Robust Variance Estimation for Covariate-Adjusted Unconditional Treatment Effect in Randomized Clinical Trials with Binary Outcomes
为了提高具有二元结局的随机临床试验中无条件处理效应的估计精度和检验假设的功效，研究人员和监管机构建议使用g计算作为协变量调整的可靠方法。然而，g-计算的实际应用受到阻碍，缺乏一个明确的强大的方差公式，可以用于不同的无条件处理效应的利益。为了填补这一空白，我们提供了明确的和强大的方差估计g-计算估计，并通过模拟证明，方差估计可以可靠地应用于实践。
2023-03-27 stat.AP stat.ME
Planning a method for covariate adjustment in individually-randomised trials: a practical guide
背景资料：长期以来，人们一直建议在验证性随机试验的分析中考虑基线协变量，主要的统计学理由是这会增加功效，并且当随机化方案平衡协变量时，允许有效估计实验误差。有多种方法可用于解释协变量，但不清楚如何选择。研究方法：从撰写统计分析计划的角度来看，我们考虑如何在三种最有前途的广泛方法之间进行选择：直接调整、标准化和治疗加权的逆概率。结果如下：这三种方法在渐近有效性，错误指定协变量函数的效率损失以及处理设计平衡方面是相似的。如果目标是边际被估量（例如，风险差异或生存差异），则应避免直接调整，因为它涉及拟合受收敛问题影响的非标准模型。融合最有可能与IPTW。IPTW使用的稳健标准误在小样本量下是反保守的。所有方法都可以使用类似的方法来处理缺失的协变量数据。由于结局数据缺失，每种方法都有自己的方法来估计全随机化人群的处理效应。我们说明了一些问题，在重新分析GetTested，随机试验，旨在评估电子性传播感染检测和结果服务的有效性。结论：没有一种方法总是最好的：选择将取决于试验背景。我们鼓励试验者更经常地考虑所有三种方法。
2021-12-08 stat.ME
Resampling NANCOVA: Nonparametric Analysis of Covariance in Small Samples
Paracelsus Medical University（帕拉塞尔苏斯医科大学）；Paris Lodron University of Salzburg（萨尔茨堡巴黎洛德龙大学）；TU Dortmund University（多特蒙德工业大学）
本文提出重抽样NANCOVA方法，用于小样本下非参数协方差分析，解决现有方法在有序数据、模型假设、小样本I型错误控制和精确检验方面的局限，并证明其渐近精确性。
2024-12-23 stat.ME
Testing identification in mediation and dynamic treatment models
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
基于Huber和Kueck（2022）的检验，提出一种利用两组观测变量（协变量和疑似工具）来检验中介和动态处理模型中因果效应识别的方法，并应用于斯洛伐克劳动力市场数据。
2026-06-05 econ.EM stat.ME
Robustness and efficiency of covariate adjusted linear instrumental variable estimators
两阶段最小二乘（TSLS）估计及其变体被广泛用于使用工具变量（IV）来推断暴露对结果的影响。它们属于更广泛的两阶段IV估计量，其基于拟合暴露的条件均值模型，然后使用拟合的暴露值和协变量作为结果的线性模型中的预测因子。我们发现，标准的TSLS估计享有更大的鲁棒性模型误设比更一般的两阶段估计。然而，通过潜在地使用错误的曝光模型，例如当曝光是二进制时，它们往往是低效的。鉴于此，我们研究双稳健G-估计。这些方法使用暴露、IV和结局的工作模型，但仅要求IV模型或结局模型的正确规范，以保证对暴露效应的一致估计。由于局部有效的G-估计的有限样本性能可能很差，我们进一步开发了G-估计程序，提高了效率和鲁棒性的一些或所有工作模型下的误指定。仿真研究和数据分析表明，即使在一个或多个工作模型被错误指定的情况下，也有显著的改进。
2015-10-06 stat.ME
No star is good news: A unified look at rerandomization based on $p$-values from covariate balance tests
本文统一研究基于协变量平衡检验 $p$ 值的再随机化（ReP），推导三类回归处理效应估计量的渐近性质，证明完全交互回归估计量最有效且 ReP 可提升估计效率。
2023-06-03 stat.ME
Covariate-adjusted Fisher randomization tests for the average treatment effect
