Nonparametric estimation of the density of the alternative hypothesis in a multiple testing setup. Application to local false discovery rate estimation
在多重检验的背景下，我们考虑一个半参数混合模型与两个组件，其中一个组件是已知的，并对应于$p$ -值的分布下的原假设和其他组件$f$是非参数的，并代表下的分布备择假设。出于本地错误发现率估计的问题，我们在这里集中在混合物中的非参数未知成分$f$的估计，依赖于真实零假设的未知比例$θ$的初步估计。我们提出并研究了这个未知分量的两个不同的估计的渐近性质。第一估计器是随机加权核估计器。我们建立了它的逐点二次风险的上界，展示了经典的非参数收敛速度在一类Hölder密度。据我们所知，这是第一个结果建立收敛以及相应的速度估计未知成分在这个非参数混合。第二个估计量是最大平滑似然估计量。它是通过一个迭代算法计算的，为此我们建立了一个下降性质。此外，这些估计器用于多重检验过程中，以估计本地错误发现率。他们各自的表现，然后比较合成数据。
2013-04-03 stat.AP
A nonparametric two-sample hypothesis testing problem for random dot product graphs
我们考虑的问题，测试是否有两个有限维随机点积图产生的潜在位置，独立地从相同的分布，或分布相关，通过缩放或投影。我们提出了一个检验统计量，这是一个基于核函数的邻接谱嵌入每个图。我们得到了一个极限分布，我们的检验统计量下的空，我们表明，我们的检验程序是一致的，在广泛的替代品。
2015-11-12 math.ST stat.TH
Robust nonparametric hypothesis tests for differences in the covariance structure of functional data
我们开发了一组强大的，非参数假设检验，检测几个人口的功能数据的协方差算子之间的差异。这些测试称为FKWC测试，基于功能数据深度等级。这些测试工作良好，即使当数据是重尾，这是在模拟和理论上都显示。这些测试提供了几个其他的好处，他们有一个简单的分布下的原假设，他们是计算成本低，他们拥有变换不变性的属性。我们发现，在一般的备择假设下，这些测试是一致的温和的，非参数假设。作为这项工作的结果，我们引入了一个新的功能深度函数，称为L2-root深度，它可以很好地检测协方差核之间的幅度差异。我们提出了一个分析的FKWC测试使用L2根深度下的本地替代品。在模拟中，当真正的协方差核具有严格的正特征值时，我们表明这些测试具有比竞争对手更高的功率，同时仍然保持其标称大小。我们还提供了计算样本量和执行多重比较的方法。
2021-06-18 stat.ME
Optimal Nonparametric Inference via Deep Neural Network
Texas Tech University（德克萨斯理工大学）；Indiana University–Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；New Jersey Institute of Technology（新泽西理工学院）
深度神经网络是现代科学技术中的一种先进方法。许多统计文献致力于了解其在非参数估计中的性能，然而由于冗余的对数牺牲，结果是次优的。在本文中，我们表明，这样的对数因子是不必要的。我们推导出非参数估计下的$L^2$极大极小风险的上界。充分条件的网络架构，使上界成为最佳的（没有日志牺牲）。我们的证明依赖于一个显式构造的网络估计的张量积B样条。我们还推导出所构建的网络的渐近分布和相关的假设检验程序。在适当的网络结构下，进一步证明了测试过程是最小最大最优的。
2021-08-16 cs.LG stat.ML
Nonparametric Score Estimators
Tsinghua University（清华大学）
估计分数，即，来自由未知分布生成的一组样本的对数密度函数的梯度是涉及灵活但棘手的密度的概率模型的推断和学习中的基本任务。基于Stein方法或分数匹配的核估计已经显示出希望，但是它们的理论性质和关系尚未完全理解。我们提供了一个统一的看法，这些估计的框架下，正规化非参数回归。它允许我们分析现有的估计和构造新的期望的性质，通过选择不同的假设空间和正则化。一个统一的收敛性分析提供了这样的估计。最后，我们提出了基于迭代正则化的分数估计，享受计算的好处，从卷曲的内核和快速收敛。
2020-06-30 cs.LG stat.ML
Peeking with PEAK: Sequential, Nonparametric Composite Hypothesis Tests for Means of Multiple Data Streams
