Robust Hypothesis Testing and Model Selection for Parametric Proportional Hazard Regression Models
半参数Cox比例风险回归模型在许多应用科学领域中得到了广泛的应用。然而,一个完全参数的比例风险模型,如果适当的假设,往往可以导致更有效的推理。为了解决传统的极大似然估计的极端非鲁棒性,在这种完全参数比例风险模型下的数据中存在离群值,最近提出了一种稳健估计方法,扩展了最小密度幂散度估计(MDPDE)的概念。本文研究了参数比例风险模型下的统计推断问题,并利用MDPDE方法建立了稳健的Wald型假设检验和模型选择方法。我们还得到了必要的渐近结果,用于构造一般复合假设的检验程序,并研究其渐近功效。通过适当的影响函数分析,从理论上研究了所声称的鲁棒性。我们已经研究了有限样本水平和权力的建议MDPDE基于Wald型测试通过广泛的模拟,比较也与现有的半参数方法。文中还讨论了鲁棒整定参数的选取问题。最后通过三个有趣的实际数据例子说明了所提出的鲁棒性测试和模型选择程序的实际用途。
2020-09-26 stat.AP stat.ME
A Distributionally Robust Optimization Framework for Extreme Event Estimation
传统的极端事件估计方法依赖于精心选择的参数模型渐近证明极值理论(EVT)。这些方法虽然功能强大且理论上有基础,但可能会遇到困难的偏差-方差权衡,特别是当数据量太小时,这种权衡会加剧,从而降低尾部估计的可靠性。在本文中,我们研究了一个框架的基础上,最近激增的文献分布鲁棒优化。这种方法可以被看作是一种非参数替代传统EVT,通过施加一般形状的信念,而不是参数假设的尾巴,并使用最坏情况下的优化作为一种解决方案,以处理非参数的不确定性。我们解释了这种方法如何绕过EVT中的偏差方差权衡。另一方面,我们面临着保守性方差权衡,我们描述如何解决。我们还展示了所涉及的优化问题的计算工具,并比较我们的性能与传统的EVT在一系列的数值例子。
2023-01-03 math.OC math.ST stat.ME
Hypothesis testing for two population means: parametric or non-parametric test?
参数Welch $t$检验和非参数Wilcoxon-Mann-Whitney检验是最常用的两个独立样本均值检验。最近的检验方法包括非参数、经验似然和指数经验似然。然而,这些非参数似然检验程序的适用性是有限的,部分原因是它们倾向于在小样本中夸大第一类错误。为了规避第一类错误的问题,我们提出了简单的校准使用的$t$分布和自举。然后将两种非参数似然检验程序(有和无这些校准)与Wilcoxon-Mann-Whitney检验和Welch $t$检验进行比较。通过广泛的蒙特卡罗模拟的理由,第一类错误和权力的小/中等大小的样本中产生的各种非正态人群的比较。模拟研究清楚地表明:a)$t$校准改善了经验似然的I类误差,b)自助校准改善了两种非参数似然的I类误差,c)有或没有自助校准的Welch $t$检验达到了第一类错误,并产生了与前一种检验程序相似的功效水平,以及d)Wilcoxon-Mann-Whitney检验产生膨胀的第一类错误,而在存在与离散数据的关系的情况下,精确p值的计算是不可行的。此外,一个应用程序,以真正的基因表达数据说明了计算成本高,因此不切实际的非参数似然。总体而言,韦尔奇t检验,这是高度计算效率和易于解释,被证明是最好的方法时,测试两个人口的平均值相等。
2019-10-04 stat.ME
Statistical Testing under Distributional Shifts
在这项工作中,我们介绍了统计测试下的分布变化。我们对目标分布$P^*$的假设$P^* \in H_0$感兴趣,但观察来自不同分布$Q^*$的数据。我们假设$P^*$通过已知的移位$τ$与$Q^*$相关,并在此设置中正式引入假设检验。我们提出了一个通用的测试程序,首先从观察到的数据重新采样,构建一个辅助数据集,然后在目标域中应用现有的测试。我们证明,如果重采样的大小是最多$o(\sqrt{n})$和重采样的权重是良好的行为,这个过程继承了逐点渐近水平和功率从目标测试。如果映射$τ$是从数据中估计的,如果估计足够好,我们可以在温和的条件下保持上述保证。我们进一步将结果推广到有限样本水平、一致渐近水平和不同的重采样方案。在分布变化下的测试允许我们解决各种各样的问题。我们认为,它可能被证明是有用的强化学习和协变量转移,我们展示了它如何减少条件无条件的独立性测试,我们提供了因果推断的例子应用。
2022-04-29 math.ST stat.ME stat.TH
A Non-Parametric Box-Cox Approach to Robustifying High-Dimensional Linear Hypothesis Testing
针对高维线性假设检验的模型误设问题,提出非参数Box-Cox框架及对应稀疏估计算法与三类检验方法,证明其极限分布性质,通过模拟和超市数据验证了方法的有效性与必要性。
2024-05-21 stat.ME
Differentially Private Nonparametric Hypothesis Testing
