Ellison Institute of Technology（艾利森技术学院人工智能与机器人研究所）；Department of Statistics, University of Oxford（牛津大学统计系）；University of Kent（肯特大学）
研究针对数据顺序到达时固定样本假设检验的问题，提出将其转变为随时有效检验的程序，通过预测固定样本量下拒绝原假设概率并阈值化得停止规则，能控制第一类错误、节省样本量，对临床试验等有重要意义。
2026-07-13 stat.ME stat.ML
Change Point Detection with Copula Entropy based Two-Sample Test
Hitachi China Research Laboratory（日立中国研究实验室）
本文提出一种基于Copula熵双样本检验的非参数多元变点检测方法，结合二元分割策略实现多变点检测，并在模拟数据和尼罗河数据上验证了其有效性。
2024-02-03 cs.LG stat.ME
Study on upper limit of sample sizes for a two-level test in NIST SP800-22
NIST SP 800 -22是伪随机数发生器（PRNG）最广泛使用的统计测试工具之一。该工具由15个测试（一级测试）和两个附加测试（二级测试）组成。每个单水平检验提供一个或多个$p$值。双水平检验测量固定单水平检验获得的$p$值的均匀性。其中一个两水平检验将$p$值分为十个等长区间，并应用卡方拟合优度检验。这种两级检验通常比一级检验更强大，但有时当第二级的样本量太大时，它甚至会拒绝好的PRNG，因为它在计算$p$值时会检测到近似误差。本文针对SP 800 -22中出现的六个检验，提出了一个两水平检验中样本量的实用上限。这些上限由近似$p$值的分布与均匀分布$U(0, 1)$之间的卡方差异导出。我们还计算了每个单水平检验的第二水平的“风险”样本量。我们的实验表明，两个水平的测试与建议的上限给出了适当的结果，而使用的风险大小往往拒绝甚至好的PRNG。我们还提出了另一个改进：在两个水平测试的拟合优度计算中使用十个类别的精确概率。这使我们能够在第二水平增加样本量，并使测试比NIST推荐的使用更敏感。
2020-07-10 cs.CR stat.ME
A Practical Two-Sample Test for Weighted Random Graphs
网络（图）数据分析是统计学和机器学习中的一个热门研究课题。在实际应用中，经常会遇到图双样本假设检验，其目的是检验两个图总体之间的差异。为此目的，在二进制图的背景下，已经设计了几个统计测试。然而，许多实际的网络是加权的，现有的程序不能直接应用于加权图。本文研究了加权图两样本假设检验问题，并提出了一种实用的检验统计量。我们证明了在原假设下，该检验统计量在分布上收敛于标准正态分布，并从理论上分析了其功效。仿真研究表明，所提出的测试具有令人满意的性能，它大大优于现有的对应的二叉图的情况下。一个真实的数据应用程序来说明该方法。
2021-01-29 stat.AP stat.ME
Error Correction Codes for COVID-19 Virus and Antibody Testing: Using Pooled Testing to Increase Test Reliability
我们考虑了一种新的方法，通过使用专门设计的混合测试来提高COVID-19病毒或抗体测试的可靠性。我们建议测试来自许多人的混合样本，而不是测试来自单个人的鼻拭子或血液样本。本文提出的混合样本测试方法也有不同的目的：增加测试的可靠性和提供准确的诊断，即使测试本身不是很准确。我们的方法使用压缩感知和纠错编码的思想来纠正测试结果中的一定数量的错误。直觉是，当每个个体的样本是许多汇集的样本混合物的一部分时，来自所有样本混合物的测试结果包含关于每个个体的诊断的冗余信息，其可以被利用来以与纠错码纠正噪声通信信道中引入的错误完全相同的方式自动纠正错误的测试结果。虽然这种冗余也可以通过简单地多次测试每个人的样本来实现，但我们提出的模拟和理论论证表明，我们的方法在提高诊断准确性方面显着更有效。与旨在减少所需测试数量的分组测试和压缩感知相比，所提出的纠错码思想有目的地使用合并测试来提高测试准确性，并且不仅在“欠采样”制度下工作，而且在“过采样”制度下工作，其中测试数量大于受试者数量。这篇论文的结果与传统的观点背道而驰，即“尽管合并测试增加了测试容量，但合并测试比单独测试个体更不可靠。"
2020-07-29 q-bio.QM stat.ME
Active Sequential Two-Sample Testing
Arizona State University（亚利桑那州立大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；IBM Research（IBM研究中心）
本文提出首个主动序贯双样本检验框架，通过自适应分类模型主动标注高依赖度特征，在控制第一类错误的同时显著提升检验功效。
2024-06-28 cs.LG stat.ME
Two-Sample Tests for Large Random Graphs Using Network Statistics
我们考虑一个两样本的假设检验问题，其中的分布被定义在无向图的空间上，并且每个模型只能得到一个观测值。这个问题的一个激励性例子是比较Facebook和LinkedIn上的友谊网络。解决这类问题的实际方法是根据某些网络统计数据对网络进行比较。在本文中，我们提出了一个一般原则，在这种情况下，两个样本的假设检验，而不作任何假设的网络生成过程。本文的主要贡献是一个一般的配方的问题的基础上集中的网络统计数据，因此，一致的双样本测试，出现作为这个问题的自然解决方案。我们还表明，建议的测试是最小化最优的某些网络统计。
2017-05-26 stat.ME stat.ML
