Convolution of Scale Invariant Continuous Ranked Probability Scores for Testing Experts' Statistical Accuracy
本文提出尺度不变的连续排名概率得分及其卷积闭式解,用于检验专家概率预测的统计准确性,并在6,761条真实预测数据上与卡方拟合优度检验进行比较。
2023-04-18 stat.ME
Sequential detection of low-rank changes using extreme eigenvalues
研究了信号协方差阵突变的检测问题。特别地,协方差从“白色”单位矩阵变为未知的尖峰或低秩矩阵。基于样本协方差阵的最大和最小特征值,提出了两种序贯变点检测方法。为了控制虚警率,我们提出了一个准确的理论近似的平均运行长度(ARL)和预期的检测延迟(EDD)的检测,利用极端的特征值分布从随机矩阵理论和捕获一个不可忽略的时间相关性的扫描统计序列由于滑动窗口的方法。真实数据的例子表明,我们的方法检测一个群体的行为变化的良好性能。
2017-06-15 math.ST stat.ML stat.TH
Statistical Inference for Low-Rank Tensor Models
本文提出统一框架,通过去偏与切空间投影推断低Tucker秩张量的一般及结构化线性泛函,实现渐近正态与极小化极大最优置信区间,填补了高维张量统计推断的方法论空白。
2025-01-27 math.ST stat.ME stat.ML
Rank Based Tests for High Dimensional White Noise
针对高维时间序列白噪声检验问题,提出三类基于秩的无分布检验方法,建立其渐近零分布与速率最优性,其中退化U统计量检验可检测非线性非单调自相关,且首次考虑高维数据截面相关性下的秩相关统计量渐近分布。
2023-07-19 math.ST stat.ME stat.TH
Asymptotic Distribution-free Change-point Detection for Modern Data Based on a New Ranking Scheme
National University of Singapore(新加坡国立大学)
针对高维或非欧几里得数据的变点检测问题,提出基于图诱导秩的RING-CPD方法,该方法渐近无分布、可解析近似p值,在模拟与真实数据集上均表现出有效性与稳健性。
2025-11-11 stat.ME
Statistical Inference for Rank Allocation in Low-Rank Adaptation
Department of Mathematics, National University of Singapore(数学系,新加坡国立大学);Department of Mathematics and Department of Electrical and Computer Engineering, National University of Singapore(数学系和电气与计算机工程系,新加坡国立大学)
研究低秩适应中在固定参数预算下分配秩资源的问题,提出StatLoRA方法,将其表述为统计假设检验问题,通过检验统计量和p值确定组件取舍,实验表明该方法在匹配秩预算下性能良好,支持了分配规则稳定性及渐近理论。
2026-07-23 cs.LG math.ST stat.ML
Testing independence in high dimensions with sums of rank correlations
当m可以大于可用的样本量n时,我们处理m个连续变量之间的独立性检验问题。我们考虑三种类型的检验统计量,它们被构造为成对秩相关的和或平方和。在渐近制度中,m和n趋于无穷大,鞅中心极限定理的应用表明,这些统计的零分布收敛到高斯极限,这是有效的,没有具体的分布或矩的数据假设。使用U-统计量的框架,我们的结果涵盖了各种秩相关性,包括Kendall的tau和Spearman的秩相关系数(rho)的主导项,但也包括退化的U-统计量,如Hoeffding的$D$,或Bergsma和Dassios的$τ^*$(2014)。与经典的U-统计量理论一样,当用于构造检验统计量的秩相关性是退化的U-统计量时,需要对它们进行不同的缩放。所考虑的测试的权力,探讨率最优理论下的高斯等相关的替代品,以及在数值实验的具体情况下,更一般的替代品。
2016-12-02 math.ST stat.TH
Statistical inference for high-dimensional convoluted rank regression
本文研究高维卷积秩回归的统计推断,建立惩罚估计误差界与去偏估计的 Bahadur 表示,并借助 Gaussian 近似和 bootstrap 构造同时置信区间。
2025-02-19 stat.ME
Central Limit Theorem for Linear Spectral Statistics of Large Dimensional Kendall's Rank Correlation Matrices and its Applications