假设检验是数据挖掘的重要统计工具,也是许多领域科学研究的主力。在这里,我们研究分类变量和连续变量之间独立性的差异私人测试。我们以传统的非参数检验为起点,它不需要分布假设(例如,正态性(normality)。我们提出了私人类似物的Kruskal-Wallis,Mann-Whitney和Wilcoxon符号秩检验,以及参数单样本t检验。这些测试使用专门为私人设置开发的新颖的检验统计量。我们将我们的测试与先前的工作进行比较,包括参数和非参数测试。我们发现,在所有情况下,我们的新的非参数检验实现了大的改进,在统计功效,即使当参数检验的假设得到满足。
2019-03-22 cs.CR stat.ME
Family learning: nonparametric statistical inference with parametric efficiency
假设检验和其他统计推断程序是最有效的,当一个可靠的低维参数家庭可以指定。我们提出了一种方法,学习这样的家庭时,一个存在的,但其形式是不知道的先验,通过检查相关人群的样本和拟合低维指数家庭,以及尽可能接近所有的样本。我们提出了一种计算效率高的谱方法,使我们能够进行有效的假设检验,无论是否适合是好的,并恢复渐近最佳功率,如果它是。我们的方法是计算效率高,可以产生大量的功率增益在模拟和现实世界的A/B测试数据。
2017-11-27 stat.ME
On Asymptotically Distribution Free Tests with Parametric Hypothesis for Ergodic Diffusion Processes
考虑了由遍历扩散过程的观测值构造渐近分布自由检验的问题。在基本假设下,假定趋势系数依赖于有限维参数,研究了Cramer-vonMises型统计量.基本的统计量取决于局部时间估计与不变密度的偏差,其中参数由最大似然估计代替。本文提出了一种线性变换,它使检验统计量收敛于Wiener过程的积分。因此,基于该统计量的检验是渐近分布自由的。
2013-05-15 math.ST stat.TH
Asymptotic properties of the MLE in distributional regression under random censoring
Fachhochschule Aachen(亚琛应用科学大学)
研究在随机右截断下分布回归中MLE的渐近性质,证明其几乎处处一致性和渐近正态性,并通过模拟和实际数据验证。
2026-05-15 math.ST stat.ME stat.TH
A Semiparametric Quantile Single-Index Model for Zero-Inflated Outcomes
针对微生物组零膨胀数据,提出半参数单指数分位数回归模型,放宽参数假设,适应零比例变化,并证明其拟合性能优越。
2025-03-27 stat.AP stat.ME
Distributional Regression U-Nets for the Postprocessing of Precipitation Ensemble Forecasts
Université de Franche Comté(弗朗什-孔泰大学);CNRS(法国国家科学研究中心);Laboratoire des Sciences du Climat et de l’Environnement(气候与环境科学实验室);CEA(法国原子能和替代能源委员会);UVSQ(凡尔赛大学);IPSL(巴黎地球物理研究所);CNRM(法国国家气象研究中心);Université de Toulouse(图卢兹大学);Météo-France(法国气象局)
提出基于 U-Net 的分布回归全局后处理方法,通过评分规则最小化预测降水参数化边际分布,并在 AROME-EPS 法国南部数据上验证其竞争力与强降水预测优势。
2024-07-02 cs.LG stat.AP stat.ML
Gaussian Transforms Modeling and the Estimation of Distributional Regression Functions
本文提出高斯变换建模条件累积分布函数,给出凹似然估计准则,统一估计密度、分布和分位数函数,并在美国性别工资差距应用中验证。
2025-04-20 econ.EM stat.ME
A Data-Driven Approach to Robust Hypothesis Testing Using Sinkhorn Uncertainty Sets
Georgia Institute of Technology(佐治亚理工学院)
小样本情形下的假设检验是一个具有重要实际意义的问题。在本文中,我们研究了强大的假设检验问题,在数据驱动的方式,我们寻求最坏情况下的检测器分布的不确定性集的经验分布为中心的样本使用Sinkhorn距离。与Wasserstein鲁棒性检验相比,该方法在训练样本之外支持相应的最不利分布,从而提供了一种更灵活的检测器。在合成数据集和真实数据集上进行了各种数值实验,以验证我们所提出的方法的竞争力。
2022-05-15 cs.LG stat.ML
LqRT: Robust Hypothesis Testing of Location Parameters using Lq-Likelihood-Ratio-Type Test in Python