Fisher随机化检验（FRT）在任何单位无处理效应的强原假设下提供精确的$p$值，并允许灵活的协变量调整以提高把握度。感兴趣的是，该程序是否也可用于检验平均处理效应为零的弱原假设。为此，我们评估了两个一般策略的FRT与协变量调整的检验统计量：从一个结果模型的残差的基础上，只有协变量，并从一个结果模型的输出与治疗和协变量。基于理论和模拟，我们建议使用观察结果对治疗、中心协变量及其相互作用的普通最小二乘（OLS）拟合进行协变量调整，并使用治疗的稳健$t$值作为检验统计量进行FRT。由此产生的FRT是有限样本精确的强原假设，渐近有效的弱原假设，更强大的比未经调整的模拟下的替代品，所有的线性模型是否正确指定或不。我们分别发展了完全随机化、整群随机化、分层随机化和再随机化的理论，并对每种设计下的检验程序和检验统计量给出了建议。我们首先关注有限总体视角，然后将结果扩展到超总体视角，突出显示标准误的差异。出于相似性的程序，我们还评估了现有的五个排列测试的设计为基础的性能，原来的线性模型，并显示了优越性的建议FRT测试的处理效应。
2021-04-29 math.ST stat.ME stat.OT
Estimating Causal Effects With Partial Covariates For Clinical Interpretability
University of Basel（巴塞尔大学）
在诸如医学的应用中，在存在混杂的情况下估计干预的因果效应是经常发生的问题。这项任务是具有挑战性的，因为可能有多个混杂因素，其中一些可能会丢失，并且必须从高维噪声测量中进行推断。在本文中，我们提出了一个决策理论的方法来估计因果影响的干预措施，其中一个子集的协变量是不可用的一些患者在测试过程中。我们的方法使用的信息瓶颈原则进行离散的，低维的协变量数据的充分减少，以估计分布的混杂因素。在这样做时，我们可以估计干预措施的因果效应，其中只有部分协变量信息可用。我们在因果推断基准和治疗败血症的实际应用上的结果表明，我们的方法实现了最先进的性能，而不牺牲可解释性。
2018-11-26 cs.AI stat.ME
Nonparametric testing of the covariate significance for spatial point patterns under the presence of nuisance covariates
确定相关的空间协变量是点模式分析中最重要的问题之一。参数化方法可能导致错误的结论，特别是当点之间的相互作用模型是错误的。因此，我们提出了一个完全非参数的方法来检验协变量的显着性，考虑到滋扰协变量的可能影响。我们的检验与名义显著性水平相匹配，并且在强度函数模型和相互作用模型都正确的情况下，它们的功效与参数检验的功效相当。当强度函数的参数模型错误时，我们的测试会获得更高的功效。所提出的方法依赖于蒙特卡罗测试，并利用新引入的协变量加权残差测度。我们还定义了一个点过程和一个协变量之间的相关系数和一个部分相关系数量化的依赖点过程和一个协变量的利益，同时消除滋扰协变量的影响。
2022-10-11 stat.ME
Covariate Ordered Systematic Sampling as an Improvement to Randomized Controlled Trials
本文提出协变量有序系统抽样（COSS），通过实验前协变量排序并交替分配处理与对照，在保持 RCT 简洁性的同时提升因果估计灵敏度。
2024-04-16 stat.AP stat.ME
Nonparametric testing of the dependence structure among points-marks-covariates in spatial point patterns
本文研究了标记点过程中协变量与标记之间独立性假设的检验问题。如果（无标记）点过程独立于协变量和标记，则会相当直接。然而，在实践中，这样的假设是值得怀疑的，点过程和协变量或标记之间可能的依赖性可能导致不正确的结论。因此，我们建议在三角形点-标记-协变量一起研究完全依赖结构。我们利用最近发展的非参数随机移位方法，即新的方差校正方法，并提出了测试的原假设的独立性之间的标记和协变量之间的点和协变量。我们提出了一个详细的模拟研究显示的方法的性能，并提供了两个定理建立适当的形式的校正因子的方差校正。最后，我们说明了所提出的方法在两个实际应用中的使用。
2022-05-13 stat.ME
Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；ifo Institute（伊弗经济研究所）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
提出检验随机分配治疗是否完全通过中介变量影响结果，以及不同中介的因果机制是否可识别，并扩展至非随机治疗情形。
2026-06-05 econ.EM stat.ML
Covariate powered cross-weighted multiple testing
在分析具有许多变量的数据集时，一项基本任务是筛选关联。这可以被视为一个多重检验任务，其目的是在控制第一类错误的同时实现高检测能力。我们考虑由p值$P_i$和协变量$X_i$的对$((P_i, X_i))_{1\leq i \leq m}$表示的$m$假设检验，使得如果$H_i$为空，则$P_i \perp X_i$。在这里，我们展示了如何使用信息的协变量之间的异质性的假设，以增加功率相比，传统的程序，只使用$P_i$。为此，我们升级现有的加权多重检验程序，通过独立假设加权（IHW）框架，使用数据驱动的权重，计算作为协变量的函数。有限样本保证，例如，错误发现率（FDR）控制，来自交叉加权，数据分裂的方法，使学习的权重协变量函数没有过度拟合，只要假设可以被划分为独立的折叠，任意内折叠依赖。与不使用协变量信息的方法相比，IHW具有更高的功效。IHW的一个关键含义是，在常见的多重检验设置中，假设拒绝不应根据p值的排名进行，而是通过协变量加权p值暗示的替代排名进行。
