A U-statistic estimator for the variance of resampling-based error estimators
我们重新讨论了二进制分类中的误差估计在U-统计方面的restaurant程序。特别是,我们利用的事实,差错率估计,涉及所有的学习测试分裂是一个U-统计量。因此,它在所有无偏估计量中具有最小方差,并且是渐近正态分布的。此外,如果总样本量至少是双倍学习集大小加2,则存在此最小方差的无偏估计量。在这种情况下,我们展示了这样一个估计量,它是另一个U-统计量。它享有,再次,各种最优属性,并产生一个渐近精确的假设检验的平等差错率时,两个学习算法进行比较。我们的陈述适用于弱非退化假设下的任何确定性学习算法。
2013-12-18 math.ST stat.ML stat.TH
Resampling-based inference methods for comparing two coefficient alpha
Cronbach系数$α_C$的两个样本问题,作为测试或综合得分的可靠性估计,已经引起了很少的关注,相比之下,单样本情况下的广泛治疗。有必要比较不同亚组、不同测试或短测试和长测试的测试可靠性。本文从统计学的角度研究了如何比较两个系数$α_{C,1}$和$α_{C,2}$。感兴趣的原假设是$H_0 : α_{C,1} = α_{C,2}$,我们针对单侧或双侧替代方案进行了检验。为此,提出了基于重采样的置换和自举检验。当事态\textit{asymptotically distribution-free}(ADF)大样本检验可能无法正确达到标称显着性水平时,这些统计检验确保在有限或非常小的样本量中更好地控制I类错误。在一般ADF设置下,我们引入了两组多元非正态模型的置换检验和自助检验,从而改进了著名的ADF渐近检验的小样本性质.通过适当选择学生化检验统计量,可以修改重新检验,使其在数据不可交换的情况下仍然渐近有效。所提出的基于重采样的测试策略的实用性证明了在一个广泛的模拟研究和说明了真实的数据应用程序。
2017-06-19 math.ST stat.TH
Power of Mediation Effects Using Bootstrap Resampling
中介分析是一种统计工具,用于检验两个变量之间的关系是直接的还是通过第三个变量间接的。评估统计学显著性一直是一个活跃的研究领域;然而,统计功效的评估受到缺乏封闭式计算和需要大量计算模拟的阻碍。目前的工作提供了一个详细的解释实现大规模的仿真程序在一个共享的计算集群环境。此外,所有的结果和实现这些程序的代码都是公开的。功效分析比较了样本量的影响以及三个变量之间关系的强度和方向。三种置信区间计算方法的比较表明,偏倚校正方法是最佳的,并且需要比百分位数方法少约10名参与者才能达到等效功效。比较了远端和近端效应的不同强度,并没有对检测中介效应的功效产生差异性影响。抑制效应进行了探讨,并表明,在两个变量之间没有观察到的关系,进入模型的中介变量可以揭示一个抑制的关系。检测抑制效应的能力类似于未抑制的中介。这些结果和他们的方法提供了重要的信息的权力的调解模型的研究规划。更重要的是,这些方法为评估涉及多个介质和主持人的更复杂模型的统计功效奠定了基础。
2021-06-04 stat.CO stat.ME
Technical details of the multistep-multiscale bootstrap resampling
Shimodaira(2004)的新引导方法的技术细节在这里以数学证明以及支持的计算机程序给出。Shimodaira(2004)考虑了基于Bootstrap概率的近似无偏检验,用于具有未知期望参数向量的指数型分布族,其中原假设表示为具有光滑边界的任意形状区域。在Shimodaira(2004)的引理中已经描述了新开发的三步多尺度Bootstrap方法计算渐近三阶精确的$p$值。这些引理的所有数学证明都在这里给出。简单,虽然非常繁琐,涉及张量符号的计算在Shimodaira(2003)中得到了验证,这实际上是Mathematica的计算机程序。这里我们也对这个方案做一个简要的说明。
2013-12-22 math.ST stat.TH
Exploring Exchangeability within Permutation Inference: Implications for Statistics and Data Science Educators
本文探讨多元线性回归置换检验中的可交换性假设,分析不同置换方案对第一类错误的影响及聚类等违反假设的情形,并为统计教学提出建议。
2026-10-14 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
Exact Distribution-Free Hypothesis Tests for the Regression Function of Binary Classification via Conditional Kernel Mean Embeddings
