Two-Sample Testing with Missing Data via Energy Distance: Weighting and Imputation Approaches
本文针对含缺失数据的双样本检验问题,提出基于能量距离的加权检验统计量及相应重抽样方法,并设计适用于插补样本的自助法,通过模拟给出不同场景下的使用建议。
2025-08-15 math.ST stat.CO stat.ME
Leveraging the group structure of hypotheses for more powerful multiple testing with FDR control for the filtered rejection set
Technion - Israel Institute of Technology(以色列理工学院);Montana State University(蒙大拿州立大学)
本文提出加权Focused BH方法,利用群组或DAG结构及数据依赖权重提升过滤后FDR控制下的多重检验功效,并通过模拟和真实数据验证其稳健性与实用性。
2025-09-18 math.ST stat.ME stat.TH
Weighted approximations of tail copula processes with application to testing the bivariate extreme value condition
考虑$n$ i.i.d.。$\mathbb{R}^2$上的随机向量,具有未知的公共分布函数$F$。在对$F$上的极值条件进行锐化的条件下,得到了相应的尾Copula过程的一个加权逼近.然后,我们构造了一个测试,以检查是否极值条件成立,通过比较两个估计的极限极值分布,一个得到的尾copula过程和另一个得到的第一次估计的谱测度,然后作为一个积木的极限极值分布。我们从上述的加权逼近推导出检验统计量的极限分布。该极限分布包含未知的功能参数。因此,我们证明了估计参数的版本弱收敛到真正的极限分布。基于此结果,我们的测试过程的有限样本性质进行了研究,通过模拟研究。并给出了一个实际数据应用。
2006-11-13 math.ST stat.TH
Jackknife empirical likelihood ratio test for log symmetric distribution using probability weighted moments
针对对数对称分布的拟合检验需求,基于概率加权矩提出对数对称性拟合优度检验及更易实施的刀切经验似然比检验,推导了统计量渐近分布,经模拟和数据集验证了方法有效性。
2024-10-05 math.ST stat.ME stat.TH
Weighted scoring rules and hypothesis testing
我们讨论加权评分规则的预测评估和他们的连接到假设检验。首先,提出了基于条件密度和概率预测评分规则的严格局部适当加权评分规则的一般构造原则。我们展示了如何从文献中的可能性为基础的加权评分规则适合这个框架,还介绍了加权版本的Hyvärinen分数,这是一个局部评分规则的意义上说,它只取决于预测密度及其衍生物在观察,并不需要积分的评估。此外,我们还讨论了与假设检验的关系。使用加权评分规则引入了审查机制,其中密度的形式在感兴趣区域之外是不相关的。对于复合零假设和备择假设的测试问题,我们构造了最优测试,并确定了相关的加权评分规则。作为一个实际的结果,使用加权评分规则允许决定有利于一个预测,这是优于一个竞争的预测对一个地区的利益,即使它可能是劣于这个地区之外。一个模拟研究和金融时间序列数据的应用程序说明了这些发现。
2017-01-11 stat.ME
Understanding Weight Similarity of Neural Networks via Chain Normalization Rule and Hypothesis-Training-Testing
Sun Yat-sen University(中山大学);University of Oxford(牛津大学)
提出了一种权值相似性度量方法,可以量化非凸神经网络的权值相似性。为了理解不同训练模型的权重相似性,我们提出从神经网络的权重中提取特征表示。我们首先通过引入一个链规范化规则来规范化神经网络的权值,该规则用于权值表示学习和权值相似性度量。我们将传统的假设检验方法扩展为假设训练检验统计推断方法来验证关于神经网络权值相似性的假设。利用链归一化规则和新的统计推断方法,研究了多层感知器(MLP)、卷积神经网络(CNN)和递归神经网络(RNN)的权值相似性度量,发现用随机梯度下降(SGD)算法优化的同一神经网络的权值在度量空间中收敛到相似的局部解.权值相似性度量提供了对神经网络局部解的更深入的了解。在多个数据集上的实验一致地验证了权重相似性度量的假设。
2022-08-08 cs.CV cs.LG math.ST
