Dimension-Free Anticoncentration Bounds for Gaussian Order Statistics with Discussion of Applications to Multiple Testing
证明了下列反浓集性质。具有单位方差分量的任意相关联合高斯随机向量$X$的$k$ -顺序统计量位于长度$\varepsilon$的区间内的概率由$2{\varepsilon}k ({ 1+\mathrm{E}[\|X\|_\infty ]}) $上界。这一界的影响,广义差错率控制在统计高维多假设检验问题,这是随后讨论。
2021-07-22 math.ST stat.TH
Efficient Truncated Statistics with Unknown Truncation
UW Madison(威斯康星大学麦迪逊分校);MIT(麻省理工学院)
我们研究的问题,估计高斯分布的参数时,样本只显示,如果他们落在一些(未知)子集$S \subseteq \R^d$。截断统计中的这个核心问题有很长的历史,可以追溯到高尔顿,李,皮尔逊和费舍尔。Daskalakis等人最近的工作。(FOCS'18),提供了第一个有效的算法,适用于高维的任意集合时,该集合是已知的,但作为一个开放的问题,更具有挑战性和相关的情况下,未知的截断集。我们的主要结果是一个计算和样本有效的算法,用于估计任意未知截断集的高斯参数,其性能衰减的自然措施的复杂性的集合,即其高斯表面积。值得注意的是,该算法适用于包括半空间的交集、多项式门限函数和一般凸集的大集合族。我们表明,我们的算法密切捕捉的复杂性集和样本个数需要学习的参数,表现出一组小的高斯表面积,它是信息理论上不可能学习真正的高斯与少量样本之间的权衡。
2019-08-02 cs.DS cs.LG math.ST
Multiple testing with optimal individual tests in Gaussian graphical model selection
考虑高斯图模型选择问题。浓度图的识别是基于个体检验的多决策过程。构造了最优无偏个体检验。最优检验等价于样本偏相关检验。并将联合多重决策过程与标准过程进行了比较。
2016-04-23 math.ST stat.TH
Testing convex hypotheses on the mean of a Gaussian vector. Application to testing qualitative hypotheses on a regression function
在本文中,我们提出了一个通用的方法,基于多重测试,测试的高斯向量的平均值属于一个凸集在R^n。我们表明,测试达到其标称水平,并描述了一类向量的测试达到规定的权力。在函数回归模型中,这种一般方法被应用于检验关于回归函数的一些定性假设。例如,我们测试回归函数是正的、递增的、凸的,或者更一般地,满足微分不等式。建立了一类光滑函数上的一致分离率,并与文献中的其他结果进行了比较。模拟研究评估一些测试单调性的程序。
2005-04-25 math.ST stat.TH
Applications of Royen's Gaussian Correlation Inequality in high-dimensional testing
Southeast University(东南大学);Harvard University(哈佛大学);University of Virginia(弗吉尼亚大学)
本文将罗延高斯相关不等式(GCI)应用于高维检验问题,在任意高斯协方差结构下建立了精确I类错误界,并提出与球冠覆盖猜想、弱单形猜想相关的猜想,拓展了GCI的应用场景。
2026-10-14 math.ST stat.TH
Arbitrary Truncated Levy Flight: Asymmetrical Truncation and High-Order Correlations
将统计无线电物理中描述非高斯随机过程的广义相关方法用于描述随机金融过程。在一般情况下,用广义相关方法描述了增量独立同分布的非高斯随机游动,并研究了高阶相关性.找到了非对称截尾Levy分布的累积量,研究了非对称截尾Levy飞行作为随机游动的一种特殊情况的行为。结果表明,在利维制度,高阶之间的相关性的非对称截断利维飞行的值存在。高阶相关性的来源是增量的非高斯性:增量偏度产生三倍相关性,增量峰度产生四倍相关性。
2012-05-15 cond-mat.stat-mech math.ST physics.data-an