SZTAKI: Institute for Computer Science and Control(SZTAKI:计算机科学与控制研究所);Eötvös Loránd Research Network(厄特沃什·罗兰研究网络)
本文提出了两种基于条件核均值嵌入的二分类回归函数的统计假设检验方法。回归函数是分类中的基本对象,因为它决定了贝叶斯最优分类器和误分类概率。提出了一个基于回归的框架,并结合条件核均值映射的一致点估计,以构造分布自由的假设检验。这些测试以灵活的方式引入,使我们能够控制任何样本量的第一类错误的确切概率。我们还证明了这两种方法在弱统计假设下是一致的,即,第二类错误概率逐点收敛到零。
2021-06-07 cs.LG stat.ML
Hypothesis testing for eigenspaces of covariance matrix
协方差阵的特征空间在统计机器学习中起着重要的作用,出现在各种现代算法中。量子化,它是方便的描述的特征空间的频谱投影仪。这项工作的重点是假设检验的光谱投影仪,在一个和两个样本的情况下。我们提出了新的测试,基于一个特定的矩阵范数开发,以利用光谱投影仪的结构。介绍和分析了一种新的独立兴趣的恢复技术:它作为一种替代著名的乘数引导,显着降低基于引导的方法的计算复杂性。我们提供了理论保证的I型错误,我们的程序,显着提高了以前在该领域获得的结果。此外,我们分析了我们的测试的力量。数值实验表明,所提出的方法相比,以前开发的性能良好。
2020-02-23 math.ST stat.TH
Estimation and testing for multiple regulation of multivariate mixed outcomes
最近相当大的兴趣集中在流行病学和基因组研究中同时研究多个表型,以捕获复杂疾病的多维性或了解相关疾病的共同病因。我们试图确定与多个结果相关的{ \em多个调节因子}或预测因子,这些结果可能在非常不同的尺度上测量或由连续的、二元的和未完全观察到的元素的混合物组成。我们首先提出了一种估计技术,把所有的影响相似的尺度,我们诱导稀疏估计的影响。我们提供了标准的渐近结果,这个估计,并表明,restaurant可以用来量化有限样本中的不确定性。最后,我们提供了一个多重检验程序,它可以专门针对感兴趣的多个监管机构的类型,我们建立,在标准的正则条件下,familywise错误率将接近0,样本量发散。仿真结果表明,我们的方法可以改善非正则化方法,无论是在减少估计偏差和提高功率的测试。
2015-11-25 stat.ME
Tests for validity of the semiparametric heteroskedastic transformation model
有许多检验用于评估非参数异方差位置尺度假设。在这里,我们考虑一个更一般的假设下,这个模型的有效性的响应变量的参数函数变换的拟合优度检验。具体来说,我们考虑在模型中测试回归量和误差之间的独立性,其中转换后的响应只是误差的位置/尺度偏移。我们的准则使用了协变量的联合特征函数在独立性下的因子分解性质。困难的是,错误是不可观察的,因此需要采用适当的估计残差在他们的位置。本文研究了检验统计量在原假设和备择假设下的极限分布,并提出了一种近似检验的临界值的修正方法。随后,在一系列的Monte Carlo实验,说明新的测试的有限样本特性,这rescue。我们还研究了相关的检验统计量的正态性和对称性的错误的性能,并将我们的方法应用于实际数据集。
2019-01-09 math.ST stat.TH
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
Statistical Inference for Bivariate Functional Causal Discovery
University of Washington(华盛顿大学);University of California San Francisco(加州大学旧金山分校)
本文针对函数型因果发现缺乏统计推断的问题,提出一种基于假设检验的双变量因果发现框架,利用拟合优度和独立性检验及重抽样量化不确定性,并通过模拟和真实数据验证其有效性。
2026-10-27 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
A general framework for probabilistic model uncertainty
本研究提出一种以缺失观测为不确定性来源的概率模型不确定性量化框架,通过一步超前预测密度递归抽样生成完整数据以度量不确定性,规避了主观先验设定与参数积分问题,可应用于假设检验、密度估计等场景。
2025-03-25 stat.ME
On Estimating Many Means, Selection Bias, and the Bootstrap
