Reducing multivariate independence testing to two bivariate means comparisons
本文将多元独立性检验等价转化为两个二元均值比较,提出带参数γ的一致度量以避免正负项抵消导致的功效损失,并通过Fisher方法合并不同γ的p值以提升检验功效。
2024-02-25 stat.ME
Functional summary statistics and testing for independence in marked point processes on the surface of three dimensional convex shapes
针对三维凸形表面的多类型标记点过程,本文推广函数汇总统计量并构造边缘独立性检验方法,在模拟数据与RNGC星系数据中发现不同星系类型间的吸引依赖。
2024-10-01 stat.ME
Testing the independence of two random vectors where only one dimension is large
为了检验维数分别为$p_1$和$p_2$的两个向量的独立性,现有的高维统计文献都假设维数$p_1$和$p_2$随着样本量增长到无穷大。然而,正如在论文中讨论的RNA测序数据分析中所证明的,与样本量相比,经常发生一个维度相当小而另一个维度相当大的情况。在本文中,我们解决这个新的渐近框架的独立性测试。本文提出了一种新的检验方法,并在向量服从正态分布时证明了其渐近正态性。一个蒙特卡罗研究表明的程序的一致性,并表现出其优越性,一些现有的高维程序。应用于上述RNA测序数据,我们获得了非常令人信服的结果,成对的独立性/基因亚型表达的依赖性,证明了在该领域建立的先验知识。最后,Monte-Carlo实验表明,该方法对总体向量的正态性假设具有鲁棒性。
2015-04-20 stat.ME
Testing multivariate normality by testing independence
Vytautas Magnus University, Research Institute of Natural and Technological Sciences(维陶塔斯·马格努斯大学自然与技术科学研究所)
提出基于Kac-Bernstein特征的多元正态性检验,利用现有独立性检验,实证显示高维下更高效。
2023-12-23 cs.LG stat.ME
Testing Serial Independence of Object-Valued Time Series
提出基于度量空间自距离协方差的非参数方法检验对象值时间序列序列独立性,构造Cramer-von Mises检验统计量并利用wild bootstrap确定临界值,有效捕捉所有非线性成对依赖关系。
2023-07-27 stat.ME
On the use of Mutual Information for Testing Independence
本文利用δ方法推导互信息的渐近分布,构建独立性检验,并探索其几何结构,提出替代经典检验的统计度量。
2025-02-24 stat.ME
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
Testing mutual independence in high dimension via distance covariance
本文介绍了一种${\mathcal L}_2$类型测试方法,用于测试高维数据的相互独立性和带状依赖结构。该检验是基于成对距离协方差构建的,它考虑了数据之间的非线性和非单调依赖性,这些依赖性不能被现有的基于皮尔逊相关性或秩相关性的检验完全捕获。由于检验统计量的极限零分布为标准正态分布,因此我们的检验可以方便地在实践中实施。它表现出良好的有限样本性能,在我们的模拟研究中,即使当样本量是小的,虽然维度是高的,并成功地识别非线性依赖的经验数据分析。在理论方面,我们的检验统计量的渐近正态性是在相当温和的矩假设下显示的,并且对作为样本量的函数的维数的增长率几乎没有限制。作为我们的距离协方差为基础的测试的良好的权力性质的演示,我们进一步表明,我们的检验统计量的不可行的版本具有率最优类的高斯分布等相关。
2017-09-18 stat.ME
Predictive Independence Testing, Predictive Conditional Independence Testing, and Predictive Graphical Modelling
University College London(伦敦大学学院)
检验多变量随机变量的(条件)独立性是统计推断和一般建模的核心任务-尽管不幸的是,迄今为止还不存在可行的工作流程。最先进的工作流程需要启发式或主观的手动选择、高计算复杂性或强参数假设。我们通过建立多元/条件独立性检验和多元预测建模(又称监督学习任务)中的模型比较之间的理论联系来解决这些问题。这个链接允许在广泛研究的监督学习工作流程中的进步直接转移到独立性测试工作流程中-包括自动调整机器学习类型,其解决了启发式选择的需求,定量权衡计算需求与准确性的能力,以及用于检查和接口的现代黑箱哲学。作为两个工作流之间这种联系的实际实现,我们提出了一个python包“pcit”,它实现了我们新颖的多变量和条件独立性测试,与scikit-learn包的监督学习API接口。理论和包还允许基于图形模型结构的学习的直接独立性测试。我们的经验表明,我们提出的预测独立性测试优于或等同于目前的做法,和派生的图形模型结构学习算法渐近恢复的“真”图。这篇文章,以及它附带的“pcit”包,为多元和条件独立性测试以及图形模型结构学习提供了强大的,可扩展的,可推广的和易于使用的方法。
2018-04-28 cs.LG math.ST stat.ME
