Tail Gini Functional under Asymptotic Independence
本文研究了渐近独立下尾部基尼泛函的估计问题，提出中间水平估计并外推至极端尾部的方法，建立渐近正态性，模拟与港股实证表明其表现良好且具风险管理新见解。
2023-09-12 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
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 Bootstrap Test for Independence of Time Series Based on the Distance Covariance
本文提出一种基于距离协方差的Bootstrap检验，用于检测两个严格平稳时间序列在任意滞后内的任何依赖，模拟中表现优于其他方法，并推广了Wasserstein距离界限至α-混合过程。
2024-02-05 math.ST stat.TH
Asymptotic independence of spiked eigenvalues and linear spectral statistics for large sample covariance matrices
考虑一般的高维加标样本协方差模型，证明了当样本量与维数成正比时，其首样本加标特征值与线性谱统计量是渐近独立的.作为一个副产品，我们还建立了中心极限定理的领先样本尖峰特征值通过删除块对角假设的人口协方差阵，这是通常需要在文献中。此外，我们提出了一致的估计的$L_4$规范的尖峰人口特征向量。基于这些结果，我们发展了一个新的统计量来检验两个加标总体协方差阵的相等性。数值研究表明，新的测试程序是更强大的比一些现有的方法。
2020-09-24 math.ST stat.TH
Asymptotic independence of point process and Frobenius norm of a large sample covariance matrix
证明了由$p$维随机向量的$n$观测值和$\mathbf{S}$的Frobenius范数构造的样本协方差阵$\mathbf{S}$的非对角元点过程的联合极限定理。特别地，假定$p$和$n$趋于无穷大，我们得到了在分量的四阶矩有限的情况下Frobenius范数的中心极限定理和在四阶矩无限的情况下的无穷方差稳定律.推广Kallenberg的一个定理，建立了$\mathbf{S}$的点过程和Frobenius范数的渐近独立性.据我们所知，这是第一个关于非高斯情形下相依点的点过程及其和的联合收敛性的结果。
2023-02-27 math.PR math.ST stat.TH
High-Dimensional Covariance Decomposition into Sparse Markov and Independence Models
拟合高维数据涉及到忠实表示和稀疏模型的使用之间的微妙权衡。通常，拟合模型上的稀疏性假设过于严格，无法提供观测数据的忠实表示。本文提出了一种在不同领域结合稀疏性的新框架，将观测到的协方差阵分解为稀疏高斯马尔可夫模型（具有稀疏精度矩阵）和稀疏独立模型（具有稀疏协方差阵）。我们的框架将稀疏协方差和稀疏精度估计作为特例，从而引入了更丰富的高维模型。我们刻画了两个模型，\viz马尔可夫模型和独立模型的可识别性的充分条件。我们提出了一种有效的分解方法的基础上修改流行的$\ell_1$惩罚最大似然估计（$\ell_1$ -MLE）。我们确定我们的估计量在两个域中是一致的，即，当样本数$n$为$n = Ω(d^2 \log p)$时，它成功地恢复了马尔可夫模型和独立模型的支持度，其中$p$是马尔可夫模型中的变量数，$d$是马尔可夫模型中的最大节点度.我们的实验验证了这些结果，也表明我们的模型有更好的推理精度下简单的算法，如循环的信念传播。
2013-12-14 math.ST stat.ML stat.TH
A general approach to detect gene (G)-environment (E) additive interaction leveraging G-E independence in case-control studies
在统计遗传学中，通过检测加性GxE相互作用的存在来检测遗传（G）和环境（E）风险因素之间的机械相互作用的存在越来越受到关注。在涉及罕见疾病的病例对照研究中，无加性相互作用的统计学检验通常需要检验无相互作用引起的相对超额风险（RERI）。同样众所周知的是，对于病例对照数据，利用G-E独立性的乘法交互作用的检验可以比标准逻辑斯谛回归显著更有效。同样，最近已经表明，结合G-E独立性假设的空RERI的似然比检验（RERI-LRT）优于标准RERI方法。在本文中，作者描述了一个一般的，但相对简单的方法来测试GxE加性相互作用，利用G-E独立性。依赖于G和E的回归模型的方法特别有吸引力，因为与RERI-LRT不同，它允许二元结果的回归模型保持不受限制。因此，新方法对结果回归中可能的错误指定完全稳健。这对于RERI-LRT不易处理的设置尤其重要，例如当E是计数或具有多个分量的连续暴露时，或者当回归模型中存在多个辅助协变量时。虽然所提出的方法避免了拟合结果回归，但它仍然允许直接的协变量调整。通过广泛的模拟研究和卵巢癌的实证应用的方法进行说明。
