Distribution-free tests of independence in high dimensions
高维情形下的分布无关独立性检验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：摘要研究一般高维随机向量的独立性检验，未给出经济网络、金融风险或其他所列细分方向的直接依据。
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
高维情形下的分布无关独立性检验
- 研究问题
- 当随机向量维度超过独立观测数量时，如何检验各分量相互独立，并兼顾第一类错误与稀疏备择下的功效？
- 方法与思路
- 作者研究包含 Kendall 与 Spearman 统计量的两类分布无关统计量，建立零假设下的 Gumbel 极限并构造检验。
- 材料陈述的贡献
- 摘要称所提检验在高维设置中控制第一类错误，对稀疏备择达到功效速率最优，模拟中尤其在高维时优于比较方法。
- 阅读关注点
- 应核对维度增长、边际分布和稀疏备择的限制，确认相互独立性的检验依据，以及模拟比较方法和误差控制含义。
- 阅读边界
- 仅据版本未注明的 Europe PMC 存档摘要；理论条件和模拟数值未提供，不能把所述比较推广至所有依赖结构或版本。
原文摘要
We consider the testing of mutual independence among all entries in a $d$-dimensional random vector based on $n$ independent observations. We study two families of distribution-free test statistics, which include Kendall’s tau and Spearman’s rho as important examples. We show that under the null hypothesis the test statistics of these two families converge weakly to Gumbel distributions, and we propose tests that control the Type I error in the high-dimensional setting where $d >n$. We further show that the two tests are rate-optimal in terms of power against sparse alternatives and that they outperform competitors in simulations, especially when $d$ is large.