t检验被认为是推断总体平均值的标准程序,广泛用于科学发现。然而,作为似然比检验的一种特殊情况,t检验往往由于偏离其难以验证的分布假设而导致性能急剧下降。或者,在本文中,我们提出了一个新的双样本Lq似然比类型测试(LqRT)以及一个易于使用的Python包来实现。LqRT在分布式假设被违反时保持高功率,并且在假设有效时保持令人满意的性能。数值研究表明,LqRT在功效上优于许多其他稳健检验,如Wilcoxon检验和符号检验,同时保持有效的大小。在一定程度上,Wilcoxon检验的稳健性(Wilcoxon检验与t检验的最小渐近相对效率(ARE)为0.864)表明Wilcoxon检验应作为默认检验选择(而不是“如果有证据表明非正态性,则使用Wilcoxon”,默认位置应为“除非有充分理由相信正态性假设,否则使用Wilcoxon”),本文中的结果表明LqRT可能是从业者的新的默认测试。
2019-11-27 stat.ME
Bootstrap-Based Goodness-of-Fit Test for Parametric Families of Conditional Distributions
FH Aachen University of Applied Sciences(亚琛应用科学大学)
本文提出一种基于Bootstrap的分布回归拟合优度检验,通过比较非参数与半参数估计差异,无需超参数,功效更高,可用R的gofreg包实现。
2025-10-09 stat.ME
Distributionally Robust Optimization as a Scalable Framework to Characterize Extreme Value Distributions
Duke University(杜克大学);Stanford University(斯坦福大学);George Mason University(乔治梅森大学)
本文针对多维极值理论中极值数据稀缺导致的模型误设问题,提出结合半参数最大稳定约束的分布鲁棒优化估计器,并通过凸优化与神经网络两种实现验证了其在合成数据和金融收益数据上的有效性。
2024-07-31 cs.AI cs.LG q-fin.RM
Distributional neural networks for electricity price forecasting
本文提出含概率层的分布神经网络,输出2参数正态或4参数Johnson SU分布,在德国日前电价概率预测中显著优于LASSO与分位数回归平均等基准。
2022-12-10 q-fin.ST stat.AP stat.ML
Deep Distributional Learning with Non-crossing Quantile Network
The Hong Kong Polytechnic University(香港理工大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);ByteDance(字节跳动);London School of Economics and Political Science(伦敦政治经济学院)
本文提出非交叉分位数网络,利用非负激活函数保证分布单调性,解决分位数交叉问题,并建立理论框架,在分位数回归、因果推断和分布强化学习中验证其有效性与通用性。
2025-04-11 cs.LG math.ST stat.ML
Optimal Debiased Inference on Privatized Data via Indirect Estimation and Parametric Bootstrap
Purdue University(普渡大学);University of Pittsburgh(匹兹堡大学)
本文提出一种去偏参数Bootstrap框架,利用间接推断方法估计参数并改进推断,解决隐私机制引入的偏差问题,实现更准确的置信区间和假设检验。
2026-07-10 cs.CR stat.ME
Post-processing of ensemble photovoltaic power forecasts with distributional and quantile regression methods
University of Debrecen(德布勒森大学);Marburg University(马尔堡大学);Heidelberg Institute for Theoretical Studies(海德堡理论研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Harbin Institute of Technology(哈尔滨工业大学)
针对光伏功率集合预报的系统性偏差,系统评估了七种统计后处理方法(含参数/非参数、统计/机器学习),发现非参数方法优于参数方法,其中先进非线性分位数回归模型表现最佳。
2025-08-21 stat.AP
Hypothesis Testing for Hierarchical Structures in Cognitive Diagnosis Models