Model-X Sequential Testing for Conditional Independence via Testing by Betting
提出了一种无模型条件独立序贯检验方法。这项被提议的测试允许研究人员分析一个输入的i.i.d.。数据流与任何任意依赖结构,并安全地得出结论,是否有条件的功能与研究中的响应相关联。我们允许在数据点到达后立即在线处理数据点,并在检测到重要结果后停止数据采集,严格控制第一类错误率。我们的测试可以与任何复杂的机器学习算法一起工作,以尽可能提高数据效率。所开发的方法的灵感来自两个统计框架。第一种是X模型条件随机化检验,这是一种条件独立性检验,在样本量预先固定的离线设置中有效。第二种是通过打赌进行测试,这是一种用于连续假设检验的“博弈论”方法。我们进行合成实验,以证明我们的测试的优势,开箱即用的顺序测试,占在时间范围内的测试的多样性,并证明我们的建议的实用性,将其应用到现实世界的任务。
2023-02-19 stat.ME stat.ML
Testing Independence under Biased Sampling
检验随机变量之间的关联或相关性是统计学中的一个基本问题。在某些应用中,数据会受到选择偏差的影响,即使在总体中不存在数据,也会导致观测之间的依赖性。一个重要的例子是截断模型,其中观察到的对被限制在X-Y平面的特定子集。在这种情况下,独立性的标准测试是不合适的,需要考虑选择偏差的替代测试。为了解决这个问题,我们推广了关于抽样机制的准独立性的概念,并研究了检测任何偏离它的问题。我们从经典的Hoeffding统计量出发,发展了两个检验统计量,并使用两种方法来计算它们在零值下的分布:(i)基于引导的方法,以及(ii)具有非均匀排列概率的排列测试,使用MCMC或具有各种提议分布的重要性抽样进行抽样。我们表明,我们的测试可以解决的情况下,有偏的抽样机制估计的数据,一个重要的应用截尾的情况下。我们证明了测试的有效性,并显示,使用模拟,他们表现良好的问题的重要特殊情况下,提高功率相比,竞争的方法。测试应用于四个数据集,两个是截断,有和没有审查,和两个正偏置机制有关的长度偏差。
2020-10-12 stat.ME
On testing for independence between generalized error models of several time series
United Arab Emirates University(阿联酋大学);Université de Montréal(蒙特利尔大学);HEC Montréal(蒙特利尔高等商学院)
本文提出用于检验广义误差模型间独立性的统计量,扩展了之前关于随机波动模型的结果,并通过数值实验和实际应用展示方法的有效性。
2026-05-14 stat.ME
Asymptotic Distribution-Free Independence Test for High Dimension Data
针对高维稀疏数据无分布假设下的独立性检验难题,提出结合分类器拟合与样本拆分、固定置换的通用框架,检验统计量服从通用高斯零分布,仿真和单细胞数据实验均验证了其优势。
2023-06-11 stat.ME
From Conditional to Unconditional Independence: Testing Conditional Independence via Transport Maps
Institute of Statistics and Big Data, Renmin University of China(中国人民大学统计与大数据研究院);Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University(香港理工大学数据科学与人工智能学院);Department of Applied Mathematics, The Hong Kong Polytechnic University(香港理工大学应用数学系)
本文提出利用两个由条件连续归一化流估计的传输映射,将条件独立性检验转化为无条件独立性检验,并给出渐近有效的统计量与置换显著性评估,实验验证了其有效性。
2025-07-25 cs.LG stat.ME stat.ML
Exact Bounds of Spearman's footrule in the Presence of Missing Data with Applications to Independence Testing
本研究给出部分观测向量间Spearman's footrule的精确上下界及高效算法,并据此提出一种在任意缺失机制下控制第一类错误率的两样本独立性检验方法。
2025-01-20 stat.ME
Local Independence Testing for Point Processes
基于约束的点过程因果结构学习需要局部独立性的经验检验。现有的测试需要强有力的模型假设,例如,真正的数据生成模型是一个霍克斯过程,没有潜在的混杂因素。即使在限制对霍克斯过程的关注时,潜在混杂因素也是一个主要的技术困难,因为边缘化过程通常本身不是霍克斯过程。我们引入了一个类似于Volterra展开的扩展作为一种工具来表示边缘化的强度。我们的主要理论结果是,这样的扩展可以近似的真实边缘强度任意。在此基础上,我们提出了一个测试的局部独立性,并调查其性质在真实和模拟数据。
2021-10-25 stat.ME stat.ML
Testing for Conditional Independence in Binary Single-Index Models
Tilburg University(蒂尔堡大学)
本文提出了一种基于单指数模型的无分布假设检验方法,用于检验二元变量在多变量和额外变量共同作用下的条件独立性。