2021-08-10 stat.ME
Testing for Treatment Effect Twice Using Internal and External Controls in Clinical Trials
利用外部对照--在外部试验或真实世界数据的控制下的相关个体患者数据--有可能降低随机对照试验（RCT）的成本，同时增加试验患者获得新治疗的比例。然而，由于缺乏随机化，RCT患者和外部对照在可能测量或可能未测量的协变量方面可能存在差异。因此，在控制测量的协变量后，例如通过匹配，使用外部质控品检测处理效应仍可能受到未测量偏倚的影响。在本文中，我们提出了一个敏感性分析的方法来量化的未测量的偏差，这将需要改变的研究结论，假设没有未测量的偏差引入采用外部控制的大小。利用外部对照是否增加功效取决于样本量与处理效应大小和未测量偏倚之间的相互作用，这可能难以预测。这激发了一种组合检验程序，该程序执行两个高度相关的分析，一个有外部对照，一个没有外部对照，使用两个检验统计量的联合分布对多重检验进行小的校正。联合检验为数据融合问题提供了一种新的敏感性分析方法，该方法只基于随机对照试验进行无偏分析，并将第一类错误的一小部分用于外部对照的检验。通过这种方式，如果利用外部控制增加功率，则与仅基于RCT的分析相比，功率增益可以是实质性的;如果不是，则功率损耗很小。所提出的方法进行了评估，在理论和功率计算，并应用于实际审判。
2022-07-12 stat.AP stat.ME
Covariate Adaptive False Discovery Rate Control with Applications to Omics-Wide Multiple Testing
传统的多重检验程序通常假设不同特征的假设是可交换的。然而，在许多科学应用中，关于信号和空值模式的额外协变量信息是可用的。在本文中，我们介绍了一个FDR控制过程中的大规模推理问题，可以纳入协变量信息。我们开发了一个快速算法来实现所提出的过程，并证明了其渐近有效性，即使底层模型是错误的，p值是弱相关的（例如，强混合）。进行了大量的模拟研究所提出的方法的有限样本性能，我们证明了新的方法是灵活的，强大的，强大的和计算效率提高了国家的最先进的方法。最后，我们将该方法应用于基因组学研究中产生的几个组学数据集，目的是识别与一些临床和生物表型相关的组学特征。我们表明，该方法是整体上最强大的竞争方法，特别是当信号稀疏。提出的协变量自适应多重检验过程在R软件包CAMT中实现。
2020-06-10 stat.ME
Optimal Covariate Balancing Conditions in Propensity Score Estimation
治疗加权逆概率（IPTW）是一种常用的估计平均处理效应（ATE）的方法。然而，实证研究表明，IPTW估计可以是敏感的倾向得分模型的误设定。为了解决这个问题，研究人员提出通过直接优化治疗前协变量的平衡来估计倾向得分。虽然这些方法在经验上表现良好，但很少有人知道平衡条件的选择如何影响它们的理论性质。为了填补这一空白，我们首先描述的渐近偏差和效率的IPTW估计的协变量平衡倾向得分（CBPS）的方法的基础上，局部模型误设定。基于此分析，我们展示了如何最佳地选择协变量平衡函数，并提出了一个最佳的CBPS为基础的IPTW估计。该估计量具有双重稳健性;如果倾向得分模型或结局模型正确，则该估计量对于ATE是一致的。此外，建议的估计是局部半参数有效时，这两个模型被正确指定。为了进一步放宽参数假设，我们扩展我们的方法，使用筛估计方法。我们证明了所得到的估计量在一组弱得多的假设下是全局有效的，并且比现有的估计量具有更小的渐近偏差。最后，我们通过模拟和实证研究评估所提出的估计的有限样本性能。一个开放源码软件包可用于实施所提出的方法。
2021-08-03 math.ST stat.AP stat.ME
A projection-based model checking for heterogeneous treatment effect
在本文中，我们研究的假设检验问题，检查是否部分协变量/混杂因素显着影响异质性的治疗效果给定的所有协变量。这种模型检查在有许多收集的协变量的情况下特别有用，这样我们就可以减轻典型的维数灾难。在测试构造过程中，我们使用基于投影的思想和基于非参数估计的测试过程来构造所有投影方向上的聚合版本。有趣的是，得到的检验统计量没有受到非参数估计通常具有的缓慢收敛速度的影响。这一特性使得该测试表现得像一个全局平滑测试，能够在假设检验中以最快的速度检测到收敛到零值的广泛的局部替代。此外，该测试可以继承的优点，平滑测试是敏感的振荡替代模型。通过数值研究和对一个实际数据的分析，检验了检验的性能。
2020-09-23 math.ST stat.TH
Statistical Inference for Covariate-Adjusted and Interpretable Generalized Factor Model with Application to Testing Fairness
本文提出了一种具有协变量调整和可解释性的广义因子模型，用于评估教育测试的公平性，并通过实验证明了其有效性。