本文研究了独立分量和连续分量样本生成的高维Kendall秩相关阵的极限谱行为。我们不要求分量同分布,也不需要任何矩条件,这与随机矩阵理论文献中的假设有很大不同。本文中的统计设置涵盖了广泛的高度偏态和重尾分布。在Marchenko-Pastur渐近条件下,建立了Kendall秩相关阵的线性谱统计量的中心极限定理(CLT),其中维数与样本量成正比地趋于无穷大.我们进一步提出了三种高维独立检验的非参数方法,并通过实现该方法得到了它们的极限零分布。我们的数值比较表明,我们提出的检验统计量在各种混合和重尾情况下的鲁棒性和优越性。
2019-12-13 math.ST stat.ME stat.TH
Finite-Sample Valid Rank Confidence Sets for a Broad Class of Statistical and Machine Learning Models
Rutgers, The State University of New Jersey(新泽西州立罗格斯大学)
本文提出Repro Samples方法,通过构建置信集来解决有限样本下广泛统计和机器学习模型中秩估计的不确定性问题,并通过模拟和真实数据验证其有效性。
2025-12-04 math.ST stat.ME stat.TH
Serial and nonserial sign-and-rank statistics: asymptotic representation and asymptotic normality
基于秩的推理的经典理论完全基于不考虑位置(截距)参数的普通秩,或者基于需要对称性假设的符号秩。如果在没有对称性假设的情况下,将中值视为位置参数,则普通秩的最大不变性属性将丧失于秩和符号。这种新的最大不变量因此提出了一种新的统计类别,基于普通的秩和符号。本文对这类统计量,在非序列和序列情形下,发展了一个拉·哈耶克的渐近表示论。相应的渐近正态性结果清楚地表明了符号如何为渐近方差增加单独的贡献,从而潜在地为渐近有效性增加贡献。如Hallin和Werker [Bernoulli 9(2003)137- 165]所示,以适当的方式对最大不变量进行条件化甚至可能导致半参数有效推理。半参数推理在回归和时间序列模型与中位数限制的应用将在即将到来的配套文件中详细处理。
2006-05-18 math.ST stat.TH
Log-rank test with coarsened exact matching
针对临床试验中生存时间比较时协变量等复杂结构建模难的问题,提出基于无需参数模型的CEM的加权对数秩统计量,推导其渐近性质并通过模拟验证其比基于倾向评分的对数秩统计量更稳健。
2024-12-01 math.ST stat.TH
Subspace Change-Point Detection via Low-Rank Matrix Factorisation
University of Bristol(布里斯托大学);University of Cambridge(剑桥大学)
多变量时间序列通常可以具有大量的维度,无论是由于收集的大量特征还是由于如何处理数据源。通常,高维时间序列的主要结构可以很好地由低维子空间表示。由于大量的数据是在很长一段时间内收集的,因此可以合理地假设基本的子空间结构会随着时间的推移而变化。在这项工作中,我们提出了一种基于低秩矩阵分解的变点检测方法,可以检测多变量时间序列的底层子空间中的多个变化。在合成数据集和真实数据集上的实验结果证明了该方法的有效性及其与各种最先进方法的比较优势。
2021-10-08 cs.LG eess.SP stat.AP
Global Sensitivity Analysis: a new generation of mighty estimators based on rank statistics
提出基于秩统计和Chatterjee相关系数的框架,统一估计多种全局敏感性指标,在小样本下数值高效且一致。
2026-06-06 math.ST stat.TH
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 and efficient change point detection using novel multivariate rank-energy GoF test
Tufts University(塔夫茨大学)
在本文中,我们使用并进一步发展了最近提出的基于最优传输(OT)理论的多变量,无分布拟合优度(GoF)测试,称为秩能量(RE)[1],用于多变量时间序列数据中的非参数和无监督变点检测(CPD)。我们表明,直接使用RE导致非常小的变化分布(造成高误报)的高灵敏度,它需要大样本的复杂性和巨大的计算成本。为了减轻这些缺点,我们提出了一个新的GoF检验统计量称为软秩能量(sRE),是基于熵正则化OT和采用它对CPD。我们讨论了使用sRE RE RE RE的优势,并证明了建议的sRE为基础的CPD优于所有现有的方法在真实和合成数据集的曲线下面积(AUC)和F1分数。
2021-10-29 cs.LG eess.SP stat.ML
Change point detection in low-rank VAR processes