2018-08-18 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
Rank-based Estimation under Asymptotic Dependence and Independence, with Applications to Spatial Extremes
多变量极值理论研究的是多个随机变量的联合尾部行为。现有的工作主要集中在渐近相关性，其中观察到一个变量的大值的概率是相同的顺序，同时观察到所有变量的大值。然而，越来越多的证据表明，渐近独立性在现实世界的应用中同样重要。在后一种情况下，现有的统计方法很少，理论上也没有得到很好的理解。我们重新审视非参数估计，并引入基于秩的M-估计参数模型，同时工作在渐近依赖和渐近独立，而不需要先验知识的两个制度适用。在弱正则性条件下，证明了估计量的渐近正态性。我们进一步展示了如何利用双变量估计来获得空间尾模型中的参数估计，并再次为我们的方法提供了一个彻底的理论依据。
2021-01-08 math.ST stat.ME stat.TH
Assessing bivariate independence: Revisiting Bergsma's covariance
本文重新研究Bergsma协方差κ，提出基于四个U统计量的直观估计量，推导其非零相依情形下的渐近分布，并通过模拟表明新估计量在功效和计算效率上具有竞争力。
2023-05-29 math.ST stat.ME stat.TH
High-Dimensional Covariance Decomposition into Sparse Markov and Independence Domains
University of California at Irvine（加州大学欧文分校）
在本文中，我们提出了一个新的框架，结合稀疏模型在不同的领域。我们将观测数据作为稀疏高斯马尔可夫模型（具有稀疏精度矩阵）和稀疏高斯独立模型（具有稀疏协方差矩阵）的线性组合生成。我们提供了有效的方法分解成两个域，\viz马尔可夫和独立域的数据。我们刻画了一组充分条件的可识别性和模型的一致性。我们的分解方法是基于一个简单的修改流行的$\ell_1$惩罚最大似然估计（$\ell_1$ -MLE）。我们确定我们的估计量在两个域中是一致的，即，当样本数$n$为$n = Ω(d^2 \log p)$时，它成功地恢复了马尔可夫模型和独立模型的支持度，其中$p$是马尔可夫模型中的变量数，$d$是马尔可夫模型中的最大节点度.我们的恢复条件是可比的$\ell_1$ -MLE一致估计的稀疏马尔可夫模型，因此，我们保证成功的高维估计的一个更丰富的一类模型在可比条件下。我们的实验验证了这些结果，也表明我们的模型有更好的推理精度下简单的算法，如循环的信念传播。
2012-06-27 cs.LG stat.ML
Distance covariance for random fields
研究了随机场$(X,Y)$的基于距离相关的独立性检验。我们考虑的情况下，当$(X,Y)$被观察到的晶格与等距网格大小和当$(X,Y)$被观察到在随机位置。我们在这两种情况下提供样本距离相关性的渐近理论，并显示自举一致性。后一个事实允许人们建立一个测试的独立性的$X$和$Y$的基础上考虑这些字段的离散化。我们说明了模拟研究涉及分数布朗和无穷方差稳定场的自举检验的性能。独立性检验适用于在日本整个地区观测的日本气象数据。
2022-05-04 math.ST stat.TH
Sure independence screening in generalized linear models with NP-dimensionality
超高维变量选择在当代科学发现和统计研究中发挥着越来越重要的作用。Fan和Lv [J. R. stat. Soc. Ser. B Stat.美沙酮70（2008）849 - 911]提出了通过对边际相关性进行排序的独立筛选框架。他们表明，在具有高斯协变量和响应的线性模型的背景下，相关性排序程序具有一定的独立筛选特性。在本文中，我们提出了一个更一般的版本的独立学习排序的最大边际似然估计或最大边际似然本身在广义线性模型。我们证明了所提出的方法，与Fan和Lv [J. R. stat. Soc. Ser. B Stat.美沙酮70（2008）849 - 911]作为非常特殊的情况，也具有假选择率为零的确定筛选性质。独立学习具有确定筛选的条件出奇地简单。这证明了这种简单方法在宽光谱中的适用性。我们明确量化的程度，可以减少独立筛选，这取决于协变量和真实参数的协方差阵的相互作用的维度。仿真研究被用来说明所提出的方法的效用。此外，我们建立了一个指数不等式的拟极大似然估计，这是有用的高维统计学习。
