Robust Estimation for Nonparametric Families via Generative Adversarial Networks
University of California, Berkeley(加州大学伯克利分校)
我们提供了一个通用的框架来设计生成对抗网络(GANs),以解决高维鲁棒统计问题,其目的是估计未知参数的真实分布给定的对抗损坏的样本。以往的工作集中在鲁棒均值和协方差估计的问题时,真正的分布是在家庭的高斯分布或椭圆分布,并分析深度或评分规则的GAN损失的问题。我们的工作扩展到鲁棒均值估计,二阶矩估计和鲁棒线性回归时,真正的分布只有有界Orlicz范数,其中包括广泛的家庭的次高斯,次指数和有界矩分布。我们还为GAN损失工作提供了一组不同的充分条件:我们只需要它的诱导距离函数是某种轻尾分布的累积密度函数,这很容易由具有S形激活的神经网络满足。在技术方面,我们提出的GAN损失可以被视为平滑和广义的Kolmogorov-Smirnov距离,它克服了先前工作中使用的原始Kolmogorov-Smirnov距离的计算困难性。
2022-02-02 cs.LG eess.SP math.ST
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
Weighted k-Sample Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance
University of California, San Francisco(旧金山加利福尼亚大学)
该研究将协变量平衡的加权分布检验扩展到k≥2组,通过模拟验证了其I型错误与功效特性,并在Stata中实现为相关命令,为多组协变量平衡评估提供了有效工具。
2026-08-05 stat.ME
Nonparametric Block Bootstrap Kolmogorov-Smirnov Goodness-of-Fit Test
University of Connecticut(康涅狄格大学);University of California, Los Angeles(加州大学洛杉矶分校);Texas A&M University(德克萨斯农工大学)
本文针对平稳序列相关数据中KS拟合优度检验的非参数自助偏差校正缺失问题,提出基于非参数分块自助的偏差校正方法,并通过模拟和S&P 500股票收益实证验证其检验水平与功效。
2025-11-07 stat.ME
Weighted Extensions of the Kolmogorov-Smirnov, Cramer-von Mises, and Anderson-Darling Tests for Assessing Covariate Balance
University of California, San Francisco(旧金山加利福尼亚大学)
研究针对因果推断中协变量平衡评估问题,扩展柯尔莫哥洛夫-斯米尔诺夫、克莱默-冯·米塞斯和安德森-达林检验以适应加权数据,通过共享程序控制I型错误,保留各检验优势,支持AD为通用默认方法,KS在特定情况有优势。
2026-10-26 stat.ME
Randomized Kolmogorov-Smirnov Analysis of Volatility Roughness
MEMOTEF, Sapienza University of Rome(罗马智慧大学 MEMOTEF)
本文提出基于随机排列的KS分析方法,用于估计波动粗糙度,通过去除序列相关性保留边缘分布,建立渐近方差并验证计算效率,实证显示隐含波动率更平滑但Hurst指数仍低于0.5,支持粗糙波动范式。
2026-05-01 q-fin.CP q-fin.MF stat.ME
Quantifying Distributional Input Uncertainty via Inflated Kolmogorov-Smirnov Confidence Band
针对随机模拟中的输入不确定性,提出基于膨胀Kolmogorov-Smirnov置信带的分布性方法,构建输出分布函数的置信带,数值验证其覆盖有效性。
2024-03-14 math.ST stat.ME stat.TH
On approximate validation of models: A Kolmogorov-Smirnov based approach