针对高维相关时间序列中VAR模型平稳性假设因结构突变失效的问题,提出低秩分段平稳VAR模型的两步变点检测法,证明其极小最优性并在合成数据上验证有效。
2023-04-29 math.ST stat.TH
Statistically Optimal and Computationally Efficient Low Rank Tensor Completion from Noisy Entries
在这篇文章中,我们开发的方法来估计一个低秩张量从噪声观测的一个子集的条目,以实现统计和计算效率。最近有很多兴趣在这个问题的噪音张量完成。大部分的注意力都集中在与高阶张量问题相关的基本计算挑战上,但对它们的统计性能知之甚少。为了填补这一空白,在这篇文章中,我们的基本统计限制的噪声张量完成建立极小极大最优收敛率估计$k$阶低秩张量下的一般$\ell_p$($1\le p\le 2$)规范,这表明显着的改进空间比现有的方法。此外,我们提出了一个多项式时间可计算的估计过程的基础上的权力迭代和二阶谱初始化,实现最佳的收敛速度。我们的方法是相当容易实现和数值实验,以进一步证明我们的估计的实际优点。
2018-03-19 cs.IT math.IT math.ST
Estimation of the relative risk following group sequential procedure based upon the weighted log-rank statistic
在本文中,我们考虑一组顺序监测试验的生存终点,监测使用加权对数秩(WLR)统计与确定性权重函数。我们引入了一个汇总统计量的加权平均记录相对风险的形式,并表明,如果没有迹象变化的瞬时记录相对风险,总是存在一个双射之间的WLR统计和加权平均记录相对风险。我们表明,这种双射可以一致地估计在一个合适的形状假设下,我们列出了两种可能性,在每次分析。我们指出如何获得设计调整的p值和置信区间,并建议如何应用偏差校正方法。最后,我们记录了在设计NLST中期分析计划和报告主要终点结果时所做的几个决定。
2011-02-25 stat.ME
Robust spectral clustering with rank statistics
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本文提出基于非参数秩统计量的鲁棒谱聚类方法,证明其在重尾噪声和异质方差下能一致恢复潜在块结构及渐近精确恢复节点社区,并在人类连接体数据上提升了降维与聚类效果。
2024-12-19 cs.LG math.ST stat.ME
Characterizations of independence between order statistics and rank indicators
University of Brasília(巴西利亚大学)
该研究针对独立非负随机变量,通过重加权概率测度刻画次序统计量与对应秩指标的独立性,得到相关显式表达式与独立性偏离度量,还在删失场景下完成相关刻画并验证了方法适用性。
2026-08-07 math.ST stat.ME stat.TH
Multi-rank Subspace Change-point Detection with Application in Monitoring Robotic Swarms
Georgia Institute of Technology(佐治亚理工学院);Johns Hopkins University(约翰斯·霍普金斯大学);U.S. Naval Research Laboratory(美国海军研究实验室);Department of Applied Mathematics and Statistics, Johns Hopkins University(约翰斯·霍普金斯大学应用数学与统计学系)
本文提出多秩子空间-CUSUM方法,用于实时检测机器人群中高维流数据的低秩变化,通过投影能量跟踪实现高效检测。
2026-08-18 stat.ME
Edgeworth Expansions for Linear Rank Statistics Using Stein's Method
Technische Hochschule Würzburg-Schweinfurt(维尔茨堡-施韦因富特应用技术大学)
本文结合Stein方法与扩展的Bolthausen组合方法,为原假设下的线性秩统计量建立带小余项的一二阶Edgeworth展开,得到易验证且更通用的有效性条件并应用于得分近似场景。
2025-11-15 math.ST stat.TH
Decomposition of order statistics of semimartingales using local times
在最近的工作\cite{BG}中,给出了一个连续半鞅集合,当排序过程可以同时满足两个以上的原始过程时,由相应的排序过程得到了一个半鞅分解.这导致了对分级流程的更一般的分解。在本文中,我们得到一个更一般的结果半鞅(不一定连续)使用一个更简单的方法。此外,我们还推广了Ouknine的\cite{O1, O2}和Yan的\cite{Y1}公式
2008-07-31 math.PR math.ST q-fin.ST