Cornell Tech（康奈尔理工学院）
提出基于赌博框架的非参数序贯检验方法PEAK，用于多数据流均值复合假设检验，在保证第一类错误控制的同时显著减少样本量并降低计算复杂度。
2024-06-02 cs.LG stat.ME stat.ML
Nonparametric covariate hypothesis tests for the cure rate in mixture cure models
针对含长期幸存者的生存数据中现有治愈模型协变量检验仅支持参数/半参数方法的问题，提出混合治愈模型治愈率的非参数协变量假设检验，用bootstrap近似零分布，经模拟验证有效并应用于结直肠癌数据集。
2024-01-30 stat.ME
Chi-squared test for hypothesis testing of homogeneity
给出了齐性假设检验卡方检验的非参数备择集一致相合的充要条件。卡方检验的单元数随着样本量的增加而增加。非参数方案集可以用密度和分布函数来定义。
2021-08-26 math.ST stat.TH
Federated Nonparametric Hypothesis Testing with Differential Privacy Constraints: Optimal Rates and Adaptive Tests
University of Pennsylvania（宾夕法尼亚大学）
本文研究差分隐私约束下联邦非参数拟合优度检验，建立极小极大分离速率的匹配上下界并揭示相变现象，证明共享随机性可提升一次性协议性能，并提出能以极小代价自适应未知正则性参数的数据驱动检验方法。
2024-06-10 cs.LG math.ST stat.ML
Adaptive, Rate-Optimal Hypothesis Testing in Nonparametric IV Models
本文提出一种自适应假设检验方法，用于非参数工具变量模型中的不等式和等式约束，达到自适应极小极大检验速率，并通过模拟和实证验证其有效性。
2024-11-06 econ.EM stat.ME stat.ML
Nonparametric two-sample hypothesis testing for low-rank random graphs of differing sizes
本文提出了一种非参数两样本检验方法，用于测试不同规模低秩随机图的分布相等性，通过最大均值差异和最优传输估计实现。
2026-03-06 math.ST stat.TH
Efficiency of nonparametric e-tests
本文针对对称性非参数假设，构造三种常用非参数检验的 e-value 版本，并提出对应于 Pitman 渐近相对效率的评价概念以分析其效率。
2024-01-26 math.ST stat.ME stat.TH
Two-sample Bayesian Nonparametric Hypothesis Testing
针对两样本分布未知时的假设检验问题，提出基于波利亚树（Pólya tree）先验的贝叶斯非参数方法，通过解析边缘似然得到原假设概率的显式度量，实现原假设与备择假设的证据评估。
2015-05-11 stat.ME
Sequential Nonparametric Testing with the Law of the Iterated Logarithm
University of California, San Diego（加州大学圣地亚哥分校）；University of California, Berkeley（加州大学伯克利分校）
我们提出了一个新的算法框架，顺序假设检验与i.i.d.数据，其中包括A/B检验，非参数两样本检验，独立性检验作为特例。它在几个方面是新颖的：（a）它需要线性时间和恒定的空间来计算，（b）它具有与非顺序版本的测试相同的功率保证，具有相同的计算约束，直到一个小的因子，（c）它只访问所需的样本-它的停止时间适应未知的问题难度。所有的检验统计量都是在原假设下的零均值鞅，并且拒绝阈值由一致的非渐近重对数律（LIL）决定。对于非参数两样本均值检验的情形，我们也给出了有限样本的功效分析，以及这类问题的第一非渐近停时的计算。我们验证了我们的预测I型和II型错误和停止时间使用模拟。
2016-03-02 cs.LG math.ST stat.ME
Testing for a constant coefficient of variation in nonparametric regression
本文对一般非参数回归模型中变异系数为常数的假设提出了一种新的检验方法。该检验基于回归函数的平方与方差函数之间的$L^2$距离估计值。我们证明了在原假设和固定替代下该距离的标准化估计的渐近正态性，并通过模拟研究研究了相应的Bootstrap检验的有限样本性质。所得结果适用于一般混合条件下的平稳过程，并用于构造金融时间序列中平稳性假设的检验。