Testing Convex Truncation
本文研究检验正态数据是否被未知凸集截断的问题,提出两个 O(n) 样本的高效算法分别处理任意凸集和对称凸集混合情形,并证明 Ω(n) 样本下界,表明算法样本复杂度最优。
2024-11-21 cs.CC cs.DS math.PR
Restricted distance-type Gaussian estimators based on density power divergence and their applications in hypothesis testing
Zhang(2019)提出了一种基于高斯分布的一般参数模型的一般估计方法,其中数据的似然性难以获得或未知,但均值和方差-协方差阵已知。Castilla和Zografos(2021)将该方法扩展到基于密度幂散度的估计器,该估计器比基于似然的高斯估计器更鲁棒,可以防止数据污染。本文引入了约束最小密度幂离高斯估计(MDPDGE),并研究了它的主要渐近性质。此外,我们通过其影响函数分析来检验它的鲁棒性。在许多实际情况下,特别是在检验复合原假设时,需要约束估计,这里给出了对潜在分布的内在约束的约束估计。此外,我们得到了稳健的Rao型检验统计量的基础上的MDPDGE测试简单的原假设,我们推导出显式表达式的一些主要的重要分布。最后,我们通过仿真研究,实证评估的效率和鲁棒性的方法。
2023-02-14 math.ST stat.TH
Estimating the second-order parameter of regular variation and bias reduction in tail index estimation under random truncation
本文提出了随机右截断Pareto型分布数据二阶参数的一个估计,并证明了它的相合性和渐近正态性。此外,我们还得到了尾指标的渐近无偏估计,并研究了它的渐近性质。我们的考虑是基于一个有用的高斯近似的尾部产品限制过程最近给出的Benchaira等人。[尾部产品限制过程截断数据与应用极值指数估计。Extremes,2016; 19:219-251]和Gomes等人的结果[极端统计中二阶参数的半参数估计。Extremes,2002; 5:387-414]。我们表明,通过模拟,建议的估计表现良好,在偏差和均方误差。
2016-10-20 math.ST stat.TH
Multiple Testing and Error Control in Gaussian Graphical Model Selection
图形模型为探索多元依赖模式提供了一个框架。图和统计模型之间的连接是通过识别具有观察到的变量的图的顶点,并将图中的边的模式转换为施加在变量的联合分布上的条件独立性的模式来实现的。聚焦高斯模型,我们回顾经典的图形模型。对于这些模型,定义的条件独立性等同于与图中不存在的各个边相关联的某些(部分)相关系数的消失。因此,高斯图形模型选择可以通过对关于消失(部分)相关系数的假设进行多次测试来执行。我们展示并分析了这种方法如何在控制不正确边缘包含的差错率的同时进行模型选择。
2008-02-05 math.ST stat.TH
Adaptive minimax testing in inverse Gaussian sequence space models
在逆高斯数列空间模型中,在无原假设的条件下,同时得到了非渐近极小极大椭圆型替代品的检验半径,用于信号检测问题和拟合优度问题.半径是两项的最大值,每项仅取决于其中一个噪声水平。有趣的是,涉及运营商的噪声水平的术语明确地取决于原假设,并在信号检测的情况下消失。通过首先显示任意零假设和噪声水平的下界来建立极大极小半径。对于上界,我们考虑两个测试程序,直接测试的基础上估计的能量在图像空间和间接测试。在较弱的假设下,证明了间接检验的检验半径达到了下界,证明了半径和检验的极大极小最优性。我们强调的假设下,直接测试也表现最佳。此外,我们采用经典的Bonferroni方法,使间接和直接测试自适应的替代品的规律性。半径的自适应测试恶化的额外的对数因子,我们证明是不可避免的。考虑索伯列夫空间和轻度或严重不适定的反问题的结果进行了说明。
2020-02-18 math.ST stat.TH
Efficient Statistics With Unknown Truncation, Polynomial Time Algorithms, Beyond Gaussians
Yale University(耶鲁大学)