Change Point Analysis of Multivariate Data: Using Multivariate Rank-based Distribution-free Nonparametric Testing via Measure Transportation with Applications in Tumor Microarrays and Dementia
在本文中,我提出了一个通用的算法,通过多变量分布自由的非参数检验的概念的基础上,由测量运输定义的秩的多个变点分析。多元秩和通常的一维秩都有一个重要的性质:它们都是分布自由的。这一发现允许在原假设下创建无分布的非参数检验。这种方法在各种领域的应用,在本文中,我实现了这种算法的微阵列数据集的个人膀胱肿瘤,ECoG快照癫痫患者,并在CASI分数的轨迹的背景下,教育水平和痴呆状态。每个变化点表示认知能力评分多年变化率的变化,表明存在临床前痴呆。在这里,我将估计一个多变量时序观测序列中的变点数量及其位置。本文将研究多个变点问题,在一个广泛的设置中,观察到的分布和数量的变化点是未指定的,而不是假设的时间序列观测遵循参数模型或有一个变点,因为在这一领域的许多作品假设。这里的目标是创建一个算法来检测变化点,同时尽可能少地对数据集进行假设。给出了这种新算法的理论性质以及估计变点的近似数目和位置的条件。该算法也已在GitHub上提供的R包recp中成功实现。本文的一个部分专门介绍此过程的执行以及recp包的使用。
2021-11-07 stat.ME
Multiple Change Point Detection in Reduced Rank High Dimensional Vector Autoregressive Models
研究了高维向量自回归(VAR)模型中转移矩阵具有低秩稀疏结构的变点检测与定位问题。我们首先解决的问题,检测一个单一的变化点,使用穷举搜索算法,并建立一个有限的样本误差界的准确性。接下来,我们将结果扩展到可以作为样本量的函数增长的多个变化点的情况。它们的检测基于两步算法,其中第一步,对候选变化点的穷举搜索用于重叠窗口,并且随后,向后消除过程用于筛选出冗余候选。两步策略产生的变化点的数量和位置的相合估计。为了减少计算成本,我们还研究了条件下,一个代理VAR模型与弱稀疏的过渡矩阵,可以准确地估计的变化点和它们的位置由原始模型产生的数据。这项工作还涉及并解决了正在考虑的VAR模型的性质所带来的一些新的技术挑战。所提出的算法和方法的有效性说明合成和两个真实的数据集。
2021-09-30 stat.ME
Approximating $f$-Divergences with Rank Statistics
Department of Mathematics, Technical University of Munich \& Munich Center for Machine Learning, Germany. The majority of the work was conducted while at the Institute of Mathematics at the Technical University of Berlin, Germany \& the Berlin Mathematical School.;Department of Signal Theory
提出一种基于秩统计量的 $f$-散度近似方法,通过直接处理秩分布避免显式密度比估计,并证明其单调性、下界性质及收敛速率,同时扩展到高维数据的切片版本。
2026-06-01 cs.LG stat.ML
Homogeneity and change-point detection tests for multivariate data using rank statistics
检测和定位高度多变量数据中的变化是当前几种统计应用中的主要问题。在这种情况下,本文的第一个贡献是一个新的非参数双样本齐性检验的基础上,著名的Wilcoxon秩统计量的多变量数据。本文提出的两样本齐性检验统计量可以推广到处理有序数据或截尾数据,以及检验两个以上样本的同质性。本文的第二个贡献涉及使用拟议的检验统计量进行回顾性变点分析。它首先表明,该方法是计算上可行的,即使当寻找大量的变点由于使用动态规划。然后,在要检测单个潜在变点的情况下,提供用于测试的可计算渐近$p$值。与现有的替代品相比,所提出的方法似乎是非常可靠和强大的。在数据被离群值污染或被噪声破坏以及潜在变化仅影响数据坐标子集的情况下尤其如此。
2012-02-09 math.ST stat.TH
The complex behaviour of Galton rank order statistic
高尔顿秩顺序统计量是两样本比较的最古老的统计工具之一。它也是衡量偏离随机优势的一个非常自然的指标。然而,它的渐近行为已被调查只有部分,在限制性假设。这项工作提供了一个全面的{研究}这种行为的基础上,分析所谓的接触集(修改的集,其中的分位数功能重合)。我们表明,A. S.当且仅当{the}接触集具有零勒贝格测度时,收敛于总体对应物成立。当这个集合是有限的,我们表明,渐近行为是由当地的行为,一个合适的重新参数化的分位数函数在附近的接触点。规则的交叉导致标准速率和高斯极限分布,但高阶接触(在本文中介绍的意义上)或接触的极端支持可能会导致不同的速率和非高斯极限。
