Locally Differentially Private Two-Sample Testing
Department of Statistics, University of Warwick(华威大学统计系)
本文提出在局部差分隐私约束下,通过排列程序进行两样本检验的方法,改进了最小最大分离率,并验证了交互性对性能的提升。
2026-02-24 math.ST stat.ME stat.TH
Permutation testing in high-dimensional linear models: an empirical investigation
在线性模型中,当干扰系数的数目小于样本量时,排列检验是一个研究得很好的课题。此类检验的常用方法是在对干扰协变量进行回归后置换残差。基于置换的检验特别有价值,因为它们对违反标准线性模型(如非正态性和异方差性)具有高度鲁棒性。此外,在某些情况下,它们可以与现有的强大的基于置换的多重检验方法相结合。在这里,我们提出了置换测试的滋扰系数的数量超过样本量的模型。新的测试的性能进行了研究与模拟。在广泛的模拟场景中,我们提出的置换方法提供了适当的第一类错误率控制,不像一些竞争测试,同时具有良好的功率。
2020-10-08 stat.ME
Optimal rates for independence testing via $U$-statistic permutation tests
我们研究了独立同分布对在$σ$ -有限可分测度空间中取值的独立性检验问题。定义一个自然的措施的依赖$D(f)$的平方$L^2$ -距离之间的联合密度$f$和产品的边缘,我们首先表明,没有有效的测试是一致的独立性,对替代品的形式$\{f: D(f) \geq ρ^2 \}$。因此,我们限制注意的替代品,施加额外的Sobolev型平滑约束,并定义一个置换检验的基础上的扩展和$U$ -统计估计的$D(f)$,我们证明是极大极小最优的分离率在许多情况下。最后,对于$[0,1]^2$上的傅立叶基的情况,我们提供了一个近似的幂函数,提供了一些额外的见解。我们的方法在R包USP中实现。
2020-11-06 math.ST stat.ME stat.ML
Global and Simultaneous Hypothesis Testing for High-Dimensional Logistic Regression Models
高维逻辑斯谛回归被广泛应用于分析具有二元结果的数据。在本文中,全球测试和大规模的多重检验的回归系数被认为是在单和两个回归设置。利用广义低维投影进行偏倚校正,构造了检验全局原假设的检验统计量,并导出了其渐近原假设分布。建立了全局检验的下界,证明了该检验在一定的稀疏范围内是渐近极小极大最优的。为了同时检验各个系数,提出了多重检验程序,并显示出渐近控制的错误发现率(FDR)和错误发现的变量(FDV)。进行了模拟研究,以检查所提出的测试的数值性能和现有的方法相比,其优越性。通过分析代谢组学研究的数据集也说明了测试程序,该研究调查粪便代谢物和小儿克罗恩病之间的关联以及治疗对这种关联的影响。
2020-11-19 math.ST stat.ME stat.TH
Local permutation tests for conditional independence
本文研究了在给定$Z$的情况下,两个随机向量$X$和$Y$之间条件独立性的局部置换检验.局部置换检验通过局部地重排共享条件变量$Z$的相似值的样本来确定检验统计量的显著性,并且它形成了用于无条件独立性检验的通常置换方法的自然扩张。尽管局部置换检验简单且有经验支持,但其理论基础仍不清楚。基于这一空白,本文旨在建立局部置换检验的理论基础,特别关注基于分组的统计。我们首先重新审视条件独立性测试的硬度,并提供了一个上限的权力,任何有效的条件独立性测试,这保持在$Z$中观察碰撞的概率是小的。这个否定的结果自然促使我们对空分布和交替分布下的可能分布施加额外的限制。为此,我们把注意力集中在某些类的光滑分布,并确定可证明的紧条件下,当地的置换方法是普遍有效的,即它是有效的,当应用于任何(分箱为基础的)检验统计量。为了补充这一结果的I型差错控制,我们还表明,在某些情况下,通过本地置换方法校准的基于合并的统计可以实现最小最大的最佳功率。我们还介绍了一个双分仓置换策略,它产生了一个有效的测试在不太光滑的零分布比典型的单分仓方法,而不损害太多的权力。最后,我们提出了模拟结果来支持我们的理论研究结果。
2022-01-06 math.ST stat.ME stat.TH
Statistical Inference and Large-scale Multiple Testing for High-dimensional Regression Models