随着高通量技术的最新进展,研究人员经常发现自己运行大量的假设检验(数千+)和估计大量的效应量。一般来说,人们特别关注那些估计最极端的影响。不幸的是,这些效应量的天真估计(即使在测试程序中可能考虑多重性之后)可能会严重偏倚。在这篇手稿中,我们从频率论的角度探讨了这种偏差:我们给出了一个正式的定义,并表明使用这种偏差的甲骨文估计占主导地位的天真最大似然估计。我们给出了一个估计近似这个预言,并表明它可以很好地工作在模拟数据。我们还将其与经验贝叶斯的思想联系起来。
2013-11-15 stat.ME stat.ML
Density Estimation via Binless Multidimensional Integration
SISSA;Harvard University(哈佛大学);University of Trieste(特里斯特大学);ICTP(国际理论物理中心);Banca d’Italia(意大利银行)
本文提出BMTI方法,通过计算邻近数据点的log密度差并进行多维积分,实现非参数、鲁棒且数据高效的密度估计,适用于高维空间。
2026-05-14 cs.LG physics.chem-ph physics.data-an
A framework for paired-sample hypothesis testing for high-dimensional data
ENS Paris-Saclay(巴黎萨克雷高等师范学院);Centre Borelli(博雷利中心)
针对高维配对样本检验,本文提出基于实例对垂直平分超平面与 Hodges–Lehmann 聚合规则生成一维评分,并用 Wilcoxon 符号秩检验的两步框架,提升准确率且可解释特征贡献。
2023-09-28 cs.LG stat.ME stat.ML
Approximately unbiased tests of regions using multistep-multiscale bootstrap resampling
考虑了具有未知期望参数向量的指数型分布族的基于Bootstrap概率的近似无偏检验,其中原假设表示为具有光滑边界的任意形状区域.这个问题已经讨论了以前在埃夫隆和Tibshirani [安。26(1998)1687-1718],并且通过Efron、Halloran和Holmes的两水平自举法计算具有二阶渐近准确度的校正的p值[Proc.Natl. Acad. Sci. U.S.A. 93(1996)13429-13434],基于Efron的ABC偏差校正[J. Amer. Statist. 82(1987)171-185]。我们的论点是他们的渐近理论,其中的几何形状,如有符号的距离和曲率的边界,起着重要的作用。我们给出了另一种计算校正后的p值,而没有找到观察边界上的“最近点”,这是两级自举所要求的,在复杂的问题中是一个实现负担。关键思想是改变复制数据集的样本量与观察数据集的样本量。对几个样本量的重复样本落入该区域的频率进行计数,然后通过观察频率随样本量变化的变化来计算p值。这是Shimodaira [Systematic Biology 51(2002)492-508]的多尺度自举,对于多变量正态模型,它是三阶精度的。在这里,我们介绍了一个新设计的多步多尺度自助,计算三阶精确的p值的指数型分布族。
2005-08-30 math.ST stat.TH
A Shrinkage Likelihood Ratio Test for High-Dimensional Subgroup Analysis with a Logistic-Normal Mixture Model
针对现有亚组存在性检验的分布难解、无法处理高维属性的局限,提出基于Logistic-Normal混合模型的收缩似然比检验,通过收缩不可识别参数恢复卡方渐近性,适配高维场景。
2025-03-19 math.ST stat.ME stat.TH
The Local Fractional Bootstrap
本文介绍了布朗半平稳过程高频统计量的一种自举方法。更具体地说,我们专注于布朗半平稳过程的样本路径的粗糙度的假设检验,它使用的估计实现功率变化的比率的基础上。我们的新的resstrive方法,局部分数引导,依赖于模拟辅助分数布朗运动,模仿的布朗半平稳过程的高频差分下的原假设的优良性能。我们证明了一阶有效性的引导方法,并在模拟中,我们观察到,基于引导的假设检验提供了相当大的有限样本的改进,现有的测试是基于一个中心极限定理。这是很重要的,当研究的时间序列数据的粗糙度特性,我们说明了这两个经验数据集的应用自举方法:我们评估高频资产价格的时间序列的粗糙度,我们测试大气湍流数据的柯尔莫哥洛夫的标度律的有效性。
2017-10-12 math.ST q-fin.ST stat.TH
An unbiased minimum variance non-parametric analytic and likelihood estimator for discrete and continuous score spaces
