Testing and Support Recovery of Correlation Structures for Matrix-Valued Observations with an Application to Stock Market Data
资产收益率的协方差阵的估计对于投资组合的构建至关重要。正如经济理论所表明的那样,新兴市场和发达国家之间的资产相关结构不同。因此,必须对这两组国家之间的相关矩阵相等性进行严格的统计推断。然而,如果采用传统的向量值方法,这种推断要么是不可行的,由于有限的国家数量相比,相对丰富的资产,或无效,由于违反时间独立性假设。这突出了将观测值视为矩阵值而不是向量值的必要性。对于矩阵值观测,我们感兴趣的问题可以表述为亚高斯分布下协方差结构的统计推断,即,检验非相关性和相关性相等性,以及相应的支持度估计。我们开发的程序是渐近最优的某些正则条件。仿真结果表明,我们的程序的计算和统计优势,超过某些现有的国家的最先进的方法,为正常和非正态分布。我们的程序应用于股票市场数据揭示了有趣的模式,并通过严格的统计检验验证了几个经济命题。
2021-09-27 math.ST stat.ME stat.TH
Kernel Hypothesis Testing with Set-valued Data
我们提出了一个一般的框架假设检验的分布集的个别例子。集合可以表示许多常见的数据源,例如时间序列中的观察组、文本中的单词集合或给定现象的一批图像。然而,这种观察模式与假设检验所需的常见假设不同:每个集合的大小不同,可能具有不同的噪声水平,并且还可能包含与感兴趣现象的分析无关的干扰变异性;如果不考虑,则会使测试决策产生偏差的所有特征。在本文中,我们建议解释集作为独立的样本从一个潜在的概率分布的集合,并介绍核双样本和独立性测试在这个潜在的分布空间。我们证明了测试的一致性,并观察到它们在广泛的合成实验中表现出色。最后,我们展示了它们在医疗保健和气候数据实验中的实际应用,在这些实验中,以前需要进行特征提取和测试。
2021-02-02 stat.ME stat.ML
Testing partial conjunction hypotheses under dependency, with applications to meta-analysis
在许多统计问题中,假设被自然地分成组,研究者有兴趣进行组水平的推断,可能还有对单个假设的推断。我们考虑的目标是发现组包含$u$或更多的信号与组级错误发现率(FDR)控制。我们考虑部分合取$p$ -值是组内$u=1.$-值的组合的情况,并且获得关于(1)组内和组间$p$-值之间的依赖性,(2)用于获得部分合取$p$ -值的组合方法,以及(3)用于获得对部分合取发现的FDR控制的多重测试过程。我们单独考虑在荟萃分析设置中遇到的依赖性,其中多个功能在几个独立的研究中进行测试,并且每个研究中的$p$值可能是依赖的。基于这种情况下的结果,我们推广了Benjamini,Heller和Yekutieli(2009)的程序,用于评估研究中信号的可复制性,并扩展了他们关于FDR控制的理论结果。
2021-05-19 math.ST stat.TH
Two simple sufficient conditions for FDR control
我们表明,控制的错误发现率(FDR)的多重测试过程中隐含的两个耦合简单的充分条件。第一个,我们称之为“自一致性条件”,涉及算法本身,第二个,称为“依赖控制条件”,涉及对$p$ -值族的依赖假设。许多标准的多重测试程序是自洽的(例如,逐步上升,逐步下降或逐步上升下降的程序),我们证明了依赖控制条件可以满足时,选择相应的适当的拒绝功能,在三个经典类型的依赖:独立,积极的依赖(PRDS)和未指定的依赖。因此,我们恢复早期的结果,通过简单和统一的证明,同时将其范围扩展到几个方面:加权FDR,$p$值重新加权,新的家庭的步骤下未指定的$p$值的依赖性和自适应的步骤。我们给出了其他可能应用的其他示例。这个框架还允许定义和研究FDR控制多个测试程序在一个连续的,不可数的空间的假设。
2008-10-21 math.ST stat.TH
Hypothesis Testing for High-Dimensional Matrix-Valued Data
针对高维矩阵值数据均值假设检验中传统最小偏差检验的维度局限,提出适配高维的新型检验统计量与稀疏SVD估计器,经理论分析、模拟及视频数据案例验证了实用性。
2024-12-10 math.ST stat.ME stat.ML
Nearly Unstable Integer-Valued ARCH Process and Unit Root Testing