Context-sensitive hypothesis-testing and exponential families
本文提出基于样本字符串值的“加权”统计推断概念,将其应用于假设检验与指数族分析,并推广了标准统计中的经典不等式与散度。
2024-07-30 math.ST 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
Weighted Asymptotically Optimal Sequential Testing
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出加权渐近最优顺序检验方法,通过加权对数似然比实现对家庭错误率的有效控制,并证明其在高维和随机权重情况下具有渐近最优性。
2026-02-23 stat.ME
Weighted False Discovery Rate Control in Large-Scale Multiple Testing
权重的使用提供了一种有效的策略,将先验领域知识的大规模推理。本文在决策理论框架下研究了加权多重检验。我们开发的甲骨文和数据驱动的程序,旨在最大限度地提高预期数量的真阳性加权错误发现率的约束。所提出的方法的渐近有效性和最优性的建立。结果表明,将信息丰富的领域知识,提高了结果的可解释性和推理的精度。仿真研究表明,所提出的方法将错误率控制在名义水平,并且在许多设置中比现有方法的功率增益很大。全基因组关联研究的应用进行了讨论。
2017-05-09 stat.ME
On the Asymptotics of Item Selection in Multidimensional Computerized Adaptive Testing
School of Statistics, University of Minnesota(明尼苏达大学统计学院)
本研究针对多维计算机化自适应测试,提出加权A-最优项目选择规则,证明其渐近最优性,扩展至单项目施测场景,为MCAT的统计推断提供理论支撑,模拟验证了其有限样本表现。
2026-08-04 math.ST stat.TH
Optimal estimation and goodness-of-fit testing of the mean for sparse longitudinal functional data
Univ. Rennes, Ensai, CREST-UMR 9194(雷恩大学,ENSAI,CREST);Ensai
本文针对稀疏纵向函数型数据,提出均值函数的最优估计方法及拟合优度检验,并证明其收敛速率在系数衰减类上达到极小极大最优。
2026-10-14 math.ST stat.TH
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
Weighted Holm Procedures: Theory, Properties, and Recommendations
AbbVie Inc.(艾伯维公司);New Jersey Institute of Technology(新泽西理工学院)
本文比较了加权Holm程序(WHP)与加权替代Holm程序(WAP)的理论性质,证明WHP在控制家庭错误率方面更优,并提供实际应用建议。
2026-04-21 math.ST stat.ME stat.TH
Hypotheses Testing from Complex Survey Data Using Bootstrap Weights: A Unified Approach
标准的统计方法,没有考虑到调查设计的复杂性,可能会导致错误的推论时,应用于调查数据,由于不平等的选择概率,聚类,和其他设计功能。特别是,使用标准方法进行假设检验的实际第一类错误率可能远大于标称显著性水平。在检验假设时考虑调查设计特征的方法已经被提出,包括Wald检验和涉及参数估计的估计协方差阵的准得分检验。本文通过构造加权似然比似然比统计量的Bootstrap近似,给出了一种不需要计算协方差阵的统一的假设检验方法,并建立了Bootstrap检验的渐近有效性.此外,我们还考虑了分类数据的假设检验,并提出了一个bootstrap过程来检验双向表中的简单拟合优度和独立性。在仿真研究中,与朴素似然比检验和拟得分检验相比,该方法的第一类错误率更接近其名义显著性水平。一个应用程序,从教育调查的数据下的逻辑斯谛回归模型。
2021-03-03 stat.ME
A uniform FDR upper bound for a weighted FDR procedure under exchangeability
对于等相关正态随机变量均值多重检验的加权错误发现率(FDR)方法,给出了其FDR的解析的、非渐近的、一致的FDR上界.还提供了两个额外的和相关的结果。
2021-12-03 math.ST stat.TH
Interval Localization for Multiple Change-points with Error Rate Control