本文研究了在未知截断集S下估计分布参数的问题,提出多项式时间算法,解决了高斯分布及更广泛分布的参数估计问题,并展示了在简单集如半空间时的算法设计。
2026-05-08 cs.DS cs.LG math.ST
Risk quantification for the thresholding rule for multiple testing using Gaussian scale mixtures
本文研究了一类大类高斯尺度混合先验的贝叶斯多重检验的渐近性质。我们研究了两种类型的多重测试风险:Bogdan等人(2011)提出的贝叶斯风险,其中数据假设来自正常值的混合,以及与Arias-Castro和Chen提出的风险类似的频率论风险(2017)。根据van der Pas et al.(2016)的工作,我们给出了先验的一般条件,使得两个风险都有界。对于贝叶斯风险,边界几乎是尖锐的。这一结果表明,在这些条件下,所考虑的连续先验类可以与通常的两组模型(例如尖峰和板先验)竞争。我们还表明,如果非零组件的参数是足够大,极大极小风险可以渐近零。获得的分离速率与从现有文献中可以推测的分离速率一致(参见van der Pas等人,2017年b)。对于这两个问题,我们然后给出的条件下,可以得到一个自适应版本的结果。
2017-11-23 math.ST stat.TH
On empirical distribution function of high-dimensional Gaussian vector components with an application to multiple testing
本文提出了一个新的框架来研究经验分布函数(e.d. f.)高斯矢量分量的相关阵$Γ^{(m)}$是维数相关的。因此,与现有的文献相比,该矢量不被假设为是固定的。相反,我们做了一个“消失的二阶”假设,确保协方差阵$Γ^{(m)}$离单位矩阵不太远,而e.d.f.随着$m$增长到无限大,仅通过序列$γ_m=m^{-2} \sum_{i\neq j} Γ_{i,j}^{(m)}$受到$Γ^{(m)}$的影响。这一结果恢复了以前的一些结果,同时它也适用于各种,高维,非平稳的框架,其中最相关的变量不一定彼此相邻。最后,我们提出了这项工作的应用程序的多重检验问题,这是最初的统计动机,开发这样一种方法。
2013-05-04 math.ST stat.TH
Quantum hypothesis testing for quantum Gaussian states: Quantum analogues of chi-square, t and F tests
我们对待量子对应的测试问题,其最佳测试卡方,t和F测试。这些量子对应物被表述为关于量子高斯态族的量子假设检验问题,并且包含具有群对称性的扰动参数。量子Hunt-Stein定理去除了一部分扰动参数,但其他类型的困难仍然存在。为了消除它们,结合量子Hunt-Stein定理和其他归约方法,建立了一个通用的归约定理,将一个复杂的量子假设检验问题归约为一个基本的量子假设检验问题.使用这些方法,我们推导出卡方,t和F检验的量子对应物作为各自设置中的最佳测试。
2011-10-28 math.ST quant-ph stat.TH
Testing for white noise under unknown dependence and its applications to goodness-of-fit for time series models
在计量经济学和统计学的文献中,对白噪声的检验已经有了很好的研究。对于大多数的检验统计量,如著名的Box-Pierce检验统计量与固定滞后截断数,渐近零分布下获得的独立和同分布的假设,并可能不适用于相关的白噪声。由于最近流行的条件异方差模型(例如,Gestival模型),这意味着非线性依赖与零自相关,有必要了解现有的检验统计量的渐近性质未知的依赖。本文证明了当滞后截断数随样本量的增加而以适当的速率增长时,在弱相依性未知的情况下,具有一般权值的Box-Pierce检验统计量的渐近零分布仍然成立.进一步的应用程序,诊断检查的ARMA和FARIMA模型与相关的白噪声的错误也解决了。我们的研究结果超越了早期的允许非高斯和条件异方差误差的ARMA和FARIMA模型,并提供了理论支持文献中报道的一些实证研究结果。
2009-06-29 math.PR math.ST stat.ME
Adaptive estimation of the sparsity in the Gaussian vector model