本文对高维回归模型(包括线性和逻辑斯谛回归)的统计推断和多重检验的最新发展进行了选择性的综述。我们检查的置信区间和假设检验的各种低维目标,如回归系数和线性和二次泛函的建设。其关键技术是为目标低维目标生成去偏和去parasized估计器,并估计其不确定性。除了涵盖这些统计方法背后的动机和直觉之外,我们还讨论了它们在高维推理背景下的最优性和自适应性。此外,我们还回顾了基于多元回归模型的统计推断的最新发展和高维回归的大规模多重检验的进展。R包SIHR已经实现了本文讨论的一些高维推理方法。
2023-01-25 math.ST stat.ME stat.TH
Residual permutation test for regression coefficient testing
针对高维线性模型回归系数检验问题,提出残差置换检验(RPT)方法,通过投影残差构造检验,在$p<n/2$时实现有限样本水平有效性,对重尾噪声具有渐近功效且信号要求达极小化极大最优速率。
2025-05-03 math.ST stat.ME stat.TH
Permutation-based Hypothesis Testing for Neural Networks
神经网络是功能强大的预测模型,但它们对预测因子和结果之间关系的本质几乎没有提供任何见解。尽管已经提出了许多方法来量化输入特征的相对贡献,但特征关联的统计推断和假设检验仍在很大程度上未被探索。我们提出了一种基于置换的测试方法,该方法使用网络输出相对于特定输入的偏导数来评估输入特征的重要性以及重要特征是否与网络输出线性相关。这些测试可以灵活地应用于各种网络架构,增强了神经网络的解释能力,并与强大的预测能力相结合,扩展了这些模型的适用性。
2023-01-26 stat.ME
Finite-Sample Inference for Sparsely Permuted Linear Regression
Graduate School of Arts;Sciences, The University of Tokyo.;Sciences, The University of Tokyo. \ Center for Advanced Intelligence Project.
本文提出了一种针对稀疏排列线性回归的有限样本推断方法,通过局部化步骤和条件蒙特卡洛检验,实现排列和回归系数的有效推断,并通过模拟和实际数据验证其有效性与实用性。
2026-01-22 cs.LG math.ST stat.ME
Computation-free Nonparametric testing for Local and Global Spatial Autocorrelation with application to the Canadian Electorate
局部和全局空间关联的度量是探索性空间数据分析的关键工具。存在许多这样的度量,包括Moran的$I$、Geary的$C$以及Getis-Ord $G$和$G^*$统计。检验显著性的参数方法依赖于强假设,而现实世界的数据往往不符合这些假设。或者,最流行的非参数方法,排列测试,特别是对于大规模的图形网络,施加了很大的计算负担。因此,我们提出了一个计算免费的方法来非参数置换测试的本地和全球措施的空间自相关性源于广义的欣钦不等式从功能分析和理论的$L^p$空间。我们的方法在2019年艾伯塔省加拿大联邦选举的结果中得到了证明。我们记录了保守党候选人在每次竞选中获得的选票百分比。该数据为非正态数据,样本量固定在$n=34$骑马上,使得参数方法无效。相比之下,对每次骑行、多个检验统计量、各种邻域结构和多重检验校正运行经典排列测试将需要模拟数百万个排列。我们能够在此数据集上实现与置换检验相似的统计功效,而无需进行繁琐的模拟。我们还考虑了在加拿大整个选举地图上模拟的数据。
2020-12-15 math.ST stat.CO stat.ME
New methods for multiple testing in permutation inference for the general linear model
置换方法通常用于测试功能(图像)数据集的一般线性模型(GLM)中感兴趣的回归量的显著性,特别是对于神经成像应用,因为它们依赖于温和的假设。GLM的置换推断通常包括三个部分:选择相关的检验统计量,计算逐点置换检验和应用多重检验校正。我们提出了新的多重检验方法,作为一种替代常用的最大值的检验统计量在整个图像。新方法提高了功率和鲁棒性对跨其域的检验统计量的不均匀性。该方法依赖于排序的排列功能检验统计量的逐点排序措施的基础上,他们仍然可以实现,即使是大的大脑数据。通过设计的仿真实验和脑成像数据的例子证明了该方法的性能。我们开发了R包GET,可用于计算所提出的程序。
2020-11-13 stat.ME
Testing axial symmetry in multivariate location-scale linear regression
Charles University(查理大学);The Czech Academy of Sciences, Institute of Information Theory and Automation(捷克科学院信息与自动化研究所)