认知诊断模型是一类特殊的离散隐变量模型,广泛应用于教育、心理和社会科学领域。在CDM的许多应用中,研究人员假设潜在属性之间存在一定的层次结构来表征它们的依赖结构。具体地说,一个有向无环图是用来指定分层约束的离散潜在属性的允许配置。在本文中,我们认为重要的尚未解决的问题,测试存在的潜在层次结构的CDM。首先,我们引入了可测性的概念,并给出了充分条件的CDM的层次结构。然后研究了嵌套模型检验中常用的似然比检验(LRT)统计量的渐近性质。由于问题的不规则性,LRT的渐近分布变得非标准,在实际情况下往往不能提供令人满意的有限样本性能。我们提供了统计的见解,这样的失败,并建议使用参数引导进行测试。我们还通过全面的模拟和教育评估数据集,证明了参数自举测试潜在层次结构的有效性和优越性,而非参数自举和朴素卡方检验。
2021-11-27 stat.ME
Isotropy testing in spatial point patterns: nonparametric versus parametric replication under misspecification
本文提出将非参数复制方法整合到空间点模式各向同性检验的通用框架,并通过大规模模拟研究证明其在模型误设定下相比参数复制方法能更稳健地控制检验水平和功效。
2025-04-08 stat.ME
Gaussian distributional structural equation models: A framework for modeling latent heteroscedasticity
本文提出高斯分布结构方程模型的贝叶斯框架,用于建模潜变量异方差性,通过模拟验证其可靠性与计算效率,并在人格心理学案例中展示应用。
2025-05-26 stat.ME
Multivariate distributional modeling of low, moderate, and large intensities without threshold selection steps
Laboratoire des Sciences du Climat et l’Environnement CNRS(法国国家科学研究中心气候与环境科学实验室)
针对水文学等领域多变量正值数据全分布建模需求,提出基于扩展广义帕累托分布的无阈值统一框架,通过分解径向与角向分量实现灵活建模,经仿真和水文数据验证可有效捕捉重尾特征与复杂依赖关系。
2025-10-02 stat.AP stat.ME
The conditionally studentized test for high-dimensional parametric regressions
针对无降维结构的高维参数回归模型检验,本文结合样本拆分与条件学生化提出COST,在固定或发散维数下均具渐近正态性并可最快检测局部备择假设。
2023-08-17 stat.ME
Minimax Optimal Sequential Hypothesis Tests for Markov Processes
在较弱的Markov假设下,得到了分布不确定性下多假设序贯检验的严格Minimax最优性的充分条件。首先,简单假设的最优序贯检验的设计被重新审视,它表明,相应的成本函数的偏导数是密切相关的基本序贯检验的性能指标。第二,一个隐含的表征最不利的分布为一个给定的测试政策。结合最优序贯检验和最不利分布的结果,得到了一般分布不确定性下序贯检验为minimax最优的充分条件。最小最大最优检验的成本函数被进一步确定为广义$f$-相异度,最不利的分布是那些最相似的相对于这种相异度。不同不确定度下的极小极大最优序贯检验的数值例子说明了理论结果。
2020-10-22 math.ST stat.TH
Variations of Q-Q Plots -- The Power of our Eyes!
在统计建模中,我们努力指定类似于研究中收集的数据或从过程中观察到的数据的模型。因此,分布规格和参数估计是参数模型的核心。图形程序,如分位数-分位数(Q-Q)图,可以说是最广泛使用的分布评估方法,尽管批评者发现他们的解释过于主观。正式的拟合优度测试是可用的,并且非常强大,但仅指示是否存在拟合不足,而不是为什么存在拟合不足。在本文中,我们将探讨使用阵容协议注入严格的图形分布评估和比较其权力的正式分布测试。我们发现标准Q-Q图的排列比去趋势Q-Q图的排列更强大,并且排列检验比传统的正态性检验更强大。虽然我们专注于诊断非正态性,但我们的方法是通用的,可以直接扩展到其他分布的评估。
2015-03-06 stat.ME
Efficient computation and analysis of distributional Shapley values
Stanford University(斯坦福大学)
分布式数据Shapley值(DShapley)是近年来提出的一种量化个体数据在机器学习中贡献的基本框架。DShapley将Shapley值的基本博弈论概念发展为统计框架,并可用于识别对学习算法有用(或有害)的数据点。然而,估计DShapley在计算上是昂贵的,这可能是在实践中使用它的一个主要挑战。此外,几乎没有数学分析这个值如何取决于数据特征。在本文中,我们推导出第一个解析表达式的DShapley的典型问题的线性回归,二元分类,和非参数密度估计。这些分析形式提供了新的算法来估计DShapley,比以前的最先进的方法快几个数量级。此外,我们的公式是直接可解释的,并提供了对不同类型数据的价值如何变化的定量见解。我们证明了我们的方法在多个真实和合成数据集上的实际效果。
2021-02-17 cs.LG stat.ML
Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation
Inria - Ecole Normale Supériore Paris(法国巴黎国家信息与自动化研究所-巴黎高等师范学院);Department of Computer Science - UCL(伦敦大学学院计算机科学系);SDA Bocconi School of Management(博科尼管理学院)
研究针对缺失值问题,提出通过半正定核密度估计进行分布忠实插补的方法,将插补重述为密度估计,利用PSD核密度得到凸经验风险问题并求解,实验表明该方法在分布准确性上有竞争力,优于流行基线。
2026-10-28 cs.LG stat.ML
Robust Hypothesis Testing with Wasserstein Uncertainty Sets
我们考虑一个数据驱动的稳健假设检验,其中最优检验将最大限度地减少最坏情况下的性能,这些性能与Wasserstein距离的经验分布接近。这导致了一个新的非参数假设检验框架的基础上分布鲁棒优化,这是更强大的,当有有限的样本为一个或两个假设。这样的场景通常出现在医疗保健、在线变点检测和异常检测等应用中。我们研究的计算和统计特性提出了一个易于处理的凸重新制定的原始无限维变分问题利用Wasserstein的属性和特征的半径选择的不确定性集的测试。我们还证明了我们的方法在合成和真实数据上的良好性能。
2021-05-29 math.ST stat.ME stat.TH
Hypothesis Testing in High-Dimensional Regression under the Gaussian Random Design Model: Asymptotic Theory
我们考虑线性回归在高维制度的观察数$n$小于参数数$p$。在这种情况下,一种非常成功的方法是使用$\ell_1$ -惩罚最小二乘法(也称为Lasso)搜索最能解释数据的$s_0< n$参数子集,同时将其他参数设置为零。大量的工作已被用于描述这种方法中的估计和模型选择问题。在本文中,我们考虑的是基本的,但远不了解,问题的\emph{statistical significance}。更确切地说,我们解决了计算单个回归系数的p值的问题。一方面,我们在给定的显著性水平下,给出了极大极小检验功效的一般上界。另一方面,我们证明了这个上界是(几乎)通过一个实际的过程中的情况下,随机设计矩阵的独立项目是可以实现的。我们的方法是基于一个去偏的Lasso估计。分析建立在严格表征的渐近分布的Lasso估计及其去偏版本。我们的结果适用于最佳样本量,即,当$n$至少为$s_0 \log(p/s_0)$的量级时。我们推广我们的方法随机设计矩阵独立同分布。高斯行$x_i\sim N(0,Σ)$。在这种情况下,我们证明了一个类似的分布特性(称为“标准分布限制”)持有$n$远大于$s_0(\log p)^2$。最后,我们表明,对于最佳的样本量,$n$是至少为$s_0 \log(p/s_0)$阶,一般高斯设计的标准分布极限可以从统计物理学中的副本几何学推导出来。
2014-02-04 cs.IT math.IT math.ST
Distributional Reinforcement Learning via Moment Matching
我们考虑在分布强化学习(RL)中从经验贝尔曼动态学习一组概率分布的问题,这是一类估计总回报的分布而不仅仅是期望的最先进方法。我们制定了一种方法,通过神经网络从每个回报分布中学习有限的统计数据集,如(Bellemare,Dabney和Munos 2017; Dabney等人2018 b)。然而,现有的分布式RL方法将学习到的统计数据约束为返回分布的\emph{predefined}函数形式,这在表示上是限制性的,并且难以维护预定义的统计数据。相反,我们学习\emph{unrestricted}统计,即,确定性(伪)样本的回报分布,通过利用一种技术,从假设检验称为最大均值差异(MMD),这导致一个更简单的目标服从反向传播。我们的方法可以被解释为隐式匹配的所有订单的时刻之间的回报分布和贝尔曼目标。我们建立了分布Bellman算子收缩的充分条件,并给出了分布近似下确定性样本的有限样本分析。在Atari游戏套件上的实验表明,我们的方法优于标准的分布式RL基线,并在Atari游戏中为非分布式代理创造了新的记录。
2020-12-09 cs.AI cs.LG stat.ML
Transversality and Geometric Regularisation in Distributional Statistical Models
Aarhus University(奥胡斯大学)
本文提出分布-核对框架,利用横截性定理证明核作为几何正则化器使参数模型避免退化,并给出可验证条件。
2026-08-05 math.DG math.ST stat.ME
Non-Parametric Goodness-of-Fit Tests Using Tsallis Entropy Measures
本研究基于Tsallis熵提出非参数拟合优度检验新方法,搭配形状参数迭代估计算法,提升重尾与非高斯场景下的检验精度,为多领域提供稳健的分布检验工具。
2025-06-17 math.ST stat.ME stat.TH
