Optimally adaptive test for high dimensional hypotheses via minimax deficiency
基于极小极大缺损的高维假设最优自适应检验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检验功效评价，未提供所列经济学细分的直接方法或应用依据。
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
基于极小极大缺损的高维假设最优自适应检验
- 研究问题
- 当不同高维检验共享检测边界时，如何更精细地比较功效，并构造对未知信号稠密程度和强度具有适应性的检验？
- 方法与思路
- 作者提出极小极大相对缺损和绝对缺损作为功效比较标准，通过功效增强方式组合三类基本检验，并进行理论与实验比较。
- 材料陈述的贡献
- 摘要称组合检验在整个信号密度范围内达到尖锐最优的相对缺损和近乎最优的绝对缺损，并提供气候变化数据应用。
- 阅读关注点
- 应核对两种缺损的定义、参照检验和参数集合、三类检验的组合机制，以及全信号密度范围最优性成立的条件。
- 阅读边界
- 仅据所给OpenAlex摘要版本，不能推断后续刊本变化。摘要未说明完整模型与依赖条件，气候变化应用也不能据此归为结构变化研究。
原文摘要
The detection boundary is a tool for power evaluation of a high dimensional test, which provides a binary phase transition of power in terms of signal density and strength. However, it cannot separate the L2 and higher criticism (HC) tests under dense signals, and the L∞ and HC tests under highly sparse signals as they share the same detection boundary. This paper proposes minimax relative deficiency and minimax absolute deficiency as sharper measures for power evaluation than the detection boundary, and develop an adaptive testing procedure by combining three basic tests via a power enhancement approach. The proposed test is robust to the unknown signal density and strength with sharp optimal relative deficiency and nearly optimal absolute deficiency over the whole signal density regime. A full comparison of the proposed test with the existing methods is provided using the minimax deficiency measures. Simulation studies and a real data application to climate change analysis are conducted to evaluate the proposed test and demonstrate its superiority.