高维多元分布的假设检验:一篇选择性综述
本研究提出了一种在高维线性模型中测试线性假设的方法,可以不对模型的大小(即模型的稀疏性或表示假设的加载向量)进行任何限制,并通过测试与新设计的重组回归模型相关的时刻条件来实现。
Oct, 2016
在高维情形下考虑了检验两个多元正态分布均值差异的统计假设检验问题,其中引入了投影方法和 Hotelling T^2 统计量,并针对高维条件下的渐近推理,概述了测试的渐近功效函数以及通往提高其他最先进测试功效的充分条件,最后通过基于 ROC 曲线的实验,验证了该检验方法在高维数据中区分肿瘤数据种类时的优良性能。
Aug, 2011
研究高维向量假设检验问题,该问题决定观察到的向量是否具有独立的正态分量,或者是否具有一小部分相关分量。相关分量可能具有某个已知的组合结构。通过建立相关子集的大小、相关水平和可能相关集合的结构的上下界,确定最小化风险。研究表明在许多情况下,一些简单的测试具有接近最优的性能,而广义极大似然比测试在一些重要情况下是次优的。
Jun, 2011
探讨了决策理论问题中的非参数双样本检验与独立性检验,并指出使用核函数和点对之间的距离作为解决方案在高维设置中受到误解,测试的功率实际上随着维度的增加按多项式下降,提出了公平的替代假设,并阐明了核带宽选择中的中位数启发式的理论洞察力。
Jun, 2014
本文提出了一种面向高维数据的双样本均值检验方法,适用于大数据维度和小样本量的情况,并且无需显式地指定数据维度与样本量之间的条件,具有很大的灵活性。该方法可以用于检验基因集的显著性,有望在白血病数据的实证研究中获得应用。
Feb, 2010
本文探讨了在高维情况下使用 Lasso 估计器进行线性回归分析中,单个回归系数的 p-value 计算问题,证明了随机设计矩阵的问题可通过解偏差的 Lasso 估计器获得计算解,最后通过统计物理中的 Replica heuristics,推导出普遍高斯设计的标准分布极限。
Jan, 2013
本研究研究了不同隐私性的统计假设检验方法,包含常规与非参数检验方法,并使用特定于隐私数据的新型检验统计量,比较结果表明,我们的新型非参数检验方法在统计功效上有巨大改进。
Mar, 2019
本研究提出了一种方法,可以在高维线性模型中构建一般假设的 p 值。该方法可用于测试单个回归参数或涉及多个甚至所有参数的假设,同时考虑到 p 值之间的依赖关系,进行多重比较校正。该技术基于 Ridge 估计和在高维度中的投影偏差上增加的修正项,我们证明了我们的 p 值具有强大的误差控制,并提供了充分的检测条件,同时在模拟实例和真实数据应用中演示了该方法。
Feb, 2012