2012-11-13 math.ST stat.ME stat.ML
An Asymptotic Test for Conditional Independence using Analytic Kernel Embeddings
CREST（法国 Crest 研究中心）；ENSAE（法国国家统计与经济管理学院）；Facebook AI Research（脸书人工智能研究院）；Université Paris-Dauphine（巴黎多芬大学）；Technion（以色列理工学院）
我们提出了一个新的条件依赖性度量和条件独立性的统计检验。该措施是基于两个非常适合的分布在一组有限的位置评估的分析内核嵌入之间的差异。在条件独立性的原假设下得到了它的渐近分布，并由此设计了一个一致性统计检验，通过一系列的实验表明，即使在高维情况下，我们的新检验在I类和第二类错误方面也优于现有的方法.
2022-06-16 cs.LG stat.ML
Asymptotic Independence of Bivariate Order Statistics
众所周知，一个单变量随机变量样本的极值顺序统计量和中心顺序统计量以及中间顺序统计量和中心顺序统计量随着样本量的增加而渐近独立。我们将这一结果推广到二元随机变量，其中的os是采取分量。二元os的条件分布的显式表示是一个强大的工具。
2017-01-31 math.ST stat.TH
A New Algorithm for Maximum Likelihood Estimation in Gaussian Graphical Models for Marginal Independence
University of Washington（华盛顿大学）
具有双向边（）的图形模型<->表示边缘独立性：两个顶点之间没有边表明相应的变量是边缘独立的。本文研究了连续变量服从高斯联合分布（有时称为协方差图模型）的极大似然估计。我们提出了一个新的拟合算法，利用标准的回归技术，并建立其收敛性。此外，我们对比我们的程序，现有的估计方法。
2012-10-19 cs.LG stat.ME stat.ML
Compositional Covariate Importance Testing via Partial Conjunction of Bivariate Hypotheses
本文针对成分协变量在回归中因总和约束导致传统条件独立性检验失效的问题，提出将相关协变量概念转化到成分数据设定中，并基于双变量条件独立性检验与部分合取假设检验开发了新的重要性检验和变量选择方法，同时给出理论保证和实验验证。
2024-12-31 math.ST stat.ME stat.TH
Adaptive L-tests for high dimensional independence
Tiangong University（天津工业大学）；Nankai University（南开大学）
本文提出了一种基于L统计量的自适应检验方法，用于高维独立性检验，通过渐近分布分析和柯西方法结合固定和发散k统计量，实现了理论和实际上的有效性。
2026-01-27 stat.AP
Smoothness of Gaussian conditional independence models
多元正态（或高斯）分布中的条件独立性的特征在于分布的协方差阵的子行列式的消失。因此，高斯条件独立模型对应于正定矩阵锥的代数子集。对于此类模型的统计推断，了解模型是否包含奇点是很重要的。我们研究这个问题的模型，涉及多达四个随机变量。特别是，我们给出了条件独立关系的例子，尽管概率表示，产生的模型，非平凡分解成一个有限的工会的几个光滑的子模型。
2009-10-28 math.ST stat.TH
Distribution-free consistent independence tests via center-outward ranks and signs
本文研究两个一般维数的随机向量独立性的检验问题。为此，我们首次给出了无分布的相合检验。我们的方法将距离协方差与Hallin（2017）开发的中心向外排名和标志相结合。在技术术语中，所提出的测试是一致的，分布在家庭的多元分布与非零（勒贝格）概率密度。利用（退化）的U-统计结构的距离协方差和组合性质的哈林的中心向外的行列和符号，我们能够推导出我们的检验统计量的极限零分布。由此产生的渐近近似是准确的中等样本量，并使测试实施，而不需要置换。极限分布是通过一个更一般的结果，给出了一个新的类型的组合非中心极限定理的双指标和多指标置换统计量。
2020-06-09 math.ST stat.TH
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