Shanghai Jiao Tong University(上海交通大学);Fudan University(复旦大学);National University of Singapore(新加坡国立大学)
本文提出 POIS 和 POIS+ 两种无分布假设的区间定位方法,通过保序样本拆分和检测条件 e 值控制区间级 FDR,实现多变点检测的误差率控制与高功效。
2026-10-08 stat.ME
Weighted Chernoff information and optimal loss exponent in context-sensitive hypothesis testing
National Research University Higher School of Economics(国立高等经济大学);Swansea University(斯旺西大学);Institute for Information Transmission Problems, Russian Academy of Sciences (IITP RAS)(俄罗斯科学院信息传输问题研究所);Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学)
本文研究了在乘法上下文权重下独立同分布观测的二元假设检验,推导了加权总损失的最优指数形式,并探讨了加权Chernoff信息的结构假设及其在不同模型中的应用。
2026-05-09 cs.IT math.IT math.PR
Optimal Multiple Testing Under a Gaussian Prior on the Effect Sizes
提出了一种基于贝叶斯先验信息的频率论多重检验新方法。我们的过程找到了一组新的最优p值权重,称为贝叶斯权重。先验信息与许多多重检验问题有关。现有的方法假设固定的,已知的效果大小从以前的研究。然而,不确定信息的情况通常是正常的。对于高斯先验效应大小,我们发现,找到最佳的权重是一个非凸问题。尽管非凸性,我们给出了一个有效的算法,几乎完全解决了这个问题。我们表明,我们的方法可以在全基因组关联研究中发现新的位点。在几个数据集上,它比其他方法更有利。开放源代码可用。
2015-04-12 stat.ME
Asymptotic Theory for Combining Dependent $p$-Values for Global Hypothesis Testing
The Pennsylvania State University(宾夕法尼亚州立大学)
本文针对高维相依 $p$-值组合问题,提出统一渐近理论,解耦边际误差与联合相依结构,并给出维度增长率和相关率,确保极端显著性水平下全局检验的有限样本有效性。
2026-09-28 math.ST stat.TH
Global and local CLTs for linear spectral statistics of general sample covariance matrices when the dimension is much larger than the sample size with applications
针对高维且维度远大于样本量的一般样本协方差矩阵,本文建立线性谱统计量的全局与局部CLT,并据此提出不依赖四阶累积量的局部检验统计量。
2023-08-21 math.ST stat.TH
Specification testing in nonparametric AR-ARCH models
本文考虑了具有条件异方差的自回归时间序列模型,其中条件均值和条件方差函数均为非参数模型。对创新与过去时间序列值无关的模型假设进行了检验。该测试基于经验特征函数的加权$L^2$距离。在独立性的原假设下得到了渐近分布,并证明了对固定方案的一致性。一个光滑的自回归残差自助程序的建议,其性能在模拟研究。
2016-10-11 math.ST stat.TH
Weighted Kolmogorov Smirnov testing: an alternative for Gene Set Enrichment Analysis
基因集富集分析(GSEA)是基因组数据处理的基本工具。从统计学的观点看,其检验统计量的中心不允许导出渐近结果。提出了一种不同中心的检验统计量。在原假设条件下,利用经验过程理论证明了新的检验统计量的分布依分布收敛。极限分布可以通过Monte-Carlo模拟来计算。以这种方式定义的检验被称为加权Kolmogorov Smirnov(WKS)检验。事实上,渐近分布的评估服务于许多不同的基因集的结果在较短的计算时间。使用来自GEO存储库的表达数据,针对MSig数据库C2进行测试,在经典GSEA测试和新程序之间进行比较。我们的结论是,除了其数学和算法的优势,WKS测试可以在许多情况下提供更多的信息,比经典的GSEA测试。
2014-10-07 math.PR stat.ME