2025-12-22 stat.ME
Testing independence and conditional independence in high dimensions via coordinatewise Gaussianization
Southwestern University of Finance and Economics(西南财经大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);The London School of Economics and Political Science(伦敦政治经济学院)
本文提出了一种基于坐标wise高斯化的高维独立性检验方法,无需矩条件且能处理高维数据和任意依赖结构。
2026-01-27 math.ST stat.ME stat.TH
A generalized tetrad constraint for testing conditional independence given a latent variable
Peking University(北京大学);Beijing Technology and Business University(北京工商大学)
本文提出广义四元约束用于检验给定潜在变量下的条件独立性,适用于非线性和非参数模型,在非线性模型中仍为必要条件。通过模拟和实际数据应用验证了该方法的有效性。
2026-03-31 stat.ME
Testing Multivariate Conditional Independence Using Exchangeable Sampling and Sufficient Statistics
本文提出多元充分统计量条件随机化检验(MS-CRT),通过条件化P(X|Z)的充分统计量生成可交换副本,无需对Y建模即可检验多元条件独立性,并支持错误发现率控制的组选择,在正态和图模型情形下具有理论最优性和实证优越性。
2025-04-09 stat.ME
Independence Testing for Mixed Data
针对计数变量与正绝对连续变量构成的混合数据,本文基于 Baringhaus-Gaigall 变换构造二元及多元独立性检验统计量,并证明其渐近性质与良好功效。
2025-07-28 math.ST stat.CO stat.ME
Testing independence in the presence of missing data: high-dimensional case
University of Belgrade(贝尔格莱德大学)
本文提出两种改进的Kendall统计量方法,用于高维缺失数据下的独立性检验,通过理论和实证研究验证了方法的鲁棒性和适用性。
2026-04-24 math.ST stat.ME stat.TH
DiPMInd: Distance Profile based Mutual Independence testing for random objects
Rutgers University(罗格斯大学);University of Southern California(南加州大学)
本文提出基于距离剖面的互独立性检验框架DiPMInd,推广现有方法,引入新的独立性度量与检验,经理论推导和模拟、实际数据验证,其功效优于现有流行方法。
2026-08-04 stat.ME
Private independence testing across two parties
Massachusetts Institute of Technology(麻省理工学院);The University of Sydney(悉尼大学)
本文提出隐私保护算法 π-test,通过多方私密估计距离相关来检验分布式数据的统计独立性,并证明其差分隐私效用的加性与乘性误差界。
2023-09-26 cs.CR cs.LG math.ST
Adaptable Regularized CCA Tests for Independence of High-Dimensional Random Vectors
Auburn University(奥本大学)
研究高维随机向量独立性检验,核心方法是将岭正则化和降维纳入 CCA 框架开发检验,建立渐近行为并确定参数选择方法,大量模拟研究表明该方法在多种设置下有限样本性能良好。
2026-07-14 stat.ME
Testing Conditional Independence via the Spectral Generalized Covariance Measure: Beyond Euclidean Data
Hitotsubashi University(一桥大学)
本文提出基于谱广义协方差度量的条件独立性检验方法,通过谱坐标表达条件交叉协方差算子的平方范数,并利用数据依赖基进行有限维近似,避免直接估计条件均值嵌入,提升鲁棒性和一致性,适用于超越欧几里得数据的应用场景。
2026-04-06 stat.ME
On Testing Independence and Goodness-of-fit in Linear Models
我们考虑了一个线性回归模型,并提出了一个综合测试,同时检查的假设之间的误差和预测变量,以及拟合优度的参数模型。我们的方法是基于使用希尔伯特-施密特独立性标准(Gretton et al.(2008))测试从参数拟合获得的残差与预测值之间的独立性。所提出的方法不需要用户定义的正则化,计算简单,仅基于样本中点之间的成对距离,并且对所有替代方案都是一致的。我们在零假设和备择假设下为拟议的检验统计量开发了分布理论,并设计了一个自助方案来逼近其零分布。我们证明了自举方案的一致性。仿真研究表明,我们的方法具有更好的功率比它的主要竞争对手。两个真实的数据集进行了分析,以证明我们的方法的范围和实用性。