Semiparametric estimation of mutual information and related criteria : optimal test of independence
我们推导出独立性测试依赖措施阈值在半参数的上下文中。准确地说，通过φ-发散的对偶表示，得到了与联合分布及其边际的乘积分布之间的φ-发散相关联的φ-互信息的估计。建立了估计的渐近性质，包括相合性、渐近分布和大偏差原理。通过相对渐近Bahadur有效性和数值模拟比较了所得到的独立性检验。因此，本文提出的半参数Kullback-Leibler互信息检验是最优的。另一方面，该方法提供了一种新的方法估计Kullback-Leibler互信息在半参数设置，以及一个大类的依赖模型，包括半参数Copula的模型选择过程。
2015-08-19 math.ST stat.TH
Risk contagion under regular variation and asymptotic tail independence
风险传染涉及任何处理大规模风险的实体。假设（X，Y）表示某个系统中两个分量的风险向量。风险传染的一个相关度量是量化Y的高值对X的影响。这可以通过多种方式来衡量。本文研究了两个这样的测度：量E[max（X-t，0）]| Y > t]称为边际平均超额（MME）以及相关量E[X| Y > t]称为边际预期短缺（MES）。这两个数量都是风险蔓延的指标，在从金融、保险和系统性风险到环境和气候风险的各种应用中都很有用。我们在风险向量（X，Y）的多元正则变差、隐正则变差和渐近尾独立性的假设下工作。许多广泛而有用的模型类满足这些假设。我们提出了几个例子，并推导出MME和MES的阈值t趋于无穷大的渐近行为。我们观察到，虽然我们假设模型中的渐近尾部独立性，但MME和MES在非常一般的条件下收敛到1;这反映了模型中潜在的弱依赖性仍然很重要。除了经验估计的一致性，我们引入了一个外推方法的基础上极值理论估计MME和MES的高阈值t的数据很少。我们表明，这些估计是一致的，并说明我们的方法在模拟和真实的数据集。
2017-04-25 math.ST q-fin.RM stat.OT
Sure independence screening for covariate-dependent extreme value index estimation
Faculty of Data Science, Shiga University（滋贺大学数据科学学院）；School of Information and Data Science, Nagasaki University（长崎大学信息数据科学学院）
研究高维协变量下协变量相关极值指数估计问题，提出基于核条件Pickands估计器构建边际效用排序协变量的确定独立性筛选方法，建立确定筛选性质，模拟和实际应用验证了方法有效性。
2026-08-11 stat.ME
Testing independence of functional variables by an Hilbert-Schmidt independence criterion estimator
我们提出了Hilbert-Schmidt独立准则的估计量，该估计量是通过对通常估计量进行适当修改而获得的。在独立性假设和备择假设下，得到了该估计量的渐近正态性。一个新的测试的独立性的随机变量值到度量空间，然后介绍了一个模拟研究，允许比较建议的测试，以现有的一个提供
2022-06-23 math.ST 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
Asymptotic normality of an estimator of kernel-based conditional mean dependence measure
我们提出了一个估计的核为基础的条件均值的依赖性措施，从一个朴素的估计通常的经验估计的基础上进行适当的修改。然后在条件均值独立假设和备择假设下得到了该估计量的渐近正态性。然后引入了一个新的条件均值独立性的随机变量值到希尔伯特空间的测试。
2022-07-26 math.ST stat.TH
Conditional Mean and Quantile Dependence Testing in High Dimension
出于在生物科学中的应用，我们提出了一种新的测试，以评估大量的协变量的响应变量的条件均值依赖。我们的方法建立在Shao和Zhang（2014）最近提出的鞅差发散的基础上，并且它能够检测到某种类型的偏离条件均值独立性的原假设，而无需做出任何特定的模型假设。在理论上，我们建立了基于协变量的特征函数构造的Hermitian算子的特征值的渐近正态性.这些条件可以在协变量的带状依赖结构或高斯设计下得到简化。为了解释数据的异质性，我们进一步开发了一个测试程序，在给定的分位数水平的条件分位数独立性，并提供了一个渐近的理由。从经验上讲，我们的测试条件均值独立性提供了可比的结果，竞争对手，这是在线性模型框架下，当基础模型是线性的。当条件均值允许非线性形式时，它的表现明显优于竞争对手。