Hypothesis Testing for Class-Conditional Noise Using Local Maximum Likelihood
University of Bristol(布里斯托大学);GSK(葛兰素史克)
针对现有类别条件标签噪声假设检验依赖过强参数假设、易出现模型误设的问题,提出基于局部最大似然估计的非参数逻辑回归检验方法,拓展了检验适用范围,并通过实验验证了其优劣。
2023-12-15 cs.LG stat.ML
Statistical Analysis of Conditional Group Distributionally Robust Optimization with Cross-Entropy Loss
Center for Data Science, Zhejiang University(浙江大学数据科学中心);Department of Statistics, Rutgers University(罗格斯大学统计系)
本文提出了一种条件组分布鲁棒优化框架,通过最小化交叉熵损失来解决多源领域适应中的分布偏移问题,并建立了快速统计收敛率和统一有效的推断方法。
2026-01-23 math.OC math.ST stat.ME
Using Ordinal Data to Assess Distance Learning
关于李克特量表数据应被视为有序还是连续的,存在一些分歧。本文将Likert数据视为有序数据,使用非参数假设检验和聚类来验证那些在假设检验中有显著结果的变量。
2020-11-16 cs.CY stat.ME
Hypothesis-Disciplined Multi-Agent Automated Formalization of Asymptotic Statistical Theory
Department of Biostatistics & Bioinformatics, Duke University(杜克大学生物统计与生物信息学系);Department of Mathematical Sciences, Carnegie Mellon University(卡内基梅隆大学数学科学系);Department of Biostatistics, Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院生物统计系)
提出一种假设约束的多智能体Lean 4形式化流程,通过七个专业角色协调工作,实现渐近统计理论中参数和半参数模型的形式化,确保公理干净且忠实于原文。
2026-06-23 cs.AI cs.LG cs.LO
Bounded P-values in Parametric Programming-based Selective Inference
Nagoya University(名古屋大学);Nagoya Institute of Technology(名古屋工业大学);RIKEN(理化学研究所)
本研究针对参数规划选择性推断的高计算成本问题,提出计算p值上下界的方法及三种搜索策略,在保证精度的同时降低计算成本,并在特征选择和注意力区域识别中验证有效性。
2023-12-28 cs.LG stat.ML
A Cramér Distance perspective on Quantile Regression based Distributional Reinforcement Learning
Amadeus SAS(艾玛迪斯SAS)
分布式强化学习(DRL)扩展了基于值的方法,通过近似未来收益的完整分布而不是仅平均值,提供更丰富的信号,从而提高性能。基于分位数回归(QR)的方法(如QR-DQN)通过最小化1-瓦瑟斯坦距离将任意分布投影到阶梯分布的参数子集中。然而,由于梯度中的偏差,分位数回归损失被用于训练,从而保证相同的最小值并享受无偏梯度。对分位数的非交叉约束已经被证明可以提高QR-DQN对于基于不确定性的探索策略的性能。这项工作的贡献是在固定的分位数水平的设置,是双重的。首先,我们证明了Cramér距离产生一个投影,与1-Wasserstein的一致,并且在非交叉约束下,平方Cramér和分位数回归损失产生共线梯度,揭示了DRL这些重要元素之间的连接。其次,我们提出了一个低复杂度的算法来计算Cramér距离。
2022-02-22 cs.LG stat.ML
Non-parametric multiple change-point detection
提出 NPID 方法用于非参数环境下多变点数量和位置的一致估计,通过隔离技术避免区间包含多个变点以提升精度,并采用阈值化或信息准则优化作为停止规则,在多种变化类型测试中优于现有技术。
2025-04-30 math.ST stat.TH
Breaking hypothesis testing for failure rates
Microsoft(微软)
我们描述了点过程和失效率的效用,以及用于建模失效率的最常见的点过程,泊松点过程。接下来,我们描述了一致最强大的测试比较率的两个泊松点过程的单侧测试(以下简称为“率测试”)。反对使用此测试的一个常见论点是,真实世界的数据很少遵循泊松点过程。因此,我们调查发生了什么事时,分布假设的测试,如这些被违反和测试仍然适用。我们发现一个非病理的例子(使用率测试的复合泊松分布与二项式复合),违反率测试的分布假设,使其表现更好(较低的错误率)。我们还发现,如果我们用任何其他任意分布替换原假设下的检验统计量的分布,检验的性能(用假阴性率与假阳性率的权衡来描述)仍然完全相同。接下来,我们将速率检验的性能与为负二项点过程定制的Wald检验的性能进行比较,发现它的性能非常相似,但更通用和通用。最后,我们讨论了Microsoft Azure的应用程序。所有实验的代码都是开源的,并在介绍中链接。