提出基于积分秩得分的检验方法,用于多元线性异方差回归中条件轴向对称性的检验,推导渐近分布,并通过模拟和实际数据验证。
2026-06-11 math.ST stat.ME stat.TH
Covariance Correction for Permutation Statistics in Multiple Testing Problems
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);TU Dortmund University(多特蒙德工业大学);RWTH Aachen University(亚琛工业大学)
本文提出一种更高效的协方差校正方法,恢复多重检验中排列统计的联合渐近依赖结构,适用于广泛的问题场景。
2026-04-08 stat.ME
Regression with Label Permutation in Generalized Linear Model
在实际应用中,可能会违反响应和预测值属于同一统计单元的假设。基于未标记数据的真实标记排序的无偏估计和恢复是一项具有挑战性的任务,近年来引起了越来越多的关注。本文对多变量响应的广义线性模型的标号置换问题进行了较为完整的分析。该理论在不同的场景下建立,具有真实参数的知识,具有底层标签置换矩阵的部分知识和没有任何知识。我们的结果删除了目前文献所要求的严格条件,并进一步扩展到缺失观测设置,从来没有考虑在标签置换问题领域。在计算方面,我们提出了两种方法,“极大似然估计“算法和“两步估计”算法,以适应不同的设置。当置换标签的比例适中时,两种方法都有效。多个数值实验,并证实了我们的理论研究结果。
2022-06-23 stat.ME
Small-sample one-sided testing in extreme value regression models
本文导出了一般极值回归模型的调整符号似然比统计量。调整减少了标准正态近似值对带符号似然比统计量分布的误差。我们使用Monte Carlo模拟来比较不同测试的有限样本性能。我们的模拟表明,有符号的似然比检验往往是自由的样本量时,并在缩小尺寸失真的调整是有效的。两个实际数据的应用程序,并进行了讨论。
2014-05-23 math.ST stat.ME stat.TH
Null-free False Discovery Rate Control Using Decoy Permutations
传统的多假设检验中的错误发现率控制方法通常基于检验统计量的零分布。然而,所有类型的零分布,包括理论的、基于置换的和经验的零分布,都有一些固有的缺点。例如,由于对样本分布的不正确假设,理论空值可能会失败。在这里,我们提出了一个零分布自由的方法来FDR控制多个假设检验。这种方法被称为目标-诱饵过程,简单地建立在测试的排序上,通过一些统计量或分数,其空分布不需要已知。竞争性诱饵测试是从原始样本的排列构造的,并用于估计假目标发现。我们证明了这种方法控制FDR时,统计量是独立的不同的测试。仿真表明,它比现有的两种流行方法更稳定、更强大。并在真实数据集上进行了评价。
2021-04-12 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
A Bayesian Multiple Testing Paradigm for Model Selection in Inverse Regression Problems
在这篇文章中,我们提出了一种新的贝叶斯多重检验公式,用于逆向设置中的模型和变量选择,明智地将Bhattacharya(2013)提出的逆参考分布的思想嵌入到由竞争模型组成的混合框架中。我们开发的理论和方法,在一般情况下,包括参数和非参数竞争模型,相关数据,以及误指定。我们的研究表明,渐近多重检验程序几乎肯定会选择最好的逆模型,最大限度地减少最小的Kullback-Leibler发散从真实的模型。我们还表明,差错率,即版本的错误发现率和错误的非发现率几乎肯定收敛到零的样本量趋于无穷大。本文还研究了错误发现率版本的渐近α-控制及其对错误非发现率版本收敛的影响。我们的模拟实验涉及基于小样本的选择之间的逆泊松对数回归和逆几何logit和probit回归,其中回归是线性的或基于高斯过程。此外,还考虑变量选择。我们的多个测试结果证明是非常令人鼓舞的意义上选择最好的模型在所有的非错误指定和错误指定的情况下。
2020-07-15 math.ST stat.ME stat.TH
Generalized Permutation Framework for Testing Model Variable Significance
针对高维小样本数据中变量显著性检验难题,提出一种非参数置换框架,可排序并检验变量及交互显著性,并在鸢尾花和RNA数据上验证。
2023-10-12 stat.ME