2017-01-30 math.ST stat.TH
Analysis of Conditional Randomisation and Permutation schemes with application to conditional independence testing
本文分析了条件随机化与条件置换两种重采样方案的渐近性质，证明其概率估计量渐近正态且经验条件互信息分布一致，并验证了置换p值的有效性，为基于重采样和调整自由度卡方分布的条件独立性检验提供了理论依据。
2023-04-12 math.ST stat.TH
Asymptotic distribution for the proportional covariance model
导出了多元正态分布下比例协方差模型的渐近分布。为此，采用了通过其Cholesky根的公共协方差阵的参数化。推导分三步进行。首先，通过求信息矩阵及其逆矩阵，得到了公共协方差阵的比例系数和Cholesky逆根的极大似然估计的渐近分布。接下来，使用多变量$δ$方法推导出共同协方差阵的Cholesky根的情况下的渐近分布，最后推导出共同协方差阵本身的情况下的渐近分布。作为本文导出的渐近分布的一个应用，考虑了协方差阵的齐性假设。
2021-03-21 math.ST stat.TH
Estimations of Extreme CoVaR and CoES under Asymptotic Independence
School of Data Science, Fudan University（复旦大学数据科学学院）
本文提出两种方法估计渐近独立但正相关情况下极端CoVaR和CoES，通过蒙特卡洛模拟和实证分析验证了方法的有效性。
2026-01-17 stat.ME
Asymptotic analysis of ML-covariance parameter estimators based on covariance approximations
针对高斯随机场的协方差参数估计，提出截断似然函数近似方法，证明在紧支撑情形下估计量的一致性和渐近正态性，并推广至锥化情形，实现渐近最小化KL散度。
2023-11-15 math.ST stat.TH
Inference for Multi-Dimensional High-Frequency Data: Equivalence of Methods, Central Limit Theorems, and an Application to Conditional Independence Testing
我们发现了具有微观结构的高频金融数据的多维多尺度估计和核估计的渐近分布。采样时间允许是异步的和内源性的。在这个过程中，我们表明，类的多尺度和核估计平滑噪声扰动是渐近等价的意义上有相同的渐近分布相应的核和权函数。该理论导致多维稳定的中心极限定理和可行的版本。因此，他们允许绘制统计推断的广泛类别的多变量模型，铺平了道路，以测试和置信区间的风险度量任意组合组成的高频率观察的资产。作为一个应用程序，我们加强了方法来构建一个测试的假设，相关的资产是独立的条件下的一个公共因子。
2014-11-04 math.ST stat.TH
Asymptotic analysis of maximum likelihood estimation of covariance parameters for Gaussian processes: an introduction with proofs
本文介绍了高斯过程协方差参数估计的渐近分析。考虑了极大似然估计。这一介绍的目的是要获得广大观众，并提出一些现有的结果和证明技术的文献。增加域和固定域的渐近设置。在增域渐近性下，证明了协方差参数的所有分量一般都能一致地用极大似然估计，且渐近正态性成立。相比之下，在固定域渐近下，只有构成微遍历参数的协方差参数的某些分量可以一致地估计。在固定域渐近下，考虑了各向同性Matérn协方差函数族的特殊情况.结果表明，只有方差和空间尺度参数的组合是微遍历的。给出了极大似然估计的相合性和渐近正态性证明。
2020-09-15 math.ST stat.TH
On the asymptotic normality of kernel estimators of the long run covariance of functional time series
考虑平稳泛函时间序列长期协方差核估计的$L^2$中的渐近正态性。我们的结果是建立在弱相关的伯努利位移结构的基础上的观察，其中包含大多数平稳功能时间序列模型，在温和的条件下。作为推论，我们得到了联合渐近的功能主成分计算的经验长期协方差算子，表明他们有良好的性能是渐近独立的。
2015-03-09 math.ST stat.TH