2026-01-09 stat.ME
False Discovery Rate Control for High-Dimensional Networks of Quantile Associations Conditioning on Covariates
受基因共表达模式分析的启发，我们提出了一种新型的基于样本分位数的偶然（squac）统计量来推断基于协变量的分位数关联。它具有增强的灵活性，可以处理任意分布的变量和以协变量为条件的复杂关联模式。我们首先推导出它的渐近零分布，然后开发了一个基于squac的多重检验程序，同时检验所有$p(p-1)/2$对的协变量条件下的一对变量之间的独立性。这里，$p$是结局的长度，可能超过样本量。该测试过程不需要复位或扰动，因此计算效率高。通过理论和数值实验证明了该测试方法渐近控制错误发现率（\FDR）。当存在复杂的关联情况时，该方法优于所有的替代方法。将该方法应用于一个胃癌数据，成功地推断出了早期和晚期患者的基因共表达网络。它确定了与癌症存活率相关的网络中的更多变化。我们将我们的方法推广到结果的长度和协变量的长度都超过样本量的情况，并证明了渐近理论仍然成立。
2018-08-23 stat.ME
A Heteroskedasticity-Robust Overidentifying Restriction Test with High-Dimensional Covariates
本文提出一种适用于高维线性工具变量模型的过度识别约束检验，允许协变量和工具变量数量超过样本量，通过最大范数检验和功效增强技术提升检验功效，并具有尺度不变性和异方差稳健性。
2024-05-06 econ.EM math.ST stat.ML
A Comparison of Testing Methods in Scalar-on-Function Regression
标量响应函数模型描述了标量响应与一组函数协变量之间的关联。函数数据文献中的一个重要问题是在标量函数回归的背景下检验函数协变量的效应的零性或线性。本文概述了现有的检验零假设的方法，即函数协变量和标量响应之间没有关系和存在线性关系，并对它们的性能进行了全面的数值比较。各种现实的情况下的方法进行比较：当功能协变量被观察到在密集或稀疏的网格和测量包括噪声或不。最后，在Tecator数据集上说明了该方法。
2017-10-16 stat.ME
Dimension reduction-based significance testing in nonparametric regression
针对非参数回归模型，提出了一种基于降维的自适应模型检验方法。与现有的局部平滑显著性检验不同，新的检验表现得像一个局部平滑检验，就好像协变量的数量只是原假设下的协变量的数量，并且它可以以仅与原假设下的协变量的数量相关的速率检测不同于原假设的局部替代品。因此，当不可避免地需要非参数估计时，维数灾难在很大程度上得到缓解。在有许多不显著的协变量的情况下，新的测试的改进是非常显着的显着性水平的维持和功率增强现有的局部平滑测试。仿真研究和实际数据分析进行了有限样本的性能测试。
2015-10-13 stat.ME
Hypothesis testing at the extremes: fast and robust association for high-throughput data
许多生物医学问题需要进行许多假设检验，并随之需要应用严格的阈值。数据通常采用一系列预测向量的形式，每个预测向量都必须与单个响应向量进行比较，可能还有干扰协变量。关联的参数检验经常使用，但在极端阈值下可能导致不准确的第一类错误，即使是大样本量。此外，由于零分布的不对称性，与加倍的$p$值相比，标准双侧检验可能降低功效。精确（置换）测试是有吸引力的，但可能是计算密集型和繁琐的。我们提出了一个近似的趋势，是准确和快速的标准使用在高通量设置，并可以很容易地提供标准的双侧或双$p$值的精确关联测试。最常用的广义线性模型的排列下的似然比检验的方法是等效的。对于线性回归，通过处理协变量残差化响应和预测变量来处理协变量。对于广义线性模型，分层协变量的处理方式类似于精确条件检验。仿真和实例说明了该方法的广泛适用性。
2014-05-09 stat.ME
Covariate-Adjusted Inference for Differential Analysis of High-Dimensional Networks
对应于疾病状况的生物网络之间的差异可以帮助描述潜在的疾病机制。现有的差分网络分析方法没有考虑网络对协变量的依赖性。因此，这些方法可以检测由协变量对疾病状况和网络的影响引起的虚假差分连接。为了解决这个问题，我们提出了一个通用的协变量调整测试差分网络分析。我们的方法通过测试原假设来评估差分网络连接性，即对于具有相同协变量且仅疾病状态不同的个体，网络是相同的。我们在一项模拟研究中实证表明，与不考虑协变量的朴素假设检验程序相比，协变量调整检验具有改进的第一类错误控制。我们还表明，有设置中，我们提出的方法提供了改进的功率来检测差分连接。我们说明了我们的方法，将其应用于检测乳腺癌基因共表达网络的亚型的差异。
2021-05-17 stat.ME
Compositional Covariate Importance Testing via Partial Conjunction of Bivariate Hypotheses