On the testing of multiple hypothesis in sliced inverse regression
针对单变量响应与p维预测变量的回归框架下的多重检验问题,提出基于切片逆回归的无模型MTA方法,可渐近控制错误发现率,检验功效优于现有方法。
2023-06-16 math.ST stat.ME stat.TH
Two-sample testing of high-dimensional linear regression coefficients via complementary sketching
本文提出一种基于互补草图的高维线性回归系数两样本检验方法,无需系数可单独估计,在稀疏与稠密差异下具有最优渐近功效,并通过模拟和单细胞数据验证其有效性。
2022-04-27 math.ST stat.ME stat.TH
A Permutation Approach to Testing Interactions in Many Dimensions
到目前为止,测试在高维度的相互作用一直是一项具有挑战性的任务。现有的方法通常存在对建模假设和严重渐近标称p值敏感的问题。为了帮助缓解这些问题,我们提出了一个基于置换的方法来测试边际相互作用的二进制响应。我们的方法搜索类别之间不同的成对相关性。在这篇文章中,我们将我们的方法在真实和模拟数据上与运行许多成对logistic模型的标准方法进行了比较。在模拟数据上,我们的方法以较低的错误发现率发现更显著的相互作用(特别是在存在主效应的情况下)。在真实的基因组数据上,虽然没有金标准,但我们的方法发现了明显的信号并讲述了一个可信的故事,而逻辑斯谛回归没有。在不太严格的假设下,我们也给出了渐近一致性结果.
2012-06-27 stat.CO stat.ME stat.ML
Testing Independence of Bivariate Censored Data using Random Walk on Restricted Permutation Graph
在本文中,我们提出了一个程序来测试的二元删失数据的独立性,这是通用的,适用于任何类型的删失文献。为了检验这个假设,我们考虑一个基于秩的统计量,肯德尔的tau统计量。删失数据定义了所有可能的观测值秩的受限置换空间。我们提出的统计量,在限制置换空间的秩的Kendall的tau的平均值。为了评估统计量及其参考分布,我们开发了一个马尔可夫链蒙特卡罗(MCMC)程序,以获得均匀的样本的限制置换空间和数值近似的零分布的平均肯德尔的τ。我们将该方法应用于三个不同删失类型的真实数据实例,并将结果与现有方法进行了比较。我们结束了一些额外的讨论没有给出的文件的主体文件。
2022-07-11 stat.CO stat.ME
Multiple change-point detection on the circle via isolation using permutation testing
University of Luxembourg(卢森堡大学);University of Cyprus(塞浦路斯大学)
本文提出了一种基于排列检验和隔离方法的圆上多突变点检测方法,通过模拟和实际数据验证了其在不同噪声结构下的有效性与鲁棒性。
2026-03-11 stat.ME
Sequential Permutation Testing of Random Forest Variable Importance Measures
Institute of General Practice and Health Services Research(全科医学与卫生服务研究所);Institute of AI and Informatics in Medicine(医学人工智能与信息学研究所);Technical University of Munich(慕尼黑工业大学);Institute for Medical Information Processing, Biometry and Epidemiology(医学信息处理、生物统计学与流行病学研究所);University of Munich(慕尼黑大学)
针对随机森林变量重要性度量假设检验计算成本高的问题,提出采用序贯置换检验和序贯p值估计的方法,在控制第一类错误、维持高功效的同时大幅降低计算量,配套R包rfvimptest可通用至各类预测模型。
2022-06-02 cs.LG stat.AP stat.CO
PERMUTOOLS: A MATLAB Package for Multivariate Permutation Testing
本文提出 PERMUTOOLS,一个基于 MATLAB 的多元置换检验与效应量测量软件包,以无分布的重采样方法替代依赖总体假设的参数方法,并提供更不易产生 II 类错误的最大校正,弥补现有统计软件在高效重采样实现上的不足。
2024-01-17 q-bio.QM stat.CO stat.ME