本文提出了一种用于处理计数型时间序列数据的近似不稳定整数值自回归条件异方差(NU-INSIDATE)过程。证明了具有Skorohod拓扑的NU-INDUSTRY过程的适当正规化弱收敛于Cox-Ingersoll-Ross扩散。相关参数的条件最小二乘估计的渐近分布被建立为某些随机积分的泛函。基于蒙特卡罗模拟的数值实验验证了有限样本下的渐近分布的行为。这些模拟表明,几乎不稳定的方法提供了令人满意的和更好的结果比那些基于平稳性假设,即使当真正的过程是不接近非平稳。提出了一种单位根检验方法,并通过蒙特卡罗模拟检验了其第一类错误和功效。举例而言,建议的方法适用于英国每日因COVID-19死亡的人数。
2021-07-16 math.PR math.ST stat.ME
Testing Dependency of Unlabeled Databases
Tel Aviv University(特拉维夫大学)
研究无标签数据库的统计依赖性检验,刻画了基于谱性质的最优检验信息论阈值,并分析了弱检测与强检测的可行性。
2023-11-10 cs.IT cs.LG math.IT
Spatial clustering of array CGH features in combination with hierarchical multiple testing
我们提出了一种新的方法聚类DNA特征使用阵列CGH数据从多个肿瘤样本。我们区分数据崩溃:将具有非常相似数据的连续DNA克隆或探针连接到区域中,来自聚类:基于极大似然原理连接连续的相关区域。基于模型的聚类算法考虑了数据中明显的空间模式。我们通过聚类稳定性得分结合交叉验证来评估聚类结果的随机性。此外,我们认为,聚类真正抓住了空间基因组的依赖性,显示独立区域的巧合聚类是非常不可能的。使用区域和聚类信息,我们将这些与临床变量相关性的检验结合在一个分层的多重检验方法中。这允许解释区域和聚类的重要性,同时控制族级错误率。我们证明,在置换测试和置换不变的集群的上下文中,它是允许执行聚类和测试相同的数据集。我们的程序说明了两个癌症数据集。
2010-12-19 stat.AP 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
Distribution free testing for linear regression. Extension to general parametric regression
最近,\cite{Khm13, Khm16, Khm17}提出了一种基于酉变换的检验参数假设的无分布方法,并在\cite{Ngu17}和\cite{Rob19}中进行了进一步的研究。本文证明了在线性回归的分布自由检验中,变换的形式是极其简单的。然后将其推广到向量值协变量的一般参数回归。
2020-02-07 math.ST stat.ME stat.TH
Multiscale Fisher's Independence Test for Multivariate Dependence
识别多变量数据中的依赖关系是在许多应用中出现的常见推理任务。然而,现有的非参数独立性检验通常需要至少与样本量成二次方的计算,这使得它们难以应用于海量数据。此外,在有限的样本量下,通常需要重新计算以评估所得到的检验统计量的统计显著性,这进一步加重了计算负担。我们引入了一个可扩展的,重采样的方法来测试两个随机向量之间的独立性,分解成简单的单变量测试的独立性的2x2列联表的集合,通过顺序的粗到细的离散化的样本空间,推理任务转换成一个多重检验的问题,可以完成几乎线性的复杂性相对于样本量。为了解决增加的维度,我们引入了一个从粗到细的顺序自适应过程,利用依赖结构的空间特征,更有效地检查样本空间。我们推导出一个有限样本理论,保证我们的自适应程序在任何给定的样本量的推理有效性。特别是,我们表明,我们的方法可以实现强有力的控制的家庭明智的错误率,而无需重新搜索或大样本近似。我们展示了大量的计算优势的程序相比,现有的方法,以及其体面的统计功效在各种依赖的情况下,通过广泛的模拟研究,并说明如何分而治之的性质的程序可以利用,不仅测试独立性,但学习的本质的基础依赖。最后,我们通过分析来自流式细胞术实验的大数据集来演示我们的方法的使用。
2021-07-07 stat.AP stat.CO stat.ME
A Power Variance Test for Nonstationarity in Complex-Valued Signals