本文针对成分协变量在回归中因总和约束导致传统条件独立性检验失效的问题，提出将相关协变量概念转化到成分数据设定中，并基于双变量条件独立性检验与部分合取假设检验开发了新的重要性检验和变量选择方法，同时给出理论保证和实验验证。
2024-12-31 math.ST stat.ME stat.TH
Testing for sufficient follow-up in cure models with categorical covariates
本文提出了一种适用于具有分类协变量的治愈模型中检验足够随访期的新方法，通过改进检验程序以提高统计功效。
2026-01-10 stat.ME
High-Dimensional Inference Based on the Leave-One-Covariate-Out LASSO Path
我们提出了一个新的措施变量的重要性在高维回归的基础上的变化LASSO解决方案的路径时，一个协变量被遗漏。该方法提供了一种计算变量重要性和进行变量筛选的新方法。此外，我们的程序允许建设的P值检验是否每个系数都等于零，以及用于检验假设，涉及多个回归系数同时，bootstrap技术被用来构建零分布。对于低维线性模型，我们的方法可以实现更高的功率比$t$ -测试。大量的仿真结果表明了该方法的有效性。在高维环境中，我们提出的解决方案路径为基础的测试实现了更大的权力比其他一些最近开发的高维推理方法。
2020-05-07 stat.ME
Testing For Global Covariate Effects in Dynamic Interaction Event Networks
本研究针对统计网络分析中的交互数据，将协变量分为全局与局部两类，扩展现有连续时间网络模型以对比全参数模型和含全局非参数时间分量的模型，可检验全局时间动态能否被简单全局协变量解释，并在共享单车网络中完成验证。
2023-06-15 math.ST stat.ME stat.TH
A Robustness Test for Estimating Total Effects with Covariate Adjustment
针对线性结构方程模型中因果图不确定的问题，提出利用多个有效调整集检验总效应估计稳健性的方法，并给出调整集选择策略及与计量经济学系数稳定性检验的联系。
2022-06-15 stat.ME
Nonparametric Testing and Variable Selection for ARCH-m(X) Model
本文提出ARCH-m(X)模型，通过非参数函数m()建模外生协变量对条件方差的影响，开发基于人工单向方差分析的显著性检验，并结合Benjamini-Yekutieli校正的变量选择方法，通过模拟和实证验证其有效性。
2026-04-29 stat.ME
Testing first-order intensity model in non-homogeneous Poisson point processes with covariates
对一阶强度函数进行建模是点过程理论的主要目标之一，迄今为止，人们从不同的角度对它进行了研究。一个吸引人的模型描述了强度作为空间协变量的函数。在最近的文献中，估计理论和几个应用程序已经开发假设这个模型，但没有正式检查这个假设。在本文中，我们解决这个问题的非齐次泊松点过程，提出了一个新的测试的基础上$L^2$距离。我们还证明了统计量的渐近正态性，我们建议一个自助程序来完成校准。两个应用程序与实际数据和模拟研究，以更好地了解我们的建议的性能完成。最后，一些可能的扩展，目前的工作，非泊松过程和多维协变量的情况下进行了详细说明。
2018-07-02 stat.AP stat.ME
AdaPT-GMM: Powerful and robust covariate-assisted multiple testing
我们提出了一种新的经验贝叶斯方法协变量辅助多重检验与错误发现率（FDR）的控制，其中我们模型的本地错误发现率为每个假设作为其协变量和p值的函数。我们的方法改进了自适应p值阈值（AdaPT）过程，通过推广其掩蔽方案来减少其错误发现比例估计的偏差和方差，提高了拒绝集较小或一些空p值集中在1附近时的功效。我们还介绍了一个高斯混合模型的条件分布的检验统计量给定的协变量，建模的混合比例与一个通用的用户指定的分类器，我们使用两层神经网络实现。与AdaPT一样，即使分类器或高斯混合模型被错误指定，我们的方法也可以在有限样本中控制FDR。我们在大量的模拟和真实数据的例子中表明，我们的新方法，我们称之为AdaPT-GMM，始终提供高功率相对于竞争的最先进的方法。特别是，它在AdaPT能力不足的情况下表现良好，特别适合于测试复合原假设，例如效应量是否超过实际显著性阈值。
2021-06-30 stat.CO stat.ME stat.ML
Testing for Treatment Effect in Covariate-Adaptive Randomized Clinical Trials with Generalized Linear Models and Omitted Covariates