2014-05-05 math.ST stat.ME stat.TH
Distance Profile Embedding for Independence and Conditional Independence Testing of Random Objects
The Pennsylvania State University(宾夕法尼亚州立大学)
该研究提出距离剖面嵌入(DPE)方法,构建适配非欧几里得随机对象的独立性与条件独立性检验统一框架,可处理对象值条件变量,避免置换检验高计算负担,经模拟与真实数据验证有效。
2026-08-03 econ.EM math.ST stat.AP
On Testing Marginal versus Conditional Independence
我们考虑在三变量高斯设置中测试边缘独立性与条件独立性。这两个模型是非嵌套的,它们的交集是两个边缘独立性的并集。我们考虑两个序列的这样的模型,一个从每种类型的独立性,这是最接近彼此在Kullback-Leibler意义上,因为他们接近的交集。如果由两个相关参数的乘积测量的信号强度比标准参数速率下降得更快,则它们变得无法区分。在这样的速度下,我们证明了似然比的渐近分布取决于在哪里以及如何当地的替代办法的交叉点。为了处理这种非均匀性,我们研究了一类“包络”分布的渐近累积分布函数的逐点上确界。我们发现,这些包络分布是良好的行为,并导致无速率一致误差保证和接近最佳功率的模型选择程序。为了控制误差,即使当两个模型是不可区分的,而不是坚持一个二分法的选择,所提出的程序将选择一个或两个模型。
2020-01-10 math.ST stat.ME stat.TH
Sequential Kernel-based Conditional Independence Testing via Adaptive Betting
Department of Computer Science, University of British Columbia, Vancouver, Canada(不列颠哥伦比亚大学计算机科学系,温哥华,加拿大);Alberta Machine Intelligence Institute, Edmonton, Canada(阿尔伯塔机器智能研究所,爱德蒙顿,加拿大)
提出一种对估计误差更鲁棒的序列条件独立性检验方法,通过自适应优化核条件独立性统计量、归一化及截断平移校准,在合成与真实数据上控制第一类错误并保持高功效。
2026-08-06 cs.LG stat.ME stat.ML
Conditional Local Independence Testing for Itô processes with Applications to Dynamic Causal Discovery
School of Computer Science, Peking University(北京大学计算机学院);School of Data Science, Fudan University(复旦大学数据科学学院)
本文针对Itô过程提出条件局部独立性假设检验,基于半鞅分解构造鞅检验统计量,并证明其一致性,应用于动态因果发现及脑fMRI数据。
2025-10-08 cs.LG stat.ME
A cautious approach to constraint-based causal model selection
Columbia University(哥伦比亚大学)
本文探讨了利用基于约束的算法选择因果图模型,主张在科学目标为估计因果效应时,应优先选择密集而非稀疏的图,并提出通过反转传统条件独立性检验流程来改进方法。
2026-08-26 stat.ME
Conditional Independence Testing Using Exchangeable Pairs
National University of Singapore(新加坡国立大学)
提出基于可交换对的条件独立性检验方法,将问题转化为两样本检验,利用能量距离度量偏离,并证明其一致性和最优检测率。
2026-06-11 math.ST stat.ME stat.TH
Testing Conditional Independence via Density Ratio Regression
本文提出一种基于条件密度比回归的条件独立性检验方法,利用线性样条和二次范数获得闭式估计,具有不变性、矩约束和接近n^{-1/2}的检测速率,模拟显示优于现有方法。
2025-04-24 stat.ME
JEL ratio test for independence between a continuous and a categorical random variable
Indian Institute of Management, Kozhikode(印度管理学院,科泽科德);Indian Statistical Institute, Chennai(印度统计研究所,金奈)
本文基于修正的分类基尼协方差,提出一种用于检验数值变量与分类变量独立性的非参数JEL比率检验,并通过蒙特卡洛模拟和Iris数据集验证其有效性。
2025-09-19 stat.ME
Causal Discovery via Conditional Independence Testing with Proxy Variables
Peking University(北京大学);Fudan University(复旦大学)
本文针对连续变量因果发现中未观测混杂导致的偏差问题,提出一种基于离散化和代理变量的非参数条件独立性检验方法,并证明其渐近性质,在合成与真实数据上验证了有效性。
2024-05-02 cs.LG stat.ME
Independence Testing for Temporal Data
