On Robustness of the Shiryaev-Roberts Procedure for Quickest Change-Point Detection under Parameter Misspecification in the Post-Change Distribution
最快变点检测问题的要点是检测一系列连续观测的统计行为中是否存在变化，并以最佳检测速度与最佳检测速度之比进行检测。“假阳性”-风险方式。当最优性被理解为广义贝叶斯意义上的或Shiryaev的多循环设置中定义的，所谓的Shiryaev-Roberts（SR）检测程序被称为是“最好的一个可以做的”，然而，提供的观测值的变化前和变化后的分布都是完全指定的。我们考虑一个更现实的设置，即一个假设的变化后的分布只知道一个参数，使后者可能是“错误的”。感兴趣的问题是相对于变更后分布参数的可能错误指定的其他“最佳”SR程序的灵敏度（或稳健性）。为了回答这个问题，我们提供了一个案例研究，在一个特定的高斯场景中，我们允许SR程序是“失调”的方式改变后的分布参数，并在数值上评估“失调”的影响Shiryaev的（多循环）稳态平均检测延迟提供的SR程序。研究中获得的SR程序的全面定量耐用性表征可用于发展相应的理论，并为SR程序的实际设计提供合理性。本研究的总体定性结论是预期结论：SR程序对于较少（较多）对比度变化和较低（较高）水平的假警报风险的稳健性较低（较高）。
2015-04-18 stat.CO
Testing for correct model specification in copula regression models
针对半参数Copula回归模型，通过引入真实回归函数与假定模型中最佳逼近的加权\(L^2\)距离进行拟合优度检验，推导检验方法并构建置信区间，有限样本模拟显示该方法有良好性质。
2026-07-17 math.ST stat.TH
Hypothesis testing in the presence of multiple samples under density ratio models
本文提出了一种从多个连通总体中给定独立样本的假设检验方法。该方法的动机是一个林业项目监测木材强度的变化。传统的实践是建立在非参数方法的基础上的，这些方法忽略了这些群体是相互联系的这一事实。该方法通过密度比模型将多个样本中的信息集中起来，从而提高了推理效率，降低了应用成本。新的测试具有经典的卡方零极限分布。在一类局部替代下得到了其幂函数。当地的权力被发现增加，即使当一些潜在的人口是无关的假设的利益。仿真研究证实，该测试具有更好的功率特性比潜在的竞争对手，是强大的模型误设定。并给出了在木材强度方面的应用实例。
2015-05-14 math.ST stat.ME stat.TH
Goodness-of-fit Testing in Linear Regression Models
模型检验在线性回归中起着重要的作用，因为模型误设定严重影响了回归分析的有效性和效率。在实践中，模型检查通常通过主观评估模型残差的图来执行。该方法通过从模型的残差构造随机过程来实现，然而由于非常复杂的协方差函数，获得检验统计量的精确分布是困难的。已经提出了几种解决方案来克服这一点，但是基于模拟和自举的方法仅渐近有效，并且可以在有限的样本量下产生具有不适当大小的测试。因此，我们建议使用置换估计零分布。我们表明，在一些温和的假设下，同方差的随机误差，这会产生相合检验下的零和备择假设。小样本性质的建议测试进行了研究，在广泛的Monte Carlo模拟研究，它表明，建议的测试达到正确的大小，即使有强烈的非正态随机误差和一个非常小的样本量，同时作为其他可用的替代品一样强大。最后给出了一些实际数据的例子。
2019-11-18 math.ST stat.TH
Assessing Estimation Uncertainty under Model Misspecification
针对广义线性模型可能误设导致经典推断失效的问题，提出局部残差 bootstrap，通过邻近观测残差重采样直接重建响应，以更准确评估不确定性，并验证了理论有效性与性能优势。
2023-12-18 stat.ME
Testing Imprecise Hypotheses
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）
本文研究了容忍测试中邻域大小与测试效力的信息论权衡，探讨了Gaussian序列模型中的最优权衡及非参数回归和密度模型中的相关问题。
2026-01-27 math.ST stat.ME stat.TH
Minimax nonparametric testing in a problem related to the Radon transform
我们考虑的检测问题的二维函数从噪声观测其积分线。我们研究率和尖锐的渐近误差概率在极大极小设置。通过构造，导出的测试是非适应性的。我们还构造了一个结构相当简单的minimax率最优自适应测试。
