A New Graph-Based Two-Sample Test for Multivariate and Object Data
用于多变量与对象数据的新型图两样本检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是通用对象数据的两样本检验，平衡检验与网络比较的应用不足以将其主方法归入因果或网络干扰方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于多变量与对象数据的新型图两样本检验
- 研究问题
- 如何对多变量或非欧氏对象数据开展两样本比较，使基于相似图的检验同时对位置差异和尺度差异具有检测能力？
- 方法与思路
- 作者在两组样本的合并观测上构造相似图，利用图中的一种共同模式形成新统计量，并推导渐近置换零分布。
- 材料陈述的贡献
- 摘要称，新检验兼顾位置与尺度备择，模拟显示较大的功效增益；渐近近似在所考察有限样本中表现良好，并展示两个应用。
- 阅读关注点
- 核对距离与相似图的选择、统计量利用的图模式、渐近近似条件，以及位置和尺度备择下比较方案与有限样本校准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；功效优势取决于比较场景，协变量平衡检验本身不保证因果识别。
原文摘要
Two-sample tests for multivariate data and especially for non-Euclidean data are not well explored. This article presents a novel test statistic based on a similarity graph constructed on the pooled observations from the two samples. It can be applied to multivariate data and non-Euclidean data as long as a dissimilarity measure on the sample space can be defined, which can usually be provided by domain experts. Existing tests based on a similarity graph lack power either for location or for scale alternatives. The new test uses a common pattern that was overlooked previously, and works for both types of alternatives. The test exhibits substantial power gains in simulation studies. Its asymptotic permutation null distribution is derived and shown to work well under finite samples, facilitating its application to large datasets. The new test is illustrated on two applications: The assessment of covariate balance in a matched observational study, and the comparison of network data under different conditions.