Testing the number of parameters with multidimensional MLP
这项工作涉及测试的参数数量在一个隐藏层多层感知器(MLP)。为此,我们假设我们有可识别的模型,直到权重上的变换的有限群,这是例如当隐藏单元的数量已知时的情况。在这个框架下,我们表明,我们得到一个简单的渐近分布,如果我们使用的经验误差协方差阵的行列式的对数作为费用函数。
2008-02-21 math.ST stat.ML stat.TH
Robust inference using density-powered Stein operators
The Institute of Statistical Mathematics(统计数学研究所)
提出基于γ-散度的γ-Stein算子,通过密度加权实现未归一化概率模型的稳健推断,并应用于稳健拟合优度检验和贝叶斯后验近似。
2026-08-10 cs.LG stat.ML
Optimal weighting for false discovery rate control
如何衡量Benjamini-Hochberg程序?在多个假设检验的背景下,我们提出了一个新的逐步过程,控制错误发现率(FDR),我们证明它是更强大的比任何加权Benjamini-Hochberg程序。有限样本和渐近结果。此外,我们说明了我们的程序在模拟和基因组学应用程序的良好性能。这项工作在异构$p$值分布的情况下特别有用。
2009-07-13 math.ST stat.TH
Inference Under Convex Cone Alternatives for Correlated Data
本研究建立了相关数据在一般凸锥方案下的假设检验的推论理论。虽然存在广泛的理论,假设检验光滑锥下的方案与独立的观察,推广到相关数据下的一般凸锥的替代仍然是一个悬而未决的问题。这个长期悬而未决的问题是解决(1)建立一个“广义quasi-score”统计量是渐近等价的标准高斯向量的凸锥上的投影的平方长度和(2)显示的渐近零分布的检验统计量是一个加权卡方分布,其中的权重是“混合体积”的凸锥和它的极锥。这些权重的显式表达式推导出使用的体积管公式周围的凸流形的单位球。此外,在凸锥上的局部选择序列下,构造了广义拟得分检验的幂的渐近下界。应用程序测试顺序限制的相关数据的替代品。
2006-06-03 math.PR math.ST stat.TH
A Two-Sample Conditional Distribution Test Using Conformal Prediction and Weighted Rank Sum
我们考虑了两个总体之间给定一个协变量向量的反应变量的条件分布的相等性检验问题。这样的假设检验问题可以从各种机器学习和统计推断场景中激发,包括迁移学习和因果预测推断。我们从共形预测框架中得到启发,开发了一个非参数检验程序。我们的检验统计量的建设结合了共形预测的最新发展与一个新的选择一致性得分,从而在加权秩和检验统计量,是有效的和强大的一般设置下。据我们所知,这是第一次成功地尝试使用共形预测检验统计假设以外的交换。我们的方法适用于现代机器学习场景中的数据具有高维度和大样本量,并可以有效地结合现有的分类算法,找到良好的一致性得分函数。所提出的方法的性能证明在各种数值例子。
2023-02-23 stat.ME
Group Inference in High Dimensions with Applications to Hierarchical Testing
高维群体推断是分析复杂数据集的统计方法的重要组成部分,包括分层检验、交互作用检验、异质性处理效应检测和局部遗传度推断。回归模型中的组推断可以相对于与该组相对应的回归子向量的加权二次函数来测量。构造了这些加权二次泛函的渐近无偏估计量,并提出了一种利用这些估计量进行推断的新方法。我们推导出它的渐近高斯分布,使建设渐近有效的置信区间和测试的长度或功率方面表现良好。所提出的测试是计算效率,即使是一个大的组,统计上有效的任何组的大小,并实现良好的功率性能测试大组与许多小回归系数。我们将该方法应用于几个有趣的统计问题,并在模拟和真实数据上展示了其优势和实用性。
2020-11-30 stat.ME
Goodness-of-fit testing based on a weighted bootstrap: A fast large-sample alternative to the parametric bootstrap
将样本的经验累积分布函数与累积分布函数的参数估计值进行比较的过程被称为具有估计参数的经验过程,并已在文献中广泛用于拟合优度检验。进行这种拟合优度检验的最简单方法,特别是在多变量环境中,是使用参数自举法。虽然很容易实现,但随着样本量、参数数量或数据维数的增加,参数自举在计算上会变得非常昂贵。本文提出了一种基于快速加权自举的替代重定位技术,并进行了理论和实验研究。这项工作的结果是一个通用的和计算效率的乘数拟合优度的程序,可以作为一个大样本的替代参数引导。为了大致确定参数和加权自举方法具有大致相等功效所需的样本量大小,在一维、二维和三维以及包含多达9个参数的模型中进行了广泛的蒙特卡罗实验。从使用建议的乘数拟合优度程序所产生的计算增益示出的三变量金融数据。这项工作的副产品是一个快速的大样本拟合优度的二元和三元t分布的自由度是固定的程序。