2011-09-19 math.ST stat.TH
On Robust Hypothesis Testing with respect to the Hellinger Distance
Tata Institute of Fundamental Research（塔塔基础研究所）；Carnegie Mellon University（卡内基梅隆大学）；Google Research（谷歌研究院）
研究了在样本可能不严格来自指定分布的情况下，如何通过Hellinger距离确定更接近的分布，并给出稳健检验的下界及对称卡方距离的启示。
2026-04-20 cs.IT math.IT math.ST
Posterior Convergence of Gaussian and General Stochastic Process Regression Under Possible Misspecifications
本文研究了非参数回归模型的后验收敛性，其中未知的回归函数由适当的随机过程建模。在这方面，我们考虑两个设置。第一种设置是基于高斯过程，其中协变量是随机的或非随机的，噪声可以是正态分布或双指数分布。在第二种设置中，我们假设基本的回归函数是由一些合理光滑的，但未指定的随机过程满足合理的条件。噪声的分布也未指定，但假设是厚尾的。在以前的研究中，关于同样的问题，我们不假设真理在于假设的参数空间，从而明确允许的可能性误指定。我们利用Shalizi（2009）的一般结果，不仅建立了后验一致性，而且建立了后验概率收敛的速率，即Kullback-Leibler发散速率。我们还研究了更熟悉的后验收敛速度。有趣的是，我们表明，后验预测分布可以准确地近似最好的可能的预测分布的意义上说，Hellinger距离，以及两个分布之间的全变差距离可以趋于零，尽管误指定。
2020-05-01 math.ST stat.ME stat.TH
Decentralized Clustering based on Robust Estimation and Hypothesis Testing
本文考虑了一种没有融合中心的传感器网络，这种网络在涉及嵌入在自主无人机或机器人上的传感器的应用中可能很难建立。在这种情况下，本文认为，传感器必须在一个完全分散的设置执行给定的聚类任务。标准的聚类算法通常需要知道聚类的数量，并且对初始化非常敏感，这使得它们很难在完全分散的设置中使用。在这方面，本文提出了一种分散的基于模型的聚类算法，克服了这些问题。该算法是基于一个新的理论框架，依赖于假设检验和强大的M-估计。更具体地说，决定两个数据是否属于同一聚类的问题可以通过对高斯随机向量的均值进行Wald假设检验来最优地解决。该检验的p值使得可以定义一种新类型的评分函数，特别适合于设计质心的M估计。由此产生的分散式算法有效地执行聚类，而无需事先知道聚类的数量。它也被证明是不太敏感的初始化比已经存在的聚类算法，这使得它适合于在没有融合中心的传感器网络中使用。
2017-06-12 math.ST stat.TH
Testing exogeneity in the functional linear regression model
提出了一种新的检验统计量来检验函数线性回归模型的外生性。与有限维线性回归设置中的Hausman型检验相反，不可能直接扩展到函数线性回归模型。相反，我们提出了一个检验统计量的基础上的两个估计量的预测的平方差的总和，用于检验功能线性回归模型中的外生性的原假设。我们得到了零值下的渐近正态性和一般替代下的相合性。此外，我们证明了剩余的自举程序的自举一致性结果。在模拟中，我们研究了有限样本性能的测试方法，并说明了基于引导的方法的优越性。特别是，自助方法变得更加强大的正则化参数的选择。
2022-08-14 math.ST stat.TH
On efficient estimators of the proportion of true null hypotheses in a multiple testing setup
我们考虑在多重检验背景下估计真零假设的比例$θ$的问题。该设置是经典的建模通过半参数混合两个组件：一个均匀分布的间隔$[0,1]$与先验概率$θ$和非参数密度$f$。我们讨论了渐近有效性的结果，并建立了两种不同的情况下发生是否$f$消失的集合上的非空Lebesgue测度或没有。在第一种情况下，我们展示估计收敛于参数率，计算最佳渐近方差和猜想，没有估计是渐近有效的（即达到最佳渐近方差）。在第二种情况下，我们证明了任何估计的二次风险不收敛于参数率。我们用模拟数据说明了这些结果。
2013-01-08 stat.AP
Exact and efficient multivariate two-sample tests through generalized linear rank statistics
本文将线性秩统计量推广至多元变量与复合备择假设，构建兼具似然比检验效率、稳健性和可计算精确 p 值的非参数两样本及 K 样本检验方法。