考虑均值为θ的高斯向量模型。我们研究了估计数量的孪生问题|θ|_0的非零分量,并检验|θ|_0小于某个值。为了检验,我们建立了该模型的极大极小分离距离,并引入了极大极小自适应检验。未知方差的情况下的扩展进行了讨论。重写对|θ|_0作为所有假设的多重检验问题{|θ|_0 <= q},我们都得到了一个新的方法来评估稀疏估计的最优性,我们展示了这样一个最优的过程。这种通用方法为估计各种统计模型中信号的复杂性提供了路线图。
2017-03-01 math.ST stat.TH
Sub-Gaussian Error Bounds for Hypothesis Testing
我们从几何的角度来解释基于似然的测试函数,其中Kullback-Leibler(KL)散度被用来量化从一个分布到另一个分布的距离。这样的测试函数可以被看作是一个亚高斯随机变量,我们提出了一个原则性的方法来计算其相应的亚高斯范数。然后,二元假设检验的误差界可以得到的亚高斯范数和KL的分歧,这是更丰富的信息比Pinsker的界时,规定的显着性水平。对于$M$ -ary假设检验,我们还得到了一个误差界,这是互补的Fano不等式,当假设的数量或样本量不大时,信息量更大。
2021-01-01 cs.IT math.IT math.ST
Sharp Asymptotic Minimaxity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure in Sparse Gaussian Sequence Models
Department of Statistics, Texas A&M University(德克萨斯农工大学统计学系)
研究稀疏高斯序列模型中GBS逐步多重检验程序的尖锐渐近极小极大性,通过移位顺序统计不等式等方法,证明其在特定损失下是渐近极小极大的,还建立了相关风险上界,扩展了渐近极小极大性理论。
2026-10-27 math.ST stat.TH
Schur^2-concavity properties of Gaussian measures, with applications to hypotheses testing
主要结果意味着概率P(\ZZ \in A+ K)在(K_1 ^2,\dots,K_k ^2)中是Schur-凹/Schur-凸的,只要\R^k中集合A的指示函数分别是这样;这里,K =(K_1,\dots,K_k)在\R^k中,\ZZ是\R^k中的标准正态随机向量.此外,还证明了除非集合A等价于球对称集合,否则Schur-Schur/Schur-凸性是严格的.应用程序检验假设的多元手段。
2010-06-02 math.PR math.ST stat.TH
Optimality of the max test for detecting sparse signals with Gaussian or heavier tail
高维检验中的一个基本问题是全局零检验:检验零是否在所有$n$假设中同时成立。最大检验使用最小的$n$边缘p值作为其检验统计量,因其简单性和稳健性而广受欢迎。然而,其相对于其他测试的理论性能受到质疑。在高斯序列版本的全局测试问题中,Donoho和Jin(2004)发现了一个所谓的“弱,稀疏”渐近机制,其中当所有非零信号强度都相同时,更高的批评和Berk-Jones测试比最大测试实现了更好的检测边界。我们研究了一个更一般的模型,其中的非零的手段是从一个通用的分布,并表明,检测边界的最大测试是最佳的“弱,稀疏”制度,只要分布的尾巴是不轻于高斯。此外,我们从理论上和模拟表明,修改后的更高的批评Donoho和Jin(2004)可以有非常低的权力时,非零的平均值的分布有一个多项式的尾巴。
2020-06-19 math.ST stat.TH
Gaussian Mean Testing Made Simple
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of California, San Diego(加州大学圣地亚哥分校)
我们研究了以下基本的假设检验问题,我们称之为高斯均值检验。注射了。样本来自$p$上的分布$\mathbb{R}^d$,任务是以高概率区分以下情况:(i)$p$是标准高斯分布$\mathcal{N}(0,I_d)$,以及(ii)$p$是高斯$\mathcal{N}(μ,Σ)$,对于某些未知协方差$Σ$和均值$μ\in \mathbb{R}^d$满足$\|μ\|_2 \geq ε$。最近的工作给出了一个算法,这个测试问题的最佳样本复杂度为$Θ(\sqrt{d}/ε^2)$。以前的算法及其分析都相当复杂。在这里,我们给出了一个非常简单的算法高斯均值测试与一页分析。我们的算法是样本最优的,并且在样本线性时间内运行。