Isotonic regression with unknown permutations: Statistics, computation, and adaptation
Georgia Institute of Technology(佐治亚理工学院);University of Cambridge(剑桥大学)
出于多路比较数据的模型,我们考虑的问题,估计一个坐标明智的保序函数的域$[0, 1]^d$从噪声观测收集到的均匀晶格,但设计点已沿每个维度排列。虽然这个问题的单变量和双变量的版本已经得到了显着的关注,我们的重点是多变量的情况下$d \geq 3$。我们研究了极大极小风险估计(在经验$L_2$损失)和适应(量化的自适应指数)的基本限制,一个家庭的分段常数函数。我们提供了一个计算效率高的Mirsky分区估计,是最小最大最优的,同时也实现了最小的自适应指数可能的多项式时间的程序。因此,从最坏情况的角度来看,与二元情况形成鲜明对比的是,模型中的潜在排列不会在香草保序回归之上引入显著的计算困难。另一方面,适应的基本限制在有和没有未知排列的情况下是显着不同的:假设平均情况复杂性理论的硬度猜想,在前一种情况下出现了计算-计算差距。在一个互补的方向,我们表明,现有的估计自然修改未能满足至少一个最佳的最坏情况下的统计性能,计算效率,快速适应的desiderata。沿着显示我们的结果的方式,我们改进了自适应结果在特殊情况下$d = 2$和建立香草保序回归估计的一些性质,这两个可能是独立的利益。
2021-06-24 cs.IT cs.LG math.IT
Identification-Robust Testing in Endogenous Functional Linear Regression with Weak or Irrelevant Auxiliary Variables
针对函数线性回归中斜率函数的检验问题,提出基于辅助变量函数矩条件的无降维检验方法,在弱甚至无关辅助变量下仍保持渐近有效性,并建立了渐近分布理论。
2026-06-25 math.ST stat.ME stat.TH
Permutation-based multiple testing corrections for p-values and confidence intervals for cluster randomised trials
在这篇文章中,我们推导和比较方法,以获得\textit{p} -值和置信区间集与强控制的家庭明智的错误率和覆盖率的估计处理效应在多个结果的集群随机试验。有几种方法用于\textit{p}值校正和推导置信区间,限制了它们在此设置中的应用。我们讨论了Bonferroni,Holm和Romano \& Wolf(2005)的方法,并将其应用于使用不同检验统计量的基于置换的方法进行聚类随机试验推断。我们开发了一种新的搜索程序的置信集集使用置换测试产生一组置信区间下的每种方法的校正。我们进行了一项基于模拟的研究,比较家庭明智的错误率,覆盖率的信心集,和效率的每一个程序相比,没有纠正使用基于模型的标准误和排列测试。我们表明,Romano-Wolf型程序具有名义上的错误率和非独立相关结构下的覆盖率,并且在基于模拟的研究中比其他方法更有效。我们还比较了现实世界试验的分析结果。
2023-02-07 stat.ME
Testing goodness-of-fit for logistic regression
解释所有适用的独立变量,即使被测试的模型没有,在测试逻辑斯谛回归的拟合优度时也是至关重要的。这可以按数量级增加统计功效。
2013-06-20 stat.ME
Testing Multiple Linear Regression Systems with Metamorphic Testing
回归是最常用的统计技术之一。然而,测试回归系统是一个巨大的挑战,因为缺乏测试预言一般。在本文中,我们表明,变形测试是一种有效的方法来测试多个线性回归系统。在此过程中,我们确定内在的数学性质的线性回归,然后提出11个变形关系用于测试。他们的有效性进行检查,使用突变分析与一系列不同的回归程序。我们进一步研究如何以更有效的方式采用测试。我们的工作是适用于检查预测系统的可靠性的基础上回归,已被广泛应用于经济,工程和科学,以及统计用户操纵的回归计算。
2021-08-17 cs.SE stat.ME
Group Permutation Testing in Linear Model: Sharp Validity, Power Improvement, and Extension Beyond Exchangeability
Tsinghua University(清华大学);Shanghai University of Finance and Economics(上海财经大学)
本文提出群排列框架用于线性模型检验,展示其在交换误差下的有效性及功效提升,并扩展至非交换性场景,提供精确误差控制和稳健性分析。
2026-04-17 stat.ME