提出了一种新的复值信号非平稳性假设检验算法。该实现使用自举和快速傅立叶变换,使得该算法可以在O(NlogN)时间内有效地实现,其中N是所观察到的信号的长度。测试程序检查二阶结构,并将观察到的功率方差(即瞬时方差随时间的变化)与通过自举方法生成的平稳信号的预期特征进行对比。我们的算法程序能够学习不同类型的非平稳性,如跳跃或强正弦分量。我们说明了我们的测试和算法的效用,通过应用程序从流体动力学湍流数据。
2015-10-07 stat.ME
Hypothesis testing for medical imaging analysis via the smooth Euler characteristic transform
本文提出基于平滑欧拉特征变换的假设检验方法,用于检测医学影像中形状集合的显著差异,并在肺癌肿瘤影像上验证其性能优于现有机器学习模型。
2023-08-12 stat.ME
Model-X Sequential Testing for Conditional Independence via Testing by Betting
提出了一种无模型条件独立序贯检验方法。这项被提议的测试允许研究人员分析一个输入的i.i.d.。数据流与任何任意依赖结构,并安全地得出结论,是否有条件的功能与研究中的响应相关联。我们允许在数据点到达后立即在线处理数据点,并在检测到重要结果后停止数据采集,严格控制第一类错误率。我们的测试可以与任何复杂的机器学习算法一起工作,以尽可能提高数据效率。所开发的方法的灵感来自两个统计框架。第一种是X模型条件随机化检验,这是一种条件独立性检验,在样本量预先固定的离线设置中有效。第二种是通过打赌进行测试,这是一种用于连续假设检验的“博弈论”方法。我们进行合成实验,以证明我们的测试的优势,开箱即用的顺序测试,占在时间范围内的测试的多样性,并证明我们的建议的实用性,将其应用到现实世界的任务。
2023-02-19 stat.ME stat.ML
Modeling temporally uncorrelated components for complex-valued stationary processes
考虑离散弱平稳过程下的复值线性混合模型。我们恢复潜在的利益,这经历了线性混合的成分。研究了一类经典的基于协方差矩阵和自协方差矩阵同时对角化的非混合估计量的渐近性质,该估计量具有滞后$τ$。我们的主要贡献是,我们的渐近结果可以适用于一大类过程。在相关文献中,通常假设过程具有弱相关性。我们扩展了这个类,并考虑更强的依赖结构下的非混合估计。特别是,我们分析的非混合估计下,长期和短期依赖的复值过程的渐近行为。因此,我们的理论涵盖了非混合估计,收敛速度比通常的$\sqrt{T}$和非混合估计,产生非高斯渐近分布。所提出的方法是一个强大的preposing工具和高度适用于几个领域的统计。复值过程在例如生物医学应用和信号处理中经常遇到。此外,我们的方法可以应用到模型的实值问题,涉及时间不相关的对。例如,在金融应用中会遇到这些问题。
2020-03-11 math.ST stat.TH
Multiscale Cochran-Mantel-Haenszel Scanning for Conditional Dependency
Duke University(杜克大学);Uber Technologies Inc.(优步科技公司);University of Chicago(芝加哥大学)
本文提出一种非参数方法,用于测试条件独立性和估计条件关联性,扩展了Cochran-Mantel-Haenszel检验和比值比估计器到连续样本空间。通过多尺度扫描方法将样本空间分解为一系列2×2×T表,利用边际顺序统计量来条件化,从而在无需样本量趋于无穷大的情况下实现一致性。
2026-04-21 stat.ME
Testing independence of functional variables by an Hilbert-Schmidt independence criterion estimator
我们提出了Hilbert-Schmidt独立准则的估计量,该估计量是通过对通常估计量进行适当修改而获得的。在独立性假设和备择假设下,得到了该估计量的渐近正态性。一个新的测试的独立性的随机变量值到度量空间,然后介绍了一个模拟研究,允许比较建议的测试,以现有的一个提供
2022-06-23 math.ST stat.TH
Change-Point Detection and Bootstrap for Hilbert Space Valued Random Fields
研究了随机场中流行病变化存在性的检验问题。为了能够处理边缘分布的一般变化,引入了基于希尔伯特空间理论的Cramér-von Mises类型检验。证明了$ρ$ -混合希尔伯特空间值随机场的一个泛函中心极限定理.为了避免长期方差的估计和获得临界值,Shao的依赖野生自助法适用于这种情况。为此,联合功能中心极限定理的原始和自助样本。最后,通过一个简短的仿真研究补充了理论结果。