2008-09-29 math.ST stat.TH
On maxispaces of nonparametric tests
对于非参数假设检验问题，我们引入了极大集和极大空间的概念。指出了$χ^2-$检验、Cramer-vonMises检验、核估计量的$\mathbb{L}_2$ -范数生成检验和傅里叶系数估计量的二次型生成检验的最大集。对于这些测试，我们表明，如果序列的替代品具有给定的收敛率假设是一致的，那么每个altehrnative可以分解为两个部分的总和：一个函数属于极大集和正交函数。属于极大集的函数序列是相容的选择序列。我们指出渐近极大极小检验，如果集的替代品是删除“小”$\mathbb{L}_2$ -球的极大集。
2018-05-17 math.ST 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
Nonparametric inference for additive models estimated via simplified smooth backfitting
我们研究了使用简化平滑回拟合估计的非参数加性模型中的假设检验（Huang和Yu，Journal of Computational and Graphical Statistics，\textbf{28(2)}，386- 400，2019）。简化的光滑回拟合在正则性条件下实现了预言性质，并提供了用于推导渐近性质的估计量的封闭形式表达式。我们开发了一个广义的似然比（GLR）和一个损失函数（LF）为基础的测试框架的推断。在原假设下，GLR和LF检验都具有渐近重新标度的卡方分布，并且都表现出Wilks现象，这意味着标度常数和自由度与冗余参数无关。这些检验在非参数假设检验的收敛速度方面是渐近最优的。此外，非常适合模型估计的带宽可能对测试有用。我们证明了在可加性模型中，LF检验比GLR检验渐近更有效。我们使用模拟来证明Wilks现象和这些建议的GLR和LF测试的力量，并通过一个真实的例子来说明它们的有用性。
2022-09-15 math.ST stat.ME stat.TH
Nonparametric conditional risk mapping under heteroscedasticity
本文提出一种结合条件模拟与非参数估计的自助算法，用于在异方差非平稳地质统计过程中估计未观测位置的条件超限风险，并通过模拟和美国降水数据验证其有效性。
2024-03-28 stat.AP stat.ME
Nonparametric Hypothesis Testing of High-dimensional Clustering With Application to Single-cell RNA Data
University of North Carolina（北卡罗来纳大学）；University of Michigan（密歇根大学）
针对高维聚类显著性检验中高斯假设不可靠的问题，提出基于对数凹分布的非参数方法SigClust-LCP，结合分数匹配估计器，在控制第一类错误和保持功效的同时，避免单细胞数据中的虚假亚聚类。
2026-09-09 stat.AP stat.CO stat.ME
A Review of Nonparametric Hypothesis Tests of Isotropy Properties in Spatial Data
空间参考数据建模的一个重要方面是适当指定随机场的协方差函数。一个从事空间数据工作的从业者可以在观察之间的依赖结构方面做出许多选择。这些选择之一是确定各向同性协方差函数是否合适。各向同性意味着空间依赖性不取决于采样位置之间的空间分离的方向。各向同性属性（方向依赖性）的错误指定可能导致误导性推断，例如，不准确的预测和参数估计。研究人员可以使用图形诊断，如方向样本变异函数，以确定各向同性的假设是否合理。这些图形技术可能难以评估，容易受到主观解释和误导。各向同性假设的假设检验可能更可取。为此，已经开发了一些测试的方向依赖性使用的空间和频谱表示的随机场。我们提供了一个概述的非参数方法，可用于测试的假设，空间数据的各向同性和对称性。我们总结了测试属性，讨论了选择和实施测试的重要考虑因素和建议，通过模拟研究比较了几种方法，并提出了一些开放的研究问题。几个回顾的方法可以使用我们的软件包spTest在R中实现，可以在CRAN上获得。
2015-11-04 stat.ME stat.OT
Dimension reduction-based significance testing in nonparametric regression