2023-09-30 q-bio.QM stat.ME
Robust testing in generalized linear models by sign-flipping score contributions
广义线性模型由于过度离散、异方差和忽略干扰变量等原因，常常被误定。现有的拟似然方法在错误指定的模型测试往往不能提供令人满意的第一类错误率控制。我们提供了一种新的半参数检验，基于符号翻转的个人得分贡献。允许被测参数为多维甚至高维。我们的测试往往是强大的对上述形式的错误规范，并提供更好的第一类错误控制比它的竞争对手。当估计干扰参数时，我们的基本测试变得保守。我们将展示如何考虑滋扰估计，以获得一个渐近精确的测试。我们提出的测试是渐近等价的参数对应。
2020-05-08 stat.ME
Asymptotically optimal, sequential, multiple testing procedures with prior information on the number of signals
假设数据是从独立的数据流中顺序收集的，我们考虑了在两个一般设置下多个二元假设的同时检验;当信号的数量（正确的选择）是事先已知的，当我们只有一个下限和一个上界。在这些设置中，我们提出了可行的程序，控制，没有任何分布假设，类型I和类型II的族错误概率低于给定的用户指定的水平。然后，在i.i.d.的情况下，观察在每个流中，我们表明，所提出的程序实现最佳的预期样本量，在每一个可能的信号配置，渐近的两个错误概率消失在任意速率。一个模拟研究是在一个完全对称的情况下，并支持从我们的渐近结果，如事实上，知识的确切数量的信号大约一半的预期数量的观察相比，没有先验信息的情况下获得的见解。
2016-07-20 math.ST stat.ME stat.TH
Genome-Wide Significance Levels and Weighted Hypothesis Testing
遗传学研究常常涉及同时检验大量相关的假说。为了控制总体错误率，需要相当大的惩罚，使得难以检测中等强度的信号。为了提高这种情况下的功效，许多作者考虑使用加权$p$值，其动机通常基于假设的科学可验证性。我们回顾这篇文献，得出最佳的权重，并表明，这些权重的错误指定的权力是非常强大的。我们考虑在实践中选择权重的两种方法。第一，外部加权，是基于先验信息。第二种是估计权重，使用数据选择权重。
2010-10-22 stat.ME
Integrated conditional moment test and beyond: when the number of covariates is divergent
经典的综合条件矩检验是检验回归模型误设定的一种很有前途的方法。然而，它严重地受到维度灾难的影响。为了将其推广到协变量个数不同的多指标参数模型的检验问题，本文研究了推断中的三个问题。首先，我们研究了非线性模型中参数矩阵的最小二乘估计的相合性和渐近线性表示。其次，我们提出，通过充分的降维技术，自适应模型版本的综合条件矩检验。研究了新检验在原假设和备择假设下的渐近性质，考察了新检验在假设检验中保持显着性水平的能力，以及对全局和局部备择假设的灵敏度.第三，我们得到了新的测试在发散维设置的自助近似的一致性。数值研究表明，新的测试可以很大程度上提高了原来的ICM测试在高维场景的性能。我们还将测试应用到一个真实的数据集进行说明。
2020-05-24 math.ST stat.ME stat.TH
Asymptotics in Multiple Hypotheses Testing under Dependence: beyond Normality
本文在一般相关框架下研究多重假设检验的渐近行为，证明Bonferroni程序及逐步向下程序在广泛分布类中FWER渐近趋于零，并给出正极限的反例，推广了正态情形下的既有结果。
2024-11-18 math.ST stat.ME stat.TH
Evidential Analysis: An Alternative to Hypothesis Testing in Normal Linear Models
本文提出用证据分析替代统计假设检验，以改善其缺陷，并应用于固定效应正态线性模型，通过双向方差分析实例展示其优势。
2024-08-21 stat.ME
An Asymptotically Exact Multiple Testing Procedure under Dependence
提出一种单步多重检验程序，在等相关的多元高斯设定下利用显式插入估计量渐近精确控制族错误率，无需逐步调整，并验证了其理论性质与模拟有效性，同时扩展至块相关结构和广义FWER控制。
2025-08-13 math.ST stat.ME stat.TH
Some Asymptotic Results on Multiple Testing under Weak Dependence