2016-10-20 math.ST stat.TH
Non-asymptotic goodness-of-fit tests and model selection in valued stochastic blockmodels
UC Davis(加州大学戴维斯分校);Illinois Institute of Technology(伊利诺伊理工学院);Temple University(天普大学);Tokyo Medical University(东京医科大学)
本文针对有值随机块模型提出非渐近拟合优度检验方法,推导马尔可夫基移动并定义统计量,验证功效与错误率,并应用于生态网络以选择块数量,结论与文献不同。
2025-10-15 cs.SI math.ST stat.ME
A Linear Programming Approach to Sequential Hypothesis Testing
在一些温和的马尔可夫假设下,证明了两个简单假设下的最优序贯检验设计问题可以用线性规划表示。该结果是通过研究序贯检验问题的拉格朗日对偶得到的,序贯检验问题是一个无约束的最优停止问题,依赖于两个未知的拉格朗日乘子。结果表明,最优费用函数对这些乘子的导数与相应的序贯检验的误差概率一致。这个属性被用来制定一个最优化问题,这是联合线性的费用函数和拉格朗日乘子,并解决这两个现成的算法。为了说明这一过程,我们推导了具有不同相依结构的高斯随机序列的最优序贯检验,包括高斯AR(1)过程。
2015-02-23 math.ST stat.TH
Online multiple testing with e-values
针对在线假设检验中未知依赖关系下的FDR控制问题,提出e-LOND算法,基于e值实现任意依赖下的错误发现率控制,并通过模拟证明其功效优于现有方法,同时扩展至随机化与置信区间构建。
2023-11-10 stat.ME stat.ML
Matrix-valued Factor Model with Time-varying Main Effects
本文提出矩阵值时变主效应因子模型(MEFM),推广传统矩阵值因子模型,提出各成分估计量并证明收敛性,通过检验与模拟验证了MEFM的必要性。
2024-05-31 math.ST stat.ME stat.TH
The Control of the False Discovery Rate in Fixed Sequence Multiple Testing
控制错误发现率(FDR)是多重检验的一种有效方法。在许多应用中,测试的假设有一个固有的层次结构。在本文中,我们专注于固定序列结构的假设的测试顺序已被严格规定提前。我们有动机研究这样的结构,因为它是最基本的层次结构,但它经常出现在实际应用中,如统计过程控制和流数据分析。我们首先考虑一个传统的固定序列的方法,停止测试,一旦接受发生,并开发这样一种方法控制FDR下任意和负的依赖关系。在任意依赖下的方法被证明是不可改进的,而不会失去对FDR的控制,与现有的FDR方法不同,它甚至不能通过限制到通常的正回归依赖子集(PRDS)条件来改进。考虑到任何潜在的错误,在测试的顺序,我们延长了传统的固定序列的方法,允许更多,但一定数量的验收。仿真研究表明,所提出的程序可以强大的替代现有的FDR控制程序。通过一个真实的数据集,从微阵列实验所提出的程序进行说明。
2016-11-10 math.ST stat.ME stat.TH
A new multiple testing method in the dependent case
最流行的多重检验程序是基于$P$的逐步程序--单个检验统计量的值。其中包括Benjamini-Hochberg [J. Roy.中央集权主义者Soc.Ser.B57(1995)289- 300]及其后代。即使对于需要相关数据的模型,也使用基于边缘分布的$P$值。与这些方法不同,新方法在所有阶段都考虑了依赖性。此外,$P$ -值过程往往缺乏一个直观的凸性,这是必要的容许性。此外,新方法在计算上是可行的。如果测试的数量很大,而真正的替代方案的比例小于小于,比如说25%,那么模拟就表明人们明显倾向于新的方法。应用程序详细的模型,如测试治疗对照(或任何组内相关模型),测试变化点和测试时,相关性是连续的手段。
2009-06-17 math.ST stat.TH
Feature detection and hypothesis testing for extremely noisy nanoparticle images using topological data analysis