2012-02-25 stat.CO stat.ME
Adjusted inference for multiple testing procedure in group sequential designs
针对成组序贯设计中同时调整多重假设检验与多次分析的研究空白,提出调整序贯p值及交集假设序贯p值,通过加权Bonferroni和加权参数检验控制族系I类错误率进行推断。
2023-11-27 stat.ME
A weighted FDR procedure under discrete and heterogeneous null distributions
具有错误发现率(FDR)控制的多重检验已在p值具有离散和异质零分布的"离散范式”中广泛进行。然而,在这种情况下,现有的FDR程序往往会失去一些权力,并可能产生不可靠的推断,并在这种情况下,似乎没有一个FDR程序,分区假设成组,采用数据自适应的权重和非渐近保守。我们提出了一个加权FDR程序的多重检验的离散范式,有效地适应异质性和离散性的p值分布。我们从理论上证明了加权FDR程序在独立性下的非渐近保守性,并通过模拟研究表明,对于基于二项式检验或Fisher精确检验的p值的多重检验,它比其他六种程序更有效。加权FDR程序被应用到药物安全性研究和基于离散数据的差异甲基化研究中,它比现有的两种方法有更多的发现。
2019-07-21 stat.ME
Multi-level hypothesis testing for populations of heterogeneous networks
Purdue University(普渡大学)
在这项工作中,我们考虑假设检验和异常检测的数据集,每个观察是一个加权网络。这些数据的例子包括来自功能磁共振成像流数据的大脑连接网络,或个体群体的单词共现计数。目前的加权网络的假设检验方法通常需要对边缘权重进行阈值化,以将数据转换为二进制网络。这导致信息丢失,结果对阈值水平的选择很敏感。我们的工作避免了这一点,我们考虑了两种情况下的加权图观察,1)每个图属于两个种群之一,2)实体属于两个种群之一,每个实体拥有多个图(例如按时间索引)。具体来说,我们提出了一个分层贝叶斯假设检验框架,模型每个人口与加权网络的潜在空间模型的混合物,然后测试人口的网络组件的分布差异。我们的框架是能够人口水平,实体特定的,以及边缘特定的假设检验。我们将其应用于合成数据和三个真实世界的数据集:两个社交媒体数据集,涉及巴西政治动荡的Twitter讨论中的单词共现,以及Instagram上关于注意力缺陷多动障碍(ADHD)和抑郁症药物的讨论,以及一个涉及人类受试者的fMRI大脑扫描的医学数据集。结果表明,我们提出的方法具有较低的第一类错误和较高的统计功效相比,需要阈值的边缘权重的替代品。此外,它们表明我们提出的方法更适合处理高度异构的数据集。
2018-09-07 cs.LG cs.SI stat.AP
Utilizing Multiple Testing for Grouping in Singular Spectrum Analysis
针对奇异谱分析(SSA)中信号与噪声分离的关键分组步骤,提出基于加权相关性零假设检验的多重检验方法,用野生自举近似零分布,经模拟验证性能并通过真实数据展示应用。
2025-08-25 stat.AP stat.ME
An Integrated and Coherent Framework for Point Estimation and Hypothesis Testing with Concurrent Controls in Platform Trials
本文针对平台试验中随机化比率随时间变化的问题,推导出基于逆概率处理加权(IPTW)和时间段加权的最优估计量,提出一个集成且连贯的框架,能同时控制I型错误率并保持点估计与假设检验结论的一致性。
2025-07-12 stat.ME
Changing the paradigm of fixed significance levels: Testing Hypothesis by Minimizing Sum of Errors Type I and Type II