Interdisciplinary Statistical Research Unit, Indian Statistical Institute（印度统计学院交叉统计研究单元）；Institute for Statistics, University of Bremen（不来梅大学统计研究所）
本文研究了在弱相关正态设置下多重检验的渐近行为，证明了Bonferroni和Sidak程序在假设数量趋于无穷大时能精确控制FWER，并通过模拟验证了其渐近精确性。
2026-02-24 math.ST stat.ME stat.TH
Automated Selection of r for the r Largest Order Statistics Approach with Adjustment for Sequential Testing
r最大顺序统计量方法被广泛用于极值分析，因为它可以使用更多的信息，从数据中不仅仅是块的最大值。在实践中，r的选择至关重要。如果r太大，可能会出现偏差;如果太小，估计量的方差可能会很高。r个最大顺序统计量的极限分布（用GEVr表示）扩展了块最大值的极限分布。提出了两种规格检验来顺序选择r。第一个是GEVr分布的分数检验。由于GEVr分布的特殊性，经典的卡方渐近不能使用。最简单的方法是使用参数引导，这是简单的实现，但计算昂贵。另一种快速加权引导或乘法器程序的计算效率。第二个检验使用GEVr和GEV（r-1）模型之间估计熵的差异，分别应用于r最大顺序统计量和r-1最大顺序统计量。导出了差分统计量的渐近分布。在一个大规模的模拟研究中，这两个测试都保持了它们的规模，并有很大的力量来检测各种错误的方案。一种新的方法来解决这个问题的多个，连续的假设检验是适应这种设置，以控制错误发现率或familywise错误率。极端海平面和降水数据的程序的效用证明。
2016-04-07 math.ST stat.ME stat.TH
A goodness-of-fit test for the logistic propensity score model under nonignorable missing data
University of Waterloo（滑铁卢大学）
本文提出了一种在非忽略缺失数据下用于逻辑倾向评分模型的拟合优度检验方法，通过构建未加权残差平方和并考虑结果的不完全可观测性，建立了检验统计量的渐近分布，并通过Bootstrap方法验证其有效性。
2026-04-22 math.ST stat.ME stat.TH
Nonparametric Testing under Random Projection
非参数推理的一个共同挑战是当数据量很大时其高计算复杂性。在本文中，我们开发了计算效率的非参数检验采用随机投影策略。在特定的核岭回归设置，一个简单的基于距离的检验统计量的建议。值得注意的是，我们推导出的最小数量的随机预测，这是足以实现测试的最优性方面的极大极小率。进一步建立了一种不需要规则性先验知识的自适应测试方法。一个技术贡献是建立经验核特征值的尾和的范围的上界。仿真和实际数据分析进行支持我们的理论。
2018-02-17 math.ST stat.ME stat.ML
Calibration without labels in multiple testing
Department of Statistics, University of Michigan（密歇根大学统计学系）
针对多重检验中无法观测真实标签的难题，利用有序p值间距构造伪标签，实现局部错误发现率的校准，并揭示q值在心理学和神经科学文献中可能严重失准。
2026-06-19 stat.ME stat.ML
On Testing for Biases in Peer Review
我们认为在学术研究中的偏见问题，特别是在同行评议。关于向评论者暴露作者身份是否会导致对某些群体的偏见，存在长期争论，我们的重点是设计测试来检测此类偏见的存在。我们的出发点是Tomkins，Zhang和Heavlin最近的一项出色工作，该工作进行了一项受控的大规模实验，以调查WSDM会议同行评审中存在的偏见。我们提出了两套结果在本文中。第一组结果是否定的，并且与Tomkins等人的工作中使用的统计检验和实验设置有关。我们表明，其中采用的检验不能保证对误报概率的控制，并且在相关变量之间的相关性下，再加上以下任何条件，具有很高的概率，可以在实际上不存在偏倚时宣布存在偏倚：（a）测量误差，（b）模型失配，（c）审阅者校准。此外，我们表明，他们的实验设置本身可能会膨胀虚警概率，如果（d）投标是在非盲的方式进行或（e）流行的评审员分配程序。我们的第二组结果是积极的，是建立在一个新的方法来测试我们提出的偏见。我们提出了一个一般的框架测试偏见（单与双盲）同行评议。然后，我们设计的假设检验，在最小的假设条件下，即使在条件（a）-（c），保证控制假警报概率和非平凡的权力，以及提出一种替代的实验设置，减轻问题（d）和（e）。最后，我们表明，没有统计检验可以改善非参数检验，我们认为在控制虚警概率所需的假设。