University of Delaware(特拉华大学);Johns Hopkins University(约翰斯·霍普金斯大学);University of Washington(华盛顿大学);Child Mind Institute(儿童心理研究所)
针对时间序列独立性检验中现有方法的局限,提出基于块置换的时间依赖统计量,实现渐近有效且普遍一致的检验,并兼容多种依赖度量。
2024-05-27 cs.LG stat.ME stat.ML
Conditional Independence Testing with Heteroskedastic Data and Applications to Causal Discovery
针对异方差数据,提出改进的偏相关条件独立性检验,结合专家知识,在因果发现中优于标准检验且保持理论一致性。
2023-06-20 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
Membership Testing in Markov Equivalence Classes via Independence Query Oracles
Massachusetts Institute of Technology(麻省理工学院);Broad Institute of MIT and Harvard(麻省理工学院与哈佛大学布罗德研究所)
该研究针对因果图马尔可夫等价类的成员测试问题,提出基于约束的测试方法,证明了测试所需独立性测试数的上下界均为最大团规模的指数级,表明测试比学习更易,还给出几何解释并探讨其对学习的辅助作用。
2024-03-09 cs.AI cs.LG 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
High-Dimensional Independence Testing via Maximum and Average Distance Correlations
Department of Applied Economics and Statistics, University of Delaware(应用经济学与统计学系,德克萨斯大学);Department of Statistics, Operations, and Data Science, Temple University(统计学、运营与数据科学系,泰勒大学)
本文提出基于最大和平均距离相关性的高维多变量独立性非参数检验,给出卡方快速程序,并通过模拟与癌症血浆真实数据验证其性能。
2025-06-10 cs.LG stat.ME stat.ML
Testing conditional independence under isotonicity
Carnegie Mellon University(卡内基梅隆大学);University of Michigan(密歇根大学);University of Chicago(芝加哥大学);University of Cambridge(剑桥大学)
本文提出在X对Z单调性假设下检验X和Y在Z给定下的条件独立性,通过随机交换有序对中的X值来确定统计量的显著性,提供灵活的测试方法并保证有限样本I类错误控制和高统计效力。
2026-04-23 math.ST stat.ME stat.TH
Sequential Kernelized Independence Testing
Carnegie Mellon University(卡内基梅隆大学);Amazon Web Services(亚马逊网络服务)
针对批量独立性检验难以适配流式数据、数据窥探后需多重检验校正导致功效低的问题,基于博弈式检验原则设计了序贯核化独立性检验,适配非独立同分布与时变场景,在模拟与真实数据上均验证了其功效。
2025-05-20 cs.LG math.ST stat.ME
Fast Nonparametric Conditional Independence Testing via Two-Stage Regression
Department of Biomedical Informatics, University of Pittsburgh(生物医学信息学系,匹兹堡大学)
提出BLITZ方法,通过两阶段回归(低阶多项式+浅层树)快速消除条件集影响,实现校准良好的非参数条件独立性检验,适用于因果发现。
2026-06-23 cs.LG stat.ME stat.ML
Testing for Conditional Mean Independence with Covariates through Martingale Difference Divergence
在统计学中,一个重要的问题是决定回归模型中是否需要附加变量。我们提出了一个新的多元检验来研究给定X条件下Y对某些已知效应Z的条件均值独立性,即,E(Y| X,Z)= E(Y| Z)。假设E(Y| Z)和Z是线性相关的,我们通过变换重新表达了一个等价的条件均值独立性的概念,它在实践中是近似的。我们应用鞅差散度(Shao and Zhang,2014)来度量条件均值依赖性,并证明近似的估计误差可以忽略不计,因为它在某些正则性假设下对检验统计量的渐近分布没有影响。我们的测试的实施是由模拟和金融数据的例子证明。
2018-05-17 math.ST stat.AP stat.CO
A Relativity-Based Framework for Statistical Testing Guided by the Independence of Ancillary Statistics: Methodology and Nonparametric Illustrations
