首页/论文/2201.05950

arXiv 2201.059502022-01math.STmath.PRstat.TH

Student分布的精化正态近似

Refined normal approximations for the Student distribution

Frédéric Ouimet

备注：: 9 pages, 1 figure
发表信息：: J. Classical Anal. (2022), 20 (1), 23-33
DOI：: 10.7153/jca-2022-20-03

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文建立了Student分布的一个局部极限定理。我们使用它来改进Shafiei & Saberali（2015）中给出的学生生存函数的正态近似，并推导出四个近似水平下相应最大误差的渐近界。作为一个推论，学生分布的百分点（或分位数）的近似值是根据标准正态分布的百分点获得的。

英文摘要：

In this paper, we develop a local limit theorem for the Student distribution. We use it to improve the normal approximation of the Student survival function given in Shafiei & Saberali (2015) and to derive asymptotic bounds for the corresponding maximal errors at four levels of approximation. As a corollary, approximations for the percentage points (or quantiles) of the Student distribution are obtained in terms of the percentage points of the standard normal distribution.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

中心和非中心χ 2分布的精化正态近似及其应用

Refined normal approximations for the central and noncentral chi-square distributions and some applications

本文证明了具有$r > 0$自由度和非中心参数$λ\geq 0$的χ 2分布的一个局部极限定理。我们用它来开发精细的正常近似的生存函数。我们的最大误差下降到$r^{-2}$阶，这明显小于Horgan & Murphy（2013）和Seri（2015）最近发现的$r^{-1/2}$阶的最大误差界。我们的结果使我们能够大幅度地减少在能量检测问题中获得可忽略误差所需的观测数，从Urkowitz（1967）的开创性工作中推荐的$250$，减少到只有$8$。我们还得到了中心和非中心χ 2分布与标准正态分布之间的几个概率度量的上界，并且我们得到了中值的近似，改进了Robert（1990）以前得到的下界。

2022-06-02math.PRmath.STstat.TH

Student正态分布与标准正态分布接近程度的精确界

Exact bounds on the closeness between the Student and standard normal distributions

得到了p自由度Student分布（SD_p）与标准正态分布之间的Kolmogorov距离的上界（在这种情况下，等价于全变差距离的上界）。这些界限在某种意义上是最佳可能的，并且相应的相对误差即使对于中等的p值也很小。同样的界限适用于SD_p和SD_q之间的接近程度，q> p。

2013-02-20math.PRmath.STstat.TH

在局部依赖下建立更精细的Berry-Esseen界

Refined Berry-Esseen bounds under local dependence

Southern University of Science and Technology（南方科技大学）；Shenzhen International Center for Mathematics, Southern University of Science and Technology（南方科技大学深圳数学中心）

本文在局部依赖下通过Stein方法和新集中不等式，改进了自归一化和非自归一化和的Berry-Esseen界，并应用于图依赖等场景。

2026-02-02math.PRmath.STstat.TH

关于Student统计量的Berry-Esseen界

On the Berry-Esseen bound for the Student statistic

新的Berry-Esseen型的界限，明确的常数因子，学生统计量的分布，并等价地，为独立零均值随机变量的自归一化和。这些界限与相应的现有结果进行了比较。

2012-05-23math.PRmath.STstat.TH

有多少同时假设检验可以正常化，学生t或自助校准应用？

To how many simultaneous hypothesis tests can normal, Student's t or bootstrap calibration be applied?

在微阵列数据的分析中，以及在其他一些当代统计问题中，以高度同步的方式应用假设检验并不罕见。例如，所使用的测试的数量（$ν$）可能比测试所应用的样本量（$n$）大得多，但我们希望校准测试，以便同步测试的总体水平是准确的。通常，每个测试的抽样分布都非常不同，因此可能没有机会将样本之间的数据组合起来。在此设置中，在电平精度变差之前，$ν$作为$n$的函数可以有多大？在本文中，我们回答这个问题的情况下，统计量的测试是学生的$t$型。我们表明，如果正常或学生的$t$分布用于校准，那么同时测试的水平是准确的，提供$\logν$增加在一个严格的速度比$n^{1/3}$作为$n$发散。另一方面，如果使用自举方法进行校准，则我们可以选择几乎与$n\half$一样大的$\logν$，并且仍然实现渐近水平的精度。这些结果的影响进行了探讨，从理论和数值。