这份手稿开发了一个通用的内积规范的肯德尔\(τ\)和斯皮尔曼的\(ρ\),它作为一个公正的MLE,即使在关系的存在。我们推导并证明了严格的亚高斯的Kemeny范数空间,从而反驳结论\textcite{kendall1948}和\textcite{diaconis1977}开发的适当的,有限的样本,概率分布和检验统计量的性质。所有双变量对的非参数MLE框架的开发,从而解决了\textcite{olkin1994}的假设有关的指数多元分布的顺序统计量,通过显示,对于有限的样本,分布是非指数的。非参数线性估计也构造了多元相关性和扩展,线性可分解的非参数多维线性方程组的非参数因子分析。
2022-08-02 stat.ME
Semiparametric stationarity and fractional unit roots tests based on data-driven multidimensional increment ratio statistics
本文证明了Bardet和Dola(2012)建立的记忆参数d的多维增量比(MIR)估计所满足的中心极限定理(CLT)可以推广到具有记忆参数$\in$(-0.5,1.25)的半参数类高斯分数积分过程.由于该CLT的渐近方差可以通过针对平稳性和非平稳性两种情况的数据驱动MIR检验来估计,因此构建了区分假设d \textless{} 0.5和d $\ge$ 0.5的两个检验,以及区分情况d = 1和情况d \textless{} 1的分数单位根检验。对多种短记忆、长记忆和非平稳过程的仿真结果表明,与常用的半参数估计相比,该估计具有较高的精度和稳健性。他们还证明了合理的效率MIR测试相比,其他常见的平稳性测试或分数单位根测试。保留字:高斯分数积分过程;记忆参数的半参数估计;长记忆检验;平稳性检验;分数单位根检验。
2016-01-21 math.ST stat.TH
Goodness-of-fit Test for Generalized Functional Linear Models via Projection Averaging
Beijing Normal University(北京师范大学);George Washington University(乔治华盛顿大学)
针对广义函数线性模型(GFLMs)拟合优度检验方法有限的问题,本文提出基于投影平均的U统计量检验,缓解维度灾难,建立渐近性质并提出自助法计算p值,模拟显示其检验功效优于现有方法。
2025-11-13 stat.ME
False discovery rate envelopes
针对函数型多重检验中高度相关假设的 FDR 控制与可视化问题,提出基于重抽样的两类自适应单阈值图形包络方法,并用模拟和三个实例验证。
2022-06-24 stat.ME
Effective and flexible depth-based inference for functional parameters
Kent State University(肯特州立大学)
本文提出了一种基于深度的统计量用于功能参数推断,通过双样本检验和回归分析验证了其有效性与高功率。
2026-03-09 stat.ME
The saddlepoint approximation for averages of conditionally independent random variables
本文证明了 Lugannani-Rice 公式在近似条件独立随机变量平均值的条件尾部概率时相对误差趋于零,该结果仅需次指数假设,可直接应用于 bootstrap 等重采样假设检验,并建立了条件 Berry-Esseen 不等式。
2025-06-22 math.PR math.ST stat.TH
Testing One Hypothesis Multiple Times: The Multidimensional Case
识别数据中新的罕见信号,检测趋势的突然变化以及选择竞争模型是统计实践中最具挑战性的问题。这些挑战可以使用假设检验来解决,其中滋扰参数仅存在于备选方案下,并且可以通过"多次测试一个假设"(TOHM)方法获得计算效率高的解决方案。在一维设置中,指定的非可识别参数的空间的精细离散化,并且通过近似所得到的随机过程的上确界的分布来获得全局p值。在本文中,我们提出了一个计算效率高的推理工具来执行TOHM在多维设置。这里,感兴趣的近似通常涉及潜在随机场的偏移集的预期欧拉特性(EC)。我们介绍了一个简单的算法来计算EC在多个维度和任意大的显着性水平。这导致了一个高度概括的计算工具,在非标准的正则条件下进行推理。
2019-06-23 astro-ph.IM physics.data-an stat.AP
Testing goodness-of-fit and conditional independence with approximate co-sufficient sampling