2019-12-31 math.ST stat.AP stat.ME
Nonparametric estimation of the density of the alternative hypothesis in a multiple testing setup. Application to local false discovery rate estimation
在多重检验的背景下，我们考虑一个半参数混合模型与两个组件，其中一个组件是已知的，并对应于$p$ -值的分布下的原假设和其他组件$f$是非参数的，并代表下的分布备择假设。出于本地错误发现率估计的问题，我们在这里集中在混合物中的非参数未知成分$f$的估计，依赖于真实零假设的未知比例$θ$的初步估计。我们提出并研究了这个未知分量的两个不同的估计的渐近性质。第一估计器是随机加权核估计器。我们建立了它的逐点二次风险的上界，展示了经典的非参数收敛速度在一类Hölder密度。据我们所知，这是第一个结果建立收敛以及相应的速度估计未知成分在这个非参数混合。第二个估计量是最大平滑似然估计量。它是通过一个迭代算法计算的，为此我们建立了一个下降性质。此外，这些估计器用于多重检验过程中，以估计本地错误发现率。他们各自的表现，然后比较合成数据。
2013-04-03 stat.AP
Posterior Convergence of Nonparametric Binary and Poisson Regression Under Possible Misspecifications
在这篇文章中，我们研究了非参数二元和Poisson回归在可能的模型误设定下的后验收敛性，假设一般的随机过程具有适当的性质。我们的二元回归模型设置和目标类似于Ghosal和Roy（2006），其中作者使用了熵界和指数相合检验的方法，并使用了筛法来实现与高斯过程先验的一致性。相比之下，对于二元和泊松回归，使用一般的随机过程先验，我们的方法包括验证渐近均分性质以及筛分方法，这是Shalizi（2009）的一般结果的一种机动，甚至对错误指定的模型也有用。此外，我们不仅要建立后验一致性，还要建立后验概率收敛的速率，即Kullback-Leibler发散速率。我们还研究了传统的后验收敛速度。有趣的是，从主观贝叶斯的角度来看，我们将表明，后验预测分布可以准确地近似最好的可能的预测分布在这个意义上的Hellinger距离，以及两个分布之间的全变差距离可以趋于零，尽管误指定。
2020-05-01 math.ST stat.TH
A Bayes-Motivated Quadratic-Form Test for High-Dimensional Mean Testing
Anhui Normal University（安徽师范大学）；University of Manchester（曼彻斯特大学）
本文提出一种基于贝叶斯因子的两样本均值检验，用于高维数据中均值检验问题，尤其适用于高维p随样本量n线性增长的情况，通过模拟验证了该检验在异质方差和小样本下的竞争力。
2026-04-05 stat.CO stat.ME
Powerful Partial Conjunction Hypothesis Testing via Conditioning
针对标准部分合取假设检验保守性强、低信号下功效低的问题，提出基于基础p值顺序统计量条件化的cPCH检验，兼具有效性与低保守性，在多场景下表现更优，并通过DNA微阵列研究验证了应用价值。
2024-05-15 stat.ME
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
Hypothesis testing for general network models
本文基于随机矩阵理论提出一种适用于一般无权无向网络的拟合优度检验方法，并将其应用于度校正混合成员模型以序贯估计社区数量，模拟和真实数据验证了其有效性。
2024-08-08 stat.ME
Beta-trees for testing multivariate goodness-of-fit and localizing deviations from a model
Stanford University（斯坦福大学）
提出基于Beta树划分的拟合优度检验方法，通过自适应划分区域并构造置信区间，评估模型与数据的一致性，能检测局部偏离并识别模型误设区域。
2026-06-27 stat.ME
Testing Identity of Multidimensional Histograms
University of Southern California（南加利福尼亚大学）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）；CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室）