尽管在临床试验中广泛使用，但在协变量自适应随机化下，统计推断的有效性仍受到关注。在文献中，协变量自适应随机化下的推断性质主要针对连续响应进行了研究;特别是，众所周知，处理效应的常用双样本t检验通常是保守的，在这个意义上，实际检验大小小于标称水平。这种无效检验的现象也在没有调整协变量的广义线性模型中发现，有时由于膨胀的第一类错误而更令人担忧。本研究的目的是检查广义线性模型和协变量自适应随机化下处理效应的未校正检验。对于一大类协变量自适应随机化方法，我们得到了在原假设下检验统计量的渐近分布，并导出了检验是保守的、有效的或反保守的条件.详细讨论了几种常用的广义线性模型，如逻辑斯谛回归和泊松回归。还提出了一种调整方法，以实现一个有效的大小的渐近结果的基础上。数值研究证实了理论研究结果，并证明了所提出的调整方法的有效性。
2021-05-02 math.ST stat.ME stat.TH
Heteroscedasticity Testing for Regression Models: A Dimension Reduction-based Model Adaptive
异方差检验在回归分析中具有重要意义。现有的局部平滑检验由于采用了非参数估计，即使协变量的数目不多，也会受到维数灾难的严重影响。本文提出了一种基于降维的模型自适应检验方法，该方法类似于局部平滑检验，假设协变量的个数等于均值回归函数中协变量的线性组合个数，特别是当均值函数包含一个单一指标时，协变量的个数等于1。在原假设下，检验统计量是渐近正态的，因此很容易确定临界值。通过仿真和实际数据分析，检验了有限样本的性能。
2015-10-13 stat.ME
A Pairwise Hotelling Method for Testing High-Dimensional Mean Vectors
对于高维小样本量，由于样本协方差阵的奇异性问题，Hotelling的T2检验不适用于检验均值向量。为了克服这个问题，文献中有三种主要方法。然而，请注意，现有的每种方法都可能具有严重的局限性，并且仅在某些情况下有效。受此启发，我们提出了一个成对的Hotelling方法来测试高维均值向量，从本质上讲，它提供了一个很好的平衡现有的方法。为了有效地利用相关性信息，我们构造了新的检验统计量作为具有强相关性的协变量对的Hotelling检验统计量和与其他协变量几乎没有相关性的个体协变量的平方$t$统计量的总和。在一定的正则条件下，我们进一步得到了所提出的Hotelling检验的渐近零分布和幂函数.数值结果表明，我们的新检验能够控制第一类错误率，并且与现有方法相比可以实现更高的统计功效，特别是当协变量高度相关时。两个真实数据的例子也进行了分析，他们都证明了我们的成对Hotelling测试的有效性。
2020-03-10 stat.ME
A Sequential Significance Test for Treatment by Covariate Interactions
由于患者对任何治疗方案的各方面反应的异质性，生物医学和临床研究正逐渐从传统的“一刀切”方法转向个性化医疗的新范式。在这个方向上的一个重要步骤是通过协变量相互作用来识别治疗。我们考虑的设置中，有潜在的大量的协变量的利益。尽管近年来开发了许多新的机器学习方法来帮助在这种情况下进行治疗选择，但很少（如果有的话）采用正式的假设检验程序。在这篇文章中，我们提出了一种新的测试程序的基础上m-out-of-n引导，可用于顺序识别与治疗相互作用的变量。我们研究了该方法的理论特性，并通过大量的仿真表明，它是更有效地控制第一类错误率，并取得了令人满意的权力相比，竞争的方法。此外，所提出的方法的实用性说明使用真实数据的例子，无论是从随机试验和观察性研究。
2019-11-19 stat.ME
Nonparametric goodness-of-fit testing for parametric covariate models in pharmacometric analyses
针对药物计量分析中协变量—参数函数关系缺乏严格检验的问题，提出相对于核化 Tikhonov 正则化备择假设的非参数拟合优度检验，并通过单克隆抗体清除率模拟验证其高检验效能与可行性。
2020-11-15 q-bio.QM stat.AP stat.ME
Testing Biased Randomization Assumptions and Quantifying Imperfect Matching and Residual Confounding in Matched Observational Studies
观察性研究设计的一个中心目标是使用统计匹配将非实验数据嵌入近似的随机对照试验中。尽管实证研究者的最佳意图和努力，以创造高质量的匹配样本，剩余的不平衡，由于观察到的协变量没有很好地匹配往往持续存在。尽管已经开发了统计检验来检验随机化假设及其影响，但由于观察到的协变量在匹配样本中不匹配，因此很少有统计检验提供量化残留混杂水平的方法。在这篇文章中，我们开发了两个通用类的精确的统计检验有偏的随机化假设。我们的测试框架的一个重要副产品是称为残余敏感性值（RSV）的量，它提供了一种方法来量化由于匹配样本中观察到的协变量的不完全匹配而导致的残余混杂水平。我们主张在下游主要分析中考虑RSV。所提出的方法是说明重新审查一个著名的观察性研究有关的影响，右心导管插入术（RHC）在重症患者的初步护理。实施该方法的代码可在补充材料中找到。
2022-06-20 stat.ME
Testing Equality of Conditional Distributions via Generative Models
University of California, Irvine（加州大学尔湾分校）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）；Washington University in St Louis（圣路易斯华盛顿大学）