A Robust Permutation Test for Subvector Inference in Linear Regressions
提出一种用于线性模型系数子向量推断的稳健置换检验,证明其在独立条件下精确,放宽条件后渐近正确且具功效,模拟表明层数较小时实际功效良好。
2023-09-12 econ.EM stat.ME
Population Power Curves in ASCA with Permutation Testing
本文在置换检验的ASCA框架下引入相对与绝对总体曲线,分别用于优化模型选择和确定样本量及因素水平数,为组学研究的分析流程与样本规划提供指导。
2024-07-31 stat.CO stat.ME
Confidence Intervals and Hypothesis Testing for the Permutation Entropy with an application to Epilepsy
在非线性动力学中,以及在较小程度上在其他领域中,广泛使用的复杂性度量是排列熵。但目前还没有一种已知的方法来确定这种测量的准确性。关于表征时间序列的这个量的统计特性的研究很少。文献中描述了一些非线性动力学中使用的数量恢复方法-最大李雅普诺夫指数-但所有这些似乎都失败了。在这方面的贡献,我们提出了一个参数引导方法,使用符号表示的时间序列,以获得分布的排列熵估计。我们进行了几个时间序列模拟由众所周知的随机过程:1=f?噪声的家庭,并在每种情况下表明,建议的准确性措施是有效的重复实验的频率论方法获得的。脑电活动的复杂性,即排列熵,在癫痫研究中被广泛用于检测脑电信号的动态变化,但没有考虑到这种复杂性的变化。应用的参数引导方法是用来比较正常和发作前的EEG信号。
2017-05-18 physics.med-ph stat.AP stat.ME
Treatment effect validation via a permutation test in Stata
在本文中,我们描述了使用Freedman和Lane(1983)以及Romano和Wolf(2016)提出的排列检验,在协变量基线不平衡和调查损耗的实验条件下评估处理效应统计学显著性的检验程序。我们讨论了基于线性回归模型的这些假设的检验过程,并介绍了新的Stata命令[R] permtest,用于在Stata中实现排列检验。此外,我们调查的有限样本的性能,以及统计有效性的测试与蒙特卡罗模拟研究,我们研究的经验规模和功率特性的条件下,基线不平衡和磨损的固定数量的排列步骤。
2021-10-23 stat.CO stat.ME
Direction-Projection-Permutation for High Dimensional Hypothesis Tests
基于现代统计应用中高维低样本量数据集的普遍存在,本文提出了一个通用的非参数框架--方向投影置换(DiProPerm),用于检验高维假设。该方法旨在严格测试低维视觉差异是否具有统计学显著性。在固定样本量的维数趋于无穷大的非经典渐近制度下的理论分析表明,DiProPerm的某些自然变化可能具有非常不同的行为。一项实证功效研究证实了理论结果,并表明DiProPerm在许多情况下都是一种强大的测试。最后将DiProPerm应用于高维基因表达数据集。
2013-04-02 stat.ME
Multiple testing with anytime-valid Monte Carlo p-values
本文将随时有效的 Monte Carlo 置换 p 值引入 Benjamini-Hochberg 等多重检验程序,在控制错误发现率和保持功效的同时自适应减少置换次数,并在基因组数据上将耗时从三天多降至四分钟内。
2025-08-28 stat.ME
Equivalence testing for linear regression
本文提出线性回归的等价性检验方法,用于确认连续结果与预测变量间无有意义关联,涵盖非标准化回归系数和半偏相关系数的检验,并比较了贝叶斯方法。
2023-05-16 stat.ME
Extending The Range of Application of Permutation Tests: the Expected Permutation p-value Approach
置换检验的局限性在于它们假设交换性。证明了在广义线性模型中,在特殊情况下可以由得分统计量构造置换检验。当在原假设下观察值不可交换时,Cox-Snell残差表示允许开发基于预期排列p值(Eppv)的方法;这适用于逻辑斯谛回归模型。一个小的模拟研究和实际数据的说明。
2010-03-04 stat.ME
A Two-Stage Approach to Multivariate Linear Regression with Sparsely Mismatched Data
George Mason University(乔治梅森大学);Baidu Research(百度研究院);U.S. Census Bureau(美国人口普查局)