经典的拟合检验通常会拒绝足够大的真实数据样本的模型。相比之下,在统计实践中,一个模型通常提供了对数据的良好描述,即使它不是“真正的”随机生成器。我们考虑一个更灵活的方法,基于污染的模型周围的邻域。使用修剪方法和Kolmogorov度量,我们引入了一个功能统计量测量偏离污染模型和相关的估计对应的样本版本。我们展示了这个估计如何允许测试适合的(轻微)污染模型与明智的偏差,与均匀指数小I型和II型错误概率。我们还讨论了估计的渐近行为,在适当的正则性条件下,它渐近表现为高斯过程的上确界。作为一个应用,我们探讨了基于模型虚假性范式的描述性模型之间的比较方法。我们还包括我们的方法与错误发现率设置的一些连接,在估计污染水平时显示出竞争行为,尽管适用于更广泛的框架。
2019-03-20 math.ST stat.ME stat.TH
Asymptotically well-calibrated Bayesian $p$-value using the Kolmogorov-Smirnov statistic
Duke University(杜克大学)
本文提出了一种基于 Kolmogorov-Smirnov 统计量的渐近良好的贝叶斯 p 值方法,适用于多种数据类型和模型检验。
2026-01-12 math.ST stat.ME stat.TH
Integral Probability Metrics Meet Neural Networks: The Radon-Kolmogorov-Smirnov Test
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
本研究提出Radon-Kolmogorov-Smirnov检验,将经典KS检验推广到多维与高光滑度场景,证明其见证函数为单神经元岭样条,可借助神经网络优化求解,验证了其渐近全功效并对比了与核MMD检验的优劣。
2025-01-13 cs.LG stat.ME stat.ML
The power of visualizing distributional differences: Formal graphical $n$-sample tests
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学);University of South Bohemia, Faculty of Agricultural and Technology(南波希米亚大学农业与技术学院);Natural Resources Institute Finland (Luke)(芬兰自然资源研究所)
本文提出了一种基于全局包络检验的改进Kolmogorov-Smirnov检验,用于提高分布差异检验的效力,并应用于实际数据比较。
2024-08-31 stat.ME
A New ECDF Two-Sample Test Statistic
自Kolmogorov和Smirnov做出开创性贡献以来,经验累积分布函数(ECDF)已用于检验两个样本来自相同分布的假设。本文介绍了一种统计,这是可用的条件相同的Kolmogorov-Smirnov,但提供更多的权力比其他现存的测试在这方面。我证明了一个有效的(保守的)程序,用于产生有限样本p值。我概述了这个统计数据和它的两个主要前身之间的密切关系。我还提供了一个公共R包(CRAN:twosamples [2018]),使用$O(N)$内存在$O(N\log(N))$时间内实现测试程序。使用该软件包的功能,我进行了几次模拟研究,显示功率的改善。
2020-07-02 stat.ME stat.OT
Nonparametric tests for transition probabilities in nonhomogeneous Markov processes
本文提出了一种非参数两样本检验方法,用于直接比较有限状态空间下连续时间非齐次马尔可夫过程状态间转移的概率。建议的测试是一个线性非参数测试,L2范数为基础的测试和Kolmogorov-Smirnov型测试。显著性水平评估是基于严格的程序,这是合理的,通过使用现代经验过程理论。此外,L2-范数和Kolmogorov-Smirnov型检验是一致的,为每个固定的备择假设。所提出的测试也扩展到更复杂的情况下,如不完全观察到的吸收状态和非马尔可夫过程的情况下。模拟研究表明,即使在小样本量的情况下,检验统计量也表现良好。最后,将所提出的检验应用于欧洲癌症研究与治疗组织(EORTC)试验10854中疾病-死亡模型下的早期乳腺癌治疗数据。
2019-04-06 stat.ME
fasano.franceschini.test: An Implementation of a Multidimensional KS Test in R