2022-10-25 cs.DS cs.LG math.ST
Uniformly most powerful unbiased test for conditional independence in Gaussian graphical model
高斯浓度图的模型选择是基于成对条件独立性的多重检验。在实际应用中,偏相关检验被广泛应用。然而,目前还不知道是否偏相关测试是最强大的成对条件独立性测试。这个问题在论文中得到了回答。得到了Neymann结构的一致最强无偏检验。结果表明,该检验可简化为通常的偏相关检验。这意味着偏相关检验是一致最有效的无偏检验。
2016-10-02 math.ST stat.TH
Linear Regression with Unknown Truncation Beyond Gaussian Features
UT Austin(德克萨斯大学奥斯汀分校);Stanford University(斯坦福大学);Yale University(耶鲁大学)
针对未知生存集的截断线性回归问题,提出首个多项式时间算法,仅要求特征向量为次高斯分布。
2026-05-22 cs.DS cs.LG math.ST
Optimal distributed composite testing in high-dimensional Gaussian models with 1-bit communication
在本文中,我们研究的问题,在高斯噪声中的分布式设置,在星形拓扑结构的本地机器可以传达一个单一的信息位的信号检测。我们推导出一个下界的欧几里德规范的信号需要有,以便被检测到。此外,我们表现出最佳的分布式测试策略,达到下限。
2022-02-24 cs.IT math.IT math.ST
Gaussian dependence structure pairwise goodness-of-fit testing based on conditional covariance and the 20/60/20 rule
提出一种基于20/60/20规则和条件协方差的高斯依赖结构成对拟合优度检验框架,具有渐近枢轴分布,模拟和实证表明其优于流行基准。
2024-04-22 math.ST stat.ME stat.TH
Testing for high-dimensional network parameters in auto-regressive models
高维自回归模型提供了一种自然的方式来建模$T$时间间隔的多变量时间序列数据的$M$参与者之间的影响。虽然已经有相当多的工作网络估计,有有限的工作,在推理和假设检验的背景下。特别是,以前的工作假设检验的时间序列已被限制为线性高斯自回归模型。从实践的角度来看,重要的是要确定适当的统计测试,超越高斯假设的演员之间的联系。在\emph{high-dimensional}时间序列模型的上下文中,置信区间提供了额外的估计量,因为大多数估计量(如Lasso和Dantzig选择器)存在偏倚,这导致了\emph{de-biased}估计量。在本文中,我们解决这些挑战,并提供依分布收敛的结果和置信区间的多变量AR(p)模型与亚高斯噪声,高斯噪声的推广,扩大了适用性,并提出了许多技术挑战。主要的技术挑战在于,与高斯随机向量不同,对于亚高斯向量,零相关性并不意味着独立性。证明依赖于使用一个复杂的截断参数,以开发新的二次形式的相关次高斯随机变量的浓度范围。我们依分布收敛结果保持提供了$T = Ω((s \vee ρ)^2 \log^2 M)$,其中$s$和$ρ$是指稀疏参数,其匹配具有i.i.d.的假设检验的现有结果。样品我们验证了我们的理论结果与模拟结果的块结构和链结构的网络。
2018-12-11 math.ST stat.ME stat.TH
High-dimensional Gaussian Graphical Model Testing for Long-Memory Time Series
University of Chicago(芝加哥大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
针对长记忆高维时间序列,提出数据自适应的条件独立性检验统计量,建立有限样本高斯近似界,采用块自助法,并应用于fMRI数据分析脑功能连接。
2026-11-06 math.ST stat.ME stat.ML
