Metric statistics: Exploration and inference for random objects with distance profiles
度量统计：利用距离剖面探索随机对象并进行推断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：摘要中的分位数针对一般随机对象，未涉及微观经济分布效应，其他所列细分方向也缺乏依据。
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…
度量统计：利用距离剖面探索随机对象并进行推断
- 研究问题
- 对于度量空间中的复杂随机对象，如何利用距离分布描述中心、变异与分位数，并构造可解释的排序、可视化和两样本推断？
- 方法与思路
- 作者综述度量统计概念，重点结合距离剖面及其一维距离分布间的 Wasserstein 输运，定义输运秩、输运分位数和剖面度量。
- 材料陈述的贡献
- 摘要称这些工具提供对象数据的解释与两样本推断方法，剖面度量可补充原有度量揭示数据特征，并通过实例和可视化展示。
- 阅读关注点
- 应核对度量空间所需的结构条件、距离剖面与输运量的定义、两样本推断的理论要求，以及新增度量揭示特征的实例依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要没有给出推断定理的条件或性能比较，不能保证工具适用于任意对象空间或推断刊本变化。
原文摘要
This article provides an overview on the statistical modeling of complex data as increasingly encountered in modern data analysis. It is argued that such data can often be described as elements of a metric space that satisfies certain structural conditions and features a probability measure. We refer to the random elements of such spaces as random objects and to the emerging field that deals with their statistical analysis as metric statistics. Metric statistics provides methodology, theory and visualization tools for the statistical description, quantification of variation, centrality and quantiles, regression and inference for populations of random objects, inferring these quantities from available data and samples. In addition to a brief review of current concepts, we focus on distance profiles as a major tool for object data in conjunction with the pairwise Wasserstein transports of the underlying one-dimensional distance distributions. These pairwise transports lead to the definition of intuitive and interpretable notions of transport ranks and transport quantiles as well as two-sample inference. An associated profile metric complements the original metric of the object space and may reveal important features of the object data in data analysis. We demonstrate these tools for the analysis of complex data through various examples and visualizations.