提出一种基于生成模型检验两个条件分布是否相等的方法，通过交叉生成对齐协变量，避免密度比估计和高维平滑，并开发了基于RKHS的检验统计量及自举校准算法，理论证明了双重稳健性。
2026-06-05 stat.ME
Robust Nonparametric Testing Approaches for Spatial Regression
Yonsei University（延世大学）；University of South Bohemia（南波希米亚大学）；University Jaume I（海梅一世大学）
本文提出基于随机位移的稳健非参数蒙特卡洛检验框架，用于空间回归中的稳健推断，无需参数假设，通过残差间依赖性测量评估协变量显著性。
2026-05-10 stat.ME
Testing Hypotheses of Covariate Effects on Topics of Discourse
提出一种基于非负矩阵分解与回归的快速非参数主题建模方法，用于检验协变量对大型文本语料库话语主题的影响，兼具高可解释性与推断依据。
2025-11-03 stat.ME stat.ML
A machine learning-based approach for estimating and testing associations with multivariate outcomes
我们提出了一种方法来总结一组变量和多变量结果之间的关联强度。当协变量和结果之间存在线性关系时，经典的汇总措施是合适的，而我们的方法提供了一种替代方案，在可能存在复杂关系的情况下是有用的。我们利用集成机器学习来检测非线性关系和协变量相互作用，并提出一种捕获这些关系的关联度量。关于所提出的关联度量的假设检验可用于检验一组变量与多变量结果之间无关联的强原假设。仿真结果表明，这种假设检验有更大的权力比现有的方法对替代品的协变量与结果的非线性关系。我们还提出了变量组的变量重要性的措施，总结了每个组与结果的关联。我们证明了我们的方法使用的数据从出生队列研究儿童健康和营养在菲律宾。
2018-03-14 stat.ME
Analysis of Testing-Based Forward Model Selection
本文介绍并分析了线性回归问题中基于测试的前向模型选择（TBFMS）方法。该过程在估计最终回归之前归纳地选择将预测能力添加到工作统计模型中的协变量。决定下一步纳入哪个协变量以及何时停止纳入协变量的标准来自传统统计假设检验的概况。本文证明了概率界，这取决于测试的质量，预测误差和所选协变量的数量。作为一个例子，界限，然后专门的异方差数据的情况下，与测试的帮助下构建的Huber-Eicker-White标准误差。在假设的正则性条件下，这些测试导致估计收敛速度匹配其他常见的高维估计，包括拉索。
2020-04-06 math.ST stat.ME stat.TH
Locally sparse quantile estimation for a partially functional interaction model
功能数据分析已广泛开展。在这项研究中，我们考虑了一个部分功能模型，其中一些协变量是标量和线性效应，而其他一些变量是功能和未指定的非线性效应。显着推进从现有的文献中，我们认为一个模型的功能和标量协变量之间的相互作用。为了适应长尾误差分布，这是在数据分析中并不少见，我们采用分位数估计技术。为了实现更可解释的估计，并适应许多实际的设置，我们假设函数协变量的影响是局部稀疏的（即，存在子区域上的影响正好为零），这自然会导致变量/模型选择问题。我们建议尊重“主效应，相互作用”的层次结构，假设，如果一个子区域有一个非零的影响，在一个相互作用项，那么它的效果必须是非零的相应的主要功能的影响。对于估计，识别局部稀疏性，尊重的层次结构，我们提出了一个惩罚的方法。给出了一个有效的计算算法，并在较弱的正则条件下严格地建立了相容性。仿真结果表明了该方法的有效性。Tecator数据的分析进一步证明了其实用性。总体而言，这项研究可以提供一个新的和实际有用的模型和一个统计和数值上令人满意的估计方法。
2023-01-09 stat.ME
Two-component Mixture Model in the Presence of Covariates
在本文中，我们研究了推广的两组模型中的协变量的存在-一个问题，最近在统计文献中受到了很大的关注，由于其适用于多假设检验问题。我们考虑的模型允许无限维的参数，并提供了灵活性，在建模的协变量的响应的依赖性。我们讨论了这个模型中出现的可识别性问题，并系统地研究了几种估计策略。我们提出了一个调整参数自由的非参数极大似然方法，实现通过期望最大化算法，估计未知参数。此外，我们推导出建议估计的收敛速度-特别是，我们表明，有限样本Hellinger风险的每一个“近似”的非参数极大似然估计达到近参数率（对数乘法因子）。此外，我们提出并从理论上研究了两个“边际”的方法，更具有可扩展性和易于实现。我们通过广泛的模拟研究和相关数据分析证明了我们的程序的有效性-一个来自神经科学，另一个来自天文学。我们还概述了我们的方法的应用，多重检验。配套的R软件包$\texttt{NPMLEmix}$实现了本文中提出的所有过程。
2019-01-31 stat.ME
