A Heavily Right Strategy for Statistical Inference with Dependent Studies in Arbitrary Dimensions
任意维度下依赖研究推断的重右尾策略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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要属于通用组合检验和置信区域理论；网络元分析不构成经济网络或干扰研究的直接证据。
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…
任意维度下依赖研究推断的重右尾策略
- 研究问题
- 不建模或估计研究间依赖时，如何组合检验来构造近似置信区域，并保证区域凸性，使任意一维线性投影成为易解释的区间？
- 方法与思路
- 作者利用重尾近似组合检验，将柯西分布截去左半部构造半柯西检验，并研究与重右尾帕累托分布对应的调和均值检验。
- 材料陈述的贡献
- 摘要称两种方法在研究以 Hotelling T² 或 χ² 统计量概括时保证区域凸性，提供精确实现算法，并应用于均值估计和网络元分析。
- 阅读关注点
- 应区分凸性结论与置信覆盖保证，核对重尾近似对依赖和显著性水平的要求，以及单项研究统计量失准时哪些结论仍成立。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要中的无条件凸性不等于无条件覆盖有效，近似误差与依赖适用范围未说明。
原文摘要
We leverage recent advances in heavy-tail approximations for global hypothesis testing with dependent studies to construct approximate confidence regions without modeling or estimating their dependence structures. A non-rejection region is a confidence region but it may not be convex. Convexity is appealing because it ensures any one-dimensional linear projection of the region is a confidence interval, easy to compute and interpret. We show why convexity fails for nearly all heavy-tail combination tests proposed in recent years, including the influential Cauchy combination test. These insights motivate a heavily right strategy: truncating the left half of the Cauchy distribution to obtain the Half-Cauchy combination test. The harmonic mean test also corresponds to a heavily right distribution with a Cauchy-like tail, namely a Pareto distribution with unit power. We prove that both approaches guarantee convexity when individual studies are summarized by Hotelling $T^2$ or $χ^{2}$ statistics (regardless of the validity of this summary) and provide efficient, exact algorithms for implementation. Applying these methods, we develop a divide-and-combine strategy for mean estimation in any dimension and construct simultaneous confidence intervals in a network meta-analysis for treatment effect comparisons across multiple clinical trials. We also present many open problems and conclude with epistemic reflections.