Kolmogorov-Smirnov(KS)检验是一种非参数统计检验,用于检验单变量概率分布之间的差异。KS检验的多功能性使其成为许多科学学科中统计分析的基石。然而,Kolmogorov和Smirnov提出的检验不容易扩展到多维分布。在这里,我们介绍了fasano.franceschini.test包,一个由Fasano和Franceschini(1987)描述的多维双样本KS测试的R实现。fasano.franceschini.test包提供了一个计算效率高的测试,适用于任何维度和类型的数据(连续,离散或混合),并且与类似的R包竞争。
2022-11-18 astro-ph.IM physics.data-an q-bio.QM
Testing for Stochastic Order in Interval-Valued Data
本文构造了一个检验两个区间值数据样本的随机序的方法。本文提出了一个属于U-统计量的检验统计量,并在原假设下得到了它的渐近分布。我们使用真实数据和模拟数据比较新提出的方法与现有的单侧双变量Kolmogorov-Smirnov检验的性能。
2019-12-04 stat.ME
On the Asymptotic Distribution of Variance Weighted KS Statistics
本文导出了协变量为一维的条件矩不等式模型的方差加权Kolmogorov-Smirnov统计量的渐近分布。渐近分布仅通过单个随机变量的方差依赖于数据生成过程,从而导致可以通过分析计算的临界值。通过Armstrong(2011 b)的论证,由此产生的测试在广泛的设置类别中实现了可用方法中局部替代方案的最佳极大极小率。
2012-02-01 stat.ME
Valid p-Values and Expectations of p-Values Revisited
在理论和应用文献中均观察到关于基于p值的程序的有利或关键出版物的风暴。我们专注于有效的p值的定义时,复合空模型的情况下。有效的p值(VpV)统计量可用于进行前缀电平决策。在这方面,Kolmogorov Smirnov拟合优度检验和正常的两个样本问题被认为是。特别是,我们研究一个问题的拟合优度可测性的基础上一个单一的观察。本文阐述了新的测试程序的建设,倡导实际的原因,实现基于VpV的机制。VpV框架引入了传统的预期p值(EPV)工具的扩展,用于测量测试的性能。关联EPV的概念与受试者工作特征(ROC)曲线的方法,一个行之有效的生物统计方法,我们提出了一个基于Youden指数的最优性原则,以获得决策过程的临界值。从这些方面来说,在许多情况下可以建议显着性水平alpha=0.05。根据ROC曲线分析,我们引入部分EPV来表征测试的性质,包括其无偏性。给出了贝叶斯因子检验统计量与检验统计量的贝叶斯因子之间的内在联系。保留字:AUC;贝叶斯因子;预期p值; Kolmogorov Smirnov检验似然比;营养参数; P值; ROC曲线;汇总数据;单一观察;第一类错误率; Youden指数
2020-01-15 stat.ME
Goodness-of-Fit Tests for Perturbed Dynamical Systems
研究了具有小差异系数的随机微分方程的拟合优度检验问题。基本假设总是简单的,它是由已知的趋势系数描述。我们提出了几种类型的Cramer-von Mises,Kolmogorov-Smirnov和卡方检验。这些测试的权力职能,我们研究了一个特殊的类密切的替代品。讨论了在复合基本假设下,基于局部时的拟合优度检验的构造以及构造渐近分布自由检验的可能性。
2009-03-26 math.PR math.ST stat.ME
Boundary-free Kernel-smoothed Goodness-of-fit Tests for Data on General Interval
我们提出了核型平滑Kolmogorov-Smirnov和Cramér-von Mises测试一般区间上的数据,使用双射变换。虽然不像核密度估计那样严格,但直接将朴素核方法用于这些特定测试也会导致边界问题。这主要是因为当在边界点处评估时,朴素核广义函数函数估计器的值仍然大于$0$(或小于$1$)。这种情况会增加测试的误差,尤其是第二类误差。在本文中,我们使用双射变换来消除边界问题。本文的最后部分将给出一些模拟结果,说明估计器和检验的性能。
2020-05-28 stat.ME
Testing for a change of the innovation distribution in nonparametric autoregression - the sequential empirical process approach