拟合优度(GoF)检验在统计学中无处不在,与模型选择、置信区间构造、条件独立性检验和多重检验有直接联系,仅举几个应用。虽然测试简单(点)原假设的GoF为分析师在选择检验统计量时提供了很大的灵活性,同时仍确保有效性,但大多数复合原假设的GoF测试都受到更多约束,因为检验统计量必须在整个原模型空间上具有易于处理的分布。一个值得注意的例外是共同充分抽样(CSS):在零模型的充分统计量的条件下重新分配数据,保证使用分析员选择的任何检验统计量进行有效的GoF检验。但是CSS测试要求空模型具有紧凑的(在信息论意义上)充分统计量,这只适用于非常有限的一类模型;即使对于像逻辑斯谛回归这样简单的空模型,CSS测试也无能为力。在本文中,我们利用近似充分性的概念,将CSS测试推广到基本上任何具有渐近有效估计的参数模型,我们称我们的扩展为“近似CSS”(aCSS)测试。我们量化有限样本的第一类错误膨胀aCSS测试,并表明它是消失在标准的极大似然渐近,任何选择的检验统计量。我们应用我们提出的程序在理论上和模拟一些感兴趣的模型,以证明其有限样本第一类错误和权力。
2021-09-14 stat.ME
Equivalence Test in Multi-dimensional Space with Applications in A/B Testing
本文提出了一个检验多维空间中随机样本划分是否有效的统计检验框架,该框架可以直接应用于A/B检验和多元检验,以确保在线流量划分相对于协变量是真正随机的。我们相信这是质量控制的一个重要步骤,在许多现实世界的在线实验中是缺失的。本文提出了一种随机卡方检验方法,并与倾向得分和距离分量(DISCO)检验方法进行了比较,以检验分裂后分类数据集具有相同多维分布的假设。该方法可以很容易地推广到连续数据。我们还提出了一个restaurant程序,以调整的多重性,在实践中往往有更高的权力比一些现有的方法,如霍尔姆的程序。我们在Adobe Experience Cloud的模拟和真实数据集上尝试了这三种方法,并表明每种方法都有自己的优势,同时它们都建立了有前途的力量。据我们所知,我们是第一批将A/B测试的有效性制定为实验后统计测试问题的人之一。我们的方法是非参数的,需要对数据的假设最少,所以它也可以在其他领域,如临床试验,医学和推荐系统,需要随机数据分裂有广泛的应用。
2018-09-24 stat.ME
Exponentially Titled Empirical Distribution Function for Ranked Set Samples
研究了基于秩集抽样设计的连续随机变量的分布函数的非参数估计问题。我们提出了ET估计的DF,并使用它们来构建新的不平衡的排序集样本的恢复算法。我们探索所提出的算法的属性。对于一个假设检验问题的基础人口平均值,我们表明,自助测试的基础上的ET估计的DF是渐近正态的,并表现出一个小的偏差顺序$O(n^{-1})$。我们说明的方法和评估有限样本性能的算法下完美和不完美的排名计划,使用一个真实的数据集和几个蒙特卡罗模拟研究。我们比较的检验统计量的ET估计的基础上的经验似然估计的基础上的性能。
2015-06-21 math.ST stat.CO stat.ME
Density estimation for shift-invariant multidimensional distributions
Northwestern University(西北大学);Google(谷歌);Columbia University(哥伦比亚大学)
研究了$\mathbb{R}^d$上一类移不变分布的密度估计。一个多维分布是“平移不变”的,如果粗略地说,它在总的变化距离上接近于它在任何方向上的一个小的位移。平移不变性放宽了非参数密度估计中常用的平滑性假设,以允许跳跃不连续性。我们所考虑的不同类型的分布对应于不同的尾部衰减率。对于每个这样的类,我们给出了一个有效的算法,学习任何分布在类中的独立样本的总变异距离。作为我们的一般结果的一个特殊情况下,我们表明,$d$维移位不变分布,满足指数尾界可以学习到总的变化距离误差$ε$使用$\tilde{O}_d(1/ ε^{d+2})$的例子和$\tilde{O}_d(1/ ε^{2d+2})$时间。这意味着,对于常数$d$,可以使用$\tilde{O}_d(1/ε^{d+2})$样本在$\tilde{O}_d(1/ε^{2d+2})$时间内学习多变量对数凹分布,回答[Diakonikolas,Kane和Stewart,2016]的问题。其中要学习的目标分布是类中的某个未知分布与某个其他任意和未知分布的$(1-ε,ε)$混合,并且学习算法必须输出具有与目标分布的总变化距离误差$O(ε)$的假设分布。我们表明,我们的一般结果是接近最好的可能证明一个简单的$Ω\left(1/ε^d\right)$信息理论的样本复杂性的下限,即使是学习有界分布的移位不变。
2018-11-09 cs.DS cs.LG stat.ML
A data-driven Fourier-mixture neural-network method for density estimation
The University of Queensland(昆士兰大学)