我们的目的是通过推广Morris DeGroot(1975)揭示的一个非常自然的想法来改变测试范式,旨在以一种更适合科学需求的程序,对所有统计学派都有吸引力的方法。DeGroot的开创性思想是将测试统计假设建立在最小化I类错误加上第二类错误的加权和的基础上,而不是固定第一类错误并最小化第二类错误的流行范式。DeGroot的结果是,在简单与简单假设的最佳标准是拒绝,根据似然比作为证据(排序)统计使用一个固定的阈值,而不是一个固定的尾部概率。通过定义预期的I类错误和第二类错误,我们推广了DeGroot的方法,发现最佳区域由证据比定义,即平均似然(相对于先验测量)和固定阈值。这种方法产生了一个最优的理论在完整的一般性,而经典理论的测试没有。这可以被看作是贝叶斯-非贝叶斯的折衷:标准(I类和第二类错误的加权和)是频率论的,但检验标准是边缘化似然比,这是贝叶斯的。我们给出的参数,推动理论更进一步,使加权措施(先验)的可能性不一定是正确的和高信息量,但只是预测匹配,即预测匹配的先验,产生相同的证据(边际似然)使用最小(最小)的训练样本。出现的理论,类似于基于客观贝叶斯方法的理论,是对流行的假设检验方法的批评的有力回应,例如,参见Ioanneland(2005)和Siegfried(2010)等。
2013-09-30 stat.ME
Online multiple testing with super-uniformity reward
有效的在线推理是当前多重检验研究中的一个重要问题,目前已经提出了各种解决方案。众所周知,如果空$p$值是保守的,则这些现有方法可能遭受显著的功率损失。在这项工作中,我们扩展了以前介绍的方法,以获得更强大的程序的情况下,超均匀分布的$p$值。这些类型的$p$值出现在重要的设置中,例如,当执行离散假设检验或当对$p$值进行加权时。为此,我们引入了超均匀性奖励(SUR)的方法,它结合了有关个人的零累积分布函数的信息。我们的方法产生了几个新的“奖励”的程序,提供统一的电源改进已知的程序,并与数学保证控制在线错误标准的基础上的家庭明智的错误率(FWER)或边际错误发现率(mFDR)。我们说明了超均匀奖励的好处,在实际数据分析和模拟研究。虽然离散测试作为我们的主要例子,我们也展示了我们的方法可以应用于加权$p$值。
2023-01-13 stat.ME
Powerful Spatial Multiple Testing via Borrowing Neighboring Information
本文提出二维空间多重检验(2d-SMT)方法,通过将空间信号模式和依赖性构建为辅助统计量并结合加权BH程序,在控制FDR的同时显著提高空间信号检测功效。
2024-08-12 stat.ME
Admissibility and Complete Classes for False Discovery Rate Control with E-values
University of Waterloo(滑铁卢大学)
研究基于E值的程序控制错误发现率的可容许性与完备类,考虑同时和逐点程序,引入支配概念,证明加权平均$\overline{\mathrm{eBH}}$程序构成完备类,得出相关可容许性结果及常数项选择指导,突出其在多重检验中的核心作用。
2026-09-09 stat.ME
A Locally Adaptive Algorithm for Multiple Testing with Network Structure
本文提出局部自适应结构学习算法LASLA,通过p值加权整合网络等复杂辅助信息,在渐近控制FDR的同时提升多重检验功效。
2025-02-10 stat.ME stat.ML
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
A Regret Perspective on Online Multiple Testing
Southern University of Science and Technology(南方科技大学)
本文从懊悔视角统一评估在线多重检验,提出加权懊悔概念,设计Decoupled-OMT算法,有效缓解阈值耗尽问题,实现非平稳环境下的最优懊悔减少。
2026-05-13 cs.AI cs.LG stat.ML
Conditional independence testing via weighted partial copulas and nearest neighbors
本文介绍了测试条件独立性的\textit{weighted partial copula}函数。建议的测试程序结果从这两个成分:(i)测试统计量是一个显式的克莱默-冯米塞斯变换的\textit{weighted partial copula},(ii)拒绝的区域计算使用自举程序,它模仿条件独立性的估计条件边际的产品措施产生的样本。在条件独立性下,证明了当边缘估计采用光滑局部线性估计时,\textit{weighted partial copula proces}的弱收敛性.最后,一个实验部分表明,所提出的测试具有竞争力相比,最近的国家的最先进的方法,如基于内核的测试。
2021-02-12 stat.ME stat.ML
Simulation study of Q statistic with constant weights for testing and estimation of heterogeneity of standardized mean differences in meta-analysis