针对非参数回归模型，提出了一种基于降维的自适应模型检验方法。与现有的局部平滑显著性检验不同，新的检验表现得像一个局部平滑检验，就好像协变量的数量只是原假设下的协变量的数量，并且它可以以仅与原假设下的协变量的数量相关的速率检测不同于原假设的局部替代品。因此，当不可避免地需要非参数估计时，维数灾难在很大程度上得到缓解。在有许多不显著的协变量的情况下，新的测试的改进是非常显着的显着性水平的维持和功率增强现有的局部平滑测试。仿真研究和实际数据分析进行了有限样本的性能测试。
2015-10-13 stat.ME
A nonparametric test for a constant correlation matrix
我们提出了一个非参数的程序来测试在一个未知的时间点的相关矩阵的变化。新的检验只需要对序列相关结构进行温和的假设，并且在有限样本中具有相当大的功效。我们推导了在无变化的原假设下的渐近分布以及局部幂的结果，并将检验应用于股票收益率。
2014-10-27 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
An Approach to Nonparametric Inference on the Causal Dose Response Function
针对连续暴露下因果剂量反应函数推断的强参数假设失效问题，提出基于方差估计的非参数检验方法，可构建同时置信带，经模拟和HIV临床数据验证有效。
2023-06-13 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
Differentially Private Hypothesis Testing with the Subsampled and Aggregated Randomized Response Mechanism
随机应答是分析机密数据的最古老和最知名的方法之一。然而，它的效用差异私人假设检验是有限的，因为它不能同时实现高隐私级别和低第一类错误率。在本文中，我们将展示如何使用子样本和聚合技术来克服这个问题。其结果是一个通用的方法，可用于频率和贝叶斯测试。{{We举例说明我们的建议在三种情况下的性能：线性回归模型的拟合优度检验，Wilcoxon检验的位置参数的非参数检验，以及非参数Kruskal-Wallis检验。
2023-03-03 stat.ME
Two-sample Bayesian nonparametric goodness-of-fit test
近年来，贝叶斯非参数统计得到了极大的关注。尽管如此，相对较少的工作已经花费在贝叶斯非参数假设检验。本文提出了一种新的两样本问题的贝叶斯非参数方法。确切地说，给定两个样本$\mathbf{X}=X_1,\ldots,X_{m_1}$ $\overset {i.i.d.} \sim F$和$\mathbf{Y}=Y_1,\ldots,Y_{m_2} \overset {i.i.d.} \sim G$，其中$F$和$G$是未知的连续累积分布函数，我们希望检验零假设$\mathcal{H}_0:~F=G$。该方法是基于柯尔莫哥洛夫距离和近似样本的狄利克雷过程集中在标准正态分布和浓度参数1。结果表明，建议的测试是强大的狄利克雷过程的任何先前的规格。与几个著名的测试的功率比较被纳入。特别是，建议的测试占主导地位的标准Kolmogorov-Smirnov测试在所有的情况下检查的文件。
2015-05-07 math.ST stat.TH
Nonparametric Model Checking and Variable Selection
设X为协变量的d维向量，Y为响应变量。在非参数模型Y = m（X）+ σ（X）\in下，我们开发了一个ANOVA型检验，用于原假设X的特定坐标对回归函数没有影响。在原假设和局部替代假设下，利用Nadaraya-Watson型核估计和d \leq 4的残差，建立了检验统计量的渐近分布.仿真结果表明，在稀疏模型下，通过充分的降维，检验的适用性扩展到任意d。利用该检验的p值，提出了一种基于多重检验思想的变量选择方法。拟议的测试优于现有的程序，而额外的模拟显示，拟议的变量选择方法执行竞争力对完善的程序。一个真实的数据集进行了分析。
2012-05-30 stat.ME
Analysis of Deviance for Hypothesis Testing in Generalized Partially Linear Models
在本研究中，我们发展了基于局部多项式拟合的广义部分线性模型的非参数偏差分析工具。假设一个规范的链接，我们提出了表达式的本地和全球的偏差分析，承认一个加性属性，减少到方差分析分解的高斯情况下。提出了基于集成似然函数的χ 2检验来形式化地检验非参数项是否显著。仿真结果表明，所提出的χ 2检验，并比较它们与现有的程序的基础上惩罚样条。该方法适用于德国联邦储备银行的数据。
2020-09-09 math.ST 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