Semiparametric Efficiency of Residual Correlation Testing under Gaussian Additive Noise Models
University of Kentucky(肯塔基大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文在高斯加性噪声模型下,证明了残差皮尔逊相关系数估计量是半参数有效的,并建立了条件独立性检验的渐近性质与推断方法。
2026-08-21 math.ST stat.ME stat.TH
Dependence-Aware False Discovery Rate Control in Two-Sided Gaussian Mean Testing
Temple University(天普大学)
本文提出了一种基于正左尾依赖性的改进方法,用于在双向高斯均值检验中更有效地控制虚假发现率。
2025-11-25 math.ST stat.ME stat.TH
Testing Gaussian Process with Applications to Super-Resolution
本文介绍了高斯过程$X$均值的精确检验方法,该方法是由复值测度空间上的$\ell_1$ -极小化的结果导出的。过程$X$可以被认为是两个项的和:第一,一些内核和目标原子测量(过程的平均值)之间的卷积;第二,由加性中心高斯过程的随机扰动。考虑的第一个测试程序是基于一个密集的网格序列的索引集的~ $X$,我们建立,它收敛(网格步骤趋于零)的随机测试程序:测试的决定取决于观察$X$,也对一个独立的随机变量。第二个测试过程是基于$X$的最大值和Hessian的无网格方式。我们表明,这两个测试程序可以执行时,方差是未知的(和相关函数的$X$是已知的)。这些检验方法可用于复值测度空间上的反褶积问题,并给出了在超分辨理论框架下的应用。作为一个副产品,数值研究可能会证明,我们的无网格方法是更强大的(它~检测稀疏的替代品)比基于非常薄的网格测试。
2018-07-02 cs.IT math.IT math.PR
Testing and estimation in orthosymmetric Gaussian sequence model
Massachusetts Institute of Technology(麻省理工学院)
本文研究正交对称高斯序列模型,证明了拟合优度检验样本复杂度下界为估计复杂度平方根,并完全刻画了 $\ell_p$-体的无似然假设检验复杂度,发现了模拟与观测样本数间的新权衡。
2025-10-30 cs.IT math.IT math.ST
Optimization and Testing in Linear Non-Gaussian Component Analysis
独立成分分析(ICA)将多变量数据分解为相互独立的成分(IC)。ICA模型受到一个约束,即这些分量中最多有一个是高斯的,这是模型可识别性所需的。线性非高斯分量分析(LNGCA)将ICA模型推广到具有任意数量的非高斯分量(信号)和高斯分量(噪声)的线性潜在因子模型,其中观测值是独立分量的线性组合。虽然单个高斯分量是不可识别的,但高斯子空间是可识别的。我们介绍了一种估计器及其优化方法,其中非高斯和高斯分量同时估计,最大化每个非高斯分量与高斯性的差异,同时最小化每个高斯分量与高斯性的差异。当非高斯成分的数量是未知的,我们开发了一个统计测试,以确定它的基础上估计成分的resternity和差异。通过各种模拟研究,我们证明了我们的估计竞争估计的改进,我们说明了测试的有效性,以确定非高斯分量的数量。此外,我们将我们的方法应用于实际数据的例子,并证明其实用价值。
2017-12-29 math.ST stat.AP stat.CO
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
Multistage Hypothesis Tests for the Mean of a Normal Distribution
在本文中,我们开发了新的多级测试,保证规定的权力水平,比以前的测试更有效的平均抽样数和抽样操作的数量。在不截断的情况下,我们的检验方案的最大抽样数是绝对有界的。基于几何参数,我们推导出了操作特征函数的非常紧的界限。为了降低相关积分的计算复杂性,我们提出了自适应扫描算法,该算法不仅适用于当前的假设检验问题,而且适用于其他问题领域。
2011-06-12 math.PR math.ST stat.ME