2021-02-04 math.ST stat.ME stat.TH
Statistical inference based on robust low-rank data matrix approximation
奇异值分解被广泛用于用低秩矩阵逼近数据矩阵。Feng和He [Ann. Appl. Stat. 3(2009)1634-1654]基于奇异值分解开发了对数据矩阵的平均结构的维度的测试。然而,第一奇异值和向量可以由少量的离群测量值驱动。在本文中,我们考虑了一个强大的替代方案,缓和低秩近似离群值的影响。在随机行效应的假设下,我们给出了鲁棒低秩逼近的渐近表示。这些表示可用于检验低秩近似的充分性。我们使用寡核苷酸基因微阵列数据,以证明如何强大的奇异值分解相比,其传统的同行。实例表明,稳健的方法往往导致更有意义的评估的基因强度数据矩阵的维数。
2014-02-27 math.ST stat.TH
Change Point Detection in Pairwise Comparison Data with Covariates
本文提出PS-CARE模型,通过整合协变量信息将成对比较数据分段平稳化以检测未知的排名变点,结合MDL原则与PELT算法实现统计一致的变点估计,并在模拟和NBA数据中验证了其准确性与实用价值。
2024-08-24 math.ST stat.AP stat.ME
Global Sensitivity Analysis: a novel generation of mighty estimators based on rank statistics
NC State University(北卡罗来纳州立大学)
本文提出基于秩统计和Chatterjee经验相关系数的框架,用于估计多种全局敏感性指标,包括Cramér-von-Mises指标、一阶Sobol指标等,并证明了估计量的一致性和中心极限定理。
2026-05-22 stat.ME
High-dimensional nonparametric changepoint detection via low-rank degree-two density projection
North Carolina State University(北卡罗来纳州立大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出基于低秩二阶密度投影的高维非参数变点检测方法,利用低秩矩阵CUSUM等技术实现变点精确检测,在高维数据实验中表现优异。
2026-08-17 cs.LG stat.ML
Testing Rank of Incomplete Unimodal Matrices
设计了几种基于单模态矩阵模型的探测器,用于确定场中的源的数量。提出了一种新的方差比统计量,并分析了它的渐近分布。方差比检测器优于替代品。研究表明,通过优化选择的旋转可以实现进一步的改进。数值实验表明,我们的检测方法的基线方法的性能增益。
2021-01-26 math.ST stat.AP stat.ME
Inference for Low-rank Tensors -- No Need to Debias
Hong Kong University of Science and Technology(香港科技大学);Duke University(杜克大学);Princeton University(普林斯顿大学)
本文考虑几种低秩张量模型的统计推断。具体地说,在Tucker低秩张量PCA或回归模型中,提供任何估计达到一些可达到的差错率,我们开发的数据驱动的置信区域的奇异子空间的参数张量的基础上的渐近分布的更新估计两次迭代交替最小化。在对信噪比(PCA模型)或样本量(回归模型)的一些必要条件下,建立了渐近分布。如果参数张量是进一步正交分解,我们开发的方法和非渐近理论推断每个单独的奇异向量。对于秩一张量PCA模型,我们建立了主成分的一般线性型的渐近分布和参数张量的每个元素的置信区间。最后,数值模拟证实了我们的理论发现。在所有这些模型中,我们观察到,与现有工作中的许多矩阵/向量设置不同,去偏不需要建立估计的渐近分布或对低秩张量进行统计推断。事实上,由于广泛观察到的低秩张量估计的计算间隙,通常需要比统计(或信息理论)限制更强的条件来确保计算上可行的估计是可实现的。令人惊讶的是,这样的条件“偶然”呈现出一个可行的低秩张量推断而不去偏置。
2021-10-29 cs.LG math.ST stat.ME
Explanation and exact formula of Zipfs law evaluated from rank-share combinatorics
这项工作证明了排名和份额在统计上是相互依赖的,基于简单的组合。给出了等级份额分布的计算公式,并说明了新分布中各等级的期望值服从齐普夫定律。所有的结论、公式和图表都是根据不同领域的公开统计数据进行检验的。计算值与劳工统计局提供的统计数字之间的相关系数为0.99899。进行了蒙特卡罗模拟作为额外证据。
2017-05-20 physics.soc-ph stat.OT