2020-01-13 cs.LG stat.AP
Robust Hypothesis Testing Using Wasserstein Uncertainty Sets
Georgia Institute of Technology(佐治亚理工学院)
我们开发了一个新的计算效率和一般框架,强大的假设检验。新框架的特点是一种新的方法来构建零分布和替代分布下的不确定性集,这些不确定性集是以通过Wasserstein度量定义的经验分布为中心的集合,因此我们的方法是数据驱动的,没有分布假设。我们开发了一个凸安全近似的极大极小制定,并表明这种近似呈现出一个接近最佳的检测器之间的家庭的所有可能的测试。通过利用结构的最不利的分布,我们还开发了一个易于处理的重新制定这样的近似,与复杂性的观察空间的维度无关,可以是几乎样本大小无关的一般。使用人类活动数据的实际数据的例子证明了新的鲁棒检测器的优异性能。
2018-05-27 cs.IT cs.LG math.IT
Some parametric tests based on sample spacings
本文提出基于 m 步不相交样本间隔对称统计量的参数检验,分析其在简单与复合原假设及局部备择假设下的渐近性质,并通过数值和真实数据验证其可替代似然比检验。
2022-06-03 math.ST stat.TH
Distributional (Single) Index Models
分布(单)指数模型(DIM)是分布回归的半参数模型,即估计给定协变量的条件分布。该方法是经典的单指数模型的组合,用于估计给定协变量的响应的条件平均值和保序分布回归。该指数的模型是参数化的,而条件分布是在随机排序约束下非参数化估计的。我们显示了我们的估计的一致性,并将其应用到一个高度具有挑战性的数据集上的患者在重症监护病房的住院时间(LoS)。我们使用该模型为个体患者的LoS提供熟练和校准的概率预测,其优于文献中的可用方法。
2022-08-03 stat.ME
On goodness-of-fit tests for parametric hypotheses in perturbed dynamical systems using a minimum distance estimator
我们考虑的问题的建设的拟合优度检验的情况下,连续时间观测的扩散过程的小噪声。原假设是参数化的,我们使用未知参数的最小距离估计。我们提出了一个渐近分布自由测试这个模型。
2016-06-16 math.ST stat.TH
A U-statistic Approach to Hypothesis Testing for Structure Discovery in Undirected Graphical Models
图模型中的结构发现是确定图的拓扑结构,该图编码模型中所有变量的联合分布的条件独立性质。对于某些类别的概率分布,当且仅当精度矩阵中的相应项为非零时,两个变量之间存在边。对于精密度矩阵的有限样本估计,接近零的条目可能是由于低样本效应,或由于变量之间的实际关联;这两种情况不容易区分。%Fisher基于高斯分布的精度矩阵中条目分布的参数近似值提供了假设检验,但这可能无法提供非高斯分布的$p$值的有效上限。关于这个主题的许多相关工作考虑可能不适用于感兴趣的数据样本的限制性分布或稀疏性假设,并且直接估计一般分布的精度矩阵估计的不确定性仍然具有挑战性。因此,我们利用$U$ -统计量的结果,并将其应用于协方差阵。通过概率约束的协方差阵的失真,我们可以应用外尔定理约束的精度矩阵的失真,产生一个保守的,但声音的测试阈值比以前的作品中考虑的更广泛的一类分布。由此产生的测试,使一个回答与统计意义的边缘是否存在于图中,收敛结果是已知的广泛的分布。计算复杂度在样本量中是线性的,使得能够将测试应用于计算时间成为限制因素的大数据样本。我们实验验证的正确性和可扩展性的多变量分布的竞争测试的分布假设导致低估的假阳性率的测试。相比之下,所提出的测试仍然健全,有望成为一个有用的工具,假设检验的各种现实世界的问题。
2016-04-06 math.ST stat.ML stat.TH
Statistical Unlearning of Distributions: A Hypothesis Testing Approach
Princeton University(普林斯顿大学)
本文提出一种分布统计遗忘框架,通过假设检验选择样本以减少不需要的分布影响,同时保持所需分布的性能,并分析了允许的编辑数据分布区域和帕累托前沿。
2026-05-15 cs.IT cs.LG math.IT
Empirical Likelihood Ratio Test with Distribution Function Constraints