线性回归中的一个默认假设是(响应,预测)对对应于相同的观察单位。最近的一系列工作已经研究了违反这一假设的情况,如“未标记的感知和未知置换回归”。在本文中,我们研究了多个响应变量的设置和不匹配的概念,概括排列,以允许丢失的匹配以及一对多的匹配。一个两阶段的方法提出的假设下,大多数对正确匹配。在第一阶段中,通过将失配处理为污染来估计回归参数,随后通过匹配的基本变体来估计广义置换。该方法是计算方便,并配备了有利的统计保证。具体而言,它表明,置换恢复的条件变得相当不严格的响应$m$每次观察的数量增加。特别是,对于$m = Ω(\log n)$,所需信噪比不再取决于样本量$n$。合成和真实数据的数值结果支持我们的分析的主要结果。
2020-06-28 cs.IT cs.LG math.IT
More Power by using Fewer Permutations
挑战置换检验需使用尽可能多置换的传统观点,提出使用极小子群能在降低计算成本的同时显著提升检验功效,并据此改进 Westfall & Young MaxT 多重检验方法,发现高维下增益最大。
2023-11-23 math.ST stat.CO stat.ME
Permutation-Based True Discovery Guarantee by Sum Tests
本文提出一种基于置换的求和检验封闭检验程序,可在所有假设子集上同时提供真发现比例下界,无需调整显著性水平,并通过分支定界迭代捷径高效计算,适用于高维脑成像和基因组学数据。
2023-01-18 stat.ME
Permutation tests of non-exchangeable null models
推广到排列测试,以允许在这种情况下,空模型是不可交换的。证明了广义置换检验是精确的,并建立了一个部分逆命题:任何在所有概率密度上都是精确的检验函数都与在特定区域上的广义置换检验重合.一个最强大的广义置换测试的封闭形式。最强大的广义排列测试的近似提出,以减少计算所需的计算负担,计算完整的测试。特别是,一个显式形式的近似测试中派生的多项式伯恩斯坦多项式逼近,并证明其收敛到最强大的广义置换测试。在p值的确定比假设检验更重要的情况下,分析了两种估计显著性的方法。根据样本量给出了精确最有效检验的显著性偏差的界限。对于这两个估计量,当样本量趋于无穷大时,估计量在较弱的条件下收敛于最强广义置换检验的显著性。给出了广义置换检验在线性混合模型中的应用。
2018-08-30 stat.ME
Sparse regression and marginal testing using cluster prototypes
我们提出了一种新的方法,稀疏回归和边际测试,相关功能的数据。我们的程序首先聚类的功能,然后选择集群原型中最丰富的功能。然后我们对这些原型应用稀疏回归(lasso)或边际显著性检验。虽然这种策略并不完全是新的,但我们建议的一个关键特征是使用Taylor et al.(2014)和Lee et al.(2014)的后选择推理理论来计算精确的p值和置信区间,以正确解释原型的选择。我们还应用最近的“山寨”的想法巴伯和坎迪斯提供确切的有限样本控制的FDR我们的回归过程。我们说明我们的建议,真实和模拟数据。
2015-03-13 stat.ME
Goodness-of-fit testing the error distribution in multivariate indirect regression
本文提出了一个多元间接回归模型误差分布的拟合优度检验。检验统计量基于标准化残差的经验过程的Khmaladze变换。该拟合优度检验在收敛的根n速率下是一致的,并且该检验可以保持针对以根n速率收敛到零的局部替代的功效。
2018-12-06 stat.ME
Conditional independence testing under misspecified inductive biases
University of Michigan(密歇根大学)
本文研究基于回归的条件独立性检验在模型归纳偏置错误设定下的表现,提出依赖错误设定误差的检验误差上界,并设计鲁棒的RBPT方法,通过实验验证其有效性。
2023-10-27 cs.LG math.ST stat.ME
Testing parametric models in linear-directional regression
本文给出了具有标量响应和方向预测变量的参数回归模型的拟合优度检验。方向预测变量是任意维球面上的向量。检验过程是基于平滑和参数回归估计之间的加权平方距离,其中平滑回归估计是通过投影局部方法获得的。给出了在原假设和局部替代假设下检验统计量的渐近行为,并给出了一个可用于实际应用的自举算法。仿真研究说明了在有限样本的测试的性能。该过程适用于测试文本挖掘中的线性模型。
2020-09-20 stat.ME