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
The Building Blocks of Classical Nonparametric Two-Sample Testing Procedures: Statistically Equivalent Blocks
本文以统计等价块及其频率统一推导经典两样本非参数检验，并将多种单变量检验推广到任意高维，保持零假设性质与尺度不变性。
2025-06-10 stat.ME
Moderate deviations for a nonparametric estimator of sample coverage
在本文中，我们考虑了良好的覆盖估计的中度偏差。建立了Good覆盖估计量的中偏差原理和自归一化中偏差原理。结果也被应用到假设检验问题和覆盖的置信区间。
2013-05-09 math.ST stat.TH
Correcting a Nonparametric Two-sample Graph Hypothesis Test for Graphs with Different Numbers of Vertices with Applications to Connectomics
本文针对顶点数不等的双样本图假设检验失效问题，提出了基于ASE渐近分布采样的修正邻接谱嵌入（CASE）方法，使后续检验有效且一致，并成功应用于人类连接组学dMRI数据的生成分布等价性判定。
2023-11-20 stat.ME
Uniform Asymptotics for Nonparametric Quantile Regression with an Application to Testing Monotonicity
本文建立了分位数回归函数局部多项式估计的Bahadur表示的一致差错率。差错率在一系列分位数、回归量中的一系列评估点以及观察到的随机变量的广泛概率类别上是均匀的。关于局部多项式分位数回归估计量的Bahadur表示的大多数现有结果都适用于固定数据生成过程。在测试单调性的背景下，原假设是一个复杂的复合假设，它是特别相关的建立巴哈杜尔展开，保持一致的一大类数据生成过程。此外，我们建立了相同的差错率的自助局部多项式估计，这可能是有用的各种自助推断。作为一个例子，我们应用于测试的单调性分位数回归和基于这个例子的Monte Carlo实验。
2015-08-26 math.ST stat.TH
A model specification test for the variance function in nonparametric regression
在完全非参数回归模型中考虑了条件方差参数形式的检验问题。提出了一种基于原假设和备择假设下残差经验特征函数之间加权$L_2$ -距离的检验统计量，并进行了理论研究。得到了检验统计量的零渐近分布，并用来逼近临界值。在几个蒙特卡罗实验中数值研究了所提出的测试的有限样本特性。开发的结果假设独立的数据。它们的扩展相关的意见进行了讨论。
2018-07-23 stat.ME
Robust multiple change-point detection for multivariate variability using data depth
在本文中，我们介绍了两个强大的，非参数的方法检测多个变点的变异性的多元观测序列。我们证明了从数据深度函数生成的秩的变化可以用来检测多变量观测序列的变异性的变化。为了检测多个变化，第一个算法使用类似于野生二进制分割的方法。第二种算法通过最大化经典Kruskal Wallis ANOVA检验统计量的惩罚版本来估计变点。我们表明，这个目标函数可以通过著名的PELT算法最大化。在温和的，非参数的假设下，这两种算法被证明是一致的正确数量的变点和正确的位置（S）的变点（S）。我们证明了这些方法的有效性与模拟研究，在那里我们比较我们的新方法，几个竞争的方法。我们表明，我们的方法优于现有的方法在这个问题的设置，我们的方法可以准确地估计变化时，数据是重尾或倾斜。
2021-11-28 stat.ME
A Bayesian nonparametric chi-squared goodness-of-fit test
贝叶斯非参数推断和狄利克雷过程是统计方法中常用的工具。本文将狄利克雷过程应用于假设检验，提出一种贝叶斯非参数卡方拟合优度检验。在我们的贝叶斯非参数方法中，我们考虑Dirichlet过程作为数据分布的先验，并根据更新的Dirichlet过程与假设分布F0之间的Kullback-Leibler距离进行检验。我们证明，这个距离渐近收敛到相同的卡方分布的卡方检验。类似地，提供了列联表的贝叶斯非参数卡方独立性检验。通过计算Dirichlet过程与假设分布之间的Kullback-Leibler距离，提出了一种确定Dirichlet过程浓度参数的方法.
