留一验证用于高斯图模型中节点级差异
Leave-one-out testing for node-level differences in Gaussian graphical models
AI总结：
本文提出了一种基于留一验证和巴特利特调整的检验方法，用于高斯图模型中节点级差异的相等性检验，通过模拟和案例研究验证了方法的有效性和实用性。
摘要：
我们研究了高斯图模型中的两样本相等性检验。经典的最大似然比检验在可分解图上允许子集分解，提供有限的局部化和不稳定的有限样本行为。我们提出通过在完全连接图上进行留一验证巴特利特调整检验来实现节点级推断。所得到的增量具有标准的卡方零限，使单个节点和固定大小子集的校准显著性成为可能。模拟证实了有效性，案例研究显示了实际用途。
英文摘要：
We study two-sample equality testing in Gaussian graphical models. Classical likelihood ratio tests on decomposable graphs admit clique-wise factorizations, offering limited localization and unstable finite-sample behaviour. We propose node-level inference via a leave-one-out Bartlett-adjusted test on a fully connected graph. The resulting increments have standard chi-square null limits, enabling calibrated significance for single nodes and fixed-size subsets. Simulations confirm validity, and a case study shows practical utility.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
