.png){kind=icon}
返回
Effective Permutation Tests for Differences Across Multiple High-Dimensional Correlation Matrices
.png){kind=icon}
OA
AI
DOI：10.1080/10618600.2025.2550527.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
检验两个或多个相关系数矩阵或协方差矩阵的相等性是生物学、金融学以及许多其他领域的一个重要问题。高维情况，即特征数量远大于样本量，会导致传统方法表现不佳，因为这些方法通常基于经典大样本设置中检验统计量的极限分布。此外，其性能往往取决于差异矩阵是稀疏还是稠密，而此类信息很少可获得。在本文中，我们提出了一类新的置换检验方法来应对这些挑战。所引入的检验在各种设置下在控制显著性水平和功效方面均被证明优于许多其他竞争方法。具体而言，利用我们的方差稳定化变换，所提出的方法在稀疏和稠密设置下均能实现检验相关系数矩阵或协方差矩阵差异的最佳性能。我们建立了检验功效的非渐近性保证，这确保了其在稀疏和稠密差异相关系数矩阵情况下的可靠性。通过对基因表达和脑成像数据的分析，我们展示了在高维统计应用中，我们的检验具有高功效和准确的显著性水平控制。
Keyword:
Brain activation
Concentration inequalities
Covariance testing
Gene expression
High-dimensional statistics
期刊
J
IF:
1.8
论文数:
138
被引数:
6.4K
机构
引用论文
.png){kind=icon}
Two-Sample Covariance Matrix Testing and Support Recovery in High-Dimensional and Sparse Settings
PREAI
分享收藏分享收藏
查看更多内容