考虑了条件异方差下的非参数自回归模型,目的是检验新息分布是否随时间变化。为此,我们开发了一个渐进展开的顺序经验过程的非参数估计的创新(残差)。我们建议一个Kolmogorov-Smirnov统计量的基础上建立的第一个ns和最后n-ns残差,分别估计的创新分布的差异。在无变点的原假设下,证明了基本随机过程弱收敛于高斯过程。结果表明,该检验是渐近分布自由的。显示了与固定替代方案的一致性。在模拟研究中,所提出的测试的小样本性能进行了研究,并将测试应用于数据的例子。
2012-11-06 stat.ME
Sequential nonparametric tests for a change in distribution: an application to detecting radiological anomalies
我们提出了一个序贯非参数检验检测分布的变化,基于窗口Kolmogorov-Smirnov统计。该方法简单、鲁棒、计算效率高、易于校准,并且不需要对潜在的零分布和替代分布进行参数假设。我们表明,无论是误报率和权力,我们的程序是经得起严格的分析,该方法优于现有的顺序测试程序在实践中。然后,我们将该方法应用于检测放射性异常的问题,使用从测量的背景伽马辐射光谱在一个大型大学校园收集的数据。在这种情况下,所提出的方法导致执法和边境安全应用中感兴趣的放射性异常的检测时间的大幅改善。
2016-12-23 stat.ME
A Chi-square Goodness-of-Fit Test for Continuous Distributions against a known Alternative
卡方拟合优度检验是已知的最古老的统计检验之一,由Pearson于1900年首次提出用于多项分布。从那以后,它一直在许多领域使用。然而,各种研究表明,当应用于连续分布的数据时,它通常不如其他方法,如Kolmogorov-Smirnov或Anderson-Darling检验。但是,卡方检验的性能(即功效)在很大程度上取决于数据分箱的方式。在本文中,我们描述了一种方法,自动找到一个binning是非常好的对一个特定的替代品。我们表明,然后卡方检验一般是有竞争力的,有时甚至优于其他标准的测试。
2020-05-06 stat.CO stat.ME
Confidence bands for exponential distribution functions under progressive type-II censoring
基于位置和尺度参数均未知的指数分布的渐进II型截尾样本,利用参数的置信区域和Kolmogorov-Smirnov型统计量,给出了潜在分布函数的置信带.简单的显式表示的边界和置信带的覆盖概率的解析推导,和频带的性能进行比较,通过数据的例子的带宽和面积。作为一个副产品,一个新的置信区域的位置-尺度参数获得。有序数据,如顺序顺序统计量,以及其他潜在的位置规模分布的家庭的相关模型的结果进行了讨论。
2021-06-04 math.ST stat.ME stat.TH
Significance testing in quantile regression
本文考虑多元非参数分位数回归中预测变量的显著性检验问题。提出了一个随机过程,它是基于一个比较的响应与非参数分位数回归估计下的原假设。证明了在原假设下,该过程弱收敛于中心高斯过程,并讨论了在固定和局部替换下检验的渐近性质.特别是,我们表明,-在非参数方法的基础上估计$L^2$ -距离-新的测试是能够检测本地的替代品收敛到原假设与任何速率$a_n \to 0$,使$a_n \sqrt{n} \to \infty$(这里$n$表示的样本量)。我们还提出了一个小的模拟研究,说明了有限样本性质的自举版本的相应的Kolmogorov-Smirnov测试。
2012-06-14 math.ST stat.ME stat.TH
Two-Sample Smooth Tests for the Equality of Distributions
本文研究了两个非特定分布的相等性检验问题。经典的综合检验,如Kolmogorov-Smirnov和Cramèr-von Mises,除了位置尺度的替代品外,基本上都存在低功耗的问题。本文基于投影追踪的思想,提出了一种新的双样本检验方法,该方法对Neyman光滑检验进行了改进,并将其推广到多变量情形。研究了该检验的渐近零性质及其对局部替代的检验能力。采用乘子自助法计算多元检验的临界值。我们建立了自举近似的有效性的情况下,尺寸是允许增长的样本量。数值研究表明,新的测试程序表现良好,即使是小样本量,并在检测局部特征或高频分量是强大的。
2015-09-14 math.ST stat.ME stat.TH