本文提出了一种数据驱动的傅里叶训练神经网络方法,用于从经验特征函数信息估计固定期限的概率密度。该估计器是一种具有闭式特征函数的正高斯-拉普拉斯混合分布,可以在傅里叶空间中直接训练,同时保持非负性和单位质量。研究考虑了两种采样设置,并分析了不同情况下误差界和计算复杂性。
2026-09-14 q-fin.CP stat.ML
Testing Identity of Multidimensional Histograms
University of Southern California(南加利福尼亚大学);University of California, San Diego(加利福尼亚大学圣地亚哥分校);CSAIL, MIT(麻省理工学院计算机科学与人工智能实验室)
我们研究多维直方图分布的同一性检验问题。分布$p: D \rightarrow \mathbb{R}_+$,其中$D \subseteq \mathbb{R}^d$,被称为$k$直方图,如果存在域的分区为$k$轴对齐的矩形,使得$p$在每个这样的矩形内是恒定的。直方图是最基本的非参数分布族之一,在计算机科学和统计学中得到了广泛的研究。我们给这个问题的第一个身份测试{ \em子学习}样本复杂性在任何固定的维度和一个接近匹配的样本复杂性下限。更详细地,令$q$是固定维度$d$中的未知$d$维度$k$直方图分布,并且$p$是明确给定的$d$维度$k$直方图.我们希望正确区分$p = q$与$\|p-q\|_1 \geq ε$的情况,概率至少为$2/3$。我们设计了一个算法来解决这个假设检验问题,其样本复杂度为$O((\sqrt{k}/ε^2) 2^{d/2} \log^{2.5 d}(k/ε))$,在样本多项式时间内运行.我们的算法对模型误指定是鲁棒的,即,即使$q$仅承诺{ \em接近} $k$ -直方图,也会成功。此外,对于$k = 2^{Ω(d)}$,我们展示了当$(\sqrt{k}/ε^2) \cdot Ω(\log(k)/d)^{d-1}$。也就是说,对于任何固定维度的$d$,我们的上界和下界几乎是匹配的。在我们的工作之前,$d=1$情况下的样本复杂度是很好理解的,但没有已知的…
2019-02-19 cs.DS cs.IT cs.LG
Detecting practically significant dependencies in metric spaces via distance correlations
Ruhr-Universität Bochum(波鸿鲁尔大学)
针对度量空间随机变量的实际显著性依赖检验需求,提出基于距离相关系数的枢轴检验方法,适用于含时间序列在内的非独立观测场景,无需重采样即可构造置信区间。
2025-11-18 math.PR math.ST stat.TH
Heteroscedastic semiparametric transformation models: estimation and testing for validity
本文考虑一个异方差变换模型,其中变换属于参数单调变换族,回归和方差函数是非参数建模的,误差与多维协变量无关。在这个模型中,我们首先考虑模型未知分量的估计,即变换参数、回归和方差函数以及误差的分布。我们证明了所提出的估计量的渐近正态性。其次,我们对模型的有效性进行了检验,并在原假设下建立了检验统计量的极限分布。提出了一种Bootstrap方法来近似检验的临界值。最后,我们进行了模拟研究,以验证所提出的估计和测试的小样本行为。
2014-11-27 math.ST stat.ME stat.TH
A Unifying Framework for Adaptive Radar Detection in Homogeneous plus Structured Interference-Part I: On the Maximal Invariant Statistic
本文研究了在协方差矩阵未知的齐次高斯干扰和结构确定性干扰下的多维/多通道信号自适应检测问题。上述问题对应于众所周知的广义多元方差分析(GMANOVA)的推广。在这第一部分的工作中,我们制定了考虑的问题的规范形式,并确定了一个理想的一组考虑的假设检验的转换后,我们得到了最大不变统计量(MIS)的问题在手。此外,我们提供的MIS分布的形式的随机表示。最后,强有力的连接到MIS中获得的公开文献中更简单的方案强调。
2015-07-19 cs.IT math.IT 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
Statistical Testing on ASR Performance via Blockwise Bootstrap
Facebook AI(脸书人工智能实验室)