我们研究多维直方图分布的同一性检验问题。分布$p: D \rightarrow \mathbb{R}_+$，其中$D \subseteq \mathbb{R}^d$，被称为$k$直方图，如果存在域的分区为$k$轴对齐的矩形，使得$p$在每个这样的矩形内是恒定的。直方图是最基本的非参数分布族之一，在计算机科学和统计学中得到了广泛的研究。我们给这个问题的第一个身份测试{ \em子学习}样本复杂性在任何固定的维度和一个接近匹配的样本复杂性下限。更详细地，令$q$是固定维度$d$中的未知$d$维度$k$直方图分布，并且$p$是明确给定的$d$维度$k$直方图.我们希望正确区分$p = q$与$\|p-q\|_1 \geq ε$的情况，概率至少为$2/3$。我们设计了一个算法来解决这个假设检验问题，其样本复杂度为$O((\sqrt{k}/ε^2) 2^{d/2} \log^{2.5 d}(k/ε))$，在样本多项式时间内运行.我们的算法对模型误指定是鲁棒的，即，即使$q$仅承诺{ \em接近} $k$ -直方图，也会成功。此外，对于$k = 2^{Ω(d)}$，我们展示了当$(\sqrt{k}/ε^2) \cdot Ω(\log(k)/d)^{d-1}$。也就是说，对于任何固定维度的$d$，我们的上界和下界几乎是匹配的。在我们的工作之前，$d=1$情况下的样本复杂度是很好理解的，但没有已知的…
2019-02-19 cs.DS cs.IT cs.LG
Consistent estimation of the proportion of false nulls and FDR for adaptive multiple testing Normal means under weak dependence
我们考虑许多相依正态随机变量的多重检验均值，这些随机变量不一定服从联合正态分布。在弱相依下，证明了Lebesgue-Stieltjes方程解的比例估计的一致相合性，并通过弱相依指数刻画了这些估计的稀疏比例的一致估计.另一方面，在主相关结构和采用一个合适的定义的p值复合零假设，我们表明，三个关键的经验过程引起的一个单步多重检验程序（MTP）满足强大数定律测试的三种类型的零。此外，在此结构下，并分别为测试一个点空和一个片面的空，我们构造了一个自适应单步MTP，采用比例估计前面提到的，并证明了该过程的错误发现比例满足弱大数定律，因此一致估计的错误发现率的过程。此外，我们报告了一些调查结果的估计金和Meinshausen和水稻的比例的假空值的关键和非常稀疏的制度下弱依赖和模型误设定，分别。
2022-05-05 stat.ME
Assumption-Lean Post-Integrated Inference with Surrogate Control Outcomes
The University of Hong Kong（香港大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种稳健的后整合推断方法，通过利用替代控制结果来考虑潜在异质性，开发了半参数推断方法以估计投影直接效应，并通过模拟和单细胞CRISPR数据验证了其有效性。
2025-12-12 cs.LG q-bio.GN stat.AP
Hypothesis Testing for Class-Conditional Noise Using Local Maximum Likelihood
University of Bristol（布里斯托大学）；GSK（葛兰素史克）
针对现有类别条件标签噪声假设检验依赖过强参数假设、易出现模型误设的问题，提出基于局部最大似然估计的非参数逻辑回归检验方法，拓展了检验适用范围，并通过实验验证了其优劣。
2023-12-15 cs.LG stat.ML
Testing and estimation of clustered signals
针对大规模多重检验问题，提出了一种变点检测方法。与经典的变点设置不同，信号在一个集群中的大小可以不同。信号上的聚类结构使我们能够有效地描绘信号和非信号段之间的边界。新的检验统计量提出了一个和/或多个实现的观察。导出了它们的渐近分布。我们还研究了相关的方差估计问题。我们允许的方差是异方差的多个实现的情况下，这大大扩展了所提出的方法的适用性。仿真研究表明，该方法具有良好的性能。我们的程序被应用到{基于阵列的比较基因组杂交（aCGH）}数据集。
2021-04-29 stat.ME
A generalization of moderated statistics to data adaptive semiparametric estimation in high-dimensional biology