2006-12-29math.STstat.TH

Student $t$ -、$F$ -和Welch统计量的尾部近似值（非正态且不一定是i.i.d.）随机变量

Tail approximations for the Student $t$-, $F$-, and Welch statistics for non-normal and not necessarily i.i.d. random variables

设$T$为学生单样本或双样本$t$ -、$F$ -或Welch统计量。现在释放正态性，独立性和相同分布的基本假设，并考虑更一般的情况，其中仅假设数据向量具有连续的联合密度。对于这种情况，我们确定$\mathbf{P}(T>u)$的渐近表达式为$u\to \infty$。该近似值对于小样本量特别准确，并且可用于例如高重复筛选实验的分析，其中重复次数可低至2至5次，并且通常使用极端显着性水平。我们给出了大量的例子，并补充我们的研究结果的收敛速度-无论是理论上，推导出精确的绝对和相对误差的界限，并通过模拟研究。

2014-10-22math.STstat.TH

更多相关论文收起更多论文

负二项分布的精细连续性修正及中位数的渐近性质

A refined continuity correction for the negative binomial distribution and asymptotics of the median

本文证明负二项分布的局部极限定理与精细连续性修正，并用于推导抖动后负二项变量中位数的渐近性质、构造参数 p 的稳健一致估计量，以及界定负二项与正态试验的 Le Cam 距离。

2023-01-31math.PRmath.STstat.TH

Bayesian Student- $t$线性回归的理论性质

Theoretical properties of Bayesian Student-$t$ linear regression

Bayesian Student- $t$线性回归是正态模型的一种常见的稳健替代模型，但其理论特性还不是很好地理解。我们的目标是通过提供两种不同的渐近情景分析来填补一些空白。结果允许精确地表征通过自由度（至少渐近地）控制的鲁棒性和效率之间的权衡。

2023-02-07math.STstat.MEstat.TH

关于正态方差-均值混合

On Normal Variance-Mean Mixtures

正态方差-均值混合分布包含一大类有用的分布，例如广义双曲分布，其本身包括学生t分布、拉普拉斯分布、双曲分布、正态逆高斯分布和方差Γ分布作为特殊情况。我们研究了正态方差均值混合的形状性质，在单变量和多变量的情况下，并确定条件单峰和对数的密度函数。这导致了一个简短的证明单峰的所有广义双曲密度。我们也解释这样的结果在实践中，并讨论离散的类似物。

2011-06-12math.PRmath.STstat.TH

圆形正态分布与线性正态分布之间的桥梁

A bridge between the circular and linear normal distributions

本文提出大浓度参数下von Mises分布与标准正态分布密度对数比的精细近似，补充Hill的工作，并强调两分布通过方差之间的联系。

2023-12-28math.PRmath.STstat.TH

评估成绩分布中的偏态正态性：Shapiro-Wilk检验的比较分析

Assessing Skew Normality in Marks Distribution, a Comparative Analysis of Shapiro Wilk Tests

本研究通过改进的Shapiro-Wilk检验评估学生成绩的偏态正态性，并与传统方法比较，为教育数据统计分析提供了更准确的框架。

2025-01-24math.STstat.MEstat.TH

矩阵变量$T$分布的局部正态逼近和概率距离界及其对Hotelling $T$统计量的应用

Local normal approximations and probability metric bounds for the matrix-variate $T$ distribution and its application to Hotelling's $T$ statistic

在本文中，我们开发的中心矩阵变量$T$密度与中心矩阵变量正常密度具有相同的协方差的比率的局部展开。近似值用于推导相应的诱导测量之间的几个概率距离（如全变差和Hellinger距离）的上界。这项工作将Shafiei & Saberali（2015）和Ouimet（2022）关于单变量学生分布的一些结果扩展到矩阵变量设置。