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
Bayesian nonparametric tests via sliced inverse modeling
我们研究了分类协变量和连续响应变量之间的独立性和条件独立性检验问题，这在遗传学中有直接的应用。我们不是在给定协变量值的情况下估计响应的条件分布，而是在给定离散化响应（又名“切片”）的情况下对协变量的条件分布进行建模。通过为每个可能的离散化方案分配先验概率，我们可以使用动态规划算法有效地计算用于独立性（或条件独立性）检验的贝叶斯因子（BF）统计量。研究了BF统计量的幂和零分布等渐近性质和有限样本性质，并进一步提出了一种基于BF统计量的逐步变量选择方法。我们比较了BF统计与一些现有的经典方法，并通过广泛的模拟研究证明其统计功效。我们将所提出的方法应用于小鼠遗传学数据集，旨在检测数量性状位点（QTL），并取得了可喜的成果。
2015-05-02 stat.ME
Bridging Asymptotic Independence and Dependence in Spatial Extremes Using Gaussian Scale Mixtures
高斯尺度混合物被构造为具有随机方差的高斯过程。它们具有非高斯边缘，并且可以表现出与高斯过程不同的渐近依赖性，高斯过程除了完全依赖的情况外是渐近独立的。在本文中，我们详细研究了高斯尺度混合物的极值依赖性质，我们统一和扩展的联合尾衰减率在渐近依赖和独立的情况下的一般结果。出于对空间极值的分析，我们提出了几种灵活而简约的参数Copula模型，这些模型可以从渐近依赖平滑地插值到独立性，并将高斯依赖作为特例。我们展示了如何使用删失似然方法将这些新模型拟合到高阈值的一致性，并且我们证明了它们提供了有关尾部特征的有价值的信息。我们的参数方法优于广泛使用的非参数$χ$和$\barχ$统计，通常用于指导模型选择在探索阶段，通过借用跨位置的强度，更好地估计渐近依赖类。我们证明了我们的方法的能力，充分捕捉极端属性的风速数据收集在太平洋西北部，美国。
2017-01-27 stat.ME
Asymptotic Independence of the Quadratic form and Maximum of Independent Random Variables with Applications to High-Dimensional Tests
本文证明了独立随机变量二次型与最大值的渐近独立性，据此提出结合 sum-type 与 max-type 的 Fisher 组合检验用于高维均值检验，放宽了现有假设并在模拟中对稀疏与密集数据均表现出强稳健性。
2023-08-02 stat.ME
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
Butterfly resampling: asymptotics for particle filters with constrained interactions
我们概括的基本机制放回抽样$N$时间从一个加权人口的大小$N$的抽样，通过引入辅助变量和条件独立性的限制，其特征在于模块同余关系。出于对并行性的考虑，收敛性研究揭示了该机制的条件独立图的稀疏性如何与粒子滤波器的波动特性相关，该滤波器使用它来进行重新排序，在某些情况下表现出奇异的缩放行为。证明涉及条件独立图的详细组合分析。
2014-11-21 stat.ME
Generalized Odds for Ordinal Outcomes: A Causal Inference Framework Adjusting for Covariates
Beijing Institute of Brain Disorders, Capital Medical University（首都医科大学北京脑重大疾病研究院）；Chinese Institutes for Medical Research（中国医学科学院）；Department of Neurology, Xuanwu Hospital, Capital Medical University（首都医科大学宣武医院神经内科）
该研究提出调整协变量的因果广义优势比框架，定义个体层面因果Gen Odds，开发含敏感性参数的估计量，经模拟和ACCORD研究验证其稳健性，可补充传统人群层面Gen Odds。
2026-10-15 stat.ME
Covariate Shift Corrected Conditional Randomization Test
针对协变量偏移下条件独立性检验失效的问题，提出csPCR检验，通过重要性权重和控制变量法校正偏移并提升功效，理论及模拟验证其控制第一类错误且功效优越，并应用于COVID-19治疗评估。
2024-05-29 stat.ME
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