在自动语音识别(ASR)评估中提出的一个常见问题是,比较两个ASR系统,观察到的字错误率(WER)改善的可靠性如何,其中统计假设检验和置信区间(CI)可以用于判断这种改善是真实的还是仅仅由于随机机会。Bootstrap回归方法具有直观、易用的特点,在显著性分析中得到了广泛的应用。然而,这种方法无法处理语音世界中普遍存在的相关数据-例如,来自同一说话人的话语的ASR性能可能是相关的。在本文中,我们提出了分块自举方法-通过将评价话语分为不重叠的块,这种方法重新采样这些块,而不是原始数据。我们证明了在温和的条件下,两个ASR系统之间的绝对WER差的方差估计是一致的。我们还证明了分块自举方法在合成语音数据和真实语音数据上的有效性。
2020-05-20 cs.LG eess.AS stat.ML
Testing Microbiome Community Differences in High Dimensions: A Bootstrap Approach for Compositional Data
Indian Institute of Technology Bombay(印度理工学院孟买分校);Missouri University of Science and Technology(密苏里科技大学);Washington University in St. Louis(圣路易斯华盛顿大学);University of Missouri(密苏里大学);University of Michigan(密歇根大学)
该研究针对微生物组数据统计挑战,提出经验自助框架,用于跨组微生物群落均值相等性检验,考虑数据单纯形结构,通过两项大规模研究验证,能识别传统方法未检测到的临床差异,凸显重采样推断的潜力。
2026-07-29 stat.AP stat.ME
A random effects stochastic block model for joint community detection in multiple networks with applications to neuroimaging
受神经影像学研究中多学科实验的启发,我们开发了一个建模框架,用于在一组相关网络中进行联合社区检测,这些网络可以被认为是来自网络群体的样本。建议的随机效应随机区组模型有利于研究群体差异和特定主题的变化在社区结构。该模型提出了一个假定的平均社区结构,它代表了所考虑的群体或人口,但不是任何单个组件网络的社区结构。相反,社区成员的节点不同,在每个组件网络的过渡矩阵,从而模拟社区结构的变化在一组科目。为了估计感兴趣的数量,我们提出了两种方法,变分期望最大化算法,和一个无模型的“两步”方法的基础上,无论是频谱或非负矩阵分解(NMF)。我们的NMF为基础的方法Co-OSNTF是独立的利益,我们研究了其收敛性能的一个稳定点。我们还开发了一个基于重采样的假设检验在两个群体的社区结构的差异,在整个网络水平和节点水平。该方法被应用到一个公开的fMRI数据集,从多个主题的实验,涉及精神分裂症患者。我们的方法揭示了一个整体推定的社区结构代表的组,以及每个组内的主题特定的变化。使用我们的网络级假设检验,我们能够确定两组之间社区结构的统计学显著差异,而我们的节点级测试有助于确定驱动差异的节点。
2020-03-21 stat.AP
Directional differentiability for supremum-type functionals: statistical applications
我们证明了定义在任意集合或测度空间上的实函数的上确界所涉及的各种泛函都是Hadamard方向可微的。我们特别考虑了上确界范数、上确界、下确界和函数的振幅。这些映射的(通常是非线性的)导数在适当的假设下采用简单的表达式。作为应用,我们改进并推广了\cite{Raghavachari}中关于在备择假设下Kolmogorov-Smirnov型统计量极限分布的结果.类似的结果得到类似的统计与copula。我们还解决了一个公开的问题有关的伯克-琼斯统计提出的\cite{Jager-Wellner-2004}。最后,给出了Donsker函数类上最大平均差的渐近分布。
2019-12-17 math.ST stat.TH
Assessing Keyness using Permutation Tests
ZHAW Zurich University of Applied Sciences(苏黎世应用科技大学)
针对传统关键词性检验的逐词元抽样模型易产生假阳性的问题,提出基于文档抽样的置换检验方法,适用于任意关键词性得分,可得到更准确的p值,已实现为R包keyperm。
2023-08-25 cs.CL stat.AP
Quadratic Form based Multiple Contrast Tests for Comparison of Group Means
TU Dortmund University(多特蒙德工业大学);Research Center Trustworthy Data Science and Security, UA Ruhr(鲁尔大学可信数据科学与安全研究中心);Otto-von-Guericke University Magdeburg(马格德堡奥托·冯·格里克大学)