我们提出了一个灵活的算法,用于特征检测和假设检验的图像具有超低的信噪比使用立方持续同源。我们的主要应用是在透射电子显微镜(TEM)的原子柱和其他功能的识别。立方持续同源性被用来确定局部极小值和它们的大小在子区域的纳米颗粒视频的帧,这是假设对应于相关的原子特征。我们比较我们的算法的性能,其他采用的方法检测列和它们的强度。此外,蒙特卡罗拟合优度测试使用来自平滑图像(从驻留在图像的真空区域中的像素生成)的持久性图的实值摘要开发和使用,以确定是否由我们的算法生成的建议的原子特征是由于噪声。使用从生成的持久性图导出的这些总结,可以产生纳米颗粒视频的单变量时间序列,从而提供用于评估流动行为的手段。对相同假设的多个蒙特卡罗检验的错误发现率的保证也成立。
2023-01-18 eess.IV stat.AP
Complex-Valued Probability Measures and Their Applications in Information Theory
School of Mathematical Sciences, Zhejiang University(浙江大学数学科学学院);Shanghai Fengqun Network Technology Co., Ltd.(上海丰群网络科技有限公司)
本文提出复值概率测度框架,引入复熵、复分歧和复度量,用于信息论和统计分析,通过相位调制扩展经典概率测度,并展示其在非参数假设检验中的应用。
2026-03-12 cs.IT math.IT math.PR
A Frequency Domain Test for Propriety of Complex-Valued Vector Time Series
本文提出了一种频域方法来检验复值向量时间序列是适当的假设,即,用于测试矢量时间序列是否与其复共轭不相关。如果该假设被拒绝,则将识别引起拒绝的频带,并且该频带可能有用地与物理过程的已知属性相关。该测试需要相关的光谱矩阵,该矩阵可以通过使用例如$K$锥度的多锥度方法来估计。检验统计量的标准渐近分布没有用,因为它们需要$K \rightarrow \infty,$,但是随着$K$增加,分辨率带宽也增加,这会导致光谱模糊。在许多分析$K$是必须保持小,因此我们的努力是针对小$K.$的假设检验的实用和准确的方法。我们的广义似然比统计量结合精确的累积量匹配给出了非常准确的拒绝百分比,优于其他方法。我们还证明,统计检验的基础上,是由典型的相干性所产生的从我们的复值向量时间序列。我们的方法证明了在拉布拉多海不同深度收集的海流数据。总的来说,这项工作扩展的结果适当测试复值向量的复值向量时间序列设置。
2016-05-19 stat.AP stat.ME
Efficient Online Set-valued Classification with Bandit Feedback
Binghamton University(宾汉姆顿大学)
针对老虎机反馈下真实标签不可见、校准数据稀疏的问题,提出BCCP框架,以无偏估计和随机梯度下降实现在线集值分类,并提供类别特定覆盖率保证。
2024-05-07 cs.LG stat.ML
A general nonparametric framework for testing hypotheses about function-valued parameters
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心)
本文提出一种非参数方法,用于检验条件分布定义的统计参数是否在条件变量上恒定,应用于治疗异质性、条件关联效应和条件均值依赖等问题,通过函数值参数的范数研究建立检验方法,并在模拟和乳腺癌试验中验证其有效性。
2026-04-21 stat.ME
Testing Serial Independence of Object-Valued Time Series
提出基于度量空间自距离协方差的非参数方法检验对象值时间序列序列独立性,构造Cramer-von Mises检验统计量并利用wild bootstrap确定临界值,有效捕捉所有非线性成对依赖关系。
2023-07-27 stat.ME
Diffusion-Based Hypothesis Testing and Change-Point Detection
Department of Electrical and Computer Engineering, Duke University(电气与计算机工程系,杜克大学);Department of Industrial Engineering, University of Pittsburgh(工业工程系,匹兹堡大学)