The State University of New York at Buffalo(纽约州立大学布法罗分校)
本文提出一个决策理论框架,用于构建和评估基于与辅助统计量关系的检验统计量,强调减少检验统计量与相关辅助结构的依赖性,从而获得最有力检验方法,并通过非参数检验的修改示例展示了该方法。
2026-04-01 math.ST stat.ME stat.TH
Doubly Robust Conditional Independence Testing with Generative Neural Networks
本文提出一种基于生成神经网络(GNN)采样的非参数条件独立性检验方法,其检验统计量对GNN近似误差具有双重稳健性,有效缓解了维度灾难并保留了oracle检验的理想性质。
2024-07-25 stat.ME stat.ML
The dynamic generalized covariance measure for conditional independence testing with nonstationary time series
Carnegie Mellon University(卡内基梅隆大学);Queen Mary University of London(伦敦大学玛丽女王学院)
本文提出首个适用于非平稳非线性过程单次实现的条件独立性检验框架,通过时变非线性回归等技术解决线性模型难以捕捉非线性动态的问题,为相关领域的随机过程关系识别提供了新工具。
2026-10-22 math.ST stat.ME stat.ML
Measuring spatial association and testing spatial independence based on short time course data
本文基于Bergsma相关系数$ρ$构造适用于短时间过程空间向量的关联统计量,推导其渐近性质,并通过模拟和COVID-19发病率数据应用验证其在空间独立性检验中的有效性。
2023-09-25 math.ST stat.AP stat.ME
Distribution-free joint independence testing and robust independent component analysis using optimal transport
本文研究了多元随机变量集合的联合独立性的度量和检验问题。利用新兴的理论最优输运(OT)的多元秩,我们提出了一个分布自由多元联合独立性的测试。为此,我们引入了秩联合距离协方差(RJdCov)的概念,高阶秩模拟的著名的距离协方差测量,捕获的变量的所有子集之间的依赖关系。RJdCov可以很容易地从数据中估计,而无需任何矩假设,并且联合独立性的相关检验普遍一致。我们可以在不知道(未知的)边缘分布(由于分布自由属性)的情况下校准检验,无论是渐进的还是有限样本的。除了是分布自由和普遍一致的,所提出的测试也是统计有效的,也就是说,它具有非平凡的渐近(皮特曼)效率。我们证明了这一点,通过计算混合物的替代品和联合Konijn替代品的测试的限制本地电源。我们还使用RJdCov度量来开发一种易于实现且对离群值和污染具有鲁棒性的独立分量分析(ICA)方法。进行了大量的模拟,以说明与其他现有方法相比,所提出的测试的有效性。最后,我们应用所提出的测试,以了解高阶依赖结构之间的不同美国行业的股票价格。
2022-11-30 math.ST stat.ME stat.TH
Community Correlations and Testing Independence Between Binary Graphs
本文提出基于顶点社区的社区相关性度量两个二元图之间的边关联,并通过图编码器嵌入推导渐近分布,实现快速有效的条件与无条件独立性检验。
2024-07-08 stat.AP stat.ME
Nonparametric independence testing via mutual information
我们提出了一个测试的独立性的两个多变量随机向量,给定的样本从底层人口。我们的方法,我们称之为MINT,是基于互信息的估计,其分解为联合和边际熵,便于使用最近开发的高效熵估计来自最近的邻居距离。建议的临界值,这可能是从模拟(在一个边际是已知的情况下)或restaurant,保证测试具有标称大小,我们提供本地电源分析,均匀的密度类,其互信息满足一个下限。我们的想法可以扩展到提供一个新的拟合优度测试的正常线性模型的基础上评估我们的向量的协变量和一个适当定义的概念的误差向量的独立性。模拟和真实数据的数值研究支持的理论。
2017-11-17 cs.IT math.IT math.ST
Reconciling model-X and doubly robust approaches to conditional independence testing
在给定协变量向量的情况下,检验预测变量和结果变量之间的条件独立性的X模型方法通常假设精确了解给定协变量的预测变量的条件分布。尽管如此,X模型方法通常使用在样本中学习的这种条件分布来部署。我们通过蒸馏条件随机化测试(dCRT)的镜头调查这种选择的后果。我们发现,第一类错误控制仍然是可能的,但只有当平均值的结果变量的协变量估计得足够好。这表明,dCRT是双重强大的,并激励比较广义协方差测量(GCM)测试,另一个双重强大的条件独立性测试。我们证明了这两个测试是渐近等价的,并表明GCM测试是最优的(广义)部分线性的替代品,利用半参数效率理论。在一个广泛的模拟研究中,我们比较dCRT的GCM测试。这两种检验具有大致相似的第一类错误和功效,尽管dCRT可以具有更好的第一类错误控制,但在小样本或响应离散时功效较差。我们还发现,基于后套索的检验统计量(与基于套索的统计量相比)可以显着提高这两种方法的第一类错误控制。
2023-02-08 math.ST stat.ME stat.TH