Cochran的$Q$统计量通常用于荟萃分析中的异质性检验。其期望值也用于估计研究间方差$τ^2$。Cochran的$Q$(或$Q_{IV}$)使用估计的逆方差权重,这使得逼近其分布相当复杂。作为替代方案,我们正在研究一种新的$Q$统计量,$Q_F$,其恒定权重仅使用研究的有效样本量。对于标准化的平均差异作为衡量效果,我们研究,通过模拟,近似分布的$Q_{IV}$和$Q_F$,作为检验异质性和新的点和区间估计的研究间方差$τ^2$的基础。其中包括基于$Q_F$一阶矩的新DerSimonian-Kacker(2007)型矩估计量和$τ^2$的新中位数无偏估计量。
2021-03-04 stat.ME
Testing hypotheses via a mixture estimation model
我们考虑一种新的范式贝叶斯检验的假设和贝叶斯模型比较。我们的替代传统的后验概率的建设,一个给定的假设是真的,或数据来源于一个特定的模型是考虑比较的模型作为混合模型的组成部分。因此,我们取代原来的测试问题的估计一个集中在一个混合模型中的一个给定的模型的概率权重。我们分析了各种先验模型的权重的后验分布的灵敏度。我们强调,在使用这种新颖的角度来看,一个主要的吸引力是,通用的不适当的先验是可以接受的,而不是把收敛的危险。在其他功能中,这允许解决林德利-杰弗里斯悖论。当在混合权重上使用参考Beta B(a,a)先验时,我们注意到,权重的后验估计对a选择的敏感性随着样本量的增加而消失,并支持从Rousseau和Mengersen(2011)导出的默认选择a=0.5。这个容易实现的替代经典贝叶斯解决方案的另一个特征是,权重的后验平均值和相应的后验概率的收敛速度非常相似。
2018-12-31 stat.ME
Testing semiparametric model-equivalence hypotheses based on the characteristic function
针对多变量数据的三类半参数模型等价性假设检验问题,提出基于特征函数加权型距离的三种检验准则,分析其原假设下的渐近性质并通过数值研究验证有限样本性能。
2023-11-08 stat.ME
Testing the Structural Properties of Marked Point Processes Using Local Inhomogeneous Mark-Weighted K-Functions
University of Palermo(巴勒莫大学)
本文提出基于局部非均匀扩展的标记加权K函数的χ²型检验统计量,用于评估观测标记点模式的局部结构假设,有效识别全局和局部偏离空假设的情况,应用于林业和地震数据展示其检测空间依赖标记结构的能力。
2026-05-13 stat.AP stat.ME
Two-Sample Testing in High-Dimensional Models
我们提出了一种新的方法来检验两个高维总体之间的模型参数的平等。该技术非常通用,适用于各种模型。该方法是基于样本分裂:数据分为两部分;第一部分,我们减少了模型的维数到一个可管理的大小;第二部分,我们进行显着性检验(p值计算)的基础上限制似然比统计。假设这两个群体来自相同的分布,我们表明,限制似然比统计量是渐近分布的卡方加权和的权重,可以有效地估计从数据。在高维问题中,单个数据分割可能导致“p值彩票”。为了改善这种影响,我们对分裂过程进行了简化,并对产生的p值进行了聚合。这种多重分割方法提供了改进的p值。我们说明了我们的一般方法在高维回归模型(“差分回归”)和图形模型(“差分网络”)的两个样本比较中的使用。在这两种情况下,我们显示了模拟数据的结果,以及来自最近高通量癌症研究的真实数据。
2013-01-16 stat.ME
A Novel Stratified Analysis Method for Testing and Estimating Overall Treatment Effects on Time-to-Event Outcomes Using Average Hazard with Survival Weight
针对生存加权平均风险(AH)在分层分析中的空白,本文提出一种基于标准化的新型分层方法,可同时以绝对差值和相对指标总结调整分层因素后的组间治疗效应,弥补传统分层方法类似Cochran-Mantel-Haenszel和分层Cox的局限性。
2024-03-31 stat.ME
Genetic association testing with multivariate survival phenotypes under interval censoring
Michigan State University(密歇根州立大学);University of Michigan(密歇根大学);University of Florida(佛罗里达大学)
该研究针对区间删失下多变量生存表型,开发了WV-M-IC方法,经模拟和ZOE 2.0研究验证,其检验功效优于单一结局分析,可用于遗传关联检测。
2026-09-02 stat.ME