本文提出基于扩散的假设检验与变点检测方法,通过优化权重矩阵扩展得分函数,理论上量化性能并数值模拟验证其优势。
2026-10-23 cs.LG stat.ML
Toward Universal Testing of Dynamic Network Models
University at Albany, SUNY(纽约州立大学奥尔巴尼分校);Purdue University(普渡大学)
现实世界中的许多网络会随着时间的推移而变化,从某种意义上说,节点和边缘进入和离开网络。人们提出了各种动态随机图模型来解释这些系统的宏观性质,并为统计推断和预测提供基础。有一种严格的方法来确定这些模型与观察到的网络的匹配程度是令人感兴趣的。因此,我们提出了以下拟合优度问题:给定一个增长随机图的一系列观察/快照,以及一个候选模型M,我们能否确定这些快照是来自M,还是来自某个在某种自然度量中与M分离的任意替代模型?我们制定了这个问题,并将其归结为良好的适合测试图值,无限状态马尔可夫过程和展示和分析一个通用的测试的基础上,非平稳采样的自然类模型。
2020-02-13 cs.LG cs.SI math.PR
A criterion for hypothesis testing for stationary processes
给定一个有限值样本$X_1,...,X_n$,我们希望测试它是由属于$H_0$族的平稳遍历过程生成的,还是由$H_0$族外的平稳遍历过程生成的。我们要求测试的第一类错误是一致有界的,而第二类错误必须不超过概率为1的有限次数。对于这个概念的一致性,我们提供了家庭$H_0$的存在一个相合检验的充要条件。这个标准说明了应用程序测试的成员参数家庭,推广了一些现有的结果。此外,我们分析了一个更强的概念的一致性,这需要有限样本保证的错误的两种类型,并提供了一些必要条件和充分条件存在的相合检验。我们强调,没有假设的过程分布超越平稳性和遍历性。
2014-12-27 cs.IT math.IT math.PR
Estimating Precision Matrices for High-Dimensional Interval-Valued Data
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院);Key Laboratory of Complex System Analysis, Management and Decision (Beihang University)(复杂系统分析与决策重点实验室(北京航空航天大学));Advanced Institute of Information Technology, Peking University(北京大学信息科学技术学院前沿交叉研究院);Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所)
本文提出一种新框架,用于估计高维区间值数据的精度矩阵,通过假设区间上下界具有相同条件依赖结构,并利用区间图Lasso优化目标,实现精度矩阵估计,理论证明其稀疏性和一致性,实验验证方法的精度和可解释性。
2026-05-14 stat.ME
Network Dependence Testing via Diffusion Maps and Distance-Based Correlations
针对网络连通性与节点属性关联检验中高维和依赖结构的挑战,提出基于扩散映射和距离相关性的检验方法,在温和假设下证明检验统计量的一致性,并能高效识别最具信息量的图嵌入,在模拟与真实数据上验证有效。
2019-02-14 stat.ME
Testing the Homogeneity of Proportions for Correlated Bilateral Data via the Clayton Copula
University at Buffalo(布法罗纽约州立大学);Institute of Statistical Mathematics(统计数学研究所);The First Affiliated Hospital of Xiamen University(厦门大学附属第一医院)
针对眼科等临床试验中的相关双侧数据,本文提出基于 Clayton copula 的比例齐性检验框架,并通过模拟和两个真实数据集验证其可控制 I 类错误率且具有合理效能。
2025-09-28 stat.ME
Testing hypotheses on a tree: new error rates and controlling strategies
