.png){kind=icon}
返回
Debiased quantile significance testing with machine learning methods
.png){kind=icon}
PRE
AI
DOI：10.1016/j.csda.2025.108319.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
检验响应变量中一组协变量的显著性是一个具有广泛应用的关键问题。开发了一种新颖的非参数显著性检验方法，用于检验目标协变量集是否在给定其他协变量的条件下，提供了关于响应变量条件分位数的增量信息。所提出的检验统计量构建在偏差校正机器学习框架内，能够通过利用机器学习方法灵活估计未知函数。在原假设下，建立了所提检验统计量的渐近性质，并分析了备择假设下的功效，表明该方法能够以最优参数速率检测局部备择假设。为进一步增强功效，引入了一种集成分位数显著性检验方法。通过广泛的数值研究和真实数据应用，说明了所提检验方法在小样本下的性能。
Keyword:
Ensemble testing
Machine learning method
Quantile significance testing
期刊
C
IF:
1.6
论文数:
45
被引数:
0
机构
引用论文
Drawing Inferences for High-Dimensional Linear Models: A Selection-Assisted Partial Regression and Smoothing Approach.png)
Biometrics
OAAI
BiometricsIF0
OAAI分享收藏分享收藏THE PROJECTED COVARIANCE MEASURE FOR ASSUMPTION-LEAN VARIABLE SIGNIFICANCE TESTINGANNALS OF STATISTICS
ANNALS OF STATISTICSIF3.7
PREAI
分享收藏分享收藏分享收藏
查看更多内容