Heteroscedasticity Testing for Regression Models: A Dimension Reduction-based Model Adaptive
异方差检验在回归分析中具有重要意义。现有的局部平滑检验由于采用了非参数估计,即使协变量的数目不多,也会受到维数灾难的严重影响。本文提出了一种基于降维的模型自适应检验方法,该方法类似于局部平滑检验,假设协变量的个数等于均值回归函数中协变量的线性组合个数,特别是当均值函数包含一个单一指标时,协变量的个数等于1。在原假设下,检验统计量是渐近正态的,因此很容易确定临界值。通过仿真和实际数据分析,检验了有限样本的性能。
2015-10-13 stat.ME
A Scalable Nystrom-Based Kernel Two-Sample Test with Permutations
CNRS, Univ. Grenoble-Alpes, GIPSA-lab, France e1;MaLGa Center - DIBRIS, Università di Genova, Genoa, Italy e2,e4;CNRS, Laboratoire d'Informatique Gaspard Monge, Champs-sur-Marne, France e3;CBMM - Massachusets Institute of Technology, Cambridge, MA, USA
本文提出一种基于Nystrom近似的高效两样本检验方法,通过保留统计保证,解决大规模数据下的计算成本问题,并在分离率上达到最小化最优标准。
2026-04-20 cs.LG math.ST stat.ME
Hypothesis Testing in High-Dimensional Instrumental Variables Regression with an Application to Genomics Data
基因表达和表型关联可能受到来自多个来源的潜在未测量混杂因素的影响,导致对关联的偏倚估计。由于遗传变异在很大程度上解释了基因表达变异,因此可以在高维工具变量(IV)回归的框架内将其用作研究基因表达与表型之间关联的工具。然而,由于遗传变异和基因表达的维度通常大于样本量,因此统计推断(例如,用于此类高维IV模型的假设检验)并非微不足道,并且尚未在文献中进行研究。由于工具变量(例如,遗传变体)必须在大量的遗传变体中进行选择。研究了稀疏IV回归模型的假设检验问题,给出了单个回归系数的检验方法和多个回归系数的多重检验方法,其中单个回归系数的检验统计量是基于逆回归构造的.一个多重检验程序开发选择变量,并控制错误发现率。仿真进行评估我们所提出的方法的性能。这些方法通过酵母数据集的分析来说明,以确定与过氧化氢存在下的生长相关的基因。
2019-10-21 stat.AP stat.ME
Considerations for missing data, outliers and transformations in permutation testing for ANOVA, ASCA(+) and related factorizations
本文针对ANOVA、ASCA(+)等因子分解方法的置换检验中,缺失数据、异常值和分布非正态会影响推断方法I类、II类错误表现的问题,开展研究并给出应用良好实践建议。
2024-08-13 stat.ME
Confidence regions for univariate and multivariate data using permutation tests
置信区间是统计推断的核心,是评估给定显着性水平下的第一类错误风险的工具。我们设计了一种方法来构建置信区间使用一个单一的运行的排列测试。这种方法被扩展到一个多变量设置,在那里我们能够处理任意依赖下的多重检验。我们证明了天气数据集的方法,并在一个模拟的例子。
2022-06-18 stat.ME
Estimation, Confidence Intervals, and Large-Scale Hypotheses Testing for High-Dimensional Mixed Linear Regression
研究了高维混合线性回归模型,其中输出变量来自两个线性回归模型之一,且混合比例未知,随机协变量的协方差结构未知.基于一个高维的期望最大化算法,我们提出了一个迭代过程来估计两个回归向量,并建立其收敛速度。基于迭代估计,我们进一步构造了去偏估计,并证明了它们的渐近正态性。对于单个坐标,构造以去偏估计量为中心的置信区间。此外,提出了一个大规模的多重检验程序来检验的回归系数,并示出控制的错误发现率(FDR)渐近。仿真研究进行了检查所提出的方法的数值性能和现有的方法相比,其优越性。所提出的方法进一步说明,通过分析的数据集的多重图像细胞仪,其中调查的细胞表型,包括20个表位或标记物的组合的表达水平之间的相互作用网络。
2020-11-06 stat.ME stat.ML