2016-06-16 math.ST stat.TH
Nonparametric estimation of pair-copula constructions with the empirical pair-copula
一个pair-copula构造是将一个多元copula分解成一个二元copula或pair-copula的结构化系统，称为正则vine。标准的做法是对这些配对连接进行参数化建模，这是以大的模型风险为代价的，错误会在整个藤结构中传播。本文提出的经验对copula提供了一个非参数的替代仍然实现参数收敛速度。它可以被用来作为一个基础上的依赖措施的推断，选择和修剪的藤蔓结构，并为假设检验有关的形式对copulae。
2012-01-24 stat.ME
Nonparametric inference for interventional effects with multiple mediators
了解干预措施对结果产生影响的途径是一个共同的科学目标。丰富的文献提供了各种分解的总干预效果的具体途径的影响。干预的直接和间接效果提供了这样一种分解。这些效应的现有估计量基于参数模型，通过非参数自助法进行置信区间估计。我们提供的理论，允许更灵活的，可能是基于机器学习，估计技术被考虑。特别是，我们建立弱收敛的结果，便于建设封闭形式的置信区间和假设检验。最后，我们证明了所提出的估计的多个鲁棒性。仿真结果表明，基于大样本理论的推理具有足够的小样本性能。因此，我们的工作提供了一种手段，利用现代统计学习技术估计干预调解的影响。
2020-01-16 math.ST stat.ME stat.ML
Multiple Testing in Nonparametric Hidden Markov Models: An Empirical Bayes Approach
给定一个具有两个状态的非参数隐马尔可夫模型（HMM），考虑将其中一个状态作为未知的原假设，构造有效的多重检验程序的问题.介绍了一个程序，基于非参数经验贝叶斯的想法，控制在用户指定的水平的错误发现率（FDR）。还以控制真阳性率的形式提供功率保证。在建设中的关键步骤之一，要求上确界-范数收敛的HMM的发射密度的初步估计。我们提供了这样的估计的存在性，收敛在最佳的极小极大率的情况下，一个HMM与$J\ge 2$状态，这是独立的利益。
2021-01-11 math.ST stat.TH
Minimax Nonparametric Two-sample Test under Smoothing
我们考虑两组之间的概率密度比较的问题。提出了一种新的概率张量积光滑样条框架来模拟两个变量的联合密度。在这种框架下，概率密度比较相当于测试相互作用的存在/不存在。我们提出了一种用于此类相互作用检验的惩罚似然比检验，并表明在原假设下检验统计量是渐进卡方分布的。此外，我们得到了一个尖锐的minimax检验率的基础上的伯恩斯坦宽度的非参数两样本检验，并表明我们提出的检验统计量是minimax最优的。此外，一个数据自适应调整标准的发展，以选择惩罚参数。仿真和实际应用表明，所提出的测试优于传统的方法在各种情况下。
2021-01-11 math.ST stat.AP stat.ME
Rodeo: Sparse Nonparametric Regression in High Dimensions
本文提出了一种在非参数回归中同时进行局部带宽选择和变量选择的贪婪方法。该方法从具有大带宽的局部线性估计器开始，并且递增地减小估计器相对于带宽的梯度大的变量的带宽。该方法被称为rodeo（衍生物期望算子的正则化），它对阈值衍生物进行了一系列假设检验，并且易于实现。在一定的假设下的回归函数和采样密度，它表明，适用于局部线性平滑的牛仔竞技避免了灾难的维数，实现近最佳的极小极大收敛率的相关变量的数量，如果这些变量被隔离在事先。
2006-08-22 math.ST stat.TH
Nonparametric Safety Stock Dimensioning: A Data-Driven Approach for Supply Chains of Hardware OEMs
本文针对硬件OEM供应链中需求非正态、间歇且偏斜的问题，提出基于核密度估计和预测需求波动性的数据驱动安全库存设定方法，并通过仿真与线性优化证明其能以更低库存实现目标服务水平。
2025-11-06 stat.AP
An improved nonparametric test and sample size procedures for the randomized complete block designs
针对随机完全区组设计中Friedman检验卡方近似偏保守、准确性随处理数下降的问题，提出Friedman统计量的F变换及对应近似分布，推导显式功效函数，经理论与实证验证其在第一类错误率和功效计算上更优。
2025-03-21 math.ST stat.ME stat.TH
Encompassing Tests for Nonparametric Regressions
本文通过L2距离构建非参数回归包容性检验框架，提出完全非参数检验程序，并利用wild bootstrap和数据驱动带宽解决核回归中的带宽选择与小偏差问题，在小样本和中等样本下表现良好。
2023-10-25 econ.EM math.ST stat.TH