本文研究了具有分布函数约束的非参数假设检验问题。经验似然比检验在检验矩等式约束问题中得到了广泛的应用。然而,一些检测问题不能使用矩(in)等式来描述。我们提出了一个分布函数约束以及经验似然比检验。该检测器适用于各种各样的鲁棒参数/非参数检测问题。由于分布函数约束提供了对原假设的更精确描述,因此该检验优于具有矩约束的经验似然比检验以及许多流行的拟合优度检验,例如稳健的Kolmogorov-Smirnov检验和Cramér-von Mises检验。从通信系统与现实世界的噪声样本的例子来展示他们的性能。具体而言,当原假设嵌套在备择假设中时,所提出的检验显著优于稳健的Kolmogorov-Smirnov检验和Cramér-von Mises检验。当我们假设没有噪声不确定性时,重复相同的示例。通过这样做,我们能够声称,在我们的情况下,有必要包括噪声分布的不确定性。此外,所提出的测试的渐近最优性。
2016-04-30 math.ST stat.TH
From Asymptotic to Finite-Sample Minimax Robust Hypothesis Testing
University Medical Center of the Johannes Gutenberg University Mainz(约翰内斯·古腾堡美因茨大学医学中心);Center for Thrombosis and Hemostasis, University Medical Center Johannes Gutenberg University Mainz(约翰内斯·古腾堡大学医学中心血栓与止血中心);German Center for Cardiovascular Research (DZHK), Partner Site Rhine Main, University Medical Center of the Johannes Gutenberg University Mainz(德国心血管研究联合会(DZHK)莱茵美因合作点,约翰内斯·古腾堡大学医学中心)
本文提出了一种基于渐近理论的有限样本最小最大稳健假设检验方法,通过总变差距离和带模型分析,推导了参数形式的最不利分布和稳健似然比函数,并通过模拟验证了理论结果。
2026-02-23 cs.IT math.IT math.ST
Specification testing in semi-parametric transformation models
在转换回归模型中,在将回归模型拟合到协变量和转换的响应之前,先转换响应。我们假设这样一个模型,其中误差与协变量无关,并且回归函数是非参数建模的。我们建议一个测试的拟合优度的参数转换类的基础上的非参数转换估计和参数类之间的距离。我们提出的渐近理论下的半参数模型的有效性的原假设和当地的替代品。一个自举算法建议,以适用于测试。我们还考虑相关的假设来区分大的和小的距离的参数变换类的“真”的变换。
2020-02-14 math.ST stat.TH
Goodness-of-Fit Testing for Point Processes in Large Populations
University of Amsterdam(阿姆斯特丹大学);Victoria University of Wellington(惠灵顿维多利亚大学)
本文提出一种新方法,通过构造单位变换使自然参数检验过程弱收敛于标准目标过程,实现大规模群体中点过程参数族的渐近分布自由拟合优度检验。
2026-05-15 math.ST stat.TH
Non-Parametric Model Calibration with Stochastic Control Parameters
Simon Fraser University(西蒙菲莎大学);Carleton University(卡尔顿大学)
研究如何用非参数技术校准计算机模型,输入含校准参数和控制参数。基于测度分解和贝叶斯推理,给出与观测数据一致且保留控制参数分布的输入空间分布估计。
2026-07-21 stat.ME
Exogeneity tests, incomplete models, weak identification and non-Gaussian distributions: invariance and finite-sample distributional theory
在原假设和备择假设下,从有限样本的角度研究了Durbin-Wu-Hausman(DWH)和Revankar-Hartley(RH)检验的分布。我们考虑线性结构模型,可能非高斯误差,结构参数可能无法识别,其中减少的形式可以不完全指定(或非参数)。在水平控制下,我们刻画了所有检验统计量的零分布。通过条件和不变性参数,我们表明,这些分布不涉及滋扰参数。特别是,这适用于几个检验统计量,对于这些统计量,还没有有限样本分布理论可用,例如Hausman(1978)提出的标准统计量。检验统计量的分布可能是非标准的--因此需要对通常的渐近临界值进行校正--但其特征是足够明确的,以产生外生性假设的有限样本(蒙特卡罗)检验。这样得到的程序是强大的弱识别,丢失的仪器或错误指定的减少形式,并可以很容易地适应,以允许参数非高斯误差分布。给出了外生性检验统计量的一般不变性结果(块三角不变性).这个属性产生了一个方便的外生性标准形式和一个简约的减少功率所依赖的参数。在没有确定结构参数的极端情况下,备择假设和原假设下的分布是相同的,因此对于所有外生性统计量,幂函数是平坦的。然而,一旦识别没有完全失败,这种现象通常就会消失。
2017-01-24 stat.ME