高维生物数据的广泛可用性使得同时筛选许多生物特征成为计算生物学和相关科学的中心问题。虽然这些数据集的维度继续增长，但在测量基线混杂因素的健康研究中，从暴露模式中识别生物标志物的复杂性也在增长;此外，在避免模型错误指定的同时这样做仍然是一个仅部分解决的问题。有效的估计，能够将灵活的，数据自适应回归技术，在估计相关组件的数据生成分布提供了一个途径，以避免模型误指定;然而，在高维问题的背景下，需要同时估计的许多参数，标准方差估计已被证明是不稳定的，导致不可靠的第一类错误控制，即使在标准的多重检验校正。我们提出了一个一般的方法，适用于经验贝叶斯收缩的方差估计的一个家庭的有效的，渐近线性估计的人口干预的因果关系。我们的推广收缩为基础的方差估计增加了推理的稳定性，在高维设置，促进这些估计的应用程序派生非参数变量的重要性措施，在高维生物数据集适度的样本量。其结果是一种数据自适应方法，用于在有限样本的研究中稳健地揭示高维数据中的稳定因果关系。我们的广义方差估计评价对替代方差估计在数值实验中。在对吸烟表观遗传效应的观察性研究中的高维DNA甲基化数据的分析中证明了使用所提出的方法识别生物标志物。
2022-01-13 stat.ME
The Inuence of Misspecified Covariance on False Discovery Control when Using Posterior Probabilities
研究了大规模多重检验问题中协方差结构的错误设定对错误发现率的影响。具体来说，我们评估的影响，局部FDR统计，这是在许多多重检验程序和相关的贝叶斯后验概率的边缘分布。在正确指定和不正确指定的模型下，推导出了边缘分布的显式形式。Kullback-Leibler分歧被用来量化错误指定所造成的影响。数值例子说明了这种影响。讨论了一个真实的土壤湿度时空数据。
2017-09-15 math.ST stat.ME stat.TH
A Bayesian Multiple Testing Paradigm for Model Selection in Inverse Regression Problems
在这篇文章中，我们提出了一种新的贝叶斯多重检验公式，用于逆向设置中的模型和变量选择，明智地将Bhattacharya（2013）提出的逆参考分布的思想嵌入到由竞争模型组成的混合框架中。我们开发的理论和方法，在一般情况下，包括参数和非参数竞争模型，相关数据，以及误指定。我们的研究表明，渐近多重检验程序几乎肯定会选择最好的逆模型，最大限度地减少最小的Kullback-Leibler发散从真实的模型。我们还表明，差错率，即版本的错误发现率和错误的非发现率几乎肯定收敛到零的样本量趋于无穷大。本文还研究了错误发现率版本的渐近α-控制及其对错误非发现率版本收敛的影响。我们的模拟实验涉及基于小样本的选择之间的逆泊松对数回归和逆几何logit和probit回归，其中回归是线性的或基于高斯过程。此外，还考虑变量选择。我们的多个测试结果证明是非常令人鼓舞的意义上选择最好的模型在所有的非错误指定和错误指定的情况下。
2020-07-15 math.ST stat.ME stat.TH
Conditional independence testing under misspecified inductive biases
University of Michigan（密歇根大学）
本文研究基于回归的条件独立性检验在模型归纳偏置错误设定下的表现，提出依赖错误设定误差的检验误差上界，并设计鲁棒的RBPT方法，通过实验验证其有效性。
2023-10-27 cs.LG math.ST stat.ME
Conditional Independence Testing in Time Series
University College London（伦敦大学学院）；University of Cambridge（剑桥大学）
针对时间序列中格兰杰因果检验，提出无模型的条件独立性检验方法GTCM，通过非线性回归与残差协方差统计量，在弱假设下控制错误率并利用全数据估计。
2026-09-18 math.ST stat.ME stat.TH
Significance testing in non-sparse high-dimensional linear models
在高维线性模型中，通常会进行稀疏性假设，即大多数参数等于零。在稀疏性假设下，估计和最近的推断已经得到了很好的研究。然而，在实践中，稀疏性假设是不可检查的，更重要的是经常被违反;大量的协变量可能被期望与响应相关联，这表明可能所有的，而不仅仅是几个，参数是非零的。一个自然的例子是全基因组基因表达谱，其中所有基因都被认为会影响一个共同的疾病标志物。我们发现，现有的推理方法是敏感的稀疏性假设，并可能反过来，导致严重缺乏控制的第一类错误。在这篇文章中，我们提出了一个新的推理方法，命名为CorrT，这是强大的模型误指定，如异方差和缺乏稀疏性。CorrT被证明有第一类错误接近标称水平的\textit{any}模型和第二类错误接近零的稀疏和许多密集的模型。事实上，CorrT在各种框架中也被证明是最佳的：稀疏，非稀疏和混合模型，其中稀疏和密集信号混合。数值实验表明，一个良好的性能的CorrT测试相比，国家的最先进的方法。
2018-05-28 math.SP math.ST stat.ME