我们介绍了一个多重检验程序(TreeBH),解决了在多个级别的分辨率控制错误率的挑战。从概念上讲,我们认为这个问题是选择的假设,这是组织在一个树结构层次。我们描述了一个快速算法建议的顺序过程,并证明了它控制相关的错误率给定一定的假设之间的依赖p值。通过模拟,我们证明了TreeBH在一系列依赖结构(包括一个类似于全基因组关联研究中遇到的结构)下提供了所需的保证,并且它具有获得替代方法的潜力。我们还介绍了一个修改后的版本TreeBH,我们证明,以控制相关的错误率在任何依赖结构。最后,我们总结了两个案例研究:首先,我们分析了作为基因型-组织表达(GTEx)项目的一部分收集的数据,该项目旨在表征人体多个组织中基因表达的遗传调控,其次,研究肠道微生物组与结直肠癌之间关系的数据。
2018-10-23 stat.ME
Generalized projection tests for function-valued parameters with applications to testing structural causal assumptions
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心)
本文提出了一类基于序列估计器的广义投影检验,用于检验函数值参数是否为零,应用于数据融合和工具变量文献中的结构因果假设检验,采用灵活的机器学习方法估计非必要参数。
2026-09-16 math.ST stat.ME stat.TH
Covariance Matrix Estimation for High-Dimensional Interval-Valued Data with Positive Definiteness
Peking University(北京大学);Beihang University(北京航空航天大学);Renmin University of China(中国人民大学);Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));University of Science and Technology of China(中国科学技术大学);PKU-Wuhan Institute for Artificial Intelligence(北京大学武汉人工智能研究院);Xiangjiang Laboratory(湘江实验室);Guanghua School of Management, Peking University(北京大学光华管理学院)
本文提出了一种针对高维区间值数据的协方差矩阵估计方法,通过引入区间值软阈值估计器并保证正定性,解决了高维情况下区间值数据协方差估计的问题。
2026-04-01 stat.ME
Interval-valued circular time series: A toroidal score-driven approach with an application to wind direction
University of Pretoria(比勒陀利亚大学);Southern Illinois University(南伊利诺伊大学)
针对现有框架无法处理圆形、区间值且具时间依赖性数据的问题,本文提出环面得分驱动的区间值圆形时间序列模型,经模拟验证估计性能,应用于区间值风向数据体现了该框架的实用价值。
2026-10-12 stat.CO stat.ME
Testing Conditional Independence via the Spectral Generalized Covariance Measure: Beyond Euclidean Data
Hitotsubashi University(一桥大学)
本文提出基于谱广义协方差度量的条件独立性检验方法,通过谱坐标表达条件交叉协方差算子的平方范数,并利用数据依赖基进行有限维近似,避免直接估计条件均值嵌入,提升鲁棒性和一致性,适用于超越欧几里得数据的应用场景。
2026-04-06 stat.ME
Interpretation and visualization of distance covariance through additive decomposition of correlations formula
Arizona State University(亚利桑那州立大学);Hong Kong University of Science and Technology(香港科技大学)
本文通过相关性公式加法分解解释距离协方差机制,提出可视化方法以直观展示距离协方差分数,解决其解释困难问题。
2023-05-24 stat.ME