2022-07-28math.PRmath.STstat.TH

负多项分布与多元正态实验的渐近比较

Asymptotic comparison of negative multinomial and multivariate normal experiments

本文通过斯特林公式和精细泰勒展开建立负多项分布与多元正态密度比值的对数局部近似，进而给出海灵格距离和Le Cam距离的上界。

2023-09-25math.PRmath.STstat.CO

无矩条件下Student t-统计量的鞍点逼近

Saddlepoint approximation for Student's t-statistic with no moment conditions

Daniels和Young [Biometrika 78（1991）169-179]在非常严格的指数矩条件下推导出学生t统计量的鞍点近似，该条件要求底层密度函数至少与尾部的正态密度一样快地下降。这是对近似的适用性的严格限制。在本文中，我们表明，这种强指数矩的限制可以完全免除，即鞍点近似的学生的t-统计量仍然有效，没有任何时刻的条件。这证实了民间传说，即学生t统计量对离群值是稳健的。鞍点近似不仅提供了一个非常精确的近似学生的t-统计量，但它也可以更广泛地应用于统计推断。因此，应尽可能使用鞍点近似。将给出一些数值工作来说明这些点。

2005-08-30math.STstat.TH

学生$t$ -尺度混合误差检验

Student's $t$-test for scale mixture errors

广义t检验是在比正常条件更弱的条件下构造的。在本文的第一部分中，我们仅假设误差分布（i）的对称性（在零附近）。在第二部分中，我们假设误差分布是高斯尺度混合（ii）。最佳（最小）临界值可以从学生累积分布函数（cdf）的推广计算，$t_n(x)$。广义$t$ -检验统计量的cdf分别用（i）$t_n^S(x)$和（ii）$t_n^G(x)$表示。作为样本量$n\to \infty$，我们得到标准正常cdf $Φ(x)$的对应物：（i）$Φ^S(x):=\operatorname {lim}_{n\to \infty}t_n^S(x)$和（ii）$Φ^G(x):=\operatorname {lim}_{n\to \infty}t_n^G(x)$。显式公式给出了潜在的新的cdf的。例如，$Φ^G(x)=Φ(x)$当$|x|\ge \sqrt{3}$。因此，高斯分布的未知预期值的经典95%置信区间覆盖对称中心，高斯尺度混合分布的概率至少为95%。另一方面，$Φ^G$的90%分位数是$4\sqrt{3}/5=1.385... >Φ^{-1}(0.9)=1.282...$。

2006-10-27math.STstat.TH

在t检验上

On the T-test

$T$检验可能是最流行的统计检验;它是教科书的常规推荐。检验的适用性依赖于对Student统计量$\,t_n$分布的正态或Student近似的有效性。然而，后一种假设并不像假设的那样经常有效。我们发现，正常或学生的近似$\,Ł(t_n)\,$不一致，即使在类$\,{\cal P}_n\,$的样本从零均值单位方差有界分布。我们提出了相应的误差的下界。事实上，非参数检验并不适用于从类$\,{\cal P}_n\,$的样品一致似乎是第一次建立。这意味着$T$ -测试可能会产生误导，不应推荐其目前的形式。我们建议的测试，允许可能的限制/近似分布的变化，以$\,Ł(t_n)$的概括。

2020-12-28math.STstat.MEstat.TH

基于$t$分布参数估计的多元Myriad滤波器

Multivariate Myriad Filters based on Parameter Estimation of Student-$t$ Distributions

这项研究的贡献是双重的：首先，我们提出了一个有效的算法计算（加权）最大似然估计的多元学生$t$分布，我们称之为广义多元无数过滤器的参数。其次，我们使用广义多元万有滤波器的非局部框架中的图像去噪损坏的不同种类的噪声。所得到的方法是非常灵活的，可以处理重尾噪声，如柯西噪声，以及另一个极端，即高斯噪声。此外，我们详细介绍了如何在两个维度的投影正态分布的极限情况下$ν\rightarrow 0$可以用于周期性数据的鲁棒去噪，特别是对于被包裹的柯西噪声破坏的圆形数据的图像。

2019-06-19cs.NAmath.NAmath.ST