A Two-Sample Test for Equality of Means in High Dimension
高维均值相等的两样本检验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：摘要核心是一般高维均值检验，ARMA 与时序生物数据示例不足以确定其属于宏观时间序列研究。
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…
高维均值相等的两样本检验
- 研究问题
- 在维度很高而样本很少、样本协方差矩阵秩不足的情况下，如何检验两个总体的均值向量是否相等？
- 方法与思路
- 作者提出广义分量检验，利用分量的合理排序及依赖与间距相关的结构，避免完整估计协方差矩阵。
- 材料陈述的贡献
- 摘要称，该检验不要求两总体协方差相等，对分量异方差稳健；在所考察依赖结构下有竞争力，重尾数据下功效更高。
- 阅读关注点
- 应核对分量排序与依赖限制、零分布近似条件、异方差稳健性的边界，以及重尾功效比较和计算时间的依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，无法判断刊本变化；摘要未列依赖条件及重尾范围，分量可排序并不保证方法普遍适用。
原文摘要
We develop a test statistic for testing the equality of two population mean vectors in the “large-p-small-n” setting. Such a test must surmount the rank-deficiency of the sample covariance matrix, which breaks down the classic Hotelling T2 test. The proposed procedure, called the generalized component test, avoids full estimation of the covariance matrix by assuming that the p components admit a logical ordering such that the dependence between components is related to their displacement. The test is shown to be competitive with other recently developed methods under ARMA and long-range dependence structures and to achieve superior power for heavy-tailed data. The test does not assume equality of covariance matrices between the two populations, is robust to heteroscedasticity in the component variances, and requires very little computation time, which allows its use in settings with very large p. An analysis of mitochondrial calcium concentration in mouse cardiac muscles over time and of copy number variations in a glioblastoma multiforme dataset from The Cancer Genome Atlas are carried out to illustrate the test. Supplementary materials for this article are available online.