Quantile Fourier Transform, Quantile Series, and Nonparametric Estimation of Quantile Spectra
IBM T. J. Watson Research Center（IBM T.J. 沃森研究中心）
本文提出非参数方法估计分位数谱及交叉谱，基于分位数离散傅里叶变换和分位数序列，利用滞后窗方法构建自协方差函数估计谱，通过平滑技术减少统计波动，通过模拟研究评估方法性能。
2025-11-25 stat.CO stat.ME
Calibrated Nonparametric Scan Statistics for Anomalous Pattern Detection in Graphs
University at Albany - SUNY（纽约州立大学奥尔巴尼分校）；New York University（纽约大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们提出了一种新的方法，校准的非参数扫描统计（CNSS），更准确地检测异常模式在大规模的，真实世界的图形。扫描统计通过最大化似然比统计来识别感兴趣或意外的连通子图;特别是，非参数扫描统计（NPSS）识别具有高于预期比例的单独重要节点的子图。然而，我们发现，最近提出的NPSS方法是错误的校准，未能占最大化的统计子图的多重性。这导致对于细微信号的降低的检测能力，以及即使对于较强的信号，检测到的子图的低精度。因此，我们开发了一种新的统计方法来重新校准NPSS，正确地调整多个假设检验，并考虑到潜在的图形结构。虽然重新校准，随机化测试的基础上，是计算昂贵的，我们提出了一个有效的（近似）算法和新的，封闭形式的下界（在一个给定的大小的子图的重要节点的预期最大比例，根据原假设没有异常模式）。这些进展，以及最近的核心树分解方法的集成，使CNSS能够扩展到大型现实世界的图形，检测到的子图的准确性有了很大的提高。在半合成和真实世界的数据集上进行了大量的实验，以验证我们提出的方法的有效性，与最先进的同行相比。
2022-06-26 cs.AI cs.SI stat.ME
Robust nonparametric inference for the median
我们考虑的问题，构建强大的非参数置信区间和中位数的假设检验时，数据分布是未知的，数据可能包含一小部分的污染。我们提出了一个修改的符号检验（及其相关的置信区间），达到名义上的显着性水平（概率覆盖）的任何分布在污染附近的连续分布。我们还定义了一些措施的鲁棒性和污染下的置信区间和测试的效率。这些措施是为拟议的程序计算的。
2005-03-29 math.ST stat.TH
Nonparametric change-point analysis of volatility
本工作发展了高频数据统计的变点方法。主要的兴趣是在波动的伊藤半鞅，后者被离散观察到在一个固定的时间范围。我们构造了一个最小最大最优检验来区分连续路径和包含波动跳跃的路径。这被嵌入到一个更一般的理论中，以推断波动的平滑性。在高频框架下，我们证明了检验统计量在极值分布假设下的弱收敛性。此外，我们开发的方法来推断分数波动过程的赫斯特参数的变化。仿真研究表明，在有限样本应用的实用价值。
2016-01-12 math.ST stat.TH
Classifier-Based Nonparametric Sequential Hypothesis Testing
University of Michigan（密歇根大学）
本文提出了一种基于分类器的非参数序列假设检验方法，通过离线数据集训练多类分类器，设计水平α的检验方法，并分析了检验停止时间的上界及分类器分离条件。
2026-03-20 cs.IT math.IT math.ST
Variational Nonparametric Discriminant Analysis
变量选择和分类是高维数据分析中的常见目标。大多数这样的方法作出的分布假设可能与数据可能采用的不同分布族不兼容。提出了一种新的贝叶斯非参数判别分析模型，该模型在一个无缝的框架内进行变量选择和分类。P{ó}lya树先验被分配给未知的组条件分布，以解释它们的不确定性，并允许关于分布的先验信念被简单地合并为超参数。采用折叠变分贝叶斯推理与一系列函数逼近相结合，导致了一个低计算成本的算法。由此产生的决策规则进行启发式的解释，并与现有的双样本贝叶斯非参数假设检验。通过对一些模拟数据集和公开的真实数据集的应用，与当前最先进的方法相比，该方法表现出良好的性能。
2019-08-27 stat.ME
Composite Likelihood Inference by Nonparametric Saddlepoint Tests
复合似然函数类为复杂统计模型的近似推理提供了一个灵活而强大的工具，当完全似然函数无法指定或无法计算时，可以使用它进行近似推理。然而，当考虑关于多维参数的假设检验时，复合似然方法的强度变暗，因为似然比、Wald和得分型检验统计量的有限样本行为与Godambe信息矩阵相关联。因此，Godambe信息的不准确估计转化为不准确的p值。在本文中，它是如何准确的推断，可以通过使用一个完全非参数鞍点检验统计量来自复合得分函数。所提出的统计量是渐近卡方分布的二阶相对误差，并不依赖于Godambe信息。通过仿真研究证明了该方法的有效性。
2013-06-23 math.ST stat.ME stat.TH