A robust approach for testing parameter change in Poisson autoregressive models
参数变化检验一直是时间序列分析中的一个重要问题。在整数值时间序列领域中也积极地探索了这个问题,但是在异常值存在的情况下的测试还没有被广泛地研究。本文研究了Poisson自回归模型中参数变化的检验问题,特别是当观测值被异常值污染时。为了减少异常值对检验过程的影响,我们提出了一种基于Basu等人(Biometrika,1998)提出的密度幂散度的检验方法,并推导了其极限零分布。蒙特卡罗模拟结果表明了该方法的有效性和较强的鲁棒性。
2019-08-29 stat.ME
Global Sensitivity and Domain-Selective Testing for Functional-Valued Responses: An Application to Climate Economy Models
本文扩展了全局敏感性分析方法,提出一种领域选择性推断技术,以处理具有有限变化输入的随机函数输出,并在模拟与真实数据中验证了其在检测气候经济模型敏感性模式时间动态方面的稳健性与有效性。
2024-04-29 econ.GN q-fin.EC stat.ME
Highly robust factored principal component analysis for matrix-valued outlier accommodation and explainable detection via matrix minimum covariance determinant
Guilin University of Technology(桂林理工大学);Yunnan University of Finance and Economics(云南财经大学);Chang'an University(长安大学)
本文提出高鲁棒因子主成分分析HRFPCA,利用MMCD估计量处理矩阵值重尾数据与异常值,并通过SODA图实现可解释检测。
2025-09-30 stat.ME
Computationally Efficient Distribution Theory for Bayesian Inference of High-Dimensional Dependent Count-Valued Data
我们介绍了一种贝叶斯方法,用于高维计数值数据的多变量时空预测。我们的主要兴趣是当可能有数百万个数据点在不同的变量、地理区域和时间被引用时。这个问题需要广泛的方法进步,因为联合建模这种大小的相关数据会导致所谓的“大n问题”。“在这种情况下,预测的计算复杂性进一步加剧,因为承认计数值数据自然是非高斯的。因此,我们开发了一个新的计算效率的分布理论,这种设置。特别是,我们引入了一个多变量的对数-Γ分布,并提供了大量的理论发展,包括:结果条件分布,边缘分布,与多元正态分布的渐近关系,并充分条件分布的吉布斯采样器。为了将变量,区域和时间点之间的依赖关系,使用多变量时空混合效应模型(MSTM)。这篇手稿中的结果非常普遍,并且可以用于表现出比我们认为的依赖性来源更少的数据(例如,多变量、仅空间或仅时空数据)。因此,我们的建模框架的影响可能会有很大的影响,共同建模相关的计数值数据的一般问题。我们通过模拟研究表明我们的方法的有效性。此外,我们证明了我们提出的方法与一个重要的应用程序分析从纵向雇主家庭动态(LEHD)计划,这是由美国人口普查局管理的数据。
2015-12-22 stat.ME
Causal discovery on vector-valued variables and consistency-guided aggregation
本文研究向量值变量的因果发现,提出三个聚合一致性分数并设计 Adag 包装器优化聚合,以提升聚合变量上因果发现的可靠性。
2025-05-15 stat.ME
Manifold valued data analysis of samples of networks, with applications in corpus linguistics
网络出现在许多应用中,例如文本文档分析,社交互动和大脑活动。我们开发了一个通用的框架,外部统计分析的样本网络,动机网络语料库语言学中的文本文件。我们确定网络与他们的图拉普拉斯矩阵,我们定义度量,嵌入,切空间,并从欧几里德空间的投影到图拉普拉斯空间。该框架提供了一种计算平均值、执行主成分分析和回归、以及执行假设检验(诸如用于检验网络的两个样本之间的平均值的相等性)的方式。我们应用的方法论,由简奥斯汀和查尔斯狄更斯的小说集。
2020-09-16 stat.ME