On independence testing using the (partial) distance correlation
本文比较了距离相关性与偏距离相关性在（条件）独立性检验中的置换法和渐近法，并与皮尔逊相关性对比，发现条件独立情形下结果出人意料。
2025-06-18 stat.ME
Testing for Serial Independence via Auto Hilbert-Schmidt Independence Criterion
Department of Statistics and Data Science, School of Economics, Xiamen University（厦门大学经济学院统计与数据科学系）；Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系）
本文提出了一种基于自适应希尔伯特-施密特独立准则（AutoHSIC）的框架，用于检验严格平稳时间序列中的序列独立性。该方法通过测量观测值与其滞后值之间的依赖性，提供了一种基于核的方法来检测非线性序列依赖性，并通过自适应统计量和野 bootstrap 方法进行检验。
2026-05-21 stat.ME
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
Beyond Local Independence: High-Dimensional Latent Class Graphical Models with Shared Block Structure
Department of Statistics, Columbia University（哥伦比亚大学统计学系）
针对高维序数响应数据，提出一种具有块结构局部依赖的高维潜在类别图模型，通过三步估计器同时恢复潜在类别、共享块划分和类内稀疏精度矩阵，并建立端到端一致性理论。
2026-06-28 stat.ME
GFCM: A Tail-Sensitive Mixed-Type Conditional Independence Test for Causal Discovery
University of Nicosia（尼科西亚大学）
本文提出GFCM，一种适用于混合型数据、对协方差之外的尺度与尾部依赖敏感的因果发现条件独立性检验方法，可在PC框架内保持校准与低骨架错误，恢复协方差方法遗漏的尾部边。
2026-08-18 stat.ME stat.ML
A kernel log-rank test of independence for right-censored data
我们介绍了一个一般的非参数独立性检验之间的右删失生存时间和协变量，这可能是多变量。我们的检验统计量具有双重解释，首先是权重索引对数秩检验的潜在无限集合的上确界，权重函数属于函数的再生核希尔伯特空间（RKHS）;其次，作为某些有限测度嵌入RKHS的差异的范数，类似于希尔伯特-施密特独立准则（HSIC）检验统计量。我们研究的渐近性质的测试，找到充分的条件，以确保我们的测试正确地拒绝任何替代下的原假设。可以直接计算检验统计量，并通过渐近一致的Wild Bootstrap程序获得拒绝阈值。对模拟和真实数据的广泛调查表明，我们的测试程序在检测复杂的非线性相关性方面通常优于竞争方法。
2021-11-19 stat.ME stat.ML
Sparse covariance estimation in heterogeneous samples
标准高斯图模型（GGM）隐含地假设变量之间的条件独立性对样本中的所有观测值是共同的。然而，在实践中，观测通常是从异质总体收集的，这样的假设是不满足的，从而导致变量之间的非线性关系。为了解决这些问题，我们探索混合GGM，特别是，我们认为GGM和无限隐马尔可夫模型GGM排放分布的无限混合模型。这样的模型允许我们将异质群体划分为同质群体，每个集群都有自己的条件独立结构。考虑无限混合的主要优点是，它们使我们能够很容易地估计样本中的子种群的数量。作为一个例子，我们研究了前欧元时代汇率波动的趋势。这个例子表明，模型是非常灵活的，同时提供了非常有趣的见解到现实生活中的应用程序。
2010-01-23 stat.AP stat.CO stat.ME
Nonparametric Independence Screening via Favored Smoothing Bandwidth
提出了一种适用于超高维数据的灵活的非参数回归方法。作为第一步，我们提出了一个快速筛选方法的基础上的边缘局部常数回归的青睐平滑带宽。然后，一个迭代程序开发恢复重要的协变量和回归函数。从理论上证明了基于偏好平滑带宽的筛选具有模型选择一致性。仿真研究以及实际数据分析表明，新的程序的竞争力的性能。
2017-11-28 stat.AP stat.CO 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