Optimal Covariate Weighting Increases Discoveries in High-throughput Biology
高通量生物数据固有的大规模多重检验需要非常高的统计严格性，因此数据中的真实效应难以检测，除非它们具有高效应量。减少多重检验负担的一个有希望的方法是使用独立的信息来优先考虑最有可能是真实效果的特征。然而，有效地使用独立数据是具有挑战性的，并且通常不会导致功率的实质性增益。现有的方法都是根据特征的独立信息对特征进行分组，并计算每个分组的权重。然而，当真实效应较弱且罕见时（高通量生物学研究的典型情况），所有组将包含许多空测试，因此它们的权重被稀释，性能受到影响。我们介绍协变量秩加权（CRW），用于计算近似的最佳权重的条件下，由外部协变量的测试排名的方法。该方法使用协变量排序和检验效应大小之间的概率关系来计算每个检验的个体权重，这些权重比组权重信息量更大，并且不会被零效应稀释。我们展示了如何从理论上计算这种关系的正态分布的协变量。在其他情况下，可以根据经验估计。我们通过模拟和数据应用表明，这种方法在生物数据常见的罕见/低效应大小场景中的性能比现有方法高出10倍，并且在所有场景中至少具有相当的性能。
2022-03-11 stat.ME
A randomization-based theory for preliminary testing of covariate balance in controlled trials
本文从随机化推断视角研究随机试验中先检验协变量平衡再决定是否回归调整的策略，证明两类初步检验估计量分别存在效率损失及置信区间反保守或过度保守问题，因而不推荐该做法。
2023-07-17 stat.AP stat.ME
Multivariate and Multiple Contrast Testing in General Covariate-adjusted Factorial Designs
针对协变量调整因子设计中评估多个结局的需求，提出半参数MANCOVA框架下的多元多重对比检验扩展，适用于非正态、异方差及奇异协方差数据，并在心理干预数据上验证。
2025-06-18 math.ST stat.ME stat.TH
Post-selection Inference in Regression Models for Group Testing Data
针对分组检测数据中响应变量部分观测的问题，提出结合EM算法与LASSO惩罚的变量选择方法，扩展多面体引理的选择后推断框架，模拟验证其比朴素方法的推断结果更可靠。
2025-04-16 stat.ME
A Simple Method for Detecting Interactions between a Treatment and a Large Number of Covariates
我们考虑这样一种设置，在该设置中，我们对一组观察结果进行了处理和大量协变量，并希望对它们与感兴趣的结果的关系进行建模。我们提出了一个简单的方法建模之间的相互作用的治疗和协变量。其思想是以简单的方式修改协变量，然后使用修改后的协变量拟合标准模型，而不使用主效应。我们表明，再加上效率增强程序，这种方法产生有效的推论在各种设置。它可以用于个性化医疗：从一组大的生物标志物中确定可能从治疗中受益的患者子集。我们将该方法应用于模拟数据集和癌症的基因表达研究。修改的数据可以用于其他目的，例如用于确定一组协变量中的哪些与治疗变量相互作用的大规模假设检验。
2012-12-12 stat.ME
A test for comparing conditional ROC curves with multidimensional covariates
受试者工作特征（ROC）曲线的比较在文献中经常用于比较基于诊断变量的不同分类程序的区分能力。这些变量的表现有时会受到其他协变量的影响，因此在进行比较时应将其考虑在内。本文提出了一种新的非参数检验方法，用于检验两条或多条以多维协变量值为条件的相依ROC曲线的相等性。投影用于将问题转化为更容易处理的一维方法。仿真实验研究了新方法的实际性能。一个真实的数据集与胸腔积液的患者进行了分析，以说明这一过程。
2021-02-08 stat.ME
Convolution-smoothing based locally sparse estimation for functional quantile regression
本文提出基于卷积平滑的局部稀疏估计方法，用于函数分位数回归，解决稀疏性和计算挑战，提高模型可解释性。
2025-12-01 stat.ME
Nonparametric Goodness-of-fit Testing under Covariate Shift
Hong Kong University of Science and Technology（香港科技大学）
本文针对协变量偏移场景，提出结合截断重要性加权核岭回归与乘数自助法的非参数拟合优度检验方法，经理论证明与数值实验验证其有效性。
2026-08-07 cs.LG math.ST stat.ME
Testing for changes in the error distribution in functional linear models
针对泛函线性模型，提出基于序贯残差经验分布函数的误差分布变点检验，该检验渐近分布自由且对单变点备择一致，并证明变点估计量的一致性。
2024-11-07 math.ST stat.ME stat.TH