针对多元统计中组均值比较时二次型检验和多重对比检验各有局限的问题,本文结合二者提出基于二次型的多重对比检验,推导其渐近分布并通过重抽样等优化小样本性能,模拟验证了其优势。
2025-06-03 math.ST stat.ME stat.TH
PT-MMD: A Novel Statistical Framework for the Evaluation of Generative Systems
University of California San Diego(加州大学圣地亚哥分校)
基于随机采样的生成神经网络,例如限制玻尔兹曼机和生成对抗网络,现在用于去噪、图像遮挡去除、模式完成和运动合成等应用。在涉及使用这些模型执行此类推理任务的场景中,关键是确定允许在预先指定的实现约束下进行模型选择和/或维持必要的生成性能的度量。在本文中,我们提出了一个新的度量生成模型的性能评估的基础上$p$ -值来自最大平均离散(MMD)和基于置换(PT-基于)的响应,我们称之为PT-MMD的组合使用。我们在两种情况下证明了该度量的有效性:(1)选择位宽和激活函数复杂度,以实现受限玻尔兹曼机的最小性能功耗;(2)定量比较两种类型的生成对抗网络(PGAN和WGAN)生成的图像,以促进模型选择,从而最大限度地提高生成图像的保真度。对于这些应用程序,我们的结果显示使用欧几里德和Haar为基础的内核的PT-MMD两个样本的假设检验。这证明了距离函数在将生成的图像与人类用户所感知的相应的地面真实对应物进行比较中的关键作用。
2019-10-28 cs.LG eess.IV stat.ML
Goodness-of-fit tests for Markovian time series models: Central limit theory and bootstrap approximations
基于观测过程的一步转移分布函数的完全非参数估计与在原假设下假设的模型类的完全非参数估计之间的差异,提出了时间序列分析中马尔可夫模型的新的拟合优度检验.空值下的模型规范允许马尔可夫模型,其转换机制取决于未知的参数向量和未指定的i.i.d.分布。创新。渐近性质的检验统计量的推导和临界值的测试被发现使用适当的自助方案。导出了马尔可夫过程自举的一般性质。得到了弱相依随机变量三角阵列的一个新的中心极限定理。对于多维经验过程的随机等度连续性的证明,我们使用一个简单的方法,基于各向异性平铺的空间。通过一些数值例子说明了所提出的测试的有限样本行为,并给出了一个实际数据的应用。
2008-03-06 math.ST stat.TH
Bootstrap Matching: a robust and efficient correction for non-random A/B test, and its applications
本文提出Bootstrap Matching方法,通过整合Bootstrap重采样、Matching和高维假设检验,解决A/B测试随机性失效问题,适用于大规模数据并具有稳健高效优势。
2024-08-09 stat.AP stat.ME
Post-selection Inference in Multiverse Analysis (PIMA): an inferential framework based on the sign flipping score test
针对多重宇宙分析缺乏全面推断流程的问题,提出基于条件重采样的PIMA框架,支持多种数据规范与广义线性模型,可严格控制族系错误率并明确显著效应的具体规范。
2023-10-03 stat.AP stat.ME
Sequential Monte-Carlo testing by betting
提出随时有效的序贯蒙特卡洛检验方法,利用新赌博策略构建检验鞅,支持任意时刻停止且保持优异功效。
2024-12-11 stat.ME
On the power of conditional independence testing under model-X
为了测试条件独立性(CI)的响应Y和预测因子X给定协变量Z,最近推出的模型X(MX)框架一直是积极的方法研究的主题,特别是在MX仿制品及其成功应用于全基因组关联研究的背景下。在本文中,我们研究了MX CI测试的力量,对机器学习的作用产生了定量的见解,并为在实践中使用基于可能性的统计提供了证据。本文研究了条件随机化检验(CRT),发现它的条件推理模式允许我们将其重新表述为检验一个涉及X的条件分布的点原假设。奈曼-皮尔逊引理则意味着基于似然性的统计量产生最强大的CRT对一个点的替代。我们也得到了相关的最优性结果的MX仿制品。切换到一个渐近框架与任意增长的协变量维数,我们推导出一个表达式的CRT对本地半参数的替代品的预测误差的机器学习算法的预测误差的检验统计量是基于的限制权力。最后,我们展示了一个重采样免费测试与统一的渐近I型差错控制的假设下,只有前两个时刻的X给定Z是已知的,一个显着放松的MX假设。
2022-10-